本發(fā)明屬于人工智能領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法及系統(tǒng)。

背景技術(shù)：

深度學(xué)習(xí)是目前機(jī)器學(xué)習(xí)發(fā)展的最高度，卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一種方法，在物體識別、圖像處理等領(lǐng)域有著較好的效果。對于特征提取，卷積神經(jīng)網(wǎng)絡(luò)有著可以自動學(xué)習(xí)圖像特征的優(yōu)勢，減少了人工干預(yù)，提取出高質(zhì)量的特征，從而為提高圖像匹配的準(zhǔn)確率打下了堅實的基礎(chǔ)。

由于深度學(xué)習(xí)的方法在圖像預(yù)處理模塊沒有做足夠的針對性細(xì)節(jié)處理，圖像過大目標(biāo)物體所占比例過小時可能達(dá)不到預(yù)期的高精度的檢測結(jié)果的效果，為了提高檢測識別的精確度，通常需要對具體的應(yīng)用場景和圖像內(nèi)容進(jìn)行分析并進(jìn)行圖像預(yù)處理等。

交通標(biāo)志作為視頻監(jiān)控中的重要目標(biāo)之一，精確的檢測對后續(xù)識別，輔助定位導(dǎo)航起著決定性的作用。交通標(biāo)志的種類眾多，大小、角度不依，本身就很難做到精確檢測，并且在真實的行車環(huán)境中，受到天氣、光照等因素的影響，使得交通標(biāo)志的檢測更加困難，尤其在自動駕駛場景中，交通標(biāo)志的檢測和識別對行車周圍環(huán)境的理解起著至關(guān)重要的作用。例如通過檢測識別限速標(biāo)志來控制當(dāng)前車輛的速度等；另一方面，將交通標(biāo)志嵌入到高精度地圖中，對定位導(dǎo)航也起到關(guān)鍵的輔助作用。

有鑒于此，急需解決對交通標(biāo)志檢測的準(zhǔn)確率較低的問題。

技術(shù)實現(xiàn)要素：

為了解決對交通標(biāo)志檢測的準(zhǔn)確率較低的問題，本發(fā)明的第一目的是提供一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法。該方法大大地提高了特征提取的準(zhǔn)確率和檢測精度。

本發(fā)明的一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法，包括：

步驟1：采集歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，再輸入至SSD網(wǎng)絡(luò)，直至得到最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)；

步驟2：采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并按照是否為交通標(biāo)志特征分成正負(fù)分類這兩類交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫；

步驟3：利用交通標(biāo)志圖像檢測數(shù)據(jù)庫來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)；

步驟4：利用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，再將提取的交通標(biāo)志特征輸入至參數(shù)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而提取出交通標(biāo)志特征的特征；

步驟5：將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫中正負(fù)這兩類交通標(biāo)志特征分別進(jìn)行匹配，并保留正類交通標(biāo)志特征；

步驟6：將最終的檢測結(jié)果按比例還原至重疊切割前的交通標(biāo)志圖像中。

進(jìn)一步的，在所述步驟1中，將采集到的歷史的交通標(biāo)志圖像按比例進(jìn)行重疊切割之后，保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)。

本發(fā)明通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，而且保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)為準(zhǔn)確還原交通標(biāo)志圖像提高了坐標(biāo)基礎(chǔ)。

進(jìn)一步的，在所述步驟1訓(xùn)練SSD網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述SSD網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

進(jìn)一步的，在所述步驟3訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述卷積神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取交通標(biāo)志圖像的交通標(biāo)志特征的特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

本發(fā)明的第二目的是提供一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)。

本發(fā)明的一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)，包括：

SSD網(wǎng)絡(luò)訓(xùn)練模塊，其用于采集歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，再輸入至SSD網(wǎng)絡(luò)，直至得到最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)；

特征分類模塊，其用于采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并按照是否為交通標(biāo)志特征分成正負(fù)分類這兩類交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫；

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，其用于利用交通標(biāo)志圖像檢測數(shù)據(jù)庫來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)；

特征提取模塊，其用于利用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，再將提取的交通標(biāo)志特征輸入至參數(shù)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而提取出交通標(biāo)志特征的特征；

