[发明专利]实况全景交通标志的实时识别方法

摘要

本发明公开一种实况全景交通标志的实时识别方法，针对实时采集到的大分辨率全景交通图像，采用提出的数据处理方法提取训练集，并对提出的TSNet网络进行训练与微调，在检测阶段，基于图像金字塔的图像缩放后，进行滑动窗口的处理方法和DS‑NMS算法来保证目标的实时性识别和提高准确度，从而能够在实况全景状态下对交通标志进行快速准确的识别。

主权项

1.实况全景交通标志的实时识别方法，其特征是，其具体包括步骤如下：步骤1、选取带有交通标志的全景交通图像，其中全景交通图像上的每个交通标志均标注了目标框和类别；步骤2、将步骤1的全景交通图像均匀分割为若干个原始图像块，并这些原始图像块中筛选出含有交通标志目标框的原始图像块组，并通过坐标换算重新计算交通标志目标框在每个原始图像块组的位置；步骤3、将步骤2所筛选出的原始图像块组转换为PASCAL VOC标准数据集格式，由此得到原始训练集；该原始训练集中的图像中标注了交通标志的目标框和类别；步骤4、对步骤1所选取的全景交通图像进行压缩，得到压缩后的全景交通图像，其中压缩后的全景交通图像上的每个交通标志均标注了目标框和类别；步骤5、将步骤4的压缩后的全景交通图像均匀分割为若干个压缩图像块，并这些压缩图像块中筛选出含有交通标志目标框的压缩图像块组，并通过坐标换算重新计算交通标志目标框在每个压缩图像块组的位置；步骤6、将步骤5所筛选出的压缩图像块组转换为PASCAL VOC标准数据集格式，由此得到压缩训练集；该压缩训练集中的图像中标注了交通标志的目标框和类别；步骤7、构建TSNet检测模型，该TSNet检测模型以yolov3‑tiny作为基础网络，并在此基础上添加直通层进行特征重组，通过更高尺度的特征图yolo层和中尺度特征图的yolo层进行上采样后，与网络前层的高尺度卷积层特征图进行特征融合；步骤8、将步骤4所得到的原始训练集送入到步骤7所构建的TSNet检测模型进行训练，得到初训练的TSNet检测模型；步骤9、将步骤6所得到的压缩训练集送入到步骤8所得到的初训练的TSNet检测模型中进行训练，得到最终训练的TSNet检测模型；步骤10、对经过一定比例缩放处理后的待检测图像进行滑动窗口处理，并将滑动窗口所截取的待检测图像块依次送入到步骤9所得到的最终训练的TSNet检测模型中进行检测，由此检测出存在于待检测图像块中的候选交通标志目标框和类别；步骤11、对步骤10所得到的存在于待检测图像块中的候选交通标志目标框和类别采用DS‑NMS算法进行处理，找出存在于待检测图像块中的优选交通标志目标框；步骤12、对步骤11所得到的存在于待检测图像块中的优选交通标志目标框进行坐标换算，确定该交通标志目标框在待检测图像中的位置，由此识别出待检测图像中交通标志目标框的位置和类别。