(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 202210359011.3 (22)申请日 2022.04.07 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 高尚兵　李杰　汪长春　蔡创新　 陈浩霖　于永涛　李翔　朱全银　 胡序洋　李少凡　张正伟　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/25(2022.01) G06V 10/77(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于DL-SSD模型的交通标志检测方法 及系统 (57)摘要 本发明公开了一种基于DL ‑SSD模型的交通 标志检测方法及系统， 对预先获取的交通标志原 始图像进行标记， 生成标签文件， 利用原始的SSD 目标检测框架的主干网络进行特征提取， 同时在 主干网络前三层浅层网络的特征图和后三层扩 张卷积层添加两个 分支； 将浅层网络提取到的特 征输入到跨尺度聚合特征融合方法Ca ‑FPN特征 融合方式得到高分辨特征图； 在每个扩张卷积层 中使用通道注意力机制位置通道注意力机制 PCA， 提取到不同分辨率的特征图； 在特征图的每 个位置生 成多个候选框； 设置特定阈值排除置信 度的候选框， 从而确定交通标志位置， 同时使用 softmax分类函数进行交通标志分类。 本发明可 用于检测并识别图像中的交通标识和位置， 同时 对交通标识的小目标检测也具有较好的鲁棒 性。 权利要求书2页 说明书5页 附图3页 CN 114882469 A 2022.08.09 CN 114882469 A 1.一种基于DL ‑SSD模型的交通标志检测方法， 其特 征在于， 包括以下步骤： (1)对预先获取的交通标志 原始图像进行 标记， 生成标签文件； (2)将标签文件和原始图像进行预处理输入到DL ‑SSD目标检测主干网络进行特征提 取； (3)使用DL ‑SSD目标检测主干 网络前三层卷积层提取到不同尺度的特征图添加第一个 分支进行 特征融合； 所述第一个分支采用跨尺度聚合特 征融合方法Ca ‑FPN特征融合方式； (4)使用主干网络后三层扩张卷积层添加第二个分支位置通道注意力机制PCA的运算 进行特征提取； (5)第一分支和第二分支生成不同尺度的特征图， 在特征图的每个位置生成多个候选 框； (6)设置特定阈值排除置信度的候选框， 从而确定交通标志位置， 同时使用softmax分 类函数进行交通标志分类。 2.根据权利 要求1所述的一种基于DL ‑SSD模型的交通标志检测方法， 其特征在于， 步骤 (2)所述的DL ‑SSD目标检测主干网络为VGG16的卷积层， 将VGG16的两层全连接层替换为卷 积层， 同时之后添加三个扩张卷积层， 使用分别为 1、 2、 4扩展参数的扩张卷积将原先3 ×3的 视野分别调整为3 ×3、 7×7和15×15便于进行特征提取。 3.根据权利 要求1所述的一种基于DL ‑SSD模型的交通标志检测方法， 其特征在于， 所述 步骤(3)实现过程如下： 前三层卷积层分别为Fc7层、 Conv8_2层、 Conv9_2层， 这三层所提取到对应特征图为R1、 R2、 R3， 且三个特征图R1、 R2、 R3特征尺度不一的； 将特征图R1、 R2、 R3的结点作为输入， 不同 的特征结点进行相互连接， 将同尺度的特征节点实现跳跃输入连接， 确保将尺度小的特征 图也能够融合到尺度较大 的特征图中， 同时将第三层结点的输入连接少 于2个的结点进行 移除； 最后将Ca ‑FPN特征融合效果输出， 用1 ×1的卷积进行处 理输出特征图为RC1。 4.根据权利 要求1所述的一种基于DL ‑SSD模型的交通标志检测方法， 其特征在于， 所述 步骤(4)实现过程如下： 后三层扩张卷积层分别为Dconv10、 Dconv 11和Dconv 12对应提取的特征图为D1、 D2、 D3， 将D1、 D2、 D3作为第二个分支的输入， 每个特征图添加位置通道注意力机制PCA的运算需要 满足公式： 其中， Uc表示c个特征映射在(i， j)位置上的通道特征值， 表示特征图大小为H ×W的c个 特征映射在卷积核(i， j)位置上的通道权重进行矩阵相乘， 根据通道权重来获取每个位置 的信息， 增强其特征表现能力； D1、 D2、 D3通过PCA产生的特征图分别为DC1、 DC2、 DC3作为下 一阶段的输入。 5.根据权利 要求1所述的一种基于DL ‑SSD模型的交通标志检测方法， 其特征在于， 步骤 (5)所述的特征图根据标签文件和训练图片的类别生成多个位置不一的候选框区域， 并同 时输入到最终的检测层进行分类回归。 6.一种采用权利要求1 ‑5任一所述方法的基于DL ‑SSD模型的交通标志检测系统， 其特权　利　要　求　书 1/2 页 2 CN 114882469 A 2征在于， 包括： 图像预处理模块： 读预先获取车载记录仪拍摄视频中的交通标志原始图像， 标记图像 中交通标志位置， 生成标签文件； 特征提取模块： 将交通标志标记图像输入到DL ‑SSD模型中， 通过多个卷积层和三个扩 张卷积运 算得到多个不同尺度的具有交通标志目标的特 征图； 跨尺度聚合特征融合模块： 使用DL ‑SSD目标检测主干 网络前三层卷积提取到不同尺度 的特征图添加采用跨尺度聚合特征融合方法Ca ‑FPN特征融合方式的第一个分支进行特征 融合； 位置通道注意力 机制模块： 使用主干网络后 三层扩张卷积层添加第 二个分支位置通道 注意力机制PCA的运 算进行特征提取； 交通标志检测和可视化模块： 将训练好的可以识别交通标志 的权重文件， 对交通视频 和图像进 行检测， 实时检测到交通标志的位置信息和对应的交通标志的类别同时给出相关 的准确度信息生成对应的检测图像。权　利　要　求　书 2/2 页 3 CN 114882469 A 3