特征匹配模塊，其用于將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫中正負(fù)這兩類交通標(biāo)志特征分別進(jìn)行匹配，并保留正類交通標(biāo)志特征；

圖像還原模塊，其用于將最終的檢測結(jié)果按比例還原至重疊切割前的交通標(biāo)志圖像中。

進(jìn)一步的，該系統(tǒng)還包括切割交通標(biāo)志圖像位置記錄模塊，其用于將采集到的歷史的交通標(biāo)志圖像按比例進(jìn)行重疊切割之后，保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)。

本發(fā)明通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，而且保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)為準(zhǔn)確還原交通標(biāo)志圖像提高了坐標(biāo)基礎(chǔ)。

進(jìn)一步的，在所述SSD網(wǎng)絡(luò)訓(xùn)練模塊中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述SSD網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

進(jìn)一步的，在所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述卷積神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取交通標(biāo)志圖像的交通標(biāo)志特征的特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

本發(fā)明的第二目的是提供一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)。

本發(fā)明還提供了另一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)。

本發(fā)明的另一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)，包括：

圖像采集裝置，其被配置為采集歷史的交通標(biāo)志圖像，并傳送至服務(wù)器；

所述服務(wù)器，其被配置為：

將采集的歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，再輸入至SSD網(wǎng)絡(luò)，直至得到最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)；

采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并按照是否為交通標(biāo)志特征分成正負(fù)分類這兩類交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫；

利用交通標(biāo)志圖像檢測數(shù)據(jù)庫來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)；

利用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，再將提取的交通標(biāo)志特征輸入至參數(shù)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而提取出交通標(biāo)志特征的特征；

將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫中正負(fù)這兩類交通標(biāo)志特征分別進(jìn)行匹配，并保留正類交通標(biāo)志特征；

將最終的檢測結(jié)果按比例還原至重疊切割前的交通標(biāo)志圖像中。

進(jìn)一步的，所述服務(wù)器，還被配置為：將采集到的歷史的交通標(biāo)志圖像按比例進(jìn)行重疊切割之后，保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)。

本發(fā)明通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，而且保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)為準(zhǔn)確還原交通標(biāo)志圖像提高了坐標(biāo)基礎(chǔ)。

進(jìn)一步的，所述服務(wù)器，還被配置為：在訓(xùn)練SSD網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述SSD網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

進(jìn)一步的，所述服務(wù)器，還被配置為：訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述卷積神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取交通標(biāo)志圖像的交通標(biāo)志特征的特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

本發(fā)明涉及的SSD網(wǎng)絡(luò)，其英文全稱為：Single Shot MultiBox Detector網(wǎng)絡(luò)，其是使用單個的卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行卷積后，在特征圖像的每一個位置處預(yù)測一系列不同尺寸和長寬比的邊界框。在測試階段，SSD網(wǎng)絡(luò)對每一個邊界框中分別包含各個類別的物體的可能性進(jìn)行預(yù)測，并且對邊界框進(jìn)行調(diào)整以適應(yīng)目標(biāo)物體的形狀。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，通過SSD網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)對交通標(biāo)志圖像數(shù)據(jù)進(jìn)行特征提取，并通過SSD訓(xùn)練后得到的檢測結(jié)果刷新高精度交通標(biāo)志圖像數(shù)據(jù)庫，大大地提高了特征提取的準(zhǔn)確率和檢測精度。

附圖說明

構(gòu)成本申請的一部分的說明書附圖用來提供對本申請的進(jìn)一步理解，本申請的示意性實施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。

圖1是本發(fā)明實施例中一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法的流程示意圖；

圖2是本發(fā)明實施例中一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)結(jié)構(gòu)示意圖；

圖3是本發(fā)明實施例中另一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

應(yīng)該指出，以下詳細(xì)說明都是例示性的，旨在對本申請?zhí)峁┻M(jìn)一步的說明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實施方式，而非意圖限制根據(jù)本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

正如背景技術(shù)所介紹的，現(xiàn)有技術(shù)中存在對交通標(biāo)志檢測的準(zhǔn)確率較低的問題，為了解決如上的技術(shù)問題，本發(fā)明提出了一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法。

圖1是本發(fā)明實施例中一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法的流程示意圖，如圖所示本實施例中的一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測方法可以包括：

S101，采集歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，再輸入至SSD網(wǎng)絡(luò)，直至得到最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)。

