[发明专利]车辆的交通灯检测方法、装置、车辆及存储介质

权利要求书

1.一种车辆的交通灯检测方法，其特征在于，包括以下步骤：

获取车辆在矢量地图中的当前位置和所有交通灯的位置信息，并基于所述当前位置和所述所有交通灯的位置信息判断车辆前方是否存在交通灯；

如果存在所述交通灯，则采集所述交通灯的当前图像，并将当前所述矢量地图中的所述交通灯的位置投影变换到所述当前图像中，提取所述交通灯在所述当前图像中的至少一个感兴趣区域；

将所述至少一个感兴趣区域输入至预设的剪枝SSD网络模型，输出所述交通灯的实际状态，其中，所述预设的剪枝SSD网络模型由丢弃预设数量不满足预设重要性条件的卷积核得到。

2.根据权利要求1所述的方法，其特征在于，在将所述至少一个感兴趣区域输入至所述预设的剪枝SSD网络模型之前，还包括：

采集道路交通灯数据，生成SSD网络模型的训练数据集；

基于所述训练数据集训练所述SSD网络模型，统计所述SSD网络模型中每层网络的L1范数均值，确定所述SSD网络模型中需要剪枝的网络层；

为每个所述需要剪枝的网络层随机生成多个不同的剪枝率，基于卷积核的所述L1范数的大小和所述剪枝率，丢弃所述需要剪枝的网络层中所述L1范数小于预设值的卷积核，得到多个剪枝候选模型。

3.根据权利要求2所述的方法，其特征在于，在得到所述多个剪枝候选模型之后，还包括：

判断多个剪枝候选模型的数量是否大于第一预设阈值；

如果大于所述第一预设阈值，则计算所述多个剪枝候选模型的检测精度，选择精度最高的模型，作为所述剪枝SSD网络模型；

如果小于或等于所述第一预设阈值，则对所述剪枝率进行更新，重新获取所述多个剪枝候选模型。

4.根据权利要求3所述的方法，其特征在于，在所述得到所述多个剪枝候选模型之后，还包括：

基于所述训练数据集，训练所述精度最高的模型，对所述精度最高的模型各个参数进行微调。

5.根据权利要求1所述的方法，其特征在于，在所述将所述至少一个感兴趣区域输入至预设的剪枝SSD网络模型之后，还包括：

判断所述交通灯状态是否改变；

若所述交通灯状态未改变，则所述交通灯状态保持前一时刻状态；

若所述交通灯状态以所述交通灯的实际时序变换而改变，且所述交通灯状态改变时长超过第二预设阈值时，则将改变后的所述交通灯状态作为最终状态。

6.一种车辆的交通灯检测装置，其特征在于，包括：

获取模块，用于获取车辆在矢量地图中的当前位置和所有交通灯的位置信息，并基于所述当前位置和所述所有交通灯的位置信息判断车辆前方是否存在交通灯；

提取模块，用于如果存在所述交通灯，则采集所述交通灯的当前图像，并将当前所述矢量地图中的所述交通灯的位置投影变换到所述当前图像中，提取所述交通灯在所述当前图像中的至少一个感兴趣区域；

检测模块，用于将所述至少一个感兴趣区域输入至预设的剪枝SSD网络模型，输出所述交通灯的实际状态，其中，所述预设的剪枝SSD网络模型由丢弃预设数量不满足预设重要性条件的卷积核得到。

7.根据权利要求6所述的装置，其特征在于，还包括：

采集模块，用于在将所述至少一个感兴趣区域输入至所述预设的剪枝SSD网络模型之前采集道路交通灯数据，生成SSD网络模型的训练数据集；

确定模块，用于基于所述训练数据集训练所述SSD网络模型，统计所述SSD网络模型中每层网络的L1范数均值，确定所述SSD网络模型中需要剪枝的网络层；

丢弃模块，用于为每个所述需要剪枝的网络层随机生成多个不同的剪枝率，基于卷积核的所述L1范数的大小和所述剪枝率，丢弃所述需要剪枝的网络层中所述L1范数小于预设值的卷积核，得到多个剪枝候选模型。