CN116721403A - 一种道路交通标志检测方法 - Google Patents
一种道路交通标志检测方法 Download PDFInfo
- Publication number
- CN116721403A CN116721403A CN202310723460.6A CN202310723460A CN116721403A CN 116721403 A CN116721403 A CN 116721403A CN 202310723460 A CN202310723460 A CN 202310723460A CN 116721403 A CN116721403 A CN 116721403A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic sign
- layer
- defogging
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000004913 activation Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000889 atomisation Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 239000006002 Pepper Substances 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000052 comparative effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种道路交通标志检测方法,属于交通标志图像处理技术领域,包括:获取交通标志图像数据集;根据交通标志图像数据集,生成对应的带雾图像数据集;将带雾图像数据集输入生成对抗网络模型中对对抗网络模型进行训练,训练后的生成对抗网络模型,用于将带雾图像转化为对应的去雾图像;利用交通标志图像数据集训练用于图像识别的网络模型,得到训练好的交通标志检测识别模型;将待检测的带雾图像送入训练后的生成对抗网络模型中,生成待检测的带雾图像对应的去雾图像,并将去雾图像输入训练好交通标志检测识别模型中,得到的交通标志的识别结果。该方法能够检测复杂道路交通标志。
Description
技术领域
本发明属于交通标志图像处理技术领域,具体涉及一种道路交通标志检测方法。
背景技术
随着人们生活水平和质量得到巨大提升,汽车也开始迅速普遍起来。汽车数量在近几年一直处于飞速增长的状态,庞大的汽车数量导致公共交通资源趋于饱和,同时也引起了更多的交通安全事故。
为应对各种交通事故,相关技术人员开发出了辅助驾驶技术,该系统通常由自动泊车系统、倒车系统、刹车系统、车道保持系统和行车系统组成。大量的计算机视觉技术被应用到以上系统中。经过多年发展,高级辅助驾驶技术(ADAS)在这样的背景下诞生,ADAS使用了多种多样的传感器,采集环境数据,对数据进行分析计算,达到辅助驾驶员对道路信息的感知、预先察觉危险信息的目的,进一步保障汽车在驾驶过程中安全。
在交通系统中,交通标志为驾驶员提供了大量道路使用过程中的信息,规范了驾驶员的驾驶行为,所以精准检测和识别交通标志信息,对帮助驾驶员认识当前道路信息和进行正确的驾驶行为有着重要的意义,同时也对避免交通安全事故的发生起着积极作用。
目前,交通标志检测和识别具有重大的研宄意义以及光明的应用前景,各个国家的汽车生产制造商、科研机构以及高校都对这一方面进行了深入的研究。经过多年的发展,当前交通标志检测方法一般可以分为以下两种:
(1)基于传统方法:传统方法包括基于颜色特征的目标检测方法、基于形状特征的目标检测方法和基于机器学习的目标检测方法。这三类算法根据交通标志的颜色和形状等特征对其进行检测与定位。
(2)基于深度学习方法。基于深度学习方法又由基于候选区域检测算法和基于回归的检测算法组成。经典的基于候选区域检测算法包括R-CNN、Fast R-CNN与FasterR-CNN等,该类算法首先在原图的基础上生成许多候选区域,然后再对这些候选区域进行分类。其具有精度较高但检测速度慢的性质。基于回归的检测算法则包括了YOLO(YouOnlyLookOnce)系列算法、SSD(Single ShotMultiBoxDetector)算法。该类算法使用了将检测转化为回归的思想,直接完成目标的检测与分类。检测速度快,但精度较差。
同时,在图像处理方面可以使用图像增强算法对图像进行处理,增加图像的对比度与清晰度。例如直方图均衡化增强算法,Retinex图像增强算法、同态滤波增强算法。
然而,在大雾天气下,缺乏对带雾图像中交通标志检测识别的研究,从而影响了复杂道路条件下的交通标志识别精度。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种道路交通标志检测方法。
为了实现上述目的,本发明提供如下技术方案:
