CN111460861B - 一种道路交通标志识别方法、装置和识别设备 - Google Patents

Abstract

本发明公开了一种道路交通标志识别方法、装置和识别设备。所述方法包括：获取交通标志牌图像中的车道信息元素和各元素的位置信息；根据所述位置信息对所述车道信息元素进行分车道组合，得到车道信息元素分车道排布结果；使用通过回归网络模型确定的交通标志牌图像中的车道数量对所述车道信息元素分车道排布结果进行匹配校验；校验通过时，按照高置信度输出所述车道信息元素分车道排布结果；校验不通过时，按照低置信度输出所述车道信息元素分车道排布结果。能够对道路交通标志进行准确识别，减少识别错误，避免车道漏检错检。

Description

一种道路交通标志识别方法、装置和识别设备

技术领域

本发明涉及地图技术领域，特别涉及一种道路交通标志识别方法、装置和识别设备。

背景技术

在地图数据制作过程中，对于道路交通标志的识别是必不可少的，比如，对道路上的道路交通标牌或说行车引导线标牌的内容进行识别，以便获取道路的车道信息，为用户提供正确的导航指示。

现有道路交通标志识别（Traffic sign recognition，TSR）方法，直接识别标牌中的指示箭头等信息，然后输出识别结果，但实际上行车引导线标牌可能会出现遮挡、局部遮挡、光照变化等问题，在对其进行内容识别时，往往难以保证识别内容的精度，例如某种场景下遮挡了某个车道的信息，识别出的结果少一个车道；又例如某种情况下可能因为光线问题导致车道之间的车道线不能被识别，从而导致识别出的车道数量不对；等等。

可见，这种方法存在信息识别不准确，容易发生识别错误的问题，在地图数据自动化制作过程中，不能保证地图数据的准确性，当地图数据不准确时，也会导致导航信息错误，使用户不能获取到正确的导航信息，因此，保证道路交通标志内容识别的准确性，以便用户能够获取到准确的地图数据和导航信息是很有必要的。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种道路交通标志识别方法、装置和识别设备。

本发明实施例提供一种道路交通标志识别方法，包括：

获取交通标志牌图像中的车道信息元素和各元素的位置信息；

根据所述位置信息对所述车道信息元素进行分车道组合，得到车道信息元素分车道排布结果；

使用通过回归网络模型确定的交通标志牌图像中的车道数量对所述车道信息元素分车道排布结果进行匹配校验；

校验通过时，按照高置信度输出所述车道信息元素分车道排布结果；校验不通过时，按照低置信度输出所述车道信息元素分车道排布结果。

在一些可选的实施例中，所述获取交通标志牌图像中的车道信息元素，包括从所述交通标志牌图像中获取下列元素中的至少一种：

车道标识、指示标识、警示标识、禁止标识和路面信息标识。

在一些可选的实施例中，根据所述位置信息对所述车道信息元素进行分车道组合，包括：

根据所述车道信息元素的参考点横坐标对车道信息元素进行分组，得到每个车道的车道信息元素组；

针对每个车道信息元素组中的车道信息元素，根据车道信息元素的参考点纵坐标进行上下排布组合；以及对每个车道信息元素组，按照车道信息元素组中车道信息元素的参考点横坐标进行左右排布组合。

在一些可选的实施例中，根据所述车道信息元素的参考点横坐标对车道信息元素进行分组，包括：

计算各车道信息元素的参考点横坐标的差值；

将参考点横坐标的差值小于设定阈值的车道信息元素划分为一组。

在一些可选的实施例中，按照高置信度输出所述车道信息元素分车道排布结果之前，还包括：

根据预设的置信度确定规则，确定所述车道信息元素分车道排布结果的置信度；以及获取回归网络模型输出的车道数量识别结果的置信度；

当均为高置信度时，再按照高置信度输出所述车道信息元素分车道排布结果；否则，按照低置信度输出所述车道信息元素分车道排布结果。

在一些可选的实施例中，根据预设的置信度确定规则，确定所述车道信息元素分车道排布结果的置信度，包括：

对获取的车道信息元素分别进行识别评分，判断评分最低的车道信息元素的分值是否符合预设的分值要求；和/或判断所述车道信息元素分车道排布结果是否符合车道排布规则和车道位置关系规则；

