CN114037976A - 一种道路交通标志识别方法及装置 - Google Patents

Abstract

本申请提供一种道路交通标志识别方法及装置，在获取到彩色二维行车图像后；依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；然后依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。通过本申请可以提高道路交通标志的检测精度和实时性。

Description

一种道路交通标志识别方法及装置

技术领域

本申请涉及图像识别技术领域，特别的，尤其涉及一种道路交通标志识别方法及装置。

背景技术

交通标识识别是智能交通系统的关键技术，在车辆控制、交通监控和智能驾驶等系统中都有着广泛的应用。近年来，无人驾驶汽车因具有安全、高效等优点受到社会的广泛关注，Google的无人驾驶车队已经在多个州进行了试运行，但在试运行期间发生了多起交通事故。由此可以看出，道路交通标志的检测与识别对于改善自动驾驶系统的安全性和可靠性、确保安全驾驶等方面具有重要意义。

目前的无人驾驶技术存在极大的安全隐患，并且考虑到交通标志通常处于室外复杂的环境条件下，识别的过程中容易受环境光照、方向旋转的影响，在不同环境中对道路交通标志的检测效果和实时性有较大差异，从而导致交通事故，所以需要一种有效的方法来提高道路交通标志的检测精度和实时性。

发明内容

鉴于上述内容中的问题，本申请提供了一种道路交通标志识别方法及装置，用以提高道路交通标志的检测精度和实时性。

为了实现上述目的，本申请提供了以下技术方案：

一种道路交通标志识别方法，包括：

获取彩色二维行车图像；

依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；

依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

进一步的，所述依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，包括：

将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；

利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

进一步的，所述预设道路交通标志检测模型的构建方法，包括：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；

根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；

将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

进一步的，所述禁令标识分类模型的构建方法，包括：

获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；

针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；

将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

一种道路交通标志识别装置，包括：

获取单元，用于获取彩色二维行车图像；

检测单元，用于依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；

分类单元，用于依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

进一步的，所述检测单元具体用于：

将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；

利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

进一步的，所述检测单元具体还用于：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；

根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；

将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

进一步的，所述分类单元具体还用于：

获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；

针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；

将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如上述所述的道路交通标志识别方法。

一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述所述的道路交通标志识别方法。

本申请所述的道路交通标志识别方法及装置，在获取到彩色二维行车图像后；依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；然后依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。通过本申请可以提高道路交通标志的检测精度和实时性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种道路交通标志识别方法的流程示意图；

图2为本申请实施例公开的数据增强效果示意图；

图3为本申请实施例公开的一种道路交通标志识别装置的结构示意图；

图4为本申请实施例公开的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供一种道路交通标志识别方法及装置，在道路交通标志识别中包括检测和分类两部分，首先需要检测出各类道路交通标志(警告标志、禁令标志、指示标志、指路标志、旅游区标志、辅助标志)，再根据检测到的禁令标志进行具体标志分类(如限制速度5、10、15、20、30、35、40、50、60、70、80、90、100、110、120、停车让行、减速让行、禁止通行、禁止驶入、禁止机动车驶入、禁止载货汽车驶入、禁止大型客车驶入、禁止摩托车驶入、禁止非机动车驶入、禁止行人进入、禁止左转、禁止右转、禁止掉头、禁止超车、禁止停车、禁止鸣喇叭、限制高度、限制质量、限制轴重、解除限制速度)。

具体的，检测一般是利用交通标志的形状(如警告标志一般为等边三角形、禁令标志一般为圆形等)和颜色(警告标志一般为黄色、禁令标志一般为红色、指示标志一般为蓝色、指路标志一般为绿色、旅游区标志一般为棕色、辅助标志一般为黑色)特征，从真实场景中把交通标志提取出来，提取的方法是使用AI(Artificial Intelligence)领域：深度学习方法中的目标检测技术，首先通过汽车摄像头采集大量的实地道路交通图像数据(场景含有大量的道路交通标志)；其次对图像数据中道路交通标志进行类别的标注(例如是否为警告标志，还是为旅游区标志)以及位置的标注(使用最小外接矩形框包含道路交通标志)，产生真实标注信息；再者将图像数据与真实标注信息一起送入到由CNN(ConvolutionalNeural Networks)卷积神经网络为主体构建的目标检测网络完成道路交通标志特征的提取与学习，使得目标检测网络能够预测出道路交通标志的类别与位置，且与真实标注信息差距较小；最后输入实地道路交通图像数据，加载目标检测网络模型，完成从真实场景到道路交通标志的类别与位置提取。

