[发明专利]无人驾驶交通灯检测分类方法和装置

说明书

本发明提供一种无人驾驶交通灯检测分类方法和装置，所述方法包括：获取交通灯图像，并对交通灯图像进行数据增强处理；使用数据增强处理后的交通灯图像对分类网络进行训练，以得到预测的交通灯的状态；获取在高精度地图中的真实的交通灯的地图坐标系坐标，并对地图坐标系坐标进行转换，得到交通灯的像素坐标系坐标；计算真实的交通灯与预测的交通灯的面积交并比；当面积交并比大于预设阈值时，确定预测的交通灯的状态为正确的交通灯；根据正确的交通灯进行分类网络预测。由此，在使用卷积神经网络对交通灯进行目标检测分类的基础上引入高精地图，有效提高了交通灯的检测分类精度，避免自动驾驶中因交通灯目标检测分类错误导致的路径规划错误。

技术领域

本发明涉及目标检测技术领域，具体涉及一种无人驾驶交通灯检测分类方法、一种无人驾驶交通灯检测分类装置、一种计算机设备、一种非临时性计算机可读存储介质和一种计算机程序产品。

背景技术

目前的交通灯检测仅仅使用了卷积神经网络进行目标检测，存在交通灯识别错误的情况，例如，在目标检测中有可能出现虚警，导致自动驾驶出现错误的规划。

发明内容

本发明为解决上述技术问题，提供了一种无人驾驶交通灯检测分类方法，在使用卷积神经网络对交通灯进行目标检测分类的基础上引入高精地图，有效提高了交通灯的检测分类精度，避免自动驾驶中因交通灯目标检测分类错误导致的路径规划错误。

本发明采用的技术方案如下：

一种无人驾驶交通灯检测分类方法，其特征在于，包括以下步骤：获取交通灯图像，并对所述交通灯图像进行数据增强处理；使用数据增强处理后的所述交通灯图像对分类网络进行训练，以得到预测的所述交通灯的状态；获取在高精度地图中的真实的交通灯的地图坐标系坐标，并对所述地图坐标系坐标进行转换，得到所述交通灯的像素坐标系坐标；计算所述真实的交通灯与所述预测的交通灯的面积交并比；当所述面积交并比大于预设阈值时，确定所述预测的交通灯的状态为正确的交通灯；根据所述正确的交通灯进行分类网络预测。

根据本发明的一个实施例，对所述地图坐标系坐标进行转换，得到所述交通灯的像素坐标系坐标，包括：将所述高精地图中真实的交通灯的地图坐标系下的坐标乘以地图坐标系转车体坐标系变换矩阵，得到所述真实的交通灯在车体坐标系下的坐标；将所述真实的交通灯的车体坐标系下的坐标乘以车体坐标系转相机坐标系变换矩阵，得到所述真实的交通灯在相机坐标系下的坐标；将所述真实的交通灯的相机坐标系下的坐标乘以相机的内参矩阵，得到所述真实的交通灯在像素坐标系下的坐标。

根据本发明的一个实施例，获取交通灯图像包括：采集包含交通灯的图像，并分别进行目标检测标注和分类标注，形成训练数据集；将所述包含交通灯的图像输入目标检测网络，并进行数据增强处理；使用数据增强处理后的训练数据对所述目标检测网络进行训练，预测出所述交通灯的坐标；根据所述交通灯的坐标，获取所述交通灯图像。

根据本发明的一个实施例，对所述交通灯图像进行数据增强处理，包括：采用中值滤波、图像锐化、旋转、镜像、亮度调整中的一种或多种对所述交通灯图像进行数据增强处理。

根据本发明的一个实施例，上述的无人驾驶交通灯检测分类方法，还包括：当所述面积交并比小于或者等于预设阈值时，确定所述预测的交通灯的状态为虚警。

根据本发明的一个实施例，所述目标检测网络为CenterNet，所述分类网络为ResNet18。