若均判断为是时，确定所述车道信息元素分车道排布结果的置信度为高置信度；否则，为低置信度。

在一些可选的实施例中，通过回归网络模型确定交通标志牌图像中的车道数量，包括：

将所述交通标志牌图像输入回归网络模型；所述回归网络模型通过对一定数量的样本交通标志牌图像进行学习，得到车道数量识别规则和对应的车道特征信息；

根据回归网络模型中配置的车道数量识别规则中包括的车道特征信息，匹配识别所述交通标志牌图像中的车道特征信息，根据匹配识别结果输出所述交通标志牌图像中的车道数量。

本发明实施例还提供一种道路交通标志识别装置，包括：

车道元素识别模块，用于获取交通标志牌图像中的车道信息元素和各元素的位置信息，根据所述位置信息对所述车道信息元素进行分车道组合，得到车道信息元素分车道排布结果；

车道数量识别模块，用于通过回归网络模型确定的交通标志牌图像中的车道数量；

匹配校验模块，用于使用通过回归网络模型确定的交通标志牌图像中的车道数量对所述车道信息元素分车道排布结果进行匹配校验；校验通过时，按照高置信度输出所述车道信息元素分车道排布结果；校验不通过时，按照低置信度输出所述车道信息元素分车道排布结果。

在一些可选的实施例中，所述车道元素识别模块，具体用于从所述交通标志牌图像中获取下列元素中的至少一种：

车道标识、指示标识、警示标识、禁止标识和路面信息标识。

在一些可选的实施例中，所述车道元素识别模块，具体用于：

根据所述车道信息元素的参考点横坐标对车道信息元素进行分组，得到每个车道的车道信息元素组；

针对每个车道信息元素组中的车道信息元素，根据车道信息元素的参考点纵坐标进行上下排布组合；以及对每个车道信息元素组，按照车道信息元素组中车道信息元素的参考点横坐标进行左右排布组合。

在一些可选的实施例中，所述车道元素识别模块，具体用于：

计算各车道信息元素的参考点横坐标的差值；

将参考点横坐标的差值小于设定阈值的车道信息元素划分为一组。

在一些可选的实施例中，所述车道元素识别模块，还用于根据预设的置信度确定规则，确定所述车道信息元素分车道排布结果的置信度；

所述车道数量识别模块，还用于通过回归网络模型输出车道数量识别结果的置信度；

所述匹配校验模块，还用于当所述车道元素识别模块和所述车道数量识别模块输出的置信度均为高置信度时，再按照高置信度输出所述车道信息元素分车道排布结果；否则，按照低置信度输出所述车道信息元素分车道排布结果。

在一些可选的实施例中，所述车道元素识别模块，具体用于：

对获取的车道信息元素分别进行识别评分，判断评分最低的车道信息元素的分值是否符合预设的分值要求；和/或判断所述车道信息元素分车道排布结果是否符合车道排布规则和车道位置关系规则；

若均判断为是时，确定所述车道信息元素分车道排布结果的置信度为高置信度；否则，为低置信度。

在一些可选的实施例中，所述车道数量识别模块，具体用于：

将所述交通标志牌图像输入回归网络模型；所述回归网络模型通过对一定数量的样本交通标志牌图像进行学习，得到车道数量识别规则和对应的车道特征信息；

根据回归网络模型中配置的车道数量识别规则中包括的车道特征信息，匹配识别所述交通标志牌图像中的车道特征信息，根据匹配识别结果输出所述交通标志牌图像中的车道数量。

本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1-7任一所述的道路交通标志识别方法。

本发明实施例还提供一种识别设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述的道路交通标志识别方法。

本发明实施例提供的上述技术方案的有益效果至少包括：

在对道路中的交通标志牌图像进行识别时，一方面采用回归网络模型进行识别，输出车道数量，另一方面采用车道元素识别的方式获取各车道的信息，然后将车道元素识别并排布后得到的车道信息元素分车道排布结果，与回归网络模型得到的车道数量进行匹配校验，校验通过后输出对交通标志牌图像中的车道的识别结果，从而提高车道信息识别的准确性，减少识别错误的发生，避免车道漏检、错检等问题的发生，提高地图自动化生产的精准度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中道路交通标志识别方法的流程图；