一种道路交通标志检测方法,包括:
获取交通标志图像数据集;
根据交通标志图像数据集,生成对应的带雾图像数据集;
将带雾图像数据集输入生成对抗网络模型中对对抗网络模型进行训练,所述训练后的生成对抗网络模型,用于将带雾图像转化为对应的去雾图像;
利用交通标志图像数据集训练用于图像识别的网络模型,得到训练好的交通标志检测识别模型;
将待检测的带雾图像送入训练后的生成对抗网络模型中,生成待检测的带雾图像对应的去雾图像,并将去雾图像输入训练好交通标志检测识别模型中,得到的交通标志的识别结果。
进一步,所述根据交通标志图像数据集,生成对应的带雾图像数据集;包括:
在交通标志图像中随机选取一点作为中心点,选取雾化浓度和雾化尺寸;
在交通标志图像的RGB三个通道上分别进行合成雾处理,得到交通标志图像数据集所对应的带雾图像数据集;
其中,合成雾处理的表达式为:
I(x)=J(x)t(x)+L(1-t(x))
式中:I(x)为有雾图像;x为图像像素的坐标值;J(x)为待恢复的去雾图像;L为全球大气光成分;t(x)为透射率。
进一步,还包括:对交通标志数据集中的图像进行拉伸、加入椒盐噪声并调整分辨率为600×600,得到TD数据集;
将TD数据集划分为训练集、验证集和测试集,利用训练集、验证集和测试集训练用于图像识别的网络模型。
进一步,将雾化尺寸设置为其中w,h分别为图像的宽和高。
进一步,所述雾化浓度选取为{0.1,0.2,…,0.9}。
进一步,利用改进的FasterRCNN网络作为用于图像识别的网络模型;
改进FasterRCNN网络包括:
将FasterRCNN网络中的特征提取网络替换为ResNet50残差学习网络;
在ResNet50残差学习网络的残差块中添加注意力机制模块,利用注意力机制模块对残差块的输出值进行加权。
进一步,所述注意力机制模块包括:
全局平均池化层,其输入端与残差块中的特征层的输出端相连;
两个串联的全连接层,其输入端与所述全局平均池化层的输出端相连,其中第一个全连接层的神经元个数比输入特征层少,第二次全连接神经元个数和输入特征层相同;
Sigmoid激活函数层,其输入端与所述两个串联的全连接层的输出端相连,用于将值固定到0-1之间后得到权值;
将权值乘以输入特征层,得到ResNet50残差块的输出。
进一步,所述生成对抗网络模型包括:
生成器,为U-Net网络结构,包括8个编码层和8个解码层;
编码层包括:依次连接的个卷积层,归一化层,LeakyReLU激活函数层;解码层包括:依次连接的转置卷积层,归一化层,LeakyReLU激活函数层,tanh激活函数层;其中,编码层和解码层中,所有卷积核的尺寸设置为4*4,步长设置为2;
判别器,为PatchGAN网络结构,包括5个模块;前4个模块包括依次连接的卷积层,归一化层,LeakyReLU激活函数层;第5个模块包括1个卷积层,其卷积核尺寸大小为4x4,步长为2。
本发明提供的一种道路交通标志检测方法具有以下有益效果:
本发明将交通标志转化为对应的有雾图像,利用有雾图像训练生成对抗网络模型,使得生成对抗网络模型中的生成器能够将有雾图像转化为对应的去雾图像,接着利用图像识别网络模型对去雾图像进行识别,通过关联生成器去雾模型和交通标志检测识别模型,能够实现大雾天气下交通标志的高精度检测识别。解决了现有技术中,在大雾天气下,缺乏对带雾图像中交通标志检测识别的研究,从而影响了复杂道路条件下的交通标志识别精度的问题。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,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的附图。
图1为本发明的一种道路交通标志检测方法示意图;
图2为本发明实施例的交通标志数据集示例图;
图3为本发明实施例的去雾数据集示例图;
图4为本发明的加入注意力机制后残差模块结构图;
图5为本发明的生成对抗网络结构图;
图6为本发明的生成器网络结构图;
图7为本发明实施例的去雾效果示例图;
图8为本发明实施例的交通标志识别结果图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例:
本发明提供了一种道路交通标志检测方法,具体如图1所示,包括:获取交通标志图像数据集;根据交通标志图像数据集生成对应的带雾图像数据集;将带雾图像数据集输入生成对抗网络模型中,利用训练后的生成对抗网络模型将带雾图像转化为对应的去雾图像;利用交通标志图像数据集训练用于图像识别的网络模型,得到训练好的交通标志检测识别模型;将待检测的带雾图像送入训练好的去雾模型中,生成待检测带雾图像对应的无雾图像,将无雾图像输入训练好交通标志检测识别模型中,得到的交通标志的识别结果。
以下为本发明具体实施细节:
步骤一,通过查阅文献获取交通标志数据集,通过合成雾图方法生成去雾图像数据集:
步骤S11,交通标志数据集选取:选用的数据集为CCTSDB数据集,图2展示了交通标志数据集中的部分图像。
