一种基于深度学习的道路交通标志检测方法及系统技术方案

本发明专利技术提供了一种基于深度学习的道路交通标志检测方法及系统，涉及图像处理技术领域，包括获取道路的实景原图信息；基于预设的切图策略将所述道路的实景原图信息进行切割，得到至少两个所述实景原图的子图信息；将所述实景原图的子图信息发送至预设的神经网络模型进行筛选，得到包含交通标志的子图信息；将所述包含交通标志的子图信息进行分辨率重建，得到增强分辨率后的子图信息；将增强分辨率后的子图信息发送至预设的目标检测模型进行检测，得到子图信息内的特征数据信息；将所述子图信息内的特征数据信息进行融合，得到交通标志的位置信息

【技术实现步骤摘要】
一种基于深度学习的道路交通标志检测方法及系统


[0001]本专利技术涉及图像处理
，具体而言，涉及一种基于深度学习的道路交通标志检测方法及系统
。

技术介绍

[0002]目前，随着城市交通网络的日益扩张和发展，对道路交通标志的准确检测和识别变得愈发重要
。
道路交通标志识别在无人驾驶安全
、
导航系统和交通管理中起着至关重要的作用，然而，在复杂多变的交通环境下，现有技术往往面临一系列问题
。
传统的道路交通标志检测方法主要依赖于手工设计的特征提取和基于规则的算法，其性能受到光照条件
、
标志变化和遮挡等因素的影响，因此容易出现误检和漏检
。
此外，这些方法通常无法有效处理不同分辨率的图像，限制了它们在实际道路环境中的应用
。
因此，现有技术需要一种更高效
、
更准确的道路交通标志检测方法，以应对日益复杂的交通环境和技术需求
。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度学习的道路交通标志检测方法及系统，以改善上述问题
。
为了实现上述目的，本专利技术采取的技术方案如下：一方面，本申请提供了一种基于深度学习的道路交通标志检测方法，包括：获取道路的实景原图信息；基于预设的切图策略将所述道路的实景原图信息进行切割，得到至少两个所述实景原图的子图信息，所述实景原图的子图信息包括每个子图信息对应的编号信息和坐标信息；将所有的所述实景原图的子图信息发送至预设的神经网络模型进行筛选，得到包含交通标志的子图信息；将所述包含交通标志的子图信息进行分辨率重建处理，得到增强分辨率后的包含交通标志的子图信息；将增强分辨率后的包含交通标志的子图信息发送至预设的目标检测模型进行检测，得到子图信息内的特征数据信息，所述特征数据信息包括交通标志的类型信息
、
置信度信息和候选框位置信息；将所述子图信息内的特征数据信息进行融合，得到所述道路的实景原图信息内交通标志的位置信息
。
[0004]另一方面，本申请还提供了一种基于深度学习的道路交通标志检测系统，包括：获取单元，用于获取道路的实景原图信息；第一处理单元，用于基于预设的切图策略将所述道路的实景原图信息进行切割，得到至少两个所述实景原图的子图信息，所述实景原图的子图信息包括每个子图信息对应的编号信息和坐标信息；第二处理单元，用于将所有的所述实景原图的子图信息发送至预设的神经网络模
型进行筛选，得到包含交通标志的子图信息；第三处理单元，用于将所述包含交通标志的子图信息进行分辨率重建处理，得到增强分辨率后的包含交通标志的子图信息；第四处理单元，用于将增强分辨率后的包含交通标志的子图信息发送至预设的目标检测模型进行检测，得到子图信息内的特征数据信息，所述特征数据信息包括交通标志的类型信息
、
置信度信息和候选框位置信息；第五处理单元，用于将所述子图信息内的特征数据信息进行融合，得到所述道路的实景原图信息内交通标志的位置信息
。
[0005]本专利技术的有益效果为：本专利技术所采用的滑动窗口的切图策略能够减少目标检测算法
YOLOv5
对具有整体稀疏性以及局部聚集性的高分辨率道路交通标志图像的计算量
。
同时改进的超分辨率重建算法能够对经过滑动窗口切分后的子图中的道路交通标志进行语义信息的加强，使得其更加清晰
。
将处理后的交通标志图像采用改进的
YOLOv5
目标检测算法进行检测，从而使得最终的检测精度得以提升，减少小目标交通标志的误检以及漏检的概率
。
[0006]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解
。
本专利技术的目的和其他优点可通过在所写的说明书
、
权利要求书
、
以及附图中所特别指出的结构来实现和获得
。
附图说明
[0007]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图
。
[0008]图1为本专利技术实施例中所述的基于深度学习的道路交通标志检测方法流程示意图
;
图2为本专利技术实施例中所述的基于深度学习的道路交通标志检测系统结构示意图
。
[0009]图中
:701、
获取单元；
702、
第一处理单元；
703、
第二处理单元；
704、
第三处理单元；
705、
第四处理单元；
706、
第五处理单元；
7021、
第一处理子单元；
7022、
第二处理子单元；
7023、
第三处理子单元；
7031、
第四处理子单元；
7032、
第五处理子单元；
7033、
第六处理子单元；
7034、
第七处理子单元；
