CN115946722A - 基于交通标志的车辆控制方法、系统和交通标志识别平台 - Google Patents

Abstract

本发明实施例提供了一种基于交通标志的车辆控制方法、系统和交通标志识别平台，可用于人工智能技术领域，所述方法包括：通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶，通过对目标检测算法进行改进，提出一种轻量级的交通标志识别模型，有效提高模型的应用能力，提升检测和定位的精度，降低运算量，实时性较高；通过车辆决策系统自动控制车辆行驶，极大提升业务办理效率和客户体验感。

Description

基于交通标志的车辆控制方法、系统和交通标志识别平台

技术领域

本发明涉及计算机技术领域，特别涉及人工智能技术领域，尤其涉及一种基于交通标志的车辆控制方法、系统和交通标志识别平台。

背景技术

近年来，陆续有多家金融机构推出移动服务车，通过可移动的形态，充分满足特殊区域的个性化金融需求，特别是在业务需求复杂而线下网点少的乡镇区域。随着人工智能技术的发展，移动服务车也即将迎来无人驾驶时代，既可以节约人工成本，也能提高服务效率，而无人驾驶服务车对于系统的安全性能要求极高。相关技术中，通常通过一阶(one-stage)交通标准识别模型或二阶(two-stage)交通标准识别模型对道路交通标志进行识别，one-stage模型主要通过在一个网络中实现对图像的定位和分类，检测和定位的精度较低；two-stage模型主要通过对图像进行感兴趣区域提取和回归定位实现标志的检测，其核心要点是选择性搜索，运算量大，导致实时性较差，从而使得业务办理效率和客户体验感较差。

发明内容

本发明的一个目的在于提供一种基于交通标志的车辆控制方法，通过对目标检测算法进行改进，提出一种轻量级的交通标志识别模型，有效提高模型的应用能力，提升检测和定位的精度，降低运算量，实时性较高；通过车辆决策系统自动控制车辆行驶，极大提升业务办理效率和客户体验感。本发明的另一个目的在于提供一种交通标志识别平台。本发明的再一个目的在于提供一种基于交通标志的车辆控制系统。本发明的还一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。

为了达到以上目的，本发明一方面公开了一种基于交通标志的车辆控制方法，包括：

通过图像采集装置获取当前行驶道路图像；

通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；

将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶。

优选的，在通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息之前，还包括：

对当前行驶道路图像进行数据增强处理，得到增强后的当前行驶道路图像。

优选的，方法还包括：

通过图像采集装置获取样本道路图像；

对样本道路图像进行训练预处理，得到样本数据集，样本数据集包括训练集和验证集；

根据训练集，通过改进的目标检测算法进行模型训练，得到初始识别模型；

通过验证集，对初始识别模型进行参数优化，得到交通标志识别模型。

优选的，对样本道路图像进行训练预处理，得到样本数据集，包括：

对样本道路图像中的交通标志添加标签，得到添加标签后的初始数据集，标签包括种类、长度、宽度、横坐标和纵坐标；

对添加标签后的初始数据集进行数据增强处理，得到增强数据集；

按照预设比例，对增强数据集进行数据划分，得到训练集、验证集和测试集；

将训练集、验证集和测试集确定为样本数据集。

优选的，根据训练集，通过改进的目标检测算法进行模型训练，得到初始识别模型，包括：

通过指定聚类算法对训练集进行聚类处理，得到预测框；

根据训练集和预测框，通过改进的目标检测算法的网络结构进行迭代训练，得到初始识别模型，网络结构包括主干网络，主干网络中的注意力模块用于对训练集中的道路特征信息分配注意力权重。

优选的，样本数据集还包括测试集；

在通过验证集，对初始识别模型进行参数优化，得到交通标志识别模型之后，还包括：

根据测试集，对交通标志识别模型进行模型测试，得到测试交通标志信息。

本发明还公开了一种基于交通标志的车辆控制系统，系统包括：图像采集装置、交通标志识别平台和车辆决策系统；

图像采集装置用于采集当前行驶道路图像；

交通标志识别平台用于通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统；

车辆决策系统用于根据交通标志信息控制车辆行驶。

本发明还公开了一种交通标志识别平台，包括：

第一获取单元，用于通过图像采集装置获取当前行驶道路图像；

交通标志识别单元，用于通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；

车辆行驶控制单元，用于将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶。

本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。

本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。

本发明还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。

本发明通过图像采集装置获取当前行驶道路图像；通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶，通过对目标检测算法进行改进，提出一种轻量级的交通标志识别模型，有效提高模型的应用能力，提升检测和定位的精度，降低运算量，实时性较高；通过车辆决策系统自动控制车辆行驶，极大提升业务办理效率和客户体验感。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例提供的一种基于交通标志的车辆控制系统的结构示意图；

