[发明专利]交通标志牌检测方法、装置、电子设备及存储介质

说明书

本申请涉及人工智能技术领域，可应用于智慧交通场景中，从而推动智慧城市的建设。本申请提供一种交通标志牌检测方法、装置、电子设备及存储介质，方法包括：获取待检测图像；对所述待检测图像进行预处理，获得预处理图像；将所述预处理图像输入至预先训练好的交通标志牌检测模型中，获得检测结果，其中，所述交通标志牌检测模型是基于YOLOv3网络模型进行网络结构的改进获得的；输出所述检测结果。本发明能提高对交通标志牌的识别准确率。

技术领域

本发明涉及图像检测技术领域，尤其涉及一种交通标志牌检测方法、装置、电子设备及存储介质。

背景技术

目前，可以通过YOLOv3网络模型对道路的交通标志牌进行识别，但在实践中发现，YOLOv3网络模型在雾霾、夜间等复杂环境下对交通标志牌的识别准确率不高，影响道路行驶安全。

因此，如何提高对交通标志牌的识别准确率是一个亟需解决的技术问题。

发明内容

鉴于以上内容，有必要提供一种交通标志牌检测方法，能够提高对交通标志牌的识别准确率。

本发明的第一方面提供一种交通标志牌检测方法，所述方法包括：

获取待检测图像；

对所述待检测图像进行预处理，获得预处理图像；

将所述预处理图像输入至预先训练好的交通标志牌检测模型中，获得检测结果，其中，所述交通标志牌检测模型是基于YOLOv3网络模型进行网络结构的改进获得的，所述网络结构的改进包括将EfficientNet网络与所述YOLOv3网络模型中的DarkNet53网络进行融合以及将所述DarkNet53网络与所述YOLOv3网络模型中提取的不同尺度的特征图的残差连接替换为所述融合网络与所述特征图的残差连接；

输出所述检测结果。

在一种可能的实现方式中，所述获取待检测图像之前，所述交通标志牌检测方法还包括：

获取预设的所述YOLOv3网络模型；

将EfficientNet网络与所述YOLOv3网络模型中的DarkNet53网络进行融合，获得融合网络；

将所述DarkNet53网络与所述YOLOv3网络模型中提取的不同尺度的特征图的残差连接替换为所述融合网络与所述特征图的残差连接，获得初始模型；

获取预设训练集；

使用所述预设训练集对所述初始模型进行训练，获得训练好的交通标志牌检测模型。

在一种可能的实现方式中，所述将EfficientNet网络与所述YOLOv3网络模型中的DarkNet53网络进行融合，获得融合网络包括：

将所述EfficientNet网络与所述YOLOv3网络模型中的DarkNet53网络进行通道合并，获得合并网络；

压缩所述合并网络，获得压缩网络；

通过预设的两个全连接神经层对所述压缩网络进行重组，获得注意力网络；

将所述注意力网络与所述合并网络进行注意力加权，获得所述融合网络。

在一种可能的实现方式中，所述将所述预处理图像输入至预先训练好的交通标志牌检测模型中，获得检测结果包括：

将所述预处理图像输入至预先训练好的交通标志牌检测模型中，通过所述EfficientNet网络获取所述预处理图像的第一残差块，以及通过所述DarkNet53网络获取所述预处理图像的第二残差块；

根据所述第一残差块、所述第二残差块以及所述融合网络，生成第一特征图、第二特征图以及第三特征图；