分类则是把检测出来的禁令标志的内容识别出来，检测阶段是将道路交通标志进行粗类别分类，例如：是否为警告标志、还是为禁令标志，以及道路交通标志的位置信息输出，即道路交通标志在图像中的最小外接矩形框的坐标位置，通常以：中心点x坐标、中心点y坐标、矩形框宽w、矩形框高h数据格式输出。分类阶段则是将上述检测阶段提取到的禁令道路交通标志进行详细内容分类。详细内容分类是指：依据上述检测模型给出的禁令标志位置信息，裁剪得到检测出来的禁令标志，再送入到分类模型，输出当前禁令标志是否为“停”、“让”、“禁止掉头”、“禁止左转”、“禁止超车”等等类别的概率，取其中最大类别作为最终分类类别。

请参见附图1，为本申请实施例提供的一种道路交通标志识别方法流程示意图。如图1所示，本申请实施例提供了一种道路交通标志识别方法，该方法包括如下步骤：

S101：获取彩色二维行车图像。

本申请实施例中，利用行车摄像机采集彩色行车视频数据，根据收集的彩色行车视频数据转化为彩色二维行车图像并进行图像标注。具体的过程是：

首先利用OPENCV软件读取行车视频；其次将读取到的行车视频转换为一帧一帧的彩色二维行车图像；最后，等时间间隔拿取帧图像，完成从行车视频到彩色二维行车图像的转化(保证数据不冗余)。对彩色二维行车图像进行图像标注：使用标注工具，将彩色二维行车图像中出现的道路交通标志进行矩形框标注，框出道路交通标志的最小外接矩形框，并记录道路交通标注的类别(是否为禁令标志，还是为警告标志)。

S102：依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置。

本申请实施例中，上述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志。

本申请实施例中，上述所述依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，包括：将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

需要说明的是，上述所述预设道路交通标志检测模型的构建方法，包括：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

本申请实施例中，数据采集与标注可以利用200万像素彩色相机采集行车图像，通过采集不同真实场景的彩色二维行车图像，增加训练数据的多样化。

检测任务：标注道路交通标志，具体的，可以以矩形框的标注格式(利用标注矩形框的左上角坐标点与右下角坐标点确定彩色二维行车图像中各类道路交通标志的最小外接矩形框)标注彩色二维行车图像中的所有人眼可辨识的道路交通标志，用来训练道路交通标志检测模型。

通过生成包括道路交通标志目标区域的矩形框，每个道路交通标志矩形框以左上角二维坐标以及矩形框的宽与高形式存放在标注文件中。

需要说明的是，本申请实施例中，基于算法嵌入式部署的考虑，道路交通标志检测模型为YOLOV3(You Only Look Once V3是一种快速和准确的实时对象检测算法)，模型backbone结构(主干网络，用来做特征提取的网络，代表网络的一部分，一般是用于前端提取图片信息，生成特征图，供后面的网络使用)采用Xception(一种利用depthwiseseparable convolution：深度可分离卷积实现的特征提取网络，其中深度可分离卷积是卷积神经网络中对标准的卷积进行改进得到的算法，通过拆分空间维度和通道维度的相关性，减少卷积计算的参数个数，提升卷积核参数的使用效率)。

S103：依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

本申请实施例中，上述所述道路交通标志的类别包括：限制速度5、10、15、20、30、35、40、50、60、70、80、90、100、110、120、停车让行、减速让行、禁止通行、禁止驶入、禁止机动车驶入、禁止载货汽车驶入、禁止大型客车驶入、禁止摩托车驶入、禁止非机动车驶入、禁止行人进入、禁止左转、禁止右转、禁止掉头、禁止超车、禁止停车、禁止鸣喇叭、限制高度、限制质量、限制轴重、解除限制速度。

上述所述禁令标识分类模型的构建方法，包括：获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

分类任务：分类存放不同的禁令标志，利用上述彩色二维行车图像中标注好的目标名称与坐标信息将同为禁令标志的但具体内容不同的标志图像裁剪并分类整理到其对应的文件夹下，用来训练禁令标志分类模型。

读取不同的禁令标志文件夹中的图像数目，以最大值为目标值，将小于最大值的类别图像扩充到目标值。扩充方法为数据增强，具体方法有：概率性全局噪声、概率性随机噪声、概率性高斯噪声、概率性模拟过曝、概率性过度失真(亮度、对比度、饱和度调整)、概率性角度旋转、概率性随机遮挡、概率性随机裁剪，以保证分类模型的类别间数量平衡，数据增强效果图如图2(以标签停车让行为例)。并根据模型训练策略按比例扩充矩形框，根据得到的矩形框裁剪得到大小为128×128像素面积大小的禁令标志图像。

需要说明的是，本申请实施例中，同样基于算法嵌入式部署的考虑，禁令标志分类模型为Xception+Onehot-head的结构，Xception依旧做backbone承担特征提取的功能，而Onehot-head结构(独热编码即Onehot编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效)根据禁令标志分类任务类别数量进行配置，利用backbone提取的特征做出类别预测，输出概率最大的类别。

