交通灯识别方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种交通灯识别方法、装置、计算机设备和存储介质。所述方法通过将待识别的交通灯场景图像输入至交通灯识别模型中的第一级网络，可以得到交通灯场景图像中交通灯箱体的箱体信息，进而将箱体信息和交通灯场景图像输入至交通灯识别模型中的第二级网络，可以得到交通灯箱体内交通灯的灯头信息。采用本方法能够在无需依赖外部信息的情况下，提高了交通灯信息识别的准确性，便于维护。便于维护。便于维护。

【技术实现步骤摘要】
交通灯识别方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，尤其涉及自动驾驶、智能交通和深度学习
，具体涉及一种交通灯识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]交通灯是日常驾驶场景中最常见的元素之一，对驾驶车辆(尤其是自动驾驶车辆)而言是必备的感知功能。
[0003]目前，相关的交通灯识别方法通常是，使用包含交通灯相关信息(例如交通灯的位置、形状等)的高精地图进行导航，在导航的过程中，结合定位系统来提前预知当前车道对应的交通灯的位置等，并通过简单的单级神经网络来识别交通灯颜色。这种方式存在着严重依赖地图、定位系统等外部信息，在外部信息不明朗时，容易发生误判。同时，不便于维护，且识别精度低，亟需改进。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够在不依赖外部信息的条件下，精准识别交通灯的交通灯识别方法、装置、计算机设备和存储介质。
[0005]第一方面，本申请提供了一种交通灯识别方法，该方法包括：
[0006]获取待识别的交通灯场景图像；
[0007]将交通灯场景图像输入至交通灯识别模型中的第一级网络，得到交通灯场景图像中交通灯箱体的箱体信息；其中，箱体信息包括交通灯箱体的坐标信息；
[0008]将箱体信息和交通灯场景图像输入至交通灯识别模型中的第二级网络，得到交通灯箱体内交通灯的灯头信息。
[0009]在其中一个实施例中，交通灯箱体的数量为至少两个，每一交通灯箱体的箱体信息还包括该交通灯箱体的朝向信息；将箱体信息和交通灯场景图像输入至交通灯识别模型中的第二级网络，得到交通灯箱体内交通灯的灯头信息，包括：
[0010]根据朝向信息，从至少两个交通灯箱体中选择目标交通灯箱体；
[0011]将交通灯场景图像和目标交通灯箱体的坐标信息，输入至交通灯识别模型中的第二级网络，得到目标交通灯箱体内交通灯的灯头信息。
[0012]在其中一个实施例中，根据朝向信息，从至少两个交通灯箱体中选择目标交通灯箱体，包括：
[0013]将至少两个交通灯箱体中朝向信息为朝向驾驶车辆车头侧的交通灯箱体，作为目标交通灯箱体。
[0014]在其中一个实施例中，将交通灯场景图像和目标交通灯箱体的坐标信息，输入至交通灯识别模型中的第二级网络，得到目标交通灯箱体内交通灯的灯头信息，包括：
[0015]根据目标交通灯箱体的坐标信息，从交通灯场景图像中提取包括目标交通灯箱体的感兴趣区域；
[0016]将感兴趣区域输入至交通灯识别模型中的第二级网络，得到目标交通灯箱体内交通灯的灯头信息。
[0017]在其中一个实施例中，交通灯识别模型中的第一级网络包括：第一特征提取子网络、第一特征融合子网络和第一预测输出子网络；将交通灯场景图像输入至交通灯识别模型中的第一级网络，得到交通灯场景图像中交通灯箱体的箱体信息，包括：
[0018]将交通灯场景图像输入至第一特征提取子网络，得到交通灯场景图像的第一基础图像特征；
[0019]将第一基础图像特征输入至第一特征融合子网络，得到交通灯箱体特征；