图2为本发明实施例一中道路交通标志识别的原理示意图；

图3为本发明实施例二中道路交通标志识别的原理示意图；

图4为本发明实施例中道路交通标志识别装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决现有技术中存在的道路交通标志识别不准确的问题，减少识别错误，保证地图数据自动化生产过程中标牌识别结果的准确率，本发明实施例提供一种道路交通标志识别方法，基于深度卷积神经网络实现道路交通标牌内容识别，通过车道数识别和车道元素识别相结合的方式，保证道路交通标志识别的准确性，避免车道信息识别错误，保证地图数据自动化生产过程中，数据信息获取的准确性和可靠性。

下面通过具体的实施例进行详细描述。

实施例一

本发明实施例一提供一种道路交通标志识别方法，其流程如图1所示，其实现原理框图参见图2，该方法包括如下步骤：

步骤S101：获取交通标志牌图像中的车道信息元素和各元素的位置信息。

针对待识别的交通标志牌图像进行识别，将其中的车道信息元素识别出来。例如：从交通标志牌图像中获取下列元素中的至少一种：车道标识、指示标识、警示标识、禁止标识和路面信息标识。其中：

车道标识可以包括公交车道、摩托车道、自行车道、人行便道等车道标识中的至少一种，车道标识可以是图形标识，也可以是文字标识。例如图2中的自行车图形。

指示标识可以是直行箭头、转向箭头（左转箭头、右转箭头等）、掉头箭头等指向标识。指示标识可以是图形标识，也可以是文字标识。例如图2中的左转箭头和右转箭头等。

禁止标识可以是禁止通行、禁止直行、禁止转向等禁止标识。

警示标识可以是各种警告信息的标志信息。

路面信息标识可以是标识各种路面信息的标志信息。

优选的，输入的交通标志牌图像矫正后的交通标志牌图像。

步骤S102：根据获取的各元素的位置信息对车道信息元素进行分车道组合，得到车道信息元素分车道排布结果。

获取到交通标志牌图像中的车道信息元素及对应的位置信息后，可以根据位置信息对车道信息元素进行分组和排布：根据车道信息元素的参考点横坐标对车道信息元素进行分组，得到每个车道的车道信息元素组；针对每个车道信息元素组中的车道信息元素，根据车道信息元素的参考点纵坐标进行上下排布组合；以及对每个车道信息元素组，按照车道信息元素组中车道信息元素的参考点横坐标进行左右排布组合。

根据车道信息元素的横坐标对车道信息元素进行分组，包括：计算各车道信息元素的参考点横坐标的差值；将参考点横坐标的差值小于设定阈值的车道信息元素划分为一组。其中参考点可以是中心点或车道信息元素图形中其他被选中的点。

计算各车道信息元素的横坐标的差值并进行分组的实现过程，可以是，针对每一个车道信息元素，分别计算这个车道信息元素参考点横坐标与其他车道信息元素参考点横坐标的差值，将所有差值小于设定阈值的其他车道信息元素与这个车道信息元素归为一组，遍历所有的车道信息元素后，完成分组；也可以是，分别计算任意两个车道信息元素的参考点横坐标差值，然后将差值小于设定阈值的车道信息元素归为一组。

其中阈值的设定可以根据经验设定，也可以根据车道的宽度或车道信息元素的大小设定，比如可以设定为车道宽度值的一半，也可以设定为车道信息元素图形本身宽度的一半。

在对车道信息元素进行分车道组合排布时，可以先设定一个参考基线，参考基线可以设定为通过车道信息元素图形参考点的直线，例如，以图形的中心点作为参考点时，参考基线可以是通过某一个车道信息元素中心点的直线，也可以是通过几个图形中心点的纵坐标基本相等的车道信息元素的中心点的直线。

