道路交通标志检测方法、装置、设备及存储介质

本发明涉及目标检测，尤其涉及一种道路交通标志检测方法、装置、设备及存储介质。

背景技术：

1、这些年来，汽车技术发展很快，智能驾驶甚至是无人驾驶这个新兴领域正在获得重视与发展，深度学习领域的目标检测方法也得到了不断创新和改进的机会。在人工智能和无人驾驶领域，深度学习是非常重要的部分，其在汽车自动驾驶过程中的图像识别、语音识别、行车策略控制等方面有着无可比拟的优势，因而深度学习对于未来真正的无人驾驶技术的实现也会发挥很大的作用。在无人驾驶这个概念不断普及深化的同时，利用深度学习技术实现真实行车环境下道路交通标志检测与识别算法的实际应用，进一步提高算法的精确性、实时性以及鲁棒性，但是在实景道路上，影响交通标志识别的因素众多，自动驾驶汽车想要准确地识别出不同的交通标志，需要面临很多问题，例如：光照条件不同，背景复杂、标志老化褪色等，而且通常情况下交通标志多为小目标，车载计算机对于小目标的识别并不敏感，这些因素给交通标志检测任务带来了很大的难度。

技术实现思路

1、本发明的主要目的在于提供一种道路交通标志检测方法、装置、设备及存储介质，旨在解决现有技术对于小目标的识别不敏感，交通标志检测难度大的技术问题。

2、为实现上述目的，本发明提供了一种道路交通标志检测方法，所述方法包括以下步骤：

3、获取道路交通标志图片，并根据所述道路交通标志图片获得交通标志数据集；

4、对所述交通标志数据集进行预处理，得到预处理后的交通标志数据集；

5、对所述预处理后的交通标志数据集进行标注，并对标注后的交通标志数据集进行划分，得到训练集与测试集；

6、基于yolov5算法框架构建初始道路交通标志检测模型，将所述初始道路交通标志检测模型中的主干网络替换为轻量级网络并在所述初始道路交通标志检测模型中加入小目标检测层，得到修改后的道路交通标志检测模型；

7、将所述训练集输入至所述修改后的道路交通标志检测模型中进行训练，得到训练后的道路交通标志检测模型；

8、将所述测试集输入至所述训练后的道路交通标志检测模型进行检测与识别，得到道路交通标志检测结果。

9、可选地，所述对所述交通标志数据集进行预处理，得到预处理后的交通标志数据集，包括：

10、通过几何变换和颜色变换操作扩增所述交通标志数据集，得到扩增后的交通标志数据集，其中，所述几何变换操作包括翻转、旋转、裁剪、变形、缩放、加噪以及模糊中的至少一项，颜色变换操作包括颜色变换、擦除以及填充中的至少一项；

11、将扩增后的交通标志数据集进行平滑处理；

12、将平滑处理后的交通标志数据集中的图片进行拉普拉斯锐化处理，得到预处理后的交通标志数据集。

13、可选地，所述将平滑处理后的交通标志数据集中的图片进行拉普拉斯锐化处理，得到预处理后的交通标志数据集，包括：

14、对平滑处理后的交通标志数据集中的图片进行归一化处理，得到原始图片；

15、根据所述原始图片获得目标拉普拉斯滤波器；

16、对所述原始图片进行傅里叶变换，并通过所述目标拉普拉斯滤波器对傅里叶变换后的原始图片进行频域拉普拉斯滤波，得到空域拉普拉斯图；

17、将所述空域拉普拉斯图与所述原始图片叠加，得到锐化处理后的交通标志数据集；

18、将所述锐化处理后的交通标志数据集作为预处理后的交通标志数据集。

19、可选地，所述根据所述原始图片获得目标拉普拉斯滤波器，包括：

20、获取所述原始图片的空域拉普拉斯算子；

21、根据所述空域拉普拉斯算子得到对应频域的初始拉普拉斯滤波器；

22、根据所述原始图片的尺寸数据确定所述初始拉普拉斯滤波器的尺寸；

23、根据所述初始拉普拉斯滤波器的尺寸得到目标拉普拉斯滤波器。

24、可选地，所述对所述预处理后的交通标志数据集进行标注，并对标注后的交通标志数据集进行划分，得到训练集与测试集，包括：

25、将预处理后的交通标志数据集中的图片通过python的图像标注插件逐张进行标注，生成对应的标签；

26、将标注后的标签与图片按照顺序保存，得到标注后的交通标志数据集；

27、通过随机分类代码将所述标注后的交通标志数据集分为训练集与测试集。

28、可选地，所述将所述训练集输入至所述修改后的道路交通标志检测模型中进行训练，得到训练后的道路交通标志检测模型，包括：

29、将所述训练集输入至所述修改后的道路交通标志检测模型中进行训练，得到训练好的权重矩阵；

30、从所述训练好的权重矩阵中得到最优权重矩阵，并将所述最优权重矩阵输入至所述修改后的道路交通标志检测模型中，得到训练后的道路交通标志检测模型。

31、可选地，所述获取道路交通标志图片，并根据所述道路交通标志图片获得交通标志数据集，包括：

32、通过摄像头对预设数量的目标地点进行视频拍摄以及图像采集，得到含有道路交通标志的视频以及含有道路交通标志的图片；

33、每隔预设时长对所述视频进行关键帧提取，得到提取的图片；

34、将所述提取的图片与所述含有道路交通标志的图片进行混合，得到交通标志数据集。

35、此外，为实现上述目的，本发明还提出一种道路交通标志检测装置，所述道路交通标志检测装置包括：

36、获取模块，用于获取道路交通标志图片，并根据所述道路交通标志图片获得交通标志数据集；

37、处理模块，用于对所述交通标志数据集进行预处理，得到预处理后的交通标志数据集；

38、划分模块，用于对所述预处理后的交通标志数据集进行标注，并对标注后的交通标志数据集进行划分，得到训练集与测试集；

39、构建模块，用于基于yolov5算法框架构建初始道路交通标志检测模型，将所述初始道路交通标志检测模型中的主干网络替换为轻量级网络并在所述初始道路交通标志检测模型中加入小目标检测层，得到修改后的道路交通标志检测模型；

40、训练模块，用于将所述训练集输入至所述修改后的道路交通标志检测模型中进行训练，得到训练后的道路交通标志检测模型；

41、检测模块，用于将所述测试集输入至所述训练后的道路交通标志检测模型进行检测与识别，得到道路交通标志检测结果。

42、此外，为实现上述目的，本发明还提出一种道路交通标志检测设备，所述道路交通标志检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的道路交通标志检测程序，所述道路交通标志检测程序配置为实现如上文所述的道路交通标志检测方法的步骤。

43、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有道路交通标志检测程序，所述道路交通标志检测程序被处理器执行时实现如上文所述的道路交通标志检测方法的步骤。

44、本发明通过获取道路交通标志图片，并获得交通标志数据集；对交通标志数据集进行预处理；对预处理后的交通标志数据集进行标注，并对标注后的交通标志数据集进行划分，得到训练集与测试集；基于yolov5算法框架构建初始道路交通标志检测模型，将初始道路交通标志检测模型中的主干网络替换为轻量级网络并在初始道路交通标志检测模型中加入小目标检测层；将训练集输入至修改后的道路交通标志检测模型中进行训练，得到训练后的道路交通标志检测模型；将测试集输入至训练后的道路交通标志检测模型进行检测与识别，得到道路交通标志检测结果，可通过对初始预测检测模型的结构进行改进，解决现有技术对于小目标的识别不敏感、交通标志检测难度大的技术问题，减少内存，提高对小型道路交通标志的检测精度。