[发明专利]基于改进时空图卷积的交通标志图像分割算法

说明书

本发明公开一种基于改进时空图卷积的交通标志图像分割算法，涉及交通标志图像分割技术领域包括如下步骤，对交通标志图像数据集进行预处理，实现图像增强；将增强后的图像进行基于八度卷积的RGB显著性检测网络，获取初步特征图；将初步特征图送入时空图卷积网络，获取输出特征，将输出特征与初始特征拼接，使用SETR算法实现特征匹配；将匹配后的特征图输入八度卷积残差模块进行细节化处理及边缘优化，输出分割后图像；本发明采用八度卷积替换RGB图像显著性检测模块和八度卷积残差模块中的普通卷积极大程度上降低复杂环境带来的运算负担，实现轻量级网络架构设计，提高预测速度，大幅提升运算效率，最后发明还提升了交通标志图片边缘优化效果。

技术领域

本发明涉及交通标志图像分割技术领域，尤其涉及一种基于改进时空图卷积的交通标志图像分割算法。

背景技术

交通标志识别是无人驾驶系统中对道路实时导航非常重要的环节，其识别正确率、识别速度将直接影响无人驾驶系统的安全性。然而交通标志识别在复杂环境下还存在进一步提升空间，如极端恶劣天气识别正确率，车辆行驶过程识别速度等问题都亟待解决。

邓翔宇等提出一种结合BP神经网络的交通标志分类的形状识别算法，算法利用颜色信息实现交通标志区域分割，但算法对圆形和正八边形存在一定误识率，且易受恶劣天气、道路拥堵等影响导致算法识别率低。徐兢成等提出一种在Alex模型基础上改进的交通标志识别方法，引入批量归一化方法，并加入全局平均池化层以减少网络深度，但算法在现实交通环境下实现多种复杂交通标志的识别处理还需完善。针对复杂环境，何锐波等提出一种改进深度学习的道路交通标志识别算法，结合SENet模型与ResNet模型，提取各自优点，使用较小网络层数目以达到较高识别水平，但算法人工干预较多，神经网络参数调整和输入较多。Dewi等采用SPP概念改进Yolo V3、Resnet 50、Densenet和Tiny Yolo V3骨干网络，用于构建交通标志特征提取，但算法计算复杂度高，实现过程繁琐。Cao等提出一种改进LeNet-5卷积神经网络模型的智能车辆交通标志检测与识别算法用以解决传统交通标志识别易受环境因素影响等问题，但基于深度学习的交通标志识别方法计算量大、实时性差。Yazdan等提出一种基于SVM分类器的形状分类算法来提高分割准确率，通过符号几何在分类结果中过滤错误像素，但耗时较长同样无法满足车辆在行驶过程中实时性要求。狄岚等等基于可能性聚类算法与卷积神经网络，提出一种道路交通标识识别算法，主要为解决图像中噪声和复杂背景对图片识别所产生的高耗时问题，但该算法在交通标识识别存在一定误差。揭伟等提出基于多特征融合的交通标识实时分类识别方法，主要针对识别过程中因样本类别差异带来实时性较差的影响。Mannan等为解决交通标识对应像素与背景对象完全分离问题，提出一种完全数据驱动分割技术，但该方法以增加计算成本为代价。Handoko在实现交通标志颜色和形状分割基础上，虽然降低了算法运行成本，但在极端恶劣天气下存在一定误差。James等提出基于胶囊神经网络来代替常用CNN和RNN，但仅在印度交通数据集中评估准确率有一定程度提高，地域性强不具备普适性。

发明内容

针对上述问题，本发明提出一种基于改进时空图卷积的交通标志图像分割算法。

一种基于改进时空图卷积的交通标志图像分割算法，包括如下步骤：

对交通标志图像数据集进行预处理，实现图像增强；

将增强后的图像进行基于八度卷积的RGB显著性检测网络，获取初步特征图；

将所述初步特征图送入时空部件图卷积网络，对所述初步特征图进行时空部件图构建后通过时空图卷积网络得到特征一，对所述初步特征图进行空间部件图构建后通过空间图卷积网络得到特征二，使用SETR算法实现特征一和特征二的特征匹配；将匹配后的特征图输入八度卷积残差模块进行细节化处理及边缘优化，输出分割后图像。