一种基于深度学的交通标志自动识别与标注方法

摘要

本发明提供了一种基于深度学的交通标志自动识别与标注方法，用于智能汽车的环境感知技术领域。本发明采用语义分割结构对交通标志定位检测，获取含有交通标志的候选区域，语义分割结构包含两部分：编码网络；解码网络和基于像素的分类层。然后通过快速区域卷积神经网络对候选区域中的交通标志进行分类识别并定位。基于该交通标志自动识别与标注方法，还相应提供了一种有效的更新地图导航信息的方法。本发明用语义分割的方法对交通标志候选区域进行定位，提供了新思路，并减少了训练的参数数量，节省了存储空间，缩短了计算时间。本发明识别准确率高，可以对地图导航信息进行较准确的交通标志信息更新，以方便更好地服务驾驶员。

主权项

一种基于深度学习的交通标志自动识别与标注方法，其特征在于，实现步骤如下：步骤一：采用语义分割结构对交通标志定位检测，获取含有交通标志的候选区域；所述的语义分割结构包含两部分：一部分是编码网络，另一部分是相应的解码网络和基于像素的分类层；所述的编码网络包含VGG16网络的卷积层和最大值池化层，去掉VGG16网络的全连接层；一个卷积层对应一个编码器，每个编码器卷积生成特征图，存储最深的编码器输出的特征图，存储各最大值池化的指数；所述的解码网络中，对应编码网络中的每个编码器有一个解码器，解码器利用相应编码器在最大值池化时的池化指数对输入的特征图进行非线性上采样，生成稀疏的特征图，再对稀疏的特征图经过卷积操作，生成密集特征图；基于像素的分类层是指将解码网络输出的密集特征图送入softmax分类器，对图中的每个像素分别进行分类，输出一个p通道的概率图，p为类别数量；步骤二：将步骤一得到的候选区域输入训练好的快速区域卷积神经网络，对交通标志进行分类识别并定位；所述的快速区域卷积神经网络与解码网络共享卷积层。