图2为本发明实施例提供的一种基于交通标志的车辆控制方法的流程图；

图3为本发明实施例提供的又一种基于交通标志的车辆控制方法的流程图；

图4为本发明实施例提供的一种构建交通标志识别模型方法的流程图；

图5为本发明实施例提供的一种交通标志识别平台的结构示意图；

图6为本发明实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，本申请公开的一种基于交通标志的车辆控制方法、系统和交通标志识别平台可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本申请公开的一种基于交通标志的车辆控制方法、系统和交通标志识别平台的应用领域不做限定。

为了便于理解本申请提供的技术方案，下面先对本申请技术方案的相关内容进行说明。移动服务车能够通过可移动的形态，为用户提供服务。随着人工智能技术的发展，移动服务车也即将迎来无人驾驶时代，无人驾驶移动服务车既可以节约人工成本，也能提高服务效率。例如，金融机构推出了无人银行移动服务车，能够在特殊区域的无人驾驶移动银行，用户仅需拨打电话到银行业务中心预定服务，无人驾驶银行服务车即可根据指定时间、指定地点上门提供存、取等服务。随着乡村振兴战略的推进，乡镇的业务需求越来越广泛，大量生活在乡村地区的居民需要在银行办理存、取业务，这时候仅需要拨打银行业务电话预约移动服务车上门服务即可，从而可以加速业务办理流程，减少时间和金钱成本。对于业务需求复杂而线下网点少的乡镇区域，无人银行移动服务车具有至关重要的作用，为乡镇区域的用户提供高效便捷的金融服务，提高了用户体验感和业务效率，降低运营成本。

本发明提供一种基于交通标志的车辆控制方法，在保障在移动设备场景部署能力的同时，实现高检测速率、高检测准确率，除此之外，无人驾驶移动服务车的引入为缺少线下网点的乡镇地区带来盈利机会。

图1为本发明实施例提供的一种基于交通标志的车辆控制系统的结构示意图，如图1所示，该系统包括：图像采集装置100、交通标志识别平台200和车辆决策系统300。图像采集装置100与交通标志识别平台200通信连接，交通标志识别平台200与车辆决策系统300通信连接。

图像采集装置100用于采集当前行驶道路图像。作为一种可选方案，图像采集装置100可以是车载相机。

交通标志识别平台200用于通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统。

车辆决策系统300用于根据交通标志信息控制车辆行驶。车辆决策系统300能够根据交通标志信息自动生成并实施控制指令，以控制车辆行驶，保证车辆的安全性。

值得说明的是，图1所示的系统还用于执行图2或图3所示的方法流程，在此不再赘述。

下面以交通标志识别平台作为执行主体为例，说明本发明实施例提供的基于交通标志的车辆控制方法的实现过程。可理解的是，本发明实施例提供的基于交通标志的车辆控制方法的执行主体包括但不限于交通标志识别平台。

图2为本发明实施例提供的一种基于交通标志的车辆控制方法的流程图，如图2所示，该方法包括：

步骤101、通过图像采集装置获取当前行驶道路图像。

步骤102、通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块。

步骤103、将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶。

本发明实施例提供的技术方案中，通过图像采集装置获取当前行驶道路图像；通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶，通过对目标检测算法进行改进，提出一种轻量级的交通标志识别模型，有效提高模型的应用能力，提升检测和定位的精度，降低运算量，实时性较高；通过车辆决策系统自动控制车辆行驶，极大提升业务办理效率和客户体验感。