具體實現(xiàn)中，采集歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，將重疊切割后的交通標(biāo)志圖像存儲至歷史交通標(biāo)志圖像數(shù)據(jù)庫內(nèi)。然后再從歷史交通標(biāo)志圖像數(shù)據(jù)庫內(nèi)選取訓(xùn)練SSD網(wǎng)絡(luò)的樣本，構(gòu)成訓(xùn)練SSD網(wǎng)絡(luò)的樣本集。

在訓(xùn)練SSD網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述SSD網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。這樣能夠最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

S102，采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并按照是否為交通標(biāo)志特征分成正負(fù)分類這兩類交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫。

具體實現(xiàn)中，采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫；針對采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)提取的交通標(biāo)志特征，若是交通標(biāo)志特征，則為正類交通標(biāo)志特征；若不是交通標(biāo)志特征，則為負(fù)類交通標(biāo)志特征。

其中，正負(fù)分類這兩類交通標(biāo)志特征均存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫。

S103，利用交通標(biāo)志圖像檢測數(shù)據(jù)庫來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)。

具體實現(xiàn)中，從交通標(biāo)志圖像檢測數(shù)據(jù)庫中選取訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，并輸入至卷積神經(jīng)網(wǎng)絡(luò)中。其中，卷積神經(jīng)網(wǎng)絡(luò)從輸入到輸出包括卷積層、池化層、連接層和softmax回歸分類器層。softmax回歸分類器層只有一層，而卷積層、池化層和連接層的層數(shù)根據(jù)實際情況設(shè)定或調(diào)整。比如：卷積神經(jīng)網(wǎng)絡(luò)包括三層卷積層、三層池化層、三層全連接層以及位于最后的softmax回歸分類器層。

在實際訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述卷積神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取交通標(biāo)志圖像的交通標(biāo)志特征的特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

S104，利用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，再將提取的交通標(biāo)志特征輸入至參數(shù)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而提取出交通標(biāo)志特征的特征。

具體實現(xiàn)中，利用訓(xùn)練好的SSD網(wǎng)絡(luò)提取來自視頻流中按比例進(jìn)行重疊切割后的交通標(biāo)志特征，根據(jù)SSD網(wǎng)絡(luò)提取到的交通標(biāo)志特征，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對提取帶的特征進(jìn)行進(jìn)一步訓(xùn)練篩選。

S105，將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫中正負(fù)這兩類交通標(biāo)志特征分別進(jìn)行匹配，并保留正類交通標(biāo)志特征。

具體實現(xiàn)中，提取到的交通標(biāo)志特征的特征若與正類交通標(biāo)志特征匹配，則提取到的交通標(biāo)志特征的特征保留該交通標(biāo)志特征，進(jìn)而檢測到交通標(biāo)志圖像。

S106，將最終的檢測結(jié)果按比例還原至重疊切割前的交通標(biāo)志圖像中。

在另一實施例中，將采集到的歷史的交通標(biāo)志圖像按比例進(jìn)行重疊切割之后，保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)。

這樣通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，而且保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)為準(zhǔn)確還原交通標(biāo)志圖像提高了坐標(biāo)基礎(chǔ)。

本實施例將深度學(xué)習(xí)技術(shù)與高精度交通標(biāo)志檢測技術(shù)相結(jié)合，通過對SSD網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練好的SSD網(wǎng)絡(luò)提取來自視頻流中按比例進(jìn)行重疊切割后的交通標(biāo)志特征，根據(jù)SSD網(wǎng)絡(luò)提取到的交通標(biāo)志特征，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)提取交通標(biāo)志特征的特征，將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫的正負(fù)兩類交通標(biāo)志的特征進(jìn)行匹配，保留正類交通標(biāo)志特征，得到高精度交通標(biāo)志匹配篩選結(jié)果，有效地提高了高精度交通標(biāo)志檢測的準(zhǔn)確率。

圖2是本發(fā)明實施例中一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)結(jié)構(gòu)示意圖，如圖所示本實施例中的一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)可以包括：

(1)SSD網(wǎng)絡(luò)訓(xùn)練模塊，其用于采集歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，再輸入至SSD網(wǎng)絡(luò)，直至得到最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)。