步骤S12,去雾图像数据集:通过在交通标志数据集的基础上通过合成雾的方法得到带雾图像,其中带雾图像具有不同的雾浓度,带雾图像和原始图像组成去雾图像数据集,图3展示了部分去雾数据集图像(上面为原图,下面为合成雾图)。
其中所述的合成雾的方法为基于标准光学模型的中心点合成雾的方法。
步骤S12具体包括以下步骤:
步骤S1201在交通标志数据集TD上选择1300张图像用于合成雾处理,定义为初始数据集ID;
步骤S1202对初始数据集进行分辨率调整,并进行标注;
步骤S1203根据标准光学模型进行合成雾处理,标准光学模型公式如下:
I(x)=J(x)t(x)+L(1-t(x))
式中,I(x)为有雾图像;x为图像像素的坐标值;J(x)为待恢复的去雾图像;L为全球大气光成分;t(x)为透射率。
步骤S1204,在一幅图像中随机选取一点作为中心点;
步骤S1205,随机选取雾化浓度x;
步骤S1206,设置雾化尺寸为其中w,h为图像的宽和高;
步骤S1207,在彩色图像的RGB三个通道上分别进行合成雾处理,最终达到在彩色图像上合成雾的效果。
步骤S1208,批量合成带雾图像。
在本例中,在步骤S1205中,随机雾化浓度x选取范围为选取为{0.1,0.2,…,0.9}。
步骤二,图像预处理:
步骤S21,对交通标志数据集中的15000余图像进行拉伸、加入椒盐噪声和调整分辨率为600×600,定义为TD数据集;将TD数据集进行划分,划分为包含11000张图像的训练集、1200余张图像的验证集和测试集的TD-VOC数据集;
步骤S22,将去雾图像数据集的分辨率调整到256×256,定义为HD数据集;
步骤三,训练模型:
步骤S31,将步骤二中所述的训练集输入到交通标志检测识别模型中进行训练,得到训练后的网络模型;将去雾数据集用于去雾网络模型中进行训练,得到去雾模型。
由于交通标志在一幅图像中所占的比例较小,对于这种小目标检测而言,FasterRCNN的检测精度较低。
具体的,步骤S31中,使用的是改进的FasterRCNN算法进行训练,首先替换主干网络为ResNet50残差学习网络,并且在ResNet50中加入SENet注意力机制,注意力机制的加入具体如图4所示。图4中,GlobalPooling表示全局平均池化层,FC表示全连接层,ReLU为激活函数,Sigmoid也是激活函数,Residual表示残差模块。在特征提取网络中加入注意力机制可以自动调整各个通道上权重的分配,提升对有效信息的提取能力。
去雾网络模型为生成对抗网络模型(GenerativeAdversarialNets,GAN),通过训练得到生成器模型,通过输入带雾图像生成对应的无雾图像。其结构如图5所示。生成器的结构如图6所示,包括了8个编码层和8个解码层,encoder为编码层,每个编码层包括1个卷积层,归一化层,LeakyReLU激活函数;decoder为解码层,每个解码层包括转置卷积层,归一化层,LeakyReLU激活函数,tanh激活函数。卷积核大小均为4*4,步长设置为2。
步骤四,输出交通标志标牌识别结果:
步骤S41,在本例中,先将待检测的带雾图像送入步骤三中的生成器模型,根据带雾图像生成对应的无雾图像,去雾图像如图7所示(图7中上面一行为带雾图像,下面一行为去雾图),并将分辨率调整为600×600;
步骤S42,将步骤S41中得到的无雾图像送入步骤三中的交通标志检测识别模型进行交通标志识别,在输出结果中,在输出图片上框选出置信度大于0.9的交通标志标牌,并对其类别进行输出,识别结果如图8所示。
在待识别的图像中均识别出了交通标志,并且识别置信度均大于0.9。
以下为本发明与现有检测算法的对比实施例:
对比例1:
本对比例中给出一种交通标志检测方法,按照如下步骤进行:
步骤一,通过查阅文献获取交通标志数据集,通过合成雾图方法生成去雾图像数据集;
步骤二,图像预处理部分,与原实施例相同;
步骤三,训练模型:
步骤S31,将步骤二中所述的训练集输入到交通标志检测识别模型中进行训练,得到训练后的网络模型;将去雾数据集用于去雾网络模型中进行训练,得到去雾模型。
在交通标志识别模型中使用原FasterRCNN算法进行,去雾过程与原实施例相同。
步骤四,输出交通标志标牌识别结果;步骤四与原实施例相同。
对比例2:
本对比例中给出一种交通标志检测方法,按照如下步骤进行:
步骤一,通过查阅文献获取交通标志数据集,通过合成雾图方法生成去雾图像数据集;
步骤二,图像预处理部分相同;
步骤三,训练模型,与原实施例相同;
步骤四,输出交通标志标牌识别结果;在本对比例中,不对图像进行去雾处理,直接送入交通标志识别模型进行识别,得到识别结果。
实验验证:
将本发明的复杂道路交通标志多层级关联检测方法与一般检测算法对交通标志的检出效果进行对比。
实验背景:为证明本发明对交通标志检测的高效性及准确性,将对比本发明与仅使用原FasterRCNN检测算法对交通标志检测结果。
实验环境:操作系统为Win10,GPU为GeForceGTX1080Ti,软件平台为PyCharm。
