[发明专利]交通信号灯识别方法和装置

说明书

本申请实施例公开了交通信号灯识别方法和装置。该方法的一具体实施方式包括：将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；将该至少一个缩放图像输入至预先训练的卷积神经网络，得与该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，该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，生成与该待处理图像相对应的交通信号灯识别结果。该实施方式提高了交通信号灯识别的准确性。

技术领域

本申请涉及计算机技术领域，具体涉及无人驾驶领域，尤其涉及交通信号灯识别方法和装置。

背景技术

无人驾驶车辆是一种新型的智能汽车，也称之为“轮式移动机器人”，主要通过ECU(Electronic Control Unit，电子控制单元)，即车载大脑控制系统对车辆中各个部分进行精准的控制与计算分析实现车辆的全自动运行，达到车辆无人驾驶的目的。

为了保障无人车行驶过程中能够安全地通过路口，需要对交通信号灯灯进行检测和识别，从而进行相应决策。现有的方式通常基于颜色空间转换等方式进行交通灯颜色和形状的识别，然而，这种方式无法考虑到光照变化、天气情况等，导致误检、漏检的情况较多，存在着交通信号灯识别的准确性较低的问题。

发明内容

本申请实施例的目的在于提出一种改进的交通信号灯识别方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种无人驾驶车辆的交通信号灯识别方法，无人驾驶车辆安装有图像采集装置，该方法包括：将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；将至少一个缩放图像输入至预先训练的卷积神经网络，得与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，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，生成与待处理图像相对应的交通信号灯识别结果。

在一些实施例中，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，回归损失函数用于表征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，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。

在一些实施例中，预置图像集合中的每一个预置图像显示有交通信号灯，且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。

在一些实施例中，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，标注中包含交通信号灯的位置信息和类别信息；将训练样本输入到初始卷积神经网络进行逐层前向传播，以得到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、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，并基于回归损失函数的值与分类损失函数的值之和，逐层计算初始卷积神经网络各层参数的梯度；基于所计算的梯度对初始卷积神经网络进行参数更新；确定训练步骤的执行次数，响应于确定执行次数小于第一预设次数，继续对进行参数更新后的初始卷积神经网络执行训练步骤；响应于确定执行次数等于第一预设次数，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，并将初始卷积神经网络中的参数替换为目标参数，得到训练后的卷积神经网络，其中，第二预设次数小于第一预设次数。