[发明专利]基于自适应多尺度特征融合的路面交通标志检测方法

摘要

本发明公开了一种基于自适应多尺度特征融合的路面交通标志检测方法，用于解决现有路面交通标志检测方法的技术问题。技术方案是将图片分批次输入到深度卷积神经网络中，得到深度卷积特征；感兴趣区域提取网络根据最后一层深度卷积特征计算生成可能包含路面交通标志的区域；将感兴趣区域输入到多层特征提取模块得到每个感兴趣区域对应的多尺度卷积特征；将每一个感兴趣区域的多尺度卷积特征独立地输入到反向连接重加权模块得到最有利于当前感兴趣区域检测的多尺度融合特征；将计算得到的多尺度融合特征输入到边框回归器和类别分类器得到边框坐标和类别信息。由于利用深度卷积神经网络提取多尺度特征，提高了路面交通标志检测的准确性，实用性好。

主权项

1.一种基于自适应多尺度特征融合的路面交通标志检测方法，其特征在于包括以下步骤：步骤一、将图片分批次输入到深度卷积神经网络中，计算相应批次的卷积特征，得到深度卷积特征；步骤二、感兴趣区域提取网络根据最后一层深度卷积特征计算生成可能包含路面交通标志的感兴趣区域；步骤三、将步骤二得到的感兴趣区域输入到多层特征提取模块中，得到每个感兴趣区域对应的多尺度卷积特征；多层特征提取模块计算方法表示为：ROI_feats＝MLPool([C₅,C₄,C₃],ROIs)，其中，C₅,C₄,C₃表示深度卷积网络中最后三层不同尺度的卷积特征，ROIs表示感兴趣区域，ROI_feats表示计算得到的多尺度卷积特征；MLPool表示多层特征提取计算方法；对于每一个感兴趣区域每一层卷积特征，都依次进行感兴趣区域池化、L₂范数标准化、尺度缩放，最终将不同层的特征在通道维度上进行合并，得到多尺度卷积特征；步骤四、将步骤三得到的多尺度卷积特征输入到反向连接重加权模块，根据每个感兴趣区域的特征自适应地生成属于当前感兴趣区域的多尺度特征分布权重，使用该权重对特征进行重加权得到独特的多尺度融合特征；该感兴趣区域的多尺度特征ROI_feats通过两个全连接层得到反向连接特征向量F,将ROI_feats在通道维度上拉成向量U，再经过以下注意力模型的计算得到多尺度特征分布权重，通过对特征重加权得到最后的多尺度融合特征；weight＝softmax(W_aa+b_a),其中，W_u,W_f,W_a,b_u,b_a是可通过网络学习的模型参数，a是中间结果，weight是生成的权重向量，β是用于恢复特征响应尺度的缩放因子，reweighted_ROI_feats是模块输出的多尺度融合特征，tanh,softmax分别表示双曲正切激活函数和软最大值激活函数；分别表示元素相加计算和元素相乘计算；步骤五、对于每一个感兴趣区域，将步骤四得到的多尺度融合特征重新输入到两个全连接层后连接最后的两个输出层：边框回归层和类别分类层，得到最终的边框坐标和类别信息。