实验方法:使用相同测试集对使用本发明方法、对比例1中给出的仅使用原FasterRCNN检测算法和对比例2中给出的去掉步骤S31中的去雾处理的本发明方法对交通标志结果进行对比。测试集中包含了不同雾浓度下的复杂环境下的交通标志标牌,同时交通标志标牌所占图片的比例具有一定的差距,使得测试集图片接近车辆运行时车载摄像头采集的实际场景的图片;检测结果中包含不同种类交通标志的检测精度以及平均检测精度(mAP),最终结果如表1所示。
表1不同方法的交通标志检测结果
结果分析:
如表1所示,使用传统的检测算法即原始的FasterRCNN算法对交通标志进行检测时,检测精度不高;在不对大雾天气下的带雾图像进行处理时,检测精度明显大打折扣,下降了20%左右,远远低于进行去雾处理后的本发明的方法,同时也可以说明在大雾天气下对图像进行去雾处理后可以较大程度的提升识别精度。本发明所用的方法中,使用了改进的FasterRCNN算法,在识别效果上要优于为改进前的算法,同时对带雾图像进行去雾处理,降低了雾对识别性能的影响,可以有效提高复杂场景尤其是大雾场景下交通标志的检测与识别性能。
(2)通过改进FasterRCNN算法,在实际环境下采集的测试集上进行测试,检测精度高,满足实际交通场景下的交通标志检测识别;
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (8)
1.一种道路交通标志检测方法,其特征在于,包括:
获取交通标志图像数据集;
根据交通标志图像数据集,生成对应的带雾图像数据集;
将带雾图像数据集输入生成对抗网络模型中对对抗网络模型进行训练,所述训练后的生成对抗网络模型,用于将带雾图像转化为对应的去雾图像;
利用交通标志图像数据集训练用于图像识别的网络模型,得到训练好的交通标志检测识别模型;
将待检测的带雾图像送入训练后的生成对抗网络模型中,生成待检测的带雾图像对应的去雾图像,并将去雾图像输入训练好交通标志检测识别模型中,得到的交通标志的识别结果。
2.根据权利要求1所述的一种道路交通标志检测方法,其特征在于,所述根据交通标志图像数据集,生成对应的带雾图像数据集;包括:
在交通标志图像中随机选取一点作为中心点,选取雾化浓度和雾化尺寸;
在交通标志图像的RGB三个通道上分别进行合成雾处理,得到交通标志图像数据集所对应的带雾图像数据集;
其中,合成雾处理的表达式为:
I(x)=J(x)t(x)+L(1-t(x))
式中:I(x)为有雾图像;x为图像像素的坐标值;J(x)为待恢复的去雾图像;L为全球大气光成分;t(x)为透射率。
3.根据权利要求1所述的一种道路交通标志检测方法,其特征在于,还包括:对交通标志数据集中的图像进行拉伸、加入椒盐噪声并调整分辨率为600×600,得到TD数据集;
将TD数据集划分为训练集、验证集和测试集,利用训练集、验证集和测试集训练用于图像识别的网络模型。
4.根据权利要求2所述的一种道路交通标志检测方法,其特征在于,将雾化尺寸设置为其中w,h分别为图像的宽和高。
5.根据权利要求1所述的一种道路交通标志检测方法,其特征在于,所述雾化浓度选取为{0.1,0.2,…,0.9}。
6.根据权利要求1所述的一种道路交通标志检测方法,其特征在于,利用改进的FasterRCNN网络作为用于图像识别的网络模型;
改进FasterRCNN网络包括:
将FasterRCNN网络中的特征提取网络替换为ResNet50残差学习网络;
在ResNet50残差学习网络的残差块中添加注意力机制模块,利用注意力机制模块对残差块的输出值进行加权。
7.根据权利要求6所述的一种道路交通标志检测方法,其特征在于,所述注意力机制模块包括:
全局平均池化层,其输入端与残差块中的特征层的输出端相连;
两个串联的全连接层,其输入端与所述全局平均池化层的输出端相连,其中第一个全连接层的神经元个数比输入特征层少,第二次全连接神经元个数和输入特征层相同;
Sigmoid激活函数层,其输入端与所述两个串联的全连接层的输出端相连,用于将值固定到0-1之间后得到权值;
将权值乘以输入特征层,得到ResNet50残差块的输出。
8.根据权利要求1所述的一种道路交通标志检测方法,其特征在于,所述生成对抗网络模型包括:
生成器,为U-Net网络结构,包括8个编码层和8个解码层;
编码层包括:依次连接的个卷积层,归一化层,LeakyReLU激活函数层;解码层包括:依次连接的转置卷积层,归一化层,LeakyReLU激活函数层,tanh激活函数层;其中,编码层和解码层中,所有卷积核的尺寸设置为4*4,步长设置为2;
判别器,为PatchGAN网络结构,包括5个模块;前4个模块包括依次连
接的卷积层,归一化层,LeakyReLU激活函数层;第5个模块包括1个卷积层,
