[发明专利]一种基于深度学习的道路交叉口识别系统及方法

权利要求书

1.一种基于深度学习的道路交叉口识别方法，用于基于深度学习的道路交叉口识别系统，其特征在于：

所述基于深度学习的道路交叉口识别系统包括提取特征网络、区域建议网络、RoiPooling网络和全连接网络；

所述提取特征网络包括n个卷积层和n-1个池化层，用于提取输入图像的featuremaps；第一个卷积层的输入端用于输入待测影像，第i个卷积层的输出端连接第i个池化层的输入端，第i个池化层的输出端分别连接第i+1个卷积层的输入端和第i个RPN层的输入端，1≤i＜n；第n个卷积层的输出端连接所述Roi Pooling网络的输入端；

所述区域建议网络包括n个RPN层，第i个RPN层的输入端连接第i个池化层的输出端，第n个RPN层的输入端连接第n个卷积层的输出端；第i个RPN层的输出端连接第i+1个RPN层的输入端；第n个RPN层的输出端连接所述Roi Pooling网络的输入端；

所述Roi Pooling网络的输出端连接所述全连接网络的输入端，所述全连接网络的输出端用于输出图像识别结果；

每个RPN层均包括用于计算分类概率的分类层和用于计算回归边框的边界框回归层，每个RPN层将计算得到的分类概率和回归边框进行输出；

识别方法包括以下步骤：

（1）将包括道路交叉口的待测影像输入提取特征网络的第一个卷积层，第i个卷积层得到的feature maps输入到第i个池化层，第i个池化层将处理后的feature maps分别输入到第i+1个卷积层和区域建议网络的第i个RPN层，1≤i＜n，n为卷积层的数量；

（2）第i个池化层的处理结果输入到区域建议网络的第i个RPN层，第i个RPN层的处理结果输入到第i+1个RPN层；

（3）第n个卷积层的处理结果分别输入到第n个RPN层和Roi Pooling网络；第n个RPN层的处理结果输入到Roi Pooling网络；

（4）Roi Pooling网络将其处理结果输入到全连接网络，从而得到影像识别结果；

步骤（1）中，n为5，第一个卷积层用于提取所述道路交叉口的边缘特征；第二个卷积层用于提取所述道路交叉口的纹理特征；第三个卷积层和第四个卷积层均用于提取所述道路交叉口的抽象特征；第五个卷积层用于提取所述道路交叉口的高度抽象特征；

每个RPN层包括边界框回归层和分类层两个全连接层，每个RPN层从内部生成区域建议框，将区域建议框输入到边界框回归层和分类层；

每个RPN层中的边界框回归层计算得到回归边框，每个RPN层中的分类层计算得到分类概率，从第1个RPN层至第5个RPN层依层向下传播计算得到的分类概率和回归边框，在第5个RPN层中分别计算分类概率的平均值和回归边框的平均值，并将得到的平均值输出到RoIPooling层。

2.根据权利要求1所述的基于深度学习的道路交叉口识别方法，其特征在于：5个RPN层都使用的是3*3*512大小的卷积核，以滑动窗口的形式使每个feature maps像素点在对应的原图片上生成16种不同的区域建议框；在生成的所述区域建议框中，利用LoU规则筛选前256个区域建议框。

3.根据权利要求2所述的基于深度学习的道路交叉口识别方法，其特征在于：所述16种不同的区域建议框由4种尺寸和4种比例分别设置而成，4种尺寸分别为16*16、32*32、64*64、128*128，4种比例分别为1：1、1：2、2:1、3:1。

4.根据权利要求3所述的基于深度学习的道路交叉口识别方法，其特征在于：所述LoU规则为：

生成的区域建议框与目标真实窗口重叠率大于0.8的定义为正样本，重叠率小于0.2的定义为负样本，分别选取正负样本中的前128个区域建议框；每个RPN层将各自选取的256个区域建议框输入到分类层和边界框回归层。