[发明专利]一种基于级联网络的交通锥识别方法及装置

说明书

本发明实施例公开了一种基于级联网络的交通锥识别方法及装置。该基于级联网络的交通锥识别方法，包括：获取压缩和激活网络SENet、密集卷积网络DenseNet；基于SENet、DenseNet及预设的目标检测模型，确定目标网络结构；基于多张包含交通锥的原始交通锥场景图像，训练目标网络结构得到交通锥识别模型。根据本发明实施例，能够提供一种识别精确度更高的交通锥识别模型，进而更加精确地识别交通锥。

技术领域

本发明属于深度学习技术领域，尤其涉及一种基于级联网络的交通锥识别方法、装置、电子设备及计算机存储介质。

背景技术

近年来，无人驾驶技术逐渐成熟，安全问题受到政府、科研机构以及汽车生产厂家的高度重视，交通锥作为重要的交通标识之一，其通常放置在道路或人行道上，用于临时改变交通方向、封锁区域、警示路边施工和车道意外等，在确保安全驾驶方面起着至关重要的作用。所以，设计一个实时性好且准确率高的交通锥识别检测系统尤为重要，能够起到减少交通事故的作用。

由于道路或人行道上的交通锥是临时、可移动的，无法在高清地图上进行标识，需通过车载传感器来识别。在交通锥检测识别方面，目前采用的方法是基于传统的图像处理方法，经过图像处理去除复杂背景提取交通锥并通过形态学处理检测交通锥。

与传统的图像处理方法相比，基于深度学习的目标检测方法，能够自主学习不同层级的特征，学习的特征越丰富，准确率越高。该基于深度学习的目标检测方法主要是利用预设的目标检测模型(例如，Cascade R-CNN模型)进行目标识别，但是该目标检测模型较为简单，影响目标识别的精确度。

因此，如何提供一种识别精确度更高的交通锥识别模型，进而更加精确地识别交通锥是本领域技术人员亟需解决的技术问题。

发明内容

本发明实施例提供一种基于级联网络的交通锥识别方法、装置、电子设备及计算机存储介质，能够提供一种识别精确度更高的交通锥识别模型，进而更加精确地识别交通锥。

第一方面，提供了一种基于级联网络的交通锥识别方法，包括：

获取压缩和激活网络SENet、密集卷积网络DenseNet；

基于SENet、DenseNet及预设的目标检测模型，确定目标网络结构；

基于多张包含交通锥的原始交通锥场景图像，训练目标网络结构得到交通锥识别模型。

可选地，基于SENet、DenseNet及预设的目标检测模型，确定目标网络结构，包括：

确定DenseNet中的目标卷积层；其中，目标卷积层输出目标特征图；

在DenseNet中的每个目标卷积层之后增加SENet，得到主干网络；

利用主干网络替换目标检测模型中原有主干网络，得到目标网络结构。

可选地，基于多张包含交通锥的原始交通锥场景图像，训练目标网络结构得到交通锥识别模型，包括：

获取多张原始交通锥场景图像；

对任一原始交通锥场景图像进行数据增强，得到任一原始交通锥场景图像对应的至少一个第一交通锥场景图像；

建立每个第一交通锥场景图像对应的标签文件，得到交通锥场景图像数据集；

划分交通锥场景图像数据集，得到训练集、验证集和测试集；

基于训练集、验证集及目标网络结构，确定交通锥识别模型。

可选地，对任一原始交通锥场景图像进行数据增强，得到任一原始交通锥场景图像对应的至少一个第一交通锥场景图像，包括：