其卷积核尺寸大小为4x4,步长为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310723460.6A CN116721403A (zh) | 2023-06-19 | 2023-06-19 | 一种道路交通标志检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310723460.6A CN116721403A (zh) | 2023-06-19 | 2023-06-19 | 一种道路交通标志检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721403A true CN116721403A (zh) | 2023-09-08 |
Family
ID=87865768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310723460.6A Pending CN116721403A (zh) | 2023-06-19 | 2023-06-19 | 一种道路交通标志检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721403A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934374A (zh) * | 2017-03-14 | 2017-07-07 | 潍坊学院 | 一种雾霾场景中交通标识牌的识别方法及系统 |
CN111582029A (zh) * | 2020-04-02 | 2020-08-25 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
CN111709888A (zh) * | 2020-06-03 | 2020-09-25 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于改进的生成对抗网络的航拍图像去雾方法 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN112801902A (zh) * | 2021-01-29 | 2021-05-14 | 福州大学 | 一种基于改进生成对抗网络的交通图像去雾方法 |
CN113052057A (zh) * | 2021-03-19 | 2021-06-29 | 北京工业大学 | 一种基于改进卷积神经网络的交通标志识别方法 |
CN113095181A (zh) * | 2021-03-31 | 2021-07-09 | 西南交通大学 | 基于Defense-GAN的交通标志识别方法 |
CN113361428A (zh) * | 2021-06-11 | 2021-09-07 | 浙江澄视科技有限公司 | 一种基于图像的交通标志检测方法 |
CN113723377A (zh) * | 2021-11-02 | 2021-11-30 | 南京信息工程大学 | 一种基于ld-ssd网络的交通标志检测方法 |
CN114202672A (zh) * | 2021-12-09 | 2022-03-18 | 南京理工大学 | 一种基于注意力机制的小目标检测方法 |
CN114863384A (zh) * | 2022-03-22 | 2022-08-05 | 上海电力大学 | 一种基于YOLO v4算法的交通标志检测方法 |
CN115187954A (zh) * | 2022-06-09 | 2022-10-14 | 南京理工大学 | 一种基于图像处理的特殊场景下交通标志识别方法 |
CN115330620A (zh) * | 2022-08-11 | 2022-11-11 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法 |
CN115439847A (zh) * | 2022-09-02 | 2022-12-06 | 成都视海芯图微电子有限公司 | 一种基于生成对抗网络的雾天图像去雾方法及装置 |
CN115984568A (zh) * | 2022-10-31 | 2023-04-18 | 北京尊冠科技有限公司武汉分公司 | 一种基于YOLOv3网络的雾霾环境下目标检测方法 |
-
2023
- 2023-06-19 CN CN202310723460.6A patent/CN116721403A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934374A (zh) * | 2017-03-14 | 2017-07-07 | 潍坊学院 | 一种雾霾场景中交通标识牌的识别方法及系统 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN111582029A (zh) * | 2020-04-02 | 2020-08-25 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