[0020]将交通灯箱体特征输入至第一预测输出子网络，得到交通灯场景图像中交通灯箱体的箱体信息。
[0021]在其中一个实施例中，第一特征融合子网络包括网络层数相同的第一上采样子网络和第一下采样子网络，且第一上采样子网络中的第一上采样层和第一下采样子网络中的第一下采样层一一对应；
[0022]第一特征提取子网络中第一目标网络层的网络层数，与第一上采样子网络的网络层数相同，且第一特征提取子网络中第一目标网络层和第一上采样子网络中的第一上采样层一一对应。
[0023]在其中一个实施例中，将第一基础图像特征输入至第一特征融合子网络，得到交通灯箱体特征，包括：
[0024]将第一特征提取子网络中第一目标网络层输出的第一基础图像特征输入至第一上采样子网络中对应的第一上采样层，得到第一上采样层基于上采样输入特征输出的上采样图像特征；其中，第一上采样子网络中首个第一上采样层的上采样输入特征包括首个第一上采样层对应的第一目标网络层输出的第一基础图像特征，第一上采样子网络中其他任一第一上采样层的上采样输入特征包括该第一上采样层对应的第一目标网络层输出的第一基础图像特征，以及该第一上采样层的上一第一上采样层输出的上采样图像特征；
[0025]将第一上采样子网络中第一上采样层输出的上采样图像特征输入至第一下采样子网络中对应的第一下采样层，得到第一下采样层基于下采样输入特征输出的交通灯箱体特征；其中，第一下采样子网络中首个第一下采样层的下采样输入特征包括首个第一下采样层对应的第一上采样层输出的上采样图像特征，第一下采样子网络中其他任一第一下采样层的下采样输入特征包括该第一下采样层对应的第一上采样层输出的上采样图像特征，以及该第一下采样层的上一第一下采样层输出的交通灯箱体特征。
[0026]在其中一个实施例中，交通灯识别模型中的第二级网络包括：第二特征提取子网络、第二特征融合子网络和第二预测输出子网络；
[0027]将感兴趣区域输入至交通灯识别模型中的第二级网络，得到目标交通灯箱体内交通灯的灯头信息，包括：
[0028]将感兴趣区域输入至第二特征提取子网络，得到感兴趣区域的第二基础图像特征；
[0029]将第二基础图像特征输入至第二特征融合子网络，得到灯头特征；
[0030]将灯头特征输入至第二预测输出子网络，得到目标交通灯箱体内交通灯的灯头信息。
[0031]在其中一个实施例中，第二特征融合子网络包括网络层数相同的第二上采样子网络和第二下采样子网络，且第二上采样子网络中的第二上采样层和第二下采样子网络中的第二下采样层一一对应；
[0032]第二特征提取子网络中第二目标网络层的网络层数，与第二上采样子网络的网络层数相同，且第二特征提取子网络中第二目标网络层和第二上采样子网络中的第二上采样层一一对应。
[0033]在其中一个实施例中，将第二基础图像特征输入至第二特征融合子网络，得到灯头特征，包括：
[0034]将第二特征提取子网络中第二目标网络层输出的第二基础图像特征输入至第二上采样子网络中对应的第二上采样层，得到第二上采样层基于上采样输入特征输出的上采样图像特征；其中，第二上采样子网络中首个第二上采样层的上采样输入特征包括首个第二上采样层对应的第二目标网络层输出的第二基础图像特征，第二上采样子网络中其他任一第二上采样层的上采样输入特征包括该第二上采样层对应的第二目标网络层输出的第二基础图像特征，以及该第二上采样层的上一第二上采样层输出的上采样图像特征；
