[发明专利]交通信号灯识别方法和装置

权利要求书

1.一种用于无人驾驶车辆的交通信号灯识别方法，其特征在于，所述无人驾驶车辆安装有图像采集装置，所述方法包括：

将所述图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放，得到至少一个缩放图像；

将所述至少一个缩放图像输入至预先训练的卷积神经网络，得与所述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息，其中，所述卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息；

对所得到的位置信息和类别信息进行解析，生成至少一个候选交通信号灯识别结果，并对所生成的候选交通信号灯识别结果进行融合，生成与所述待处理图像相对应的交通信号灯识别结果；

其中，所述对所得到的位置信息和类别信息进行解析，生成至少一个候选交通信号灯识别结果，包括：针对每个缩放图像，获取所述卷积神经网络输出的与各个预设类别相对应的矩阵；针对与每个预设类别相对应的矩阵，判断所述矩阵中是否存在大于预设阈值的数值；响应于确定所述矩阵中存在大于预设阈值的数值，将所述预设类别作为目标类别，并根据所述位置信息，确定所述待处理图像中与所述目标类别相对应的交通信号灯所在区域的位置；将所述目标类别和所述目标类别的交通信号灯所在区域的位置作为候选交通信号灯识别结果。

2.根据权利要求1所述的交通信号灯识别方法，其特征在于，所述卷积神经网络通过如下步骤训练得到：

利用机器学习方法，并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络，其中，所述回归损失函数用于表征所述卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置的差异程度，所述分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别的差异程度。

3.根据权利要求2所述的交通信号灯识别方法，其特征在于，所述预置图像集合中的每一个预置图像显示有交通信号灯，且所述预置图像集合中的每一个预置图像带有用于指示所显示的交通信号灯所在区域的位置的位置标注和用于指示所显示的交通信号灯的类别的类别标注。

4.根据权利要求3所述的交通信号灯识别方法，其特征在于，所述利用机器学习方法，并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络，包括：

利用高斯分布对预先建立的初始卷积神经网络中的参数进行随机初始化；

执行如下训练步骤：基于预置图像集合生成带有标注的训练样本，所述标注中包含交通信号灯的位置信息和类别信息；将所述训练样本输入到所述初始卷积神经网络进行逐层前向传播，以得到所述初始卷积神经网络所输出的位置信息和类别信息；基于所得到的位置信息和类别信息、所述标注中所包含的位置信息和类别信息，确定预设的回归损失函数的值和预设的分类损失函数的值；利用链式求导法则和反向传播算法，并基于所述回归损失函数的值与所述分类损失函数的值之和，逐层计算所述初始卷积神经网络各层参数的梯度；基于所计算的梯度对所述初始卷积神经网络进行参数更新；

确定所述训练步骤的执行次数，响应于确定所述执行次数小于第一预设次数，继续对进行参数更新后的所述初始卷积神经网络执行所述训练步骤；

响应于确定所述执行次数等于所述第一预设次数，对最后执行的第二预设次数的训练步骤中所得到的参数进行统计，确定目标参数，并将所述初始卷积神经网络中的参数替换为所述目标参数，得到训练后的卷积神经网络，其中，所述第二预设次数小于所述第一预设次数。