[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

说明书

本发明提供了一种可迁移的多场景交通标志牌快速检测方法及系统，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。本发明具有鲁棒性、检测速度快，检测精确度高的优点。

技术领域

本发明属于交通标志牌检测技术领域，具体涉及一种可迁移的多场景交通标志牌快速检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着智能交通领域的技术发展，获取得交通场景数据越来越丰富，包括大量不同场景、大场景、高分辨率场景等。现在存在三种主要的交通标志检测结构：基于AdaBoost的检测、基于支持向量机(SVM)的检测和基于神经网络(NN)的检测。

1)基于AdaBoost和Haar-like特征的检测器已被用于检测具有相似结构和外观的交通标志。有研究者提出MN-LBP特征来表达不同类型交通标志的共同特征，并设计了一个SFC树来检测从粗到细的不同类型交通标志。在不使用一种特征的情况下，ICF方法可以从多个注册图像通道中提取诸如局部和、直方图和Haarlike特征等特征。基于AggregatedChannel Feature(ACF)的检测方法已被用于一些检测问题，也已成功应用于TSD应用中，利用一些特征来完成检测工作；特征包括ACF、LBP和Spatial Pooled LBP等。这些不同类型的特征可以产生大量的训练特征；然而，这种方式的训练和检测过程通常比使用一种特征更复杂。

2)基于SVM和定向梯度直方图(HOG)的检测结构已成功应用于TSD问题。HOG特征已扩展到HIS色彩空间，并与局部自相似性(LSS)特征相结合，以获得TSD的描述符。在不使用类似HOG的特征的情况下，也可利用边缘自适应Gabor滤波器和SVM分类进行交通标志检测。在使用SVM分类框架的方法中也可使用包括HOG、LBP和Gabor在内的特征。大多数基于SVM的检测方法都有一个ROI提取过程，例如，利用基于颜色和形状的ROI提取方法为SVM分类提供候选、利用颜色增强和基于MSER的方法来提取ROI，并应用SVM+HOG检测器将ROI分类为对象或背景。但这种方法不具备场景迁移性。

3)基于卷积神经网络(CNN)的检测方法通过卷积网络学习特征，使用CNN分类器从背景中对对象进行分类，并且需要ROI提取方法来获取候选对象。一些基于CNN的方法没有使用ROI方法，而是有自己的ROI提取网络，比如，一种基于全卷积网络(FCN)和深度CNN的分类方法、一种通过两阶段调整策略提取建议区域的端到端的深度网络。大多数基于CNN的检测网络检测标志的速度很慢。尽管有许多深度学习方法在某些应用中取得了快速的性能，但大多数基于CNN的方法很大程度上依赖于GPU计算平台，在传统计算平台上仍然很慢。

发明内容

本发明为了解决上述问题，提出一种可迁移的多场景交通标志牌快速检测方法及系统，本发明的检测方法具有鲁棒性、检测速度快，检测精确度高的优点。

根据一些实施例，本发明采用如下技术方案：

一种可迁移的多场景交通标志牌快速检测方法，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。