[发明专利]一种基于GMM聚类的多尺度识别交通信号标志的方法

说明书

本发明公开了一种基于GMM聚类的多尺度识别交通信号标志的方法。识别方法为：通过GMM聚类得到先验框尺寸作为网络的参数参与训练；先训练数据集中出现过多类的样本图像：将待训练图像输入神经网络中，网络提取输入图像不同层次的特征图，再通过上采样和特征融合，最后输出五个不同尺度的预测结果。通过迭代训练更新模型参数，得到过渡模型；按上述方法训练出现过少类的样本图像，得到最终模型；识别时将待识别图像输入最终模型，得到图像相应位置上的识别结果。通过GMM聚类，提高了网络的训练速度、识别速度和精度；通过多尺度预测，解决了交通信号标志太小，难以检测的问题；通过迁移学习的方法，解决了数据集少导致识别效果差的问题。

技术领域

本发明涉及一种交通信号标志识别方法，尤其是涉及一种基于GMM聚类的多尺度识别交通信号标志的方法。

背景技术

交通信号灯和交通标志牌的实时识别是自动驾驶和辅助驾驶技术的重要组成部分，也是实现安全驾驶的重要环节。车辆需要在行驶过程中快速识别出前方路段的交通信号灯和交通标志牌并以此为依据做出正确的行车操作或提醒驾驶员保持安全驾驶。这样做提高了自动驾驶的安全性且减小了交通事故发生的可能性。

传统的方法主要根据交通信号标志的颜色和形状等特征来识别。RGB颜色分割是一种基于颜色特征的识别方法，但该方法的识别准确度较差。针对这一缺点，相继出现了HIS颜色分割、HSV多阈值分割等算法，虽然满足了一定的识别要求，但计算耗时太长，无法实现实时检测。基于形状特征的识别方法有Hough变换、梯度方向信息、Canny边缘检测等方法，但这些方法受限于形状匹配的模板，存在鲁棒性差等问题。

为了克服传统识别方法的缺点，目前性能最好且用的最多的就是基于深度学习的目标检测方法，它又可大体分为single-stage和two-stage两大类。但是基于two-stage的方法需要产生大量的候选区域，导致识别速度非常慢，无法实现实时检测。虽然现有的基于single-stage的方法拥有较快的识别速度，但其对小目标的识别效果大多都较差。小目标指的是在图像中占据较小像素的目标，一般其长宽不到图像尺寸的10％，只有几十个像素。而在交通信号标志图像中会以小目标居多。所以，现有的基于single-stage的目标检测方法对交通信号标志的识别效果欠佳。

除此以外，现有的基于single-stage的目标检测方法使用的先验框是通过K-means聚类得到的。但K-means的每个聚类在所有维度上的协方差都为零，使聚类结果局限于圆形。而由所有标定框的长宽大小构成的二维数据集是不规则形状的，如果使用圆形来聚类将会使聚类结果产生巨大误差，导致训练过程中预测框的回归过程耗时严重，影响到了训练速度和识别速度；并且，由于聚类结果的不准确也会直接造成神经网络识别准确度低下。

同时，现有的目标检测方法大多要求训练数据集样本充足且数量均匀，如果有几个类别的数据集样本太少，那么最终这几类的识别效果将会非常差，会出现误检和漏检的现象。

针对现有的基于single-stage的交通信号标志识别方法的这几大问题，寻找一种训练速度快、识别速度快和识别准确度高的新方法，以代替现有的识别方法，便成为了目前亟需解决的问题。

发明内容

为解决上述问题，本发明提出一种基于GMM聚类的多尺度识别交通信号标志的方法，显著提高了识别准确度、训练和识别速度且对小目标对象也能实现高准确度识别。

本发明的技术方案采用如下步骤：

步骤一：数据准备；

通过对中国交通违章事件进行的统计，选择违章概率最高的25类交通标志作为数据集类别；一共收集到10000张包含有交通灯和交通标志牌的数据集，标定数据集并生成xml格式文件；随机选取2000张样本图片作为测试集，不参与神经网络的训练，只用来测试网络模型的性能；剩下的8000张样本图片被分为6000张训练样本和2000张验证样本后，需要参与神经网络模型的训练；计算并保存每个训练样本和验证样本中所有标定框的长宽大小。