[发明专利]交通信号灯的识别方法、系统、计算设备和智能车

权利要求书

1.一种交通信号灯的识别方法，其特征在于，所述方法包括：

获取图像，所述图像中记录了交通信号灯信息；

选取所述图像中交通信号灯所在区域，并对所述交通信号灯进行颜色校正，得到校正后的交通信号灯信息；

根据所述校正后的交通信号灯信息获取交通信号灯的位置和类别。

2.如权利要求1所述的方法，其特征在于，所述选取所述图像中交通信号灯所在区域包括：

利用注意力机制模型计算所述图像中每个像素点为交通信号灯对应的像素点的概率，得到注意力图，所述注意力图记录了所述图像中每个像素点为交通信号灯对应的像素点的概率值，所述概率值的取值范围为0-1。

3.如权利要求2所述的方法，其特征在于，在利用所述注意力机制模型计算所述图像中每个像素点为交通信号灯对应的像素点的概率之前，所述方法还包括：

选择一种神经网络模型作为初始注意力机制模型；

获取多个样本图像和基准图像，所述样本图像中记录了交通信号灯信息，所述基准图像为对所述样本图像中记录的交通信号灯进行颜色校正后得到的图像；

将所述样本图像和所述基准图像对应的像素点在同一坐标系对应的值进行相减，并将结果进行二值化处理，得到对比图像；

利用多个所述对比图像和所述样本图像对所述初始注意力机制模型进行训练。

4.如权利要求2或3所述的方法，其特征在于，对所述交通信号灯进行颜色校正包括：

根据所述注意力图，利用自编码器模型对所述交通信号灯进行颜色校正。

5.如权利要求4所述的方法，其特征在于，利用所述自编码器模型对所述交通信号灯进行颜色校正之前，所述方法还包括：

确定初始自编码器模型，所述初始自编码器模型采用一种深度学习模型；

利用所述多个样本图像和所述多个基准图像对所述初始自编码器模型进行训练。

6.如权利要求1-5任一项所述的方法，其特征在于，根据所述校正后的交通信号灯信息获取交通信号灯的位置和类别包括：

利用目标检测模型对所述校正后的交通信号灯信息进行目标检测，获取所述交通信号灯的位置和类别，所述目标检测模型为一种深度学习模型。

7.如权利要求4-6任一项所述的方法，其特征在于，所述自编码器模型包括多个特征提取卷积层，所述目标检测模型包括多个特征提取卷积层，所述特征提取卷积层用于对所述图像进行特征提取得到特征图，所述方法还包括：

根据所述特征图的尺寸大小，将所述目标检测模型的特征提取卷积层与所述自编码器模型的特征提取卷积层进行匹配连接。

8.一种交通信号灯的识别系统，其特征在于，包括：

获取单元，用于获取图像，所述图像中记录了交通信号灯信息；

确定单元，用于选取所述图像中交通信号灯所在区域；

校正单元，用于对所述交通信号灯进行颜色校正，得到校正后的交通信号灯信息；

检测单元，用于根据所述校正后的交通信号灯信息获取交通信号灯的位置和类别。

9.如权利要求8所述的系统，其特征在于，所述确定单元，具体用于：

利用注意力机制模型计算所述图像中每个像素点为交通信号灯对应的像素点的概率，得到注意力图，所述注意力图记录了所述图像中每个像素点为交通信号灯对应的像素点的概率值，所述概率值的取值范围为0-1。

10.如权利要求9所述的系统，其特征在于，

所述获取单元，还用于获取多个样本图像和基准图像，所述样本图像中记录了交通信号灯信息，所述基准图像为对所述样本图像中记录的交通信号灯进行颜色校正后得到的图像；

所述确定单元，还用于确定初始注意力机制模型，所述初始注意力机制模型采用一种神经网络模型；将所述样本图像和所述基准图像对应的像素点在同一坐标系对应的值进行相减，并将结果进行二值化处理，得到对比图像；利用多个所述对比图像和所述样本图像对所述初始注意力机制模型进行训练。