图3为本发明实施例提供的又一种基于交通标志的车辆控制方法的流程图，如图3所示，该方法包括：

步骤201、通过图像采集装置获取当前行驶道路图像。

本发明实施例中，各步骤由交通标志识别平台执行。

本发明实施例中，图像采集装置为车载相机，车载相机可以固定于车辆上，按照预设的采集指令自动采集图像。

值得说明的是，图像采集装置还可以是其他具备图像采集功能的设备，本发明实施例对此不作限定。

步骤202、对当前行驶道路图像进行数据增强处理，得到增强后的当前行驶道路图像。

本发明实施例中，通过指定增强方式，对当前行驶道路图像进行数据增强处理，得到增强后的当前行驶道路图像。其中，指定增强方式包括但不限于几何变换和图像增强。

本发明实施例中，对当前行驶道路进行数据增强，可以进一步提高对交通标志识别的准确性，从而进一步提高车辆的行驶安全。

步骤203、构建交通标志识别模型。

图4为本发明实施例提供的一种构建交通标志识别模型方法的流程图，如图4所示，步骤203具体包括：

步骤2031、通过图像采集装置获取样本道路图像。

本发明实施例中，图像采集装置为车载相机或普通相机，若图像采集装置为普通相机，可以由人工手持对道路进行拍摄。

本发明实施例中，若应用场景为乡镇区域，则样本道路图像应包含乡镇道路可能出现的所有交通标志类型，且各类交通标志的数量应均衡化。通常样本道路图像的数量越多越好，以提高后续模型的训练精度。

值得说明的是，若应用场景为其他区域，则样本道路图像应选取对应区域处的图像。

步骤2032、对样本道路图像进行训练预处理，得到样本数据集，样本数据集包括训练集、验证集和测试集。

本发明实施例中，训练预处理包括添加标签处理、数据增强处理和数据集划分处理。

其中，添加标签处理具体为：对样本道路图像中的交通标志添加标签，得到添加标签后的初始数据集，标签包括但不限于种类、长度、宽度、横坐标和纵坐标。添加标签后的初始数据集包括多幅添加标签后的样本道路图像。

数据增强处理具体为：通过指定增强方式，对添加标签后的初始数据集进行数据增强处理，得到增强数据集。其中，指定增强方式包括但不限于几何变换和图像增强。

本发明实施例中，对添加标签后的样本道路图像进行数据增强，可以进一步提高对交通标志识别的准确性，从而进一步后续模型的训练精度。

数据集划分处理具体为：按照预设比例，对增强数据集进行数据划分，得到训练集、验证集和测试集。其中，预设比例可以根据实际需求进行设置，本发明实施例对此不作限定。作为一种可选方案，训练集、验证集和测试集的预设划分比例为8：1：1。

本发明实施例中，将训练集、验证集和测试集确定为样本数据集。其中，训练集用于参与模型的训练，验证集用于在模型每一次迭代中优化调整模型参数，测试集用于模型构建好之后检测模型的识别效果。

本发明实施例中，预处理后的样本数据集具有较高的数据质量，可以进一步提高对交通标志识别的准确性，从而进一步后续模型的训练精度。

步骤2033、根据训练集，通过改进的目标检测算法进行模型训练，得到初始识别模型。

本发明实施例中，改进的目标检测算法以YOLOv5s算法作为基础算法，对先验框的聚类方式和主干网络的结构进行改进。YOLOv5s算法是一种基于one-stage的目标检测模型，具有模型小，实时性高的特点，基于乡镇道路的特殊性以YOLOv5s算法作为基础算法进行改进，构建一种轻量化的识别模型，并且提高了模型的检测精度。

其中，改进先验框的聚类方式具体为：通过指定聚类算法对训练集进行聚类处理，得到预测框。指定聚类算法为K-means++算法，K-means++算法在选择初始聚类中心采用了轮盘法则，从而得到的初始聚类中心更具有代表性，得到更接近乡镇道路交通标志特征的先验框，在预测框定位上更加精准，聚类效果较好，提升了算法检测的准确率。

本发明实施例中，YOLOv5s算法的网络结构包括主干网络，主干落伍网络中最后一层设置有注意力模块(Coordinate attention，简称：CA)，为乡村道路特征信息分配更多的权重，进一步提升模型检测准确性。具体地，根据训练集和预测框，通过改进的目标检测算法的网络结构进行迭代训练，得到初始识别模型。在迭代训练过程中，主干网络中的注意力模块用于对训练集中的道路特征信息分配注意力权重，设置初始模型参数Epoch为300，Batch size为4。

步骤2034、通过验证集，对初始识别模型进行参数优化，得到交通标志识别模型。

本发明实施例中，每经过一次Epoch，通过验证集对初始识别模型生成的权重文件进行验证，并根据验证结果对初始识别模型的模型参数进行参数优化，降低模型训练过程中的损失函数，加快模型收敛。经过300轮迭代之后，模型的训练结果趋于稳定后即可结束训练，其最终的权重文件为生成的模型，最终得到交通标志识别模型。

步骤2035、根据测试集，对交通标志识别模型进行模型测试，得到测试交通标志信息。

具体地，将测试集输入至交通标志识别模型进行模型测试，输出一张包含测试交通标志信息的图像，测试交通标志信息包括但不限于类型信息、预测框位置和预测置信度。

步骤204、通过交通标志识别模型，对增强后的当前行驶道路图像进行交通标志识别，得到交通标志信息。

本发明实施例中，交通标志识别平台调用图像加载服务将增强后的当前行驶道路图像输入交通标志识别模型，图像加载服务会将增强后的当前行驶道路图像转化输入流对象进行上传，以供交通标志识别模型进行交通标志识别处理。