具體實現(xiàn)中，采集歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，將重疊切割后的交通標(biāo)志圖像存儲至歷史交通標(biāo)志圖像數(shù)據(jù)庫內(nèi)。然后再從歷史交通標(biāo)志圖像數(shù)據(jù)庫內(nèi)選取訓(xùn)練SSD網(wǎng)絡(luò)的樣本，構(gòu)成訓(xùn)練SSD網(wǎng)絡(luò)的樣本集。

在訓(xùn)練SSD網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述SSD網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。這樣能夠最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

(2)特征分類模塊，其用于采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并按照是否為交通標(biāo)志特征分成正負(fù)分類這兩類交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫。

具體實現(xiàn)中，采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫；針對采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)提取的交通標(biāo)志特征，若是交通標(biāo)志特征，則為正類交通標(biāo)志特征；若不是交通標(biāo)志特征，則為負(fù)類交通標(biāo)志特征。

其中，正負(fù)分類這兩類交通標(biāo)志特征均存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫。

(3)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，其用于利用交通標(biāo)志圖像檢測數(shù)據(jù)庫來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)。

具體實現(xiàn)中，從交通標(biāo)志圖像檢測數(shù)據(jù)庫中選取訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，并輸入至卷積神經(jīng)網(wǎng)絡(luò)中。其中，卷積神經(jīng)網(wǎng)絡(luò)從輸入到輸出包括卷積層、池化層、連接層和softmax回歸分類器層。softmax回歸分類器層只有一層，而卷積層、池化層和連接層的層數(shù)根據(jù)實際情況設(shè)定或調(diào)整。比如：卷積神經(jīng)網(wǎng)絡(luò)包括三層卷積層、三層池化層、三層全連接層以及位于最后的softmax回歸分類器層。

在實際訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述卷積神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取交通標(biāo)志圖像的交通標(biāo)志特征的特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

(4)特征提取模塊，其用于利用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，再將提取的交通標(biāo)志特征輸入至參數(shù)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而提取出交通標(biāo)志特征的特征。

具體實現(xiàn)中，利用訓(xùn)練好的SSD網(wǎng)絡(luò)提取來自視頻流中按比例進(jìn)行重疊切割后的交通標(biāo)志特征，根據(jù)SSD網(wǎng)絡(luò)提取到的交通標(biāo)志特征，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對提取帶的特征進(jìn)行進(jìn)一步訓(xùn)練篩選。

(5)特征匹配模塊，其用于將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫中正負(fù)這兩類交通標(biāo)志特征分別進(jìn)行匹配，并保留正類交通標(biāo)志特征。

具體實現(xiàn)中，提取到的交通標(biāo)志特征的特征若與正類交通標(biāo)志特征匹配，則提取到的交通標(biāo)志特征的特征保留該交通標(biāo)志特征，進(jìn)而檢測到交通標(biāo)志圖像。

(6)圖像還原模塊，其用于將最終的檢測結(jié)果按比例還原至重疊切割前的交通標(biāo)志圖像中。

在另一實施例中，該系統(tǒng)還包括切割交通標(biāo)志圖像位置記錄模塊，其用于將采集到的歷史的交通標(biāo)志圖像按比例進(jìn)行重疊切割之后，保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)。

本發(fā)明通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，而且保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)為準(zhǔn)確還原交通標(biāo)志圖像提高了坐標(biāo)基礎(chǔ)。

本實施例將深度學(xué)習(xí)技術(shù)與高精度交通標(biāo)志檢測技術(shù)相結(jié)合，通過對SSD網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練好的SSD網(wǎng)絡(luò)提取來自視頻流中按比例進(jìn)行重疊切割后的交通標(biāo)志特征，根據(jù)SSD網(wǎng)絡(luò)提取到的交通標(biāo)志特征，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)提取交通標(biāo)志特征的特征，將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫的正負(fù)兩類交通標(biāo)志的特征進(jìn)行匹配，保留正類交通標(biāo)志特征，得到高精度交通標(biāo)志匹配篩選結(jié)果，有效地提高了高精度交通標(biāo)志檢測的準(zhǔn)確率。

圖3是本發(fā)明實施例中另一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)結(jié)構(gòu)示意圖，如圖所示本實施例中的一種基于深度學(xué)習(xí)的高精度交通標(biāo)志檢測系統(tǒng)可以包括：