7035、
第八处理子单元；
7041、
第九处理子单元；
7042、
第十处理子单元；
7051、
获取子单元；
7052、
第一替换子单元；
7053、
第二替换子单元；
7054、
第十一处理子单元；
7061、
第十二处理子单元；
7062、
第十三处理子单元
。
具体实施方式
[0010]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计
。
因此，以下对在附图中提供的本专利技术的实
施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0011]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释
。
同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性
。
[0012]实施例1：本实施例提供了一种基于深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的道路交通标志检测方法，其特征在于，包括：获取道路的实景原图信息；基于预设的切图策略将所述道路的实景原图信息进行切割，得到至少两个所述实景原图的子图信息，所述实景原图的子图信息包括每个子图信息对应的编号信息和坐标信息；将所有的所述实景原图的子图信息发送至预设的神经网络模型进行筛选，得到包含交通标志的子图信息；将所述包含交通标志的子图信息进行分辨率重建处理，得到增强分辨率后的包含交通标志的子图信息；将增强分辨率后的包含交通标志的子图信息发送至预设的目标检测模型进行检测，得到子图信息内的特征数据信息，所述特征数据信息包括交通标志的类型信息
、
置信度信息和候选框位置信息；将所述子图信息内的特征数据信息进行融合，得到所述道路的实景原图信息内交通标志的位置信息
。2.
根据权利要求1所述的基于深度学习的道路交通标志检测方法，其特征在于，所述基于预设的切图策略将所述道路的实景原图信息进行切割，得到至少两个所述实景原图的子图信息，包括：将所有的道路的实景原图信息调整为预设的分辨率，得到分辨率相同的实景原图信息；按照预设参数设置滑动窗口的大小和步长，并将设置参数后的滑动窗口对分辨率相同的实景原图信息进行切割，得到至少两个实景原图信息的子图信息；将所有的实景原图信息的子图信息进行编号和坐标转换处理，得到每个子图信息对应的编号信息和坐标信息
。3.
根据权利要求1所述的基于深度学习的道路交通标志检测方法，其特征在于，将所有的所述实景原图的子图信息发送至预设的神经网络模型进行筛选，得到包含交通标志的子图信息，包括：将所述实景原图的子图信息发送至预设的神经网络模型的第一层级进行卷积处理，得到卷积处理后的子图信息；将所述卷积处理后的子图信息发送至预设的神经网络模型的第二层级进行降维处理，得到降维处理后的子图信息；将所述降维处理后的子图信息发送至预设的神经网络模型的第三层级进行尺寸缩小处理，得到尺寸缩小后的子图信息；将预设的特征图的尺寸进行缩小处理，并将所述尺寸缩小后的子图信息发送至预设的神经网络模型的第四层级进行采样处理，得到子图采样信息和尺寸缩小后的特征图信息，所述特征图信息为包含交通标志特征的图像信息；通过
softmax
函数对所述子图采样信息和尺寸缩小后的特征图信息进行处理，得到包含交通标志的子图信息
。4.
根据权利要求1所述的基于深度学习的道路交通标志检测方法，其特征在于，将所述包含交通标志的子图信息进行分辨率重建处理，得到增强分辨率后的包含交通标志的子图信息，包括：
将包含交通标志的子图信息发送至训练后的多尺度残差密集网络进行重建，其中，将多尺度残差密集网络中的多尺度残差密集块加入卷积注意力机制，并将所述包含交通标志的子图信息发送至多尺度残差密集块内进行密集特征提取，得到包含密集特征的图像信息；将所述包含密集特征的图像信息进行拼接处理，并将拼接处理后的图像进行放大运算，得到增强分辨率后的子图信息
。5.
根据权利要求1所述的基于深度学习的道路交通标志检测方法，其特征在于，将增强分辨率后的包含交通标志的子图信息发送至预设的目标检测模型进行检测，包括：获取原始的
YOLOv5
网络结构模型，并使用
Swin
‑
Transformer Blocks
结构与所述
YOLOv5
网络结构模型中的特征提取结构进行替换，得到优化后的第一目标检测模型；将预设的自适应锚框损失函数
Focal_EIOU
与优化后的第一目标检测模型中的
CIOU
损失函数进行替换，得到优化后的第二目标检测模型；将预设的特征增强模块
FEM
与优化后的第二目标检测模型中的空间金字塔池化结构
SPP
进行替换，得到优化后的第三目标检测模型；将所述增强分辨率后的包含交通标志的子图信息发送至优化后的第三目标检测模型进行处理，得到子图信息内的特征数据信息，所述特征数据信息包括交通标志的类型信息
、
置信度信息和候选框位置信息
。6.
一种基于深度学习的道路交通标志检测系统，...

【专利技术属性】
技术研发人员：杨柳，李欣平，范华琦，马征，刘恒，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：