[发明专利]一种交通标志检测与识别标注方法、装置和计算机设备

说明书

本申请涉及一种低成本的交通标志检测与识别标志方法、装置和计算机设备。所述方法包括：步骤A，识别交通标志的类别信息，对所述交通标志进行标注分类；步骤B，使用数据增强方式进行所述交通标志扩充，获得多张带标签的训练图片；步骤C，使用分类网络进行训练和调参优化，形成特征提取器。采用本方法能够实现低成本地对交通标志进行检测、识别和训练，交通标志识别模块标注数量和时间少，鲁棒性强，且后续增加类别需求无需更新训练检测模块，综合来说，本发明在标注成本、时间成本以及训练成本都有很好的突破和创新。

技术领域

本申请涉及标志检测技术领域，特别是涉及一低成本的交通标志检测与识别标注方法、装置、计算机设备和存储介质。

背景技术

随着图像处理技术的发展，出现了基于各种场景的图像识别技术，现存基于图像的交通标志检测与识别方法可以分为两大类。第一类是基于传统的手工特征的方法；第二类是基于神经网络的深度学习方法。目前，第二种方法比第一种方法在性能上有很大的提升，已成为主流检测识别方法。但是，基于深度学习的方法普遍依赖于标注数据进行训练。这对于交通标志来说，在数据标注环节中，存在一定的困难。详情如下：我国目前道路标志分为主标志和辅助标志两大类，其中主标志又分为警告标志、禁令标志、指示标志、指路标志、旅游区标志和道路施工安全标志6种。以禁令标志为例，一共有43种。在这43种中，限速，限高，限重三种禁令标志可根据实际情况填写不同的数字，例如：限高3m,限高3.5m等等，又可扩展为很多种不同的标志。因此，交通标注类别十分庞大。目前国内国际公开的最大类别数目的数据集清华-腾讯100K也只有214个种类的交通标志场景照，这难以涵盖所有类别的交通标志。此外，交通标志有很多类别具有很强的地域性特点，例如：注意山体滑坡，注意落石，注意牲畜等。诸如此类的标志，现场照片采集起来十分不方便。与此同时，现有的基于深度学习的交通标志检测识别方法，都未能实现对所有类别的检测识别，而且，按照现有的方法，想要实现每一种类别的交通标志检测识别，需要标定所有的类别，且每一类别也必须要有一定数量的场景照。与此同时，标注员也需要熟记所有交通标志的类别才能开展标注工作，标注难度和误差率会比较高。

因此，交通标志检测识别的标注成本非常高，现有的基于深度学习的交通标志检测识别方法在标注成本上不够经济和合理，需要创新性的解决方案来突破原有的约束，实现低成本的标注方法，截止目前没有任何现有技术对这个问题提出解决方案，已经提出的方法或系统也没有给出在这方面的建设性意见。

发明内容

基于此，有必要针对上述技术问题，提供一种低成本的交通标志检测与识别标注方法、装置和计算机设备。

一种交通标志检测与识别标注方法，所述方法包括：

步骤A，获取交通标示图片；

根据所述交通标志图片识别所述交通标志的类别信息，并根据所述类别信息对所述交通标志图片进行标注分类；

步骤B，使用数据增强方式进行所述交通标志扩充，获得多张带标签的训练图片；

步骤C，对所述训练图片使用分类网络进行训练和调参优化，形成特征提取器。

在其中一个实施例中，还包括：

步骤A1，识别所述交通标志的边框位置信息、交通标志所属超类，其中所述超类为国家道路标志主标志6类；

步骤A2，训练并优化交通标志检测网络，保证较高的准确率；

步骤A3，使用训练好的检测网络抠取出训练集中的所有交通标志。

在其中一个实施例中，

步骤B1,在训练模块达标后，将检测到的交通标志，从场景照里面扣取出来保存为第一图片；

步骤B2,对所第一图片进行模糊处理、截断处理、倾斜处理、亮度处理、色调处理、饱和度处理等方式中的一项或多项；