CN111709888A (zh) * | 2020-06-03 | 2020-09-25 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于改进的生成对抗网络的航拍图像去雾方法 |
CN112801902A (zh) * | 2021-01-29 | 2021-05-14 | 福州大学 | 一种基于改进生成对抗网络的交通图像去雾方法 |
CN113052057A (zh) * | 2021-03-19 | 2021-06-29 | 北京工业大学 | 一种基于改进卷积神经网络的交通标志识别方法 |
CN113095181A (zh) * | 2021-03-31 | 2021-07-09 | 西南交通大学 | 基于Defense-GAN的交通标志识别方法 |
CN113361428A (zh) * | 2021-06-11 | 2021-09-07 | 浙江澄视科技有限公司 | 一种基于图像的交通标志检测方法 |
CN113723377A (zh) * | 2021-11-02 | 2021-11-30 | 南京信息工程大学 | 一种基于ld-ssd网络的交通标志检测方法 |
CN114202672A (zh) * | 2021-12-09 | 2022-03-18 | 南京理工大学 | 一种基于注意力机制的小目标检测方法 |
CN114863384A (zh) * | 2022-03-22 | 2022-08-05 | 上海电力大学 | 一种基于YOLO v4算法的交通标志检测方法 |
CN115187954A (zh) * | 2022-06-09 | 2022-10-14 | 南京理工大学 | 一种基于图像处理的特殊场景下交通标志识别方法 |
CN115330620A (zh) * | 2022-08-11 | 2022-11-11 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法 |
CN115439847A (zh) * | 2022-09-02 | 2022-12-06 | 成都视海芯图微电子有限公司 | 一种基于生成对抗网络的雾天图像去雾方法及装置 |
CN115984568A (zh) * | 2022-10-31 | 2023-04-18 | 北京尊冠科技有限公司武汉分公司 | 一种基于YOLOv3网络的雾霾环境下目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 | |
CN109389046B (zh) | 用于自动驾驶的全天候物体识别与车道线检测方法 | |
CN112990065B (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN113506300B (zh) | 一种基于雨天复杂道路场景下的图片语义分割方法及系统 | |
CN113762209A (zh) | 一种基于yolo的多尺度并行特征融合路标检测方法 | |
CN112949633A (zh) | 一种基于改进YOLOv3的红外目标检测方法 | |
WO2024051296A1 (zh) | 一种复杂天气下障碍物检测方法及装置 | |
CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN108009548A (zh) | 一种智能路牌识别方法及系统 | |
CN111160328A (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
CN107315990A (zh) | 一种基于xcs‑lbp特征以及级联aksvm的行人检测算法 | |
CN111444916A (zh) | 面向无约束条件下的车牌定位及识别方法、系统 | |
CN116311254A (zh) | 一种恶劣天气情况下的图像目标检测方法、系统及设备 | |
Li et al. | Detection of road objects based on camera sensors for autonomous driving in various traffic situations | |
CN114782949B (zh) | 一种边界引导上下文聚合的交通场景语义分割方法 | |
CN114821519A (zh) | 一种基于坐标注意力的交通标志识别方法及系统 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN117237900A (zh) | 一种基于ssc-yolov5的自动驾驶目标检测算法 | |
CN116721403A (zh) | 一种道路交通标志检测方法 | |
CN117058641A (zh) | 一种基于深度学习的全景驾驶感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |