一种基于目标检测和背景建模的交通标线检测方法及系统与流程

本发明涉及图像识别，尤其涉及一种基于目标检测和背景建模的交通标线检测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、交通标线是画于地面上的箭头文字等标志，管制和引导交通。交通道路标线检测就是识别其箭头和文字所代表的含义，可以将其识别结果应用于自动驾驶和交通违法审核等方面。

3、公开号为cn116665169a的专利公开了一种交通标线在线检测方法，需要当前帧的原始激光点云数据，处理点云数据是及其耗时的操作，因此其实时性较差。

4、公开号为cn116434176a的专利公开了一种交通标线检测方法，基于轻量级卷积神经网络，对获取到的图像进行特征提取，基于分割算法对所述特征融合图进行分割得到交通标线的临时检测结果。但其未考虑标线被车辆遮挡的情况，很容易造成漏检。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种基于目标检测和背景建模的交通标线检测方法及系统，本发明通过使用多张图片，检测其中的车辆目标，建模道路的背景图片可以有效的解决漏检问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种基于目标检测和背景建模的交通标线检测方法。

4、一种基于目标检测和背景建模的交通标线检测方法，包括：

5、获取包含同一交通标线的若干张图片；

6、采用目标检测算法检测每张图片中车辆的位置；

7、计算每张图片的车辆面积，选择车辆面积最小的图片作为基准图片，遍历剩余的图片，计算基准图片车辆区域与其它图片车辆区域的非极大值抑制，裁剪非极大值抑制最小的图片的车辆区域到基准图片；重复此步骤，直至基准图片的所有车辆目标遍历完毕，得到建模道路背景图片；

8、将建模道路背景图片输入交通标线检测网络，得到交通标线的位置和类型。

9、进一步地，所述目标检测算法采用yolov5网络。

10、更进一步地，所述yolov5网络包括：用于提取图片特征的backbone网络，用于融合特征并输出不同尺度的特征图的neck网络，用于预测目标的类别和位置的head网络。

11、进一步地，采用旋转目标检测算法对所述交通标线检测网络进行训练。

12、本发明的第二个方面提供一种基于目标检测和背景建模的交通标线检测系统。

13、一种基于目标检测和背景建模的交通标线检测系统，包括：

14、图片获取模块，其被配置为：获取包含同一交通标线的若干张图片；

15、车辆检测模块，其被配置为：采用目标检测算法检测每张图片中车辆的位置；

16、减背景建模模块，其被配置为：计算每张图片的车辆面积，选择车辆面积最小的图片作为基准图片，遍历剩余的图片，计算基准图片车辆区域与其它图片车辆区域的非极大值抑制，裁剪非极大值抑制最小的图片的车辆区域到基准图片；重复此步骤，直至基准图片的所有车辆目标遍历完毕，得到建模道路背景图片；

17、标线检测模块，其被配置为：将建模道路背景图片输入交通标线检测网络，得到交通标线的位置和类型。

18、进一步地，所述目标检测算法采用yolov5网络。

19、更进一步地，所述yolov5网络包括：用于提取图片特征的backbone网络，用于融合特征并输出不同尺度的特征图的neck网络，用于预测目标的类别和位置的head网络。

20、进一步地，采用旋转目标检测算法对所述交通标线检测网络进行训练。

21、本发明的第三个方面提供一种计算机可读存储介质。

22、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于目标检测和背景建模的交通标线检测方法中的步骤。

23、本发明的第四个方面提供一种计算机设备。

24、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于目标检测和背景建模的交通标线检测方法中的步骤。

25、与现有技术相比，本发明的有益效果是：

26、针对目前的部分交通标线检测需要使用点云数据和分割算法，这两个部分都是十分耗时的，本发明不需要使用点云数据，并且只需要使用目标检测算法就可以准确的定位标线的位置和类型，相比较于分割算法速度占优。

27、针对目前大部分交通标线检测没有考虑标线遮挡的情况，这会造成漏检现象，本发明通过使用多张图片，检测其中的车辆目标，建模道路的背景图片可以有效的解决漏检问题。

28、本发明可以针对交通标线检测要求的实时性进行优化，不使用计算复杂的点云数据和模型参数量更大的分割网络，降低了计算量，提高了交通标线检测效率。

1.一种基于目标检测和背景建模的交通标线检测方法，其特征在于，包括：

2.根据权利要求1所述的基于目标检测和背景建模的交通标线检测方法，其特征在于，所述目标检测算法采用yolov5网络。

3.根据权利要求2所述的基于目标检测和背景建模的交通标线检测方法，其特征在于，所述yolov5网络包括：用于提取图片特征的backbone网络，用于融合特征并输出不同尺度的特征图的neck网络，用于预测目标的类别和位置的head网络。

4.根据权利要求1所述的基于目标检测和背景建模的交通标线检测方法，其特征在于，采用旋转目标检测算法对所述交通标线检测网络进行训练。

5.一种基于目标检测和背景建模的交通标线检测系统，其特征在于，包括：

6.根据权利要求5所述的基于目标检测和背景建模的交通标线检测系统，其特征在于，所述目标检测算法采用yolov5网络。

7.根据权利要求6所述的基于目标检测和背景建模的交通标线检测系统，其特征在于，所述yolov5网络包括：用于提取图片特征的backbone网络，用于融合特征并输出不同尺度的特征图的neck网络，用于预测目标的类别和位置的head网络。

8.根据权利要求5所述的基于目标检测和背景建模的交通标线检测系统，其特征在于，采用旋转目标检测算法对所述交通标线检测网络进行训练。

9.一种计算机可读存储介质，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1-4中任一项所述的基于目标检测和背景建模的交通标线检测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在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如权利要求1-4中任一项所述的基于目标检测和背景建模的交通标线检测方法中的步骤。