[发明专利]交通标志识别方法、神经网络模型的训练方法和装置

说明书

本发明实施例公开了一种交通标志识别方法、神经网络模型的训练方法和装置。其中，交通标志的识别方法包括：获取当前道路图像中交通标志牌区域的当前子图像的位置信息和类别信息，其中，所述位置信息和类别信息是利用预设目标检测模型对所述当前道路图像中的待识别交通标志牌图像进行特征提取得到的；按照所述位置信息和所述类别信息，利用卷积神经网络CNN对所述当前子图像进行特征提取，得到所述当前子图像的特征序列；根据所述特征序列和预设卷积循环神经网络CRNN模型，得到所述当前子图像对应的目标语义信息，所述CRNN模型使得图像的特征序列与其对应的语义信息相关联。通过采用上述技术方案，提升了交通标志的识别精度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种交通标志识别方法、神经网络模型的训练方法和装置。

背景技术

随着当前智能交通技术的发展，自动驾驶和辅助驾驶技术正受到更多的重视。在自动驾驶和辅助驾驶领域，精准的感知系统是一切其他系统能正确工作的前提，而交通牌识别是车辆感知系统中的一个重要功能。精准的交通牌识别是车辆对于环境做出正确反应的基础，对于自动驾驶车辆的正常驾驶和安全驾驶起着至关重要的作用。

目前交通标志牌有很多种类，这些交通牌中有很多外观特征比较接近，利用现有的图像分类方法难以达到精准区分，并且不能有效提取交通标志牌中的语义信息，不利于车辆对交通标志信息加以利用。

发明内容

本发明实施例公开一种交通标志识别方法、神经网络模型的训练方法和装置，提高了交通标志牌的识别精度。

第一方面，本发明实施例公开了一种交通标志的识别方法，该方法包括：

获取当前道路图像中交通标志牌区域的当前子图像的位置信息和类别信息，其中，所述位置信息和类别信息是通过对所述当前道路图像中的待识别交通标志牌图像进行特征提取得到的；

按照所述位置信息和所述类别信息，利用卷积神经网络CNN对所述当前子图像进行特征提取，得到所述当前子图像的特征序列；

根据所述特征序列和预设卷积循环神经网络CRNN模型，得到所述当前子图像对应的目标语义信息，所述CRNN模型使得道路图像中交通标志牌区域的子图像的特征序列与其对应的语义信息相关联。

作为一种可选的实施方式，在本发明实施例第一方面中，所述CRNN模型通过以下方式构建：

获取历史道路图像中仅包含有交通标志牌位置区域的历史子图像及其语义信息，其中，所述历史子图像是利用预设目标检测模型对所述历史道路图像中的待识别交通标志牌图像进行特征提取得到的；

对所述历史子图像进行特征提取，得到所述历史子图像的特征序列；

基于多个历史子图像的特征序列及其对应的语义信息生成训练样本集；

基于机器学习算法对初始神经网络模型进行训练，得到CRNN模型，所述CRNN模型使得所述训练样本集中每个历史子图像的特征序列与其对应的语义信息相关联。

作为一种可选的实施方式，在本发明实施例第一方面中，所述CRNN模型通过以下方式构建：

获取历史道路图像中仅包含有交通标志牌位置区域的历史子图像及其语义信息，其中，所述历史子图像是利用预设目标检测模型对所述历史道路图像中的待识别交通标志牌图像进行特征提取得到的；

对所述历史子图像进行特征提取，得到所述历史子图像的特征序列；

基于多个历史子图像的特征序列及其对应的语义信息生成训练样本集；

基于机器学习算法对初始神经网络模型进行训练，得到CRNN模型，所述CRNN模型使得所述训练样本集中每个历史子图像的特征序列与其对应的语义信息相关联。