[0035]将第二上采样子网络中第二上采样层输出的上采样图像特征输入至第二下采样子网络中对应的第二下采样层，得到第二下采样层基于下采样输入特征输出的灯头特征；其中，第二下采样子网络中首个第二下采样层的下采样输入特征包括首个第二下采样层对应的第二上采样层输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通灯识别方法，其特征在于，所述方法包括：获取待识别的交通灯场景图像；将所述交通灯场景图像输入至交通灯识别模型中的第一级网络，得到所述交通灯场景图像中交通灯箱体的箱体信息；其中，所述箱体信息包括交通灯箱体的坐标信息；将所述箱体信息和所述交通灯场景图像输入至所述交通灯识别模型中的第二级网络，得到所述交通灯箱体内交通灯的灯头信息。2.根据权利要求1所述的方法，其特征在于，所述交通灯箱体的数量为至少两个，每一交通灯箱体的箱体信息还包括该交通灯箱体的朝向信息；所述将所述箱体信息和所述交通灯场景图像输入至所述交通灯识别模型中的第二级网络，得到所述交通灯箱体内交通灯的灯头信息，包括：根据所述朝向信息，从至少两个交通灯箱体中选择目标交通灯箱体；将所述交通灯场景图像和所述目标交通灯箱体的坐标信息，输入至所述交通灯识别模型中的第二级网络，得到所述目标交通灯箱体内交通灯的灯头信息。3.根据权利要求2所述的方法，其特征在于，所述根据所述朝向信息，从至少两个交通灯箱体中选择目标交通灯箱体，包括：将至少两个交通灯箱体中朝向信息为朝向驾驶车辆车头侧的交通灯箱体，作为目标交通灯箱体。4.根据权利要求2所述的方法，其特征在于，所述将所述交通灯场景图像和所述目标交通灯箱体的坐标信息，输入至所述交通灯识别模型中的第二级网络，得到所述目标交通灯箱体内交通灯的灯头信息，包括：根据所述目标交通灯箱体的坐标信息，从所述交通灯场景图像中提取包括所述目标交通灯箱体的感兴趣区域；将所述感兴趣区域输入至所述交通灯识别模型中的第二级网络，得到所述目标交通灯箱体内交通灯的灯头信息。5.根据权利要求1所述的方法，其特征在于，所述交通灯识别模型中的第一级网络包括：第一特征提取子网络、第一特征融合子网络和第一预测输出子网络；所述将所述交通灯场景图像输入至交通灯识别模型中的第一级网络，得到所述交通灯场景图像中交通灯箱体的箱体信息，包括：将所述交通灯场景图像输入至所述第一特征提取子网络，得到所述交通灯场景图像的第一基础图像特征；将所述第一基础图像特征输入至所述第一特征融合子网络，得到交通灯箱体特征；将所述交通灯箱体特征输入至所述第一预测输出子网络，得到所述交通灯场景图像中交通灯箱体的箱体信息。6.根据权利要求5所述的方法，其特征在于，所述第一特征融合子网络包括网络层数相同的第一上采样子网络和第一下采样子网络，且所述第一上采样子网络中的第一上采样层和所述第一下采样子网络中的第一下采样层一一对应；所述第一特征提取子网络中第一目标网络层的网络层数，与所述第一上采样子网络的网络层数相同，且所述第一特征提取子网络中第一目标网络层和所述第一上采样子网络中的第一上采样层一一对应。
7.根据权利要求6所述的方法，其特征在于，所述将所述第一基础图像特征输入至所述第一特征融合子网络，得到交通灯箱体特征，包括：将所述第一特征提取子网络中第一目标网络层输出的第一基础图像特征输入至所述第一上采样子网络中对应的第一上采样层，得到所述第一上采样层基于上采样输入特征输出的上采样图像特征；其中，所述第一上采样子网络中首个第一上采样层的上采样输入特征包括首个第一上采样层对应的第一目标网络层输出的第一基础图像特征，所述第一上采样子网络中其他任一第一上采样层的上采样输入特征包括该第一上采样层对应的第一目标网络层输出的第一基础图像特征，以及该第一上采样层的上一第一上采样层输出的上采样图像特征；将所述第一上采样子网络中第一上采样层输出的上采样图像特征输入至所述第一下采样子网络中对应的第一下采样层，得...

【专利技术属性】
技术研发人员：黄文涵，汪浩，吴肖，赵起超，张振林，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：