(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210261336.8 (22)申请日 2022.03.14 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 王志红　赵垌栋　颜伏伍　彭辅明　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 姜婷 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/80(2022.01) (54)发明名称 一种交通标志检测方法及装置 (57)摘要 本发明提供了一种交通标志检测方法及装 置， 其方法包括： 获取待检测交通图像； 将所述待 检测交通图像输入至训练完备的一阶全卷积目 标检测模型中， 获得交通标志 检测结果； 其中， 所 述一阶全卷积目标检测模型包括特征提取模块、 特征融合模块以及输出模块， 所述特征融合模块 的结构为近邻融合特征金字塔结构。 本发明通过 对特征融合模块进行改进， 使特征融合模块的结 构为近邻融合特征金字塔结构， 可挖掘不同金字 塔层间的内在关联性， 舍弃不相邻的金字塔层融 合， 从而可提高特征融合模块得到的融合特征图 像的可靠性， 进而可在提高交通标志 检测的准确 性。 权利要求书2页 说明书9页 附图3页 CN 114639087 A 2022.06.17 CN 114639087 A 1.一种交通标志检测方法， 其特 征在于， 包括： 获取待检测交通图像； 将所述待检测交通图像输入至训练完备的一阶全卷积目标检测模型中， 获得交通标志 检测结果； 其中， 所述一阶全卷积目标检测模型包括特征提取模块、 特征融合模块以及输出模块， 所述特征融合模块的结构为近邻融合特 征金字塔结构。 2.根据权利要求1所述的交通标志检测方法， 其特征在于， 所述特征提取模块包括第 一 特征提取层、 第二特征提取层和 第三特征提取层； 所述特征融合模块包括第一特征融合层、 第二特征融合层、 第三特 征融合层、 第四特 征融合层和第五特 征融合层； 所述待检测交通图像依次经过所述第 一特征提取层、 第 二特征提取层和第 三特征提取 层进行逐层卷积， 对应获得第一 提取图像、 第二 提取图像和第三 提取图像； 所述第一特征融合层用于接收所述第一提取图像和第二提取图像， 生成第一特征图； 所述第二特征融合层用于接 收所述第二提取图像和第三提取图像， 生成第二特征图； 所述 第三特征融合层用于接 收所述第三提取图像， 生成第三特征图； 所述第四特征融合层用于 接收所述第三提取图像， 生 成第四特征图； 所述第五特征融合层用于接收所述第四特征图， 生成第五特 征图； 所述第一特征融合层还用于对所述第二特征图进行上采样， 获得第一上采样图像， 并 将所述第一上采样图像和所述第一特 征图进行融合， 获得第一特 征融合图像； 所述第二特征融合层还用于对所述第三特征图进行上采样， 获得第二上采样图像， 对 所述第一特征图进 行下采样， 获得第一下采样图像， 并将所述第一下采样图像、 所述第二上 采样图像和所述第二特 征图进行融合， 获得第二特 征融合图像； 所述第三特征融合层还用于对所述第 四特征图进行上采样， 获得第三上采样图像， 对 所述第二特征图进 行下采样， 获得第二下采样图像， 并将所述第二下采样图像、 所述第三上 采样图像和所述第三特 征图进行融合， 获得第三特 征融合图像； 所述第四特征融合层还用于对所述第五特征图进行上采样， 获得第 四上采样图像， 对 所述第三特征图进 行下采样， 获得第三下采样图像， 并将所述第三下采样图像、 所述第四上 采样图像和所述第四特 征图进行融合， 获得第四特 征融合图像； 所述第五特征融合层还用于对所述第 四特征图进行下采样， 获得第 四下采样图像， 并 将所述第四下采样图像和所述第五特 征图进行融合， 获得第五特 征融合图像。 