由于不同车道的结果基本都是水平排布，如果出现上下排布的元素一般是属于同一车道的不同属性，因此，针对一个车道信息元素组中的车道信息元素，由于其参考点的横坐标基本相同，因此可以认为是在同一条车道上，可以按照其参考点纵坐标的大小进行上下排布，例如按照从大到小的顺序从上往下排布；针对不同车道信息元素组，按照其参考点横坐标的大小进行左右排布，例如按照从小到大的顺序从左到右进行排布。在进行排布时，以参考基线为参考进行排布，每个车道信息元素中参考点坐标在参考基线上的，在参考基线上进行排布，其他车道信息元素则根据其参考点坐标与基线的相对关系排布。

车道信息元素分车道组合后得到的车道信息元素分车道排布结果，可以包括车道数量和每个车道的信息：比如第一车道：左转箭头，第二车道：直行箭头， 第三车道：右转箭头等。

步骤S103：通过回归网络模型确定的交通标志牌图像中的车道数量。

使用卷积神经网络（Convolutional Neural Network，CNN)）回归网络识别交通标志牌中的车道数目时，可以将获取的交通标志图像输入预先建立的回归网络模型中，获取回归网络模型的输出结果得到交通标志图像中的车道数量。

将交通标志牌图像输入回归网络模型；根据回归网络模型中配置的车道数量识别规则中包括的车道特征信息，匹配识别交通标志牌图像中的车道特征信息，根据匹配识别结果输出交通标志牌图像中的车道数量。

回归网络模型是通过对一定数量的样本交通标志牌图像进行学习得到，回归网络模型包括通过对一定数量的样本交通标志牌图像进行学习，得到车道数量识别规则和对应的车道特征信息。例如：学习样本交通标志牌图像中的车道分割线、车道信息元素、车道间距等车道特征，根据这些特征形成车道数量识别规则和规则中涉及到的车道特征信息。然后使用这个模型去识别待识别的交通标志牌图像中的车道数量。

步骤S104：使用通过回归网络模型确定的交通标志牌图像中的车道数量对车道信息元素分车道排布结果进行匹配校验。校验通过时执行步骤S105，否则执行步骤S106。

参照图2所示，例如步骤S102输出的结果包括五个车道的信息，第一车道：左转箭头，第二车道：左转箭头， 第三车道：右转箭头， 第四车道：右转箭头， 第五车道：自行车道图形等。步骤S103输出的车道数量为5时，则认为匹配校验通过，否则匹配不通过。

步骤S105：按照高置信度输出车道信息元素分车道排布结果。

可以是为车道信息元素分车道排布结果添加高置信度标识后输出。

步骤S106：按照低置信度输出车道信息元素分车道排布结果。

可以是为车道信息元素分车道排布结果添加低置信度标识后输出。也可以输出匹配校验的结果，提示用户识别不准确，以便用户进行校正。

实施例二

本发明实施例二提供道路交通标志识别方法的一种具体实现过程，其流程如图3所示，包括如下步骤：

步骤S201：通过回归网络模型确定的交通标志牌图像中的车道数量和车道数量识别结果的置信度。

使用回归网络模型识别交通标志牌图像中的车道数量的实现过程参见实施例一中的相关描述，同时，输出车道数量识别结果的置信度，例如高置信度或低置信度，可以预先在回归网络模型中设置置信度判断规则，根据置信度判断规则输出置信度判断结果。

步骤S202：获取交通标志牌图像中的车道信息元素和各元素的位置信息。

参见实施例一中的相关描述。

步骤S203：根据位置信息对所述车道信息元素进行分车道组合，得到车道信息元素分车道排布结果。

参见实施例一中的相关描述。

步骤S204：根据预设的置信度确定规则，确定车道信息元素分车道排布结果的置信度。

一般车道信息元素之间的距离接近，不会有太大差距，如果某两个元素间距远大于其他相邻元素的间距，则存在是漏检车道元素的风险，因此，为了确定车道信息元素识别结果的准确性，可以进行置信度判断。

对获取的车道信息元素分别进行识别评分，判断评分最低的车道信息元素的分值是否符合预设的分值要求；和/或判断车道信息元素分车道排布结果是否符合车道排布规则和车道位置关系规则；若均判断为是时，确定车道信息元素分车道排布结果的置信度为高置信度；否则，确定车道信息元素分车道排布结果的置信度为低置信度。