具体地，将增强后的当前行驶道路图像输入交通标志识别模型进行交通标志识别处理，输出当前行驶道路图像的交通标志信息，当前行驶道路图像的交通标志信息包括但不限于当前行驶道路图像中所有交通标志的类别信息、预测置信度和预测框位置。

步骤205、将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶。

本发明实施例中，交通标志信息包括但不限于当前行驶道路图像中所有交通标志的类型信息、预测置信度和预测框位置。

本发明实施例中，车辆决策系统能够根据交通标志信息，匹配出对应的控制指令并实施该控制指令，从而控制车辆行驶，提高车辆行驶的安全性。

例如：若预测置信度高于设定阈值，则认为交通标志识别结果可信；类型信息为限速20km/h，车辆决策系统匹配出对应的控制指令为调整车速直至当前车速不超过20km/h。

本发明对交通标志识别模型的训练算法进行改进，并改进后得到的交通标志识别模型应用于无人驾驶移动服务车，使得无人驾驶移动服务车在乡村道路场景中识别交通标志的准确率有所上升，无人驾驶移动服务车的行车安全行得到有效保障。同时，乡镇地区的业务得到有效推广，有利于塑造各个机构在“乡村振兴”战略工作中的企业形象。

本发明实施例提供的基于交通标志的车辆控制方法的技术方案中，通过图像采集装置获取当前行驶道路图像；通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶，通过对目标检测算法进行改进，提出一种轻量级的交通标志识别模型，有效提高模型的应用能力，提升检测和定位的精度，降低运算量，实时性较高；通过车辆决策系统自动控制车辆行驶，极大提升业务办理效率和客户体验感。

图5为本发明实施例提供的一种交通标志识别平台的结构示意图，该交通标志识别平台用于执行上述基于交通标志的车辆控制方法，如图5所示，该交通标志识别平台包括：第一获取单元11、交通标志识别单元12和车辆行驶控制单元13。

第一获取单元11用于通过图像采集装置获取当前行驶道路图像。

交通标志识别单元12用于通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块。

车辆行驶控制单元13用于将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶。

本发明实施例中，该装置还包括：数据增强单元14。

数据增强单元14用于对当前行驶道路图像进行数据增强处理，得到增强后的当前行驶道路图像。

本发明实施例中，该装置还包括：第二获取单元15、训练预处理单元16、模型训练单元17和参数优化单元18。

第二获取单元15用于通过图像采集装置获取样本道路图像。

训练预处理单元16用于对样本道路图像进行训练预处理，得到样本数据集，样本数据集包括训练集和验证集。

模型训练单元17用于根据训练集，通过改进的目标检测算法进行模型训练，得到初始识别模型。

参数优化单元18用于通过验证集，对初始识别模型进行参数优化，得到交通标志识别模型。

本发明实施例中，训练预处理单元16具体用于对样本道路图像中的交通标志添加标签，得到添加标签后的初始数据集，标签包括种类、长度、宽度、横坐标和纵坐标；对添加标签后的初始数据集进行数据增强处理，得到增强数据集；按照预设比例，对增强数据集进行数据划分，得到训练集、验证集和测试集；将训练集、验证集和测试集确定为样本数据集。

本发明实施例中，模型训练单元17具体用于通过指定聚类算法对训练集进行聚类处理，得到预测框；根据训练集和预测框，通过改进的目标检测算法的网络结构进行迭代训练，得到初始识别模型，网络结构包括主干网络，主干网络中的注意力模块用于对训练集中的道路特征信息分配注意力权重。

本发明实施例中，样本数据集还包括测试集；该装置还包括：测试单元19。

测试单元19用于根据测试集，对交通标志识别模型进行模型测试，得到测试交通标志信息。

本发明实施例的方案中，通过图像采集装置获取当前行驶道路图像；通过预先训练的交通标志识别模型，对当前行驶道路图像进行交通标志识别，得到交通标志信息，交通标志识别模型是对改进的目标检测算法进行训练得到的，改进的目标检测算法中主干网络的最后一层设置有注意力模块；将交通标志信息发送至车辆决策系统，以供车辆决策系统根据交通标志信息控制车辆行驶，通过对目标检测算法进行改进，提出一种轻量级的交通标志识别模型，有效提高模型的应用能力，提升检测和定位的精度，降低运算量，实时性较高；通过车辆决策系统自动控制车辆行驶，极大提升业务办理效率和客户体验感。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述基于交通标志的车辆控制方法的实施例的各步骤，具体描述可参见上述基于交通标志的车辆控制方法的实施例。