(1)圖像采集裝置，其被配置為采集歷史的交通標(biāo)志圖像，并傳送至服務(wù)器。

其中，圖像采集裝置可以采用攝像機(jī)來實現(xiàn)，其用來采集交通標(biāo)注圖像。

(2)服務(wù)器，其被配置為：

將采集的歷史的交通標(biāo)志圖像并按比例進(jìn)行重疊切割，再輸入至SSD網(wǎng)絡(luò)，直至得到最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)；

采用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取切割后交通標(biāo)志圖像的交通標(biāo)志特征并按照是否為交通標(biāo)志特征分成正負(fù)分類這兩類交通標(biāo)志特征并存儲至交通標(biāo)志圖像檢測數(shù)據(jù)庫；

利用交通標(biāo)志圖像檢測數(shù)據(jù)庫來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)；

利用參數(shù)最優(yōu)的SSD網(wǎng)絡(luò)來提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，再將提取的交通標(biāo)志特征輸入至參數(shù)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而提取出交通標(biāo)志特征的特征；

將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫中正負(fù)這兩類交通標(biāo)志特征分別進(jìn)行匹配，并保留正類交通標(biāo)志特征；

將最終的檢測結(jié)果按比例還原至重疊切割前的交通標(biāo)志圖像中。

在另一實施例中，所述服務(wù)器，還被配置為：將采集到的歷史的交通標(biāo)志圖像按比例進(jìn)行重疊切割之后，保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)。

本發(fā)明通過采用有重疊的切割方法對圖像進(jìn)行切割，增大了目標(biāo)物體占原圖像的比例，可以有效提高特征提取的準(zhǔn)確率，而且保存切割后的交通標(biāo)志圖像在重疊切割前的交通標(biāo)志圖像中的位置坐標(biāo)為準(zhǔn)確還原交通標(biāo)志圖像提高了坐標(biāo)基礎(chǔ)。

在另一實施例中，所述服務(wù)器，還被配置為：在訓(xùn)練SSD網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述SSD網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的SSD網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取視頻流中按比例重疊切割后的交通標(biāo)志圖像的交通標(biāo)志特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

在另一實施例中，所述服務(wù)器，還被配置為：訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中，首先使用默認(rèn)參數(shù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練中間結(jié)果，對初始權(quán)值、訓(xùn)練速率和迭代次數(shù)不斷進(jìn)行調(diào)整，直到所述卷積神經(jīng)網(wǎng)絡(luò)以預(yù)設(shè)的效率達(dá)到預(yù)設(shè)的識別效果。

這樣能夠最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)而準(zhǔn)確地提取交通標(biāo)志圖像的交通標(biāo)志特征的特征，為交通標(biāo)志特征提取的準(zhǔn)確率和檢測精度奠定的基礎(chǔ)。

本實施例將深度學(xué)習(xí)技術(shù)與高精度交通標(biāo)志檢測技術(shù)相結(jié)合，通過對SSD網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練好的SSD網(wǎng)絡(luò)提取來自視頻流中按比例進(jìn)行重疊切割后的交通標(biāo)志特征，根據(jù)SSD網(wǎng)絡(luò)提取到的交通標(biāo)志特征，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)提取交通標(biāo)志特征的特征，將提取到的交通標(biāo)志特征的特征與交通標(biāo)志圖像檢測數(shù)據(jù)庫的正負(fù)兩類交通標(biāo)志的特征進(jìn)行匹配，保留正類交通標(biāo)志特征，得到高精度交通標(biāo)志匹配篩選結(jié)果，有效地提高了高精度交通標(biāo)志檢測的準(zhǔn)確率。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用硬件實施例、軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機(jī)可用程序代碼的計算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器和光學(xué)存儲器等)上實施的計算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機(jī)程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機(jī)程序指令到通用計算機(jī)、專用計算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機(jī)程序指令也可存儲在能引導(dǎo)計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機(jī)可讀存儲器中，使得存儲在該計算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機(jī)程序指令也可裝載到計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機(jī)實現(xiàn)的處理，從而在計算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機(jī)可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機(jī)存儲記憶體(Random AccessMemory，RAM)等。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行了描述，但并非對本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。