例如，在进行置信度判定时，可以通过评分判定，可以通过车道排布规则和车道位置关系规则，也可以两者结合一起进行判定。例如：一种可选的实现过程为：对车道信息元素进行识别评分，可以按照预设的评分规则分别对每个车道信息元素进行评分，然后把评分最低的车道信息元素找出来，判断是否符合要求分值要求，如果不符合，则认为是低置信度；如果符合，则进一步进行车道排布规则和车道位置关系规则判断，如果符合则认为是高置信度，不符合则认为是低置信度。

车道排布规则和车道位置关系规则的判定实质上是一种车道信息元素之间距离是否符合规则的判定，包括是否漏检车道、检测出的车道元素不符合位置关系规则等等，例如，相邻两个车道信息元素之间的距离大于设定的相邻距离阈值，认为可能漏检了车道，又例如，在设定的距离范围内，认为可能是在车道线上等等，这时候就认为是低置信度了。相邻距离阈值可以根据多个相邻元素的距离进行平均值计算后得到平均距离确定。

例如参照图2所示的，是否有空车道或结构错误等问题。

步骤S205：判断车道信息元素分车道排布结果的置信度和车道数量识别结果的置信度是否均为高置信度。

若是，执行步骤S206；若否，执行步骤S208。

步骤S206：使用通过回归网络模型确定的交通标志牌图像中的车道数量对车道信息元素分车道排布结果进行匹配校验。

校验通过时，执行步骤S207；否则，执行步骤S208。

步骤S207：按照高置信度输出车道信息元素分车道排布结果。

参照图2所示的，输出五个测到的车道信息元素分车道排布结果：|B| B| D| D| H|。

步骤S208：按照低置信度输出车道信息元素分车道排布结果。

将车道信息元素分车道组合后输出的车道信息元素分车道排布结果与回归网络模型输出的车道数量进行匹配，如果分车道组合后输出的车道信息元素分车道排布结果为高置信度，回归网络模型输出的车道数量结果也是高置信度，并且由分车道组合得到的车道信息元素分车道排布结果可以和回归网络模型输出的车道数量的结果相匹配，则最终可以按照高置信输出车道信息元素分车道排布结果；如果不匹配或者任意一个结果的置信度为低置信度，则按照低置信度输出车道信息元素分车道排布结果。

上述实施例一和实施例二的方法中，通过回归网络模型确定车道数量的步骤也可以采用检测车道分割线的方式实现并替代。

上述实施例一和实施例二的方法中，参照图2，可以看出可以分为两个分支，一个分支是通过回归网络模型识别车道数量，如图2中下边分支所示，另一个分支是通过车道信息元素识别输出车道信息元素分车道排布结果，如图2中上边分支所示，先识别所有车道信息元素，然后进行分车道组合，两个分支的识别结果互相验证，得到最终的输出结果。该方法利用多种模型输出的结果互相校验，匹配上的结果以高置信度结果输出，避免因为交通标志牌被遮挡或者检测是漏检交通标志牌图标中的车道信息元素而导致的识别结果不准确的问题，较少识别错误，提高识别结果的准确率，更好的保证识别结果的准确性。

例如车道数量识别结果、车道元素识别和组合结果，以及一些强制规则等彼此之间都可以验证，才会以高置信度输出结果，这也使得高置信部分的结果精度在99%+，达到自动化生产的精度要求。

基于同一发明构思，本发明实施例还提供一种道路交通标志识别装置，该装置可以设置在识别设备中，该装置的结构如图4所示，包括：车道元素识别模块41、车道数量识别模块42和匹配校验模块43。

车道元素识别模块41，用于获取交通标志牌图像中的车道信息元素和各元素的位置信息，根据获取的各元素的位置信息对车道信息元素进行分车道组合，得到车道信息元素分车道排布结果；

