[发明专利]基于自适应多尺度特征融合的路面交通标志检测方法

说明书

本发明公开了一种基于自适应多尺度特征融合的路面交通标志检测方法，用于解决现有路面交通标志检测方法的技术问题。技术方案是将图片分批次输入到深度卷积神经网络中，得到深度卷积特征；感兴趣区域提取网络根据最后一层深度卷积特征计算生成可能包含路面交通标志的区域；将感兴趣区域输入到多层特征提取模块得到每个感兴趣区域对应的多尺度卷积特征；将每一个感兴趣区域的多尺度卷积特征独立地输入到反向连接重加权模块得到最有利于当前感兴趣区域检测的多尺度融合特征；将计算得到的多尺度融合特征输入到边框回归器和类别分类器得到边框坐标和类别信息。由于利用深度卷积神经网络提取多尺度特征，提高了路面交通标志检测的准确性，实用性好。

技术领域

本发明涉及一种路面交通标志检测方法，特别涉及一种基于自适应多尺度特征融合的路面交通标志检测方法。

背景技术

在现代社会中，汽车越来越成为人们日常生活中不可或缺的出行工具。然而汽车在给人们生活提供了很多便利的同时，随着汽车数量的持续爆炸性增加，也产生了一系列问题，如拥挤的道路、恶劣的空气、频繁发生的交通事故等等。在这些问题中，交通事故已经成为威胁人们生命安全的重要因素之一。随着科技的进步，智能交通成为人们探索可能解决频繁发生交通事故问题的重要领域。近年来越来越多高科技公司和研究人员试图通过计算机视觉相关技术实现车辆的智能感知，以此来实现高级辅助驾驶和无人驾驶汽车。在智能驾驶领域，交通标志、行人、车辆是重要的检测对象，对车辆能够实现按照交通规则行驶和成功避障具有重要意义。路面交通标志是指画在道路上的指示标志，它们提供了重要的交通导航信息。已有的路面交通标志检测方法可以分为两大类：基于传统的图像处理和机器学习方法和基于深度学习的检测方法。前者主要依靠人工设计的特征和传统的机器学习分类方法实现路面标志的检测，该类方法不仅计算步骤繁琐而且检测性能低下，泛化能力不足。后者主要依靠深度神经网络从大量的数据中学习得到鲁棒的特征表达，进而实现优良的检测性能。

已有的基于深度学习的路面交通标志检测方法有朱等人在专利“路面交通标志检测与识别方法，CN106372571A，中国”中使用的Ren等人在文献“Shaoqing Ren,Kaiming He,Ross Girshick,and Jian Sun.Faster r-cnn:Towards realtime object detectionwith region proposal networks.In Advances in neural information processingsystems,pages 91–99,2015.”中提出的Faster RCNN方法，和刘等人在专利“一种基于SSD的路面交通标志识别方法，CN108416283A，中国”中使用的Liu等人在文献“Wei Liu,Dragomir Anguelov,Dumitru Erhan,Christian Szegedy,Scott Reed,Cheng-Yang Fu,and Alexander C Berg.Ssd:Single shot multibox detector.In European conferenceon computer vision,pages21–37.Springer,2016.”中提出的SSD方法。对于尺度和形状变化剧烈的路面交通标志检测来说，以上两种方法提取的卷积特征多尺度表达能力弱，没有充分挖掘卷积网络的多尺度特征，不利于多尺度路面交通标志的检测。

发明内容

为了克服现有路面交通标志检测方法实用性差的不足，本发明提供一种基于自适应多尺度特征融合的路面交通标志检测方法。该方法将图片分批次输入到深度卷积神经网络中，计算相应批次的卷积特征，得到深度卷积特征；感兴趣区域提取网络根据最后一层深度卷积特征计算生成可能包含路面交通标志的区域；将感兴趣区域输入到多层特征提取模块得到每个感兴趣区域对应的多尺度卷积特征；将每一个感兴趣区域的多尺度卷积特征独立地输入到反向连接重加权模块得到最有利于当前感兴趣区域检测的多尺度融合特征；将计算得到的多尺度融合特征输入到边框回归器和类别分类器得到边框坐标和类别信息。由于利用深度卷积神经网络提取多尺度特征，提高了路面交通标志检测的准确性，实用性好。