3.根据权利要求2所述的交通标志检测方法， 其特征在于， 所述输出模块包括第 一输出 层、 第二输出层、 第三输出层、 第四输出层和第五输出层； 所述第一输出层用于对所述第一特征融合图像进行检测， 输出第一检测结果； 所述第 二输出层用于对所述第二特征融合图像进行检测， 输出第二检测结果； 所述第三输出层用 于对所述第三特征融合图像进行检测， 输出第三检测结果； 所述第四输出层用于对所述第 四特征融合图像进行检测， 输出第四检测结果； 所述第 五输出层用于对所述第 五特征融合 图像进行检测， 输出第五检测结果。 4.根据权利要求1所述的交通标志检测方法， 其特征在于， 在所述将所述待检测交通图 像输入至训练完备的一阶全卷积目标检测模型中， 获得交通标志检测结果之前， 还 包括： 构建初始目标检测模型；权　利　要　求　书 1/2 页 2 CN 114639087 A 2获取多张交通图像， 并对所述多张交通图像进行 预处理， 获得交通图像训练集； 根据所述交通图像训练集训练所述初始目标检测模型， 获得所述一阶全卷积目标检测 模型。 5.根据权利要求4所述的交通标志检测方法， 其特征在于， 所述初始目标检测模型的损 失函数包括回归损失函数和分类损失函数， 所述回归损失函数为广义交并比损失函数， 所 述分类损失函数为广义焦点损失函数。 6.根据权利要求5所述的交通标志检测方法， 其特征在于， 所述对所述多 张交通图像进 行预处理， 获得交通图像训练集， 包括： 对所述多张交通图像进行 数据增强处 理， 获得多张增强图像； 对所述交通图像和所述增强图像进行标注， 获得所述交通图像数据集， 所述交通图像 数据集包括多个已标注交通图像， 所述已标注交通图像包括多个真实标注框和真实类别。 7.根据权利要求6所述的交通标志检测方法， 其特征在于， 所述根据所述交通图像训练 集训练所述初始目标检测模型， 获得 所述一阶全卷积目标检测模型， 包括： 将所述已标注 交通图像输入至所述初始目标检测模型中， 经过所述特征提取模块和所 述特征融合模块， 获得多个特征融合图像， 所述融合特征图包括多个预测锚框和多个像素 区域； 基于自适应样本筛选模型和所述预测锚框将所述多个像素区域划分为多个正样本和 多个负样本； 将所述多个正样本和多个负样本输入至所述输出模块中， 获得多个预测标注框和预测 类别； 基于所述真实标注框、 所述真实类别、 所述预测标注框、 所述预测类别、 所述损失函数 以及预设的训练参数确定所述初始目标检测模型的最优模型参数， 根据所述最优模型参数 确定所述 一阶全卷积目标检测模型。 8.根据权利要求7所述的交通标志检测方法， 其特征在于， 所述预设的训练参数包括初 始学习率、 衰减策略以及优化器， 所述初始学习率为0.025， 所述衰减策 略为余弦退火衰减 策略， 所述优化器为随机梯度下降优化器。 9.根据权利要求1所述的交通标志检测方法， 其特征在于， 所述交通标志检测结果包括 目标标志框以及所述目标标志框的结构尺寸； 所述将所述待检测交通图像输入至训练完备 的一阶全卷积目标检测模型中， 获得交通标志检测结果， 包括： 将所述待检测交通图像输入至训练完备的一阶全卷积目标检测模型中， 获得多个待选 框； 基于预设阈值对所述多个待选框进行筛选， 确定所述目标标志框以及所述目标标志框 的结构尺寸。 10.一种交通标志检测装置， 其特 征在于， 包括： 待检测图像获取 单元， 用于获取待检测交通图像； 交通标志检测单元， 用于将所述待检测交通图像输入至训练完备的一阶全卷积目标检 测模型中， 获得交通标志检测结果； 其中， 所述一阶全卷积目标检测模型包括特征提取模块、 特征融合模块以及输出模块， 所述特征融合模块的结构为近邻融合特 征金字塔结构。权　利　要　求　书 2/2 页 3 CN 114639087 A 3