车道数量识别模块42，用于通过回归网络模型确定的交通标志牌图像中的车道数量；

匹配校验模块43，用于使用通过回归网络模型确定的交通标志牌图像中的车道数量对车道信息元素分车道排布结果进行匹配校验；校验通过时，按照高置信度输出车道信息元素分车道排布结果；校验不通过时，按照低置信度输出车道信息元素分车道排布结果。

可选的，车道元素识别模块41，具体用于从交通标志牌图像中获取下列元素中的至少一种：车道标识、指示标识、警示标识、禁止标识和路面信息标识。

可选的，车道元素识别模块41，具体用于根据车道信息元素的参考点横坐标对车道信息元素进行分组，得到每个车道的车道信息元素组；针对每个车道信息元素组中的车道信息元素，根据车道信息元素的参考点纵坐标进行上下排布组合；以及对每个车道信息元素组，按照车道信息元素组中车道信息元素的参考点横坐标进行左右排布组合。

可选的，车道元素识别模块41，具体用于计算各车道信息元素的参考点横坐标的差值；将参考点横坐标的差值小于设定阈值的车道信息元素划分为一组。

可选的，车道元素识别模块41，还用于根据预设的置信度确定规则，确定车道信息元素分车道排布结果的置信度；

车道数量识别模块42，还用于通过回归网络模型输出车道数量识别结果的置信度；

匹配校验模块43，还用于当车道元素识别模块41和车道数量识别模块42输出的置信度均为高置信度时，再按照高置信度输出车道信息元素分车道排布结果；否则，按照低置信度输出车道信息元素分车道排布结果。

可选的，车道元素识别模块41，具体用于对获取的车道信息元素分别进行识别评分，判断评分最低的车道信息元素的分值是否符合预设的分值要求；和/或判断车道信息元素分车道排布结果是否符合车道排布规则和车道位置关系规则；若均判断为是时，确定车道信息元素分车道排布结果的置信度为高置信度；否则，为低置信度。

可选的，车道数量识别模块42，具体用于将交通标志牌图像输入回归网络模型；其中，回归网络模型通过对一定数量的样本交通标志牌图像进行学习，得到车道数量识别规则和对应的车道特征信息；根据回归网络模型中配置的车道数量识别规则中包括的车道特征信息，匹配识别交通标志牌图像中的车道特征信息，根据匹配识别结果输出交通标志牌图像中的车道数量。

本发明实施例还提供一种计算机存储介质，该计算机存储介质中存储有计算机可执行指令，计算机可执行指令被处理器执行时实现上述的道路交通标志识别方法。

本发明实施例还提供一种识别设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的道路交通标志识别方法。

关于上述实施例中的道路交通标志识别装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (14)

1.一种道路交通标志识别方法，其特征在于，包括：

获取交通标志牌图像中的车道信息元素和各元素的位置信息；

根据所述车道信息元素的参考点横坐标对车道信息元素进行分组，得到每个车道的车道信息元素组；

针对每个车道信息元素组中的车道信息元素，根据车道信息元素的参考点纵坐标和参考点横坐标进行排布组合，得到车道信息元素分车道排布结果，所述车道信息元素分车道排布结果包括车道数量；

使用通过回归网络模型确定的交通标志牌图像中的车道数量对所述车道信息元素分车道排布结果进行匹配校验；

校验通过时，按照高置信度输出所述车道信息元素分车道排布结果；校验不通过时，按照低置信度输出所述车道信息元素分车道排布结果。

2.如权利要求1所述的方法，其特征在于，所述获取交通标志牌图像中的车道信息元素，包括从所述交通标志牌图像中获取下列元素中的至少一种：

车道标识、指示标识、警示标识、禁止标识和路面信息标识。

3.如权利要求1所述的方法，其特征在于，根据所述车道信息元素的参考点横坐标对车道信息元素进行分组，包括：

计算各车道信息元素的参考点横坐标的差值；

将参考点横坐标的差值小于设定阈值的车道信息元素划分为一组。

4.如权利要求1所述的方法，其特征在于，按照高置信度输出所述车道信息元素分车道排布结果之前，还包括：

根据预设的置信度确定规则，确定所述车道信息元素分车道排布结果的置信度；以及获取回归网络模型输出的车道数量识别结果的置信度；

当均为高置信度时，再按照高置信度输出所述车道信息元素分车道排布结果；否则，按照低置信度输出所述车道信息元素分车道排布结果。

5.如权利要求4所述的方法，其特征在于，根据预设的置信度确定规则，确定所述车道信息元素分车道排布结果的置信度，包括：

对获取的车道信息元素分别进行识别评分，判断评分最低的车道信息元素的分值是否符合预设的分值要求；和/或判断所述车道信息元素分车道排布结果是否符合车道排布规则和车道位置关系规则；

