[发明专利]一种基于混合模型的交通信号灯识别方法及系统

权利要求书

1.一种基于混合模型的交通信号灯识别方法，包括输入交通场景图像，其特征在于，还包括以下步骤：

步骤1：标注数据及模型训练；

步骤2：利用“ICNet”获取图像中的语义区域信息，去除掉错检的信号灯位置；所述ICNet的辅助过程为通过判断检测到的信号灯位置信息是否与语义区域分割后的区域有重叠，所述判断公式为

A_pixel＝L_pixel∩S_pixel

其中，A_pixel表示信号灯定位区域和语义分割模型检测到目标的区域的重叠区域，L_pixel表示检测定位模型检测到的信号灯区域，S_pixel表示语义分割模型检测到的区域，N_pixel表示A_pixel区域中像素的个数，N_L_pixel表示L_pixel区域的像素个数，Final_res表示交通信号定位区域；

步骤3：训练基于卷积神经网络的交通信号灯细分类模型；

步骤4：输出检测结果，所述检测结果的输出计算方式为：

其中，Light_area表示检测到的信号灯区域，(x₁，y₁)和(x₂，y₂)分别是最后确定的交通信号灯区域的左上和右下坐标，prdiction表示为经过VGG-16模型识别后的预测结果，red_circle表示红色圆形信号灯，red_arrow表示红色箭头信号灯，green_circle表示绿色圆形信号灯，green_arrow表示绿色箭头信号灯，yellow_circle表示黄色圆形信号灯，yellow_arrow表示黄色箭头信号灯。

2.如权利要求1所述的基于混合模型的交通信号灯识别方法，其特征在于，所述模型训练的过程包括以下步骤：

步骤11：用ResNet-50模型初始化RPN网络，然后训练所述RPN网络；

步骤12：用所述ResNet-50模型初始化Fast-rcnn检测网络，再使用训练过的所述RPN网络来计算proposal，将获得的proposal传给Fast-rcnn网络进行训练；

步骤13：使用检测网络模型来初始化所述RPN网络，再次进行模型训练；

步骤14：保持模型的共享卷基层不变，然后微调FastR-CNN网络的全连接层，得到一个更快的目标检测模型。

3.如权利要求2所述的基于混合模型的交通信号灯识别方法，其特征在于，所述RPN网络的损失函数L的公式为

其中，i是anchor索引，p_i表示anchor属于某个目标的概率，表示ground-truth标签的概率，t_i表示预测的边界框，表示ground-truth的边框，L_cls是对数损失函数用于对前景和背景的分类；L_reg表示回归的损失函数，R是平滑的L₁损失函数，N_cls表示批量的数目，N_reg表示定位的所有点的数目。

4.如权利要求3所述的基于混合模型的交通信号灯识别方法，其特征在于，在回归阶段，采用以下公式实现对坐标的参数化：

t_x＝(x-x_a)/w_a，t_y＝(y-y_a)/h_a，t_w＝log(w/w_a)，t_h＝log(h/h_a)，

其中，x、y、w和h分别表示预测框的中心坐标、宽度和高度，变量x、x_a和x^*表示预测边框、anchor边框和ground-truth边框，t_x和t_y表示平移量，t_w和t_h表示尺度因子，和表示ground-truth边框的平移量，表和表示ground-truth边框的尺度因子。