下面参考图6，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。

如图6所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

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。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本发明是参照根据本发明实施例的方法、设备(系统)、和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。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

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。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述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 (11)

1.一种基于交通标志的车辆控制方法，其特征在于，所述方法包括：

通过图像采集装置获取当前行驶道路图像；

通过预先训练的交通标志识别模型，对所述当前行驶道路图像进行交通标志识别，得到交通标志信息，所述交通标志识别模型是对改进的目标检测算法进行训练得到的，所述改进的目标检测算法中主干网络的最后一层设置有注意力模块；

将所述交通标志信息发送至车辆决策系统，以供车辆决策系统根据所述交通标志信息控制车辆行驶。

2.根据权利要求1所述的基于交通标志的车辆控制方法，其特征在于，在所述通过预先训练的交通标志识别模型，对所述当前行驶道路图像进行交通标志识别，得到交通标志信息之前，还包括：

对所述当前行驶道路图像进行数据增强处理，得到增强后的当前行驶道路图像。

3.根据权利要求1所述的基于交通标志的车辆控制方法，其特征在于，所述方法还包括：

通过图像采集装置获取样本道路图像；

对所述样本道路图像进行训练预处理，得到样本数据集，所述样本数据集包括训练集和验证集；

根据所述训练集，通过改进的目标检测算法进行模型训练，得到初始识别模型；

通过所述验证集，对所述初始识别模型进行参数优化，得到所述交通标志识别模型。

4.根据权利要求3所述的基于交通标志的车辆控制方法，其特征在于，所述对所述样本道路图像进行训练预处理，得到样本数据集，包括：

对所述样本道路图像中的交通标志添加标签，得到添加标签后的初始数据集，所述标签包括种类、长度、宽度、横坐标和纵坐标；

对所述添加标签后的初始数据集进行数据增强处理，得到增强数据集；

按照预设比例，对所述增强数据集进行数据划分，得到训练集、验证集和测试集；

将所述训练集、验证集和测试集确定为样本数据集。

5.根据权利要求3所述的基于交通标志的车辆控制方法，其特征在于，所述根据所述训练集，通过改进的目标检测算法进行模型训练，得到初始识别模型，包括：

通过指定聚类算法对所述训练集进行聚类处理，得到预测框；

根据所述训练集和预测框，通过改进的目标检测算法的网络结构进行迭代训练，得到初始识别模型，所述网络结构包括主干网络，所述主干网络中的注意力模块用于对所述训练集中的道路特征信息分配注意力权重。

6.根据权利要求3所述的基于交通标志的车辆控制方法，其特征在于，所述样本数据集还包括测试集；

在所述通过所述验证集，对所述初始识别模型进行参数优化，得到所述交通标志识别模型之后，还包括：

根据所述测试集，对所述交通标志识别模型进行模型测试，得到测试交通标志信息。

7.一种基于交通标志的车辆控制系统，其特征在于，所述系统包括：图像采集装置、交通标志识别平台和车辆决策系统；

所述图像采集装置用于采集当前行驶道路图像；

所述交通标志识别平台用于通过预先训练的交通标志识别模型，对所述当前行驶道路图像进行交通标志识别，得到交通标志信息，所述交通标志识别模型是对改进的目标检测算法进行训练得到的，所述改进的目标检测算法中主干网络的最后一层设置有注意力模块；将所述交通标志信息发送至车辆决策系统；

所述车辆决策系统用于根据所述交通标志信息控制车辆行驶。

8.一种交通标志识别平台，其特征在于，所述交通标志识别平台包括：

第一获取单元，用于通过图像采集装置获取当前行驶道路图像；

交通标志识别单元，用于通过预先训练的交通标志识别模型，对所述当前行驶道路图像进行交通标志识别，得到交通标志信息，所述交通标志识别模型是对改进的目标检测算法进行训练得到的，所述改进的目标检测算法中主干网络的最后一层设置有注意力模块；

车辆行驶控制单元，用于将所述交通标志信息发送至车辆决策系统，以供车辆决策系统根据所述交通标志信息控制车辆行驶。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任一项所述的基于交通标志的车辆控制方法。

10.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至6任一项所述的基于交通标志的车辆控制方法。

11.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的基于交通标志的车辆控制方法。

Images