若均判断为是时，确定所述车道信息元素分车道排布结果的置信度为高置信度；否则，为低置信度。

6.如权利要求1-5任一所述的方法，其特征在于，通过回归网络模型确定交通标志牌图像中的车道数量，包括：

将所述交通标志牌图像输入回归网络模型；所述回归网络模型通过对一定数量的样本交通标志牌图像进行学习，得到车道数量识别规则和对应的车道特征信息；

根据回归网络模型中配置的车道数量识别规则中包括的车道特征信息，匹配识别所述交通标志牌图像中的车道特征信息，根据匹配识别结果输出所述交通标志牌图像中的车道数量。

7.一种道路交通标志识别装置，其特征在于，包括：

车道元素识别模块，用于获取交通标志牌图像中的车道信息元素和各元素的位置信息；根据所述车道信息元素的参考点横坐标对车道信息元素进行分组，得到每个车道的车道信息元素组；针对每个车道信息元素组中的车道信息元素，根据车道信息元素的参考点纵坐标和参考点横坐标进行排布组合，得到车道信息元素分车道排布结果，所述车道信息元素分车道排布结果包括车道数量；

车道数量识别模块，用于通过回归网络模型确定的交通标志牌图像中的车道数量；

匹配校验模块，用于使用通过回归网络模型确定的交通标志牌图像中的车道数量对所述车道信息元素分车道排布结果进行匹配校验；校验通过时，按照高置信度输出所述车道信息元素分车道排布结果；校验不通过时，按照低置信度输出所述车道信息元素分车道排布结果。

8.如权利要求7所述的装置，其特征在于，所述车道元素识别模块，具体用于从所述交通标志牌图像中获取下列元素中的至少一种：

车道标识、指示标识、警示标识、禁止标识和路面信息标识。

9.如权利要求8所述的装置，其特征在于，所述车道元素识别模块，具体用于：

计算各车道信息元素的参考点横坐标的差值；

将参考点横坐标的差值小于设定阈值的车道信息元素划分为一组。

10.如权利要求7所述的装置，其特征在于，

所述车道元素识别模块，还用于根据预设的置信度确定规则，确定所述车道信息元素分车道排布结果的置信度；

所述车道数量识别模块，还用于通过回归网络模型输出车道数量识别结果的置信度；

所述匹配校验模块，还用于当所述车道元素识别模块和所述车道数量识别模块输出的置信度均为高置信度时，再按照高置信度输出所述车道信息元素分车道排布结果；否则，按照低置信度输出所述车道信息元素分车道排布结果。

11.如权利要求10所述的装置，其特征在于，所述车道元素识别模块，具体用于：

对获取的车道信息元素分别进行识别评分，判断评分最低的车道信息元素的分值是否符合预设的分值要求；和/或判断所述车道信息元素分车道排布结果是否符合车道排布规则和车道位置关系规则；

若均判断为是时，确定所述车道信息元素分车道排布结果的置信度为高置信度；否则，为低置信度。

12.如权利要求7-11任一所述的装置，其特征在于，所述车道数量识别模块，具体用于：

将所述交通标志牌图像输入回归网络模型；所述回归网络模型通过对一定数量的样本交通标志牌图像进行学习，得到车道数量识别规则和对应的车道特征信息；

根据回归网络模型中配置的车道数量识别规则中包括的车道特征信息，匹配识别所述交通标志牌图像中的车道特征信息，根据匹配识别结果输出所述交通标志牌图像中的车道数量。

13.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1-6任一所述的道路交通标志识别方法。

14.一种识别设备，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一所述的道路交通标志识别方法。

Images