在本申请实施例中，通过上述模型训练方法分别依次训练道路交通标志检测模型以及禁令标志分类模型，在训练好模型后，将训练好的模型通过适当转换部署到嵌入式平台，整体输入数据处理、模型加载运行与识别结果输出。

除此之外，本申请还可以使用轻量化的深度学习模型这一新的手段在海量真实数据以及合理数据增强方法又一新的手段下获取彩色二维行车图像中的纹理信息、空间信息、像素信息来输出道路交通标志的位置以及类别。新的手段-轻量化深度学习模型，保证了道路交通标志识别系统满足精度与实时性的平衡；新的手段-海量数据以及数据增强方法，保证了道路交通标志识别系统满足泛化性与鲁棒性。

本申请实施例提供一种道路交通标志识别方法，在获取到彩色二维行车图像后；依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；然后依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。通过本申请实施例可以提高道路交通标志的检测精度和实时性。

请参阅图3，基于上述实施例公开的一种道路交通标志识别方法，本实施例对应公开了一种道路交通标志识别装置，该装置包括：

获取单元301，用于获取彩色二维行车图像；

检测单元302，用于依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；

分类单元303，用于依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

进一步的，所述检测单元302具体用于：

将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；

利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

进一步的，所述检测单元302具体还用于：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；

根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；

将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

进一步的，所述分类单元303具体还用于：

获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；

针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；

将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

所述道路交通标志识别装置包括处理器和存储器，上述获取单元、检测单元和分类单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现提高道路交通标志的检测精度和实时性的目的。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述道路交通标志识别方法。

本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述道路交通标志识别方法。

本申请实施例提供了一种电子设备，如图4所示，该电子设备40包括至少一个处理器401、以及与所述处理器连接的至少一个存储器402、总线403；其中，所述处理器401、所述存储器402通过所述总线403完成相互间的通信；处理器401用于调用所述存储器402中的程序指令，以执行上述的所述道路交通标志识别方法。

本文中的电子设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取彩色二维行车图像；

依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；

依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

进一步的，所述依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，包括：

将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；

利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

进一步的，所述预设道路交通标志检测模型的构建方法，包括：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；

根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；

将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

进一步的，所述禁令标识分类模型的构建方法，包括：

获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；

针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；

将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

本申请是根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种道路交通标志识别方法，其特征在于，包括：

获取彩色二维行车图像；

依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；

依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

2.根据权利要求1所述的方法，其特征在于，所述依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，包括：

将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；

利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

3.根据权利要求1所述的方法，其特征在于，所述预设道路交通标志检测模型的构建方法，包括：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；

根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；

将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

4.根据权利要求1所述的方法，其特征在于，所述禁令标识分类模型的构建方法，包括：

获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；

针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；

将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

5.一种道路交通标志识别装置，其特征在于，包括：

获取单元，用于获取彩色二维行车图像；

检测单元，用于依据预设道路交通标志检测模型，从所述彩色二维行车图像中检测道路交通标志，并确定所述道路交通标志在所述彩色二维行车图像中的坐标位置，所述道路交通标志包括：警告标志、禁令标志、指示标志、指路标志、旅游区标志以及辅助标志；

分类单元，用于依据禁令标识分类模型，根据检测到的禁令标识的内容确定所述道路交通标志的类别。

6.根据权利要求5所述的装置，其特征在于，所述检测单元具体用于：

将所述彩色二维行车图像作为输入，输入至所述预设道路交通标志检测模型中，根据道路交通标志的形状特征和颜色特征，确定所述彩色二维行车图像中的道路交通标志；

利用所述预设道路交通标志检测模型使用所述彩色二维行车图像进行前向推理，得到所述道路交通标志在所述彩色二维行车图像中的坐标位置。

7.根据权利要求5所述的装置，其特征在于，所述检测单元具体还用于：

获取构建所述预设道路交通标志检测模型的样本数据，所述样本数据为进行图像标注后的彩色二维行车图像；

根据所述样本数据确定所述道路交通标志在所述标注后的彩色二维行车图像中的坐标位置；

将所述样本数据和所述坐标位置作为训练数据，基于轻量化的深度学习模型进行模型训练，得到所述预设道路交通标志检测模型。

8.根据权利要求5所述的装置，其特征在于，所述分类单元具体还用于：

获取构建所述禁令标识分类模型的样本数据，所述样本数据为将所述彩色二维行车图像中的禁令标志类别裁剪出来的彩色二维行车图像；

针对所述样本数据进行数据增强操作，得到增强操作后的图像数据；

将所述增强操作后的图像数据作为训练数据，基于轻量化分类模型进行模型训练，得到所述禁令标识分类模型。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至4中任一项所述的道路交通标志识别方法。

10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至4中任一项所述的道路交通标志识别方法。

Images