[发明专利]一种可迁移的多场景交通标志牌快速检测方法及系统

权利要求书

1.一种可迁移的多场景交通标志牌快速检测方法，其特征是：包括以下步骤：

对获取的图像在多通道的特征上进行特征提取，基于提取到的多通道特征进行初步裁剪，筛选包含待检测交通标志牌的裁剪块，对裁剪块进行后处理，得到待检测区域块；

利用迁移学习方法，基于新标记数据和旧数据重新训练检测器，并对重新训练的检测器进行补充训练，得到最终的多场景检测器；

利用多场景检测器对待检测区域块进行处理，得到检测结果。

2.如权利要求1所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：对图像在多通道的特征上进行特征提取的具体过程包括：基于ACF算法对图像在归一化的梯度幅度图、各方向梯度直方图和LUV色彩通道上进行特征提取。

3.如权利要求1所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：基于提取到的多通道特征进行初步裁剪的具体过程包括：原始图像在相同位置可能得到多个小块，将位置一致的多特征通道的小块的特征累加，再采用进行降维和平滑操作将此位置的各个通道特征进行聚合，得到裁剪的区域结果特征。

4.如权利要求1所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：筛选包含待检测交通标志牌的裁剪块的具体过程包括：利用训练好的SVM分类器对裁剪好的各个裁剪块特征进行处理，完成筛选；

或，对裁剪块进行后处理的具体过程包括：对在原始图像中的位置重合或者裁剪块中心点之间的距离小于设定值的区域块，进行融合，合并为一个区域块；对在原始图像中的的位置不重合且裁剪块中心点之间的距离大于设定阈值的，不做合并处理，均保留。

5.如权利要求1所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：利用迁移学习方法，基于新标记数据和旧数据重新训练检测器的具体过程包括：将新标记数据和旧数据都划分呈正训练集和负训练集两部分，再分别合并，形成总的正训练集和负训练集，迭代执行移除基于旧数据集训练得到的部分特征，添加基于新旧数据训练得到的部分特征，得到迁移学习后的检测器。

6.如权利要求5所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：移除基于旧数据集训练得到的部分特征的具体过程包括：利用新标记数据的正训练集测试已有检测器，其中前个最大值的伪阴性负样本找到该检测器中的m个特征，认为这些特征容易导致错误分类，移除上述特征。

7.如权利要求5所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：添加基于新旧数据训练得到的部分特征的具体过程包括：对新标记数据的正训练集中所有样本分配最大权重，使用移除特征后的检测器对旧数据的正训练集中错误分类的样本分配最大权重，对新旧数据中的负样本也分配最大权重，并对新旧数据的负训练集的权重进行归一化，选择加权误差最小的分类结果更新所有样本的权重，迭代m次。

8.如权利要求5所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：迭代执行的原则为保留相似的样本并丢弃旧数据集中差异超过设定阈值的样本，直到无可丢弃样本。

9.如权利要求1所述的一种可迁移的多场景交通标志牌快速检测方法，其特征是：对重新训练的检测器进行补充训练的具体过程包括：新旧正训练数据集中所有样本经过多次迁移学习过程后的权重，被分配给相应的补充训练样本，重新训练的检测器包括多个弱分类器，选择加权误差最小的弱分类器，根据其根据分类结果更新所有样本的权重，重复进行迭代次数遍，以增强原始分类器，得到多场景检测器。

10.一种可迁移的多场景交通标志牌快速检测系统，其特征是：包括：

区域裁剪模块，被配置为对获取的图像在多通道的特征上进行特征提取，基于提取到的多通道特征进行初步裁剪，筛选包含待检测交通标志牌的裁剪块，对裁剪块进行后处理，得到待检测区域块；

迁移学习和补充训练模块，被配置为利用迁移学习方法，基于新标记数据和旧数据重新训练检测器，并对重新训练的检测器进行补充训练，得到最终的多场景检测器；

检测模块，利用多场景检测器对待检测区域块进行处理，得到检测结果。