1.一种基于多尺度特征融合的信号灯检测识别方法,其中,所述方法包括:
构建交通信号灯数据集;
对所述交通信号灯数据集中的目标进行k-means聚类,获得初始候选框;
将神经网络模型输入尺寸调整为第一尺寸;
在yolov3检测层的基础上增加4倍降采样后的检测层,删掉32倍降采样后的检测层;
在所述神经网络模型中嵌入空间金字塔池化模块;
将所述神经网络模型中的fpn结构替换为panet结构,构建基于小尺度交通信号灯目标的检测与识别模型;
通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。
2.如权利要求1所述的方法,其中,所述构建交通信号灯数据集,包括:
收集所述交通信号灯数据集中的数据信息;
对所述交通信号灯数据集进行数据标注;
根据所述交通信号灯数据集的特点,确定数据扩充方式;
根据所述数据扩充方式,对所述交通信号灯数据集进行数据扩充。
3.如权利要求1所述的方法,其中,所述对所述交通信号灯数据集中的目标进行k-means聚类,获得初始候选框,包括:
获得真实框坐标尺寸信息;
在所有所述真实框中随机选取k个值作为k个锚点框的初始值;
计算每个所述真实框与所述锚点框的iou;
获得每个所述真实框对于每个所述锚点框的误差;
通过比较误差大小选取获得第一锚点框,所述第一锚点框为最小误差的锚点框;
将与所述第一锚点框对应是所述真实框分类给第一锚点框子集,并对所述锚点框进行更新,获得第二锚点框;
获得所述第二锚点框的精确度。
4.如权利要求1所述的方法,其中,所述panet结构的公式为:
其中,
conv()表示特征图进行的卷积处理;
rs()表示通过对特征图进行匹配而进行的上采样或下采样操作。
5.如权利要求1所述的方法,其中,所述方法包括:
对所述基于小尺度交通信号灯目标的检测与识别模型进行稀疏化训练;
获得第一预定通道阈值;
根据所述第一预定通道阈值对稀疏化训练后的所述基于小尺度交通信号灯目标的检测与识别模型进行通道剪枝;
将进行通道剪枝后的所述基于小尺度交通信号灯目标的检测与识别模型进行网络层剪枝。
6.如权利要求5所述的方法,其中,所述方法包括:
在所述基于小尺度交通信号灯目标的检测与识别模型中调添加卷积模块注意力模块或瓶颈注意力模块。
7.如权利要求5所述的方法,其中,所述将进行通道剪枝后的所述基于小尺度交通信号灯目标的检测与识别模型进行网络层剪枝,包括:
对进行通道剪枝后的所述基于小尺度交通信号灯目标的检测与识别模型进行稀疏化训练;
获得第一预定网络层阈值;
根据所述第一预定网络层阈值对稀疏化训练后的所述基于小尺度交通信号灯目标的检测与识别模型进行网络层剪枝。
8.一种基于多尺度特征融合的信号灯检测识别系统,应用于权利要求1-7任一所述方法,其中,所述系统包括:
第一构建单元,所述第一构建单元用于构建交通信号灯数据集;
第一获得单元,所述第一获得单元用于对所述交通信号灯数据集中的目标进行k-means聚类,获得初始候选框;
第一执行单元,所述第一执行单元用于将神经网络模型输入尺寸调整为第一尺寸;
第二执行单元,所述第二执行单元用于在yolov3检测层的基础上增加4倍降采样后的检测层,删掉32倍降采样后的检测层;
第三执行单元,所述第三执行单元用于在所述神经网络模型中嵌入空间金字塔池化模块;
第二构建单元,所述第二构建单元用于将所述神经网络模型中的fpn结构替换为panet结构,构建基于小尺度交通信号灯目标的检测与识别模型;
第四执行单元,所述第四执行单元用于通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。
9.一种基于多尺度特征融合的信号灯检测识别系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。