[发明专利]一种道路交通标志自动识别与分类方法

权利要求书

1.一种道路交通标志自动识别与分类方法，其特征在于，包括以下步骤：

步骤S1：采用车载图像采集设备采集道路图像；

步骤S2：从采集到的道路图像中筛选出具有交通标志的图像并进行标注，构建Mask_RCNN模型训练所需的数据集；

步骤S3：将步骤S2得到的数据集输入Mask_RCNN模型进行训练，得到训练后的权重；

步骤S4：将所有采集到的道路图像用步骤S3训练好的权重进行道路标志的识别与分类；

步骤S5：对生成结果进行检查，对识别效果不好的图像进行二次标注并重新训练权重；

步骤S6：输出识别结果。

2.根据权利要求1所述的一种道路交通标志自动识别与分类方法，其特征在于，所述步骤S2具体包括以下步骤：

步骤S21：确定交通标志种类：根据福建省高速公路养护中心标志信息采集表，结合采集到的道路图像，将道路的交通标志种类分为告示标志、禁令标志、警告标志、指路标志、指示标志、里程桩六个大类；

步骤S22：通过Labelme标注软件对道路图像进行标注：从采集到的道路图像中选择带有交通标志的图像进行标注，得到标注好的图像；在标注时使用英文名字对交通标志进行标注，告示标志、禁令标志、警告标志、指路标志、指示标志、里程桩对应的英文名称依次为notice、prohibition、warning、guide、indication、milestone；若一张道路图像中出现多个同一类型的标志，则在名称后依次加上序号。

3.根据权利要求1所述的一种道路交通标志自动识别与分类方法，其特征在于，所述步骤S3中，所述Mask_RCNN模型主要包括四个主要部分：（1）主干架构，这是一个标准的卷积神经网络，底层检测低级特征，高层检测高级特征；在卷积神经网络传播过程中，允许每一级的特征与高级、低级特征互相结合；（2）区域建议网络RPN，这是一个轻量的神经网络，通过滑动窗口来扫描图像，并寻找存在目标的区域；（3）ROI分类器和边界框回归器，在基于RPN得到目标区域的基础上，进行目标物类别的划分；ROI分类器可以将区域分类为具体的类别，还可以生成一个背景类别；利用边界框回归器进一步精调边框的位置和尺寸以将目标封装；（4）分割掩码，掩码分支是一个卷积网络，取ROI分类器选择的正区域为输入，并生成它们的掩码；在训练过程中，将真实的掩码缩小来计算损失函数，在推断过程中，再将预测的掩码放大为ROI边框的尺寸以给出最终的掩码结果，每个目标有一个掩码；

将步骤S2标注好的图像传入Mask_RCNN模型进行训练，得到训练好的权重。

4.根据权利要求1所述的一种道路交通标志自动识别与分类方法，其特征在于，所述步骤S4中，将步骤S3训练得到的权重保存到与采集到的道路图像对应的文件位置；设置输出图像的形式，如果标签内容多于最开始设定的交通标志标签，则不在图像上展示非交通标志的标签的掩模；然后将全部采集到的道路图像导入模型进行训练，自动生成带有交通标志类别与位置信息的结果图像。

5.根据权利要求1所述的一种道路交通标志自动识别与分类方法，其特征在于，所述步骤S5具体包括以下步骤：

步骤S51：对步骤S4生成结果进行检查，筛选出识别有误的图像；

步骤S52：对步骤S51出现的误检图像，对数据集进行重新标注，具体为：返回步骤S2中，在原标注基础上，新增窗户与广告牌两个分类，分别命名为window和billboard；对新增的两个类进行标注，将标注好的图像数据进行重新训练；生成新的训练结果和识别结果；

步骤S53：对新的生成结果再进行检查，直至识别效果符合预期。

6.根据权利要求1所述的一种道路交通标志自动识别与分类方法，其特征在于，所述步骤S6中，将图片道路交通标志信息输入Excel表格，包括：将采集时所得的道路里程信息导入Excel表格，将识别所得的交通标志类别导入Excel表格，将识别所得的交通标志位置信息导入Excel表格。