本发明涉及交通控制技术领域，尤其涉及面向无人驾驶的交通标志检测方法、设备、介质及系统。
背景技术
车辆无人驾驶系统有着广泛的经济效益和深远的社会影响力。无人驾驶车辆需要准确实时且鲁棒地检测场景中的路面、车辆、交通标志以及行人。支持无人驾驶车辆的交通标志检测实时性要求较高，进行交通标志检测时，输入的图像为车辆运动中拍摄的视频，现有的无人驾驶车辆的交通标志检测存在以下问题：车辆运动中拍摄的视频包含大量的环境信息，在背景混杂的环境中无法对交通标志进行稳定有效的检测；交通标志普遍较小，种类繁多，标志差别大，增加了检测难度；室外场景光照、遮挡情况经常发生，也增加了检测难度；拍摄的图像较大，分辨率较高，处理图像耗费大量的时间，导致实时性差。
技术实现要素：
为了克服现有技术的不足，本发明的目的之一在于提供面向无人驾驶的交通标志检测方法，解决了现有无人驾驶车辆的交通标志检测在背景混杂的环境中无法进行稳定有效的检测，准确性差，实时性低的问题。
本发明提供面向无人驾驶的交通标志检测方法，包括以下步骤：
多尺度缩放图像，对输入的待检测图像进行多尺度缩放，生成若干缩放图像；
生成积分图像，计算所述缩放图像的包含颜色信息和梯度信息的特征图像，计算所述特征图像的积分图像；
选择特征图像，通过特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像；
滑动遍历图像，通过滑动窗口对所述选择特征图像进行遍历，检测滑动窗口内的交通标志。
进一步地，在所述步骤生成积分图像之前还包括步骤多尺度特征估计，采用插值算法估计不同尺度的所述缩放图像的梯度积分特征；
所述步骤生成积分图像还包括根据所述梯度积分特征生成所述积分图像。
进一步地，所述步骤选择特征图像还包括采用层数递增的特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像。
进一步地，还包括步骤上下文信息检测，将所述待检测图像的空间上下文信息和时间上下文信息输入所述特征选择分类器，选出重叠方框中特征分数最高的交通标志。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行上述面向无人驾驶的交通标志检测方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述面向无人驾驶的交通标志检测方法。
面向无人驾驶的交通标志检测系统，包括：
多尺度缩放图像模块：用于对输入的待检测图像进行多尺度缩放，生成若干缩放图像；
生成积分图像模块：用于计算所述缩放图像的包含颜色信息和梯度信息的特征图像，计算所述特征图像的积分图像；
选择特征图像模块：用于通过特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像；
滑动遍历图像模块：用于通过滑动窗口对所述选择特征图像进行遍历，检测滑动窗口内的交通标志。
进一步地，还包括多尺度特征估计模块，用于采用插值算法估计不同尺度的所述缩放图像的梯度积分特征；
所述生成积分图像模块根据所述梯度积分特征生成所述积分图像。
进一步地，所述选择特征图像模块采用层数递增的特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像。
进一步地，还包括上下文信息检测模块，用于将所述待检测图像的空间上下文信息和时间上下文信息输入所述特征选择分类器，选出重叠方框中特征分数最高的交通标志。
相比现有技术，本发明的有益效果在于：
本发明提供面向无人驾驶的交通标志检测方法，通过对包含交通标志的待检测图像提前进行积分图像的计算，在积分图像上进行后续特征处理，避免了重复加和计算，提高了图像处理的效率，交通标志检测实时性高；通过特征选择分类器对特征进行选择，实现在实际检测时仅用少量特征完成交通标志检测；通过插值算法估计不同尺度的缩放图像的梯度积分特征，减少不必要的特征计算，在保证检测性能的同时，能够显著减少计算时间；通过层数递增的特征选择分类器对积分图像的特征进行选择，通过增加分类器的复杂程度及分类能力，逐层拒绝负样本，提升检测速度；由于交通标志检测的图像来源于采集的视频，在单帧图像中基于视频拍摄和交通标志分布的特点，引入空间上下文信息在提升检测性能的同时，进一步提高了计算效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的面向无人驾驶的交通标志检测方法流程图；
图2为本发明的面向无人驾驶的交通标志检测系统结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
面向无人驾驶的交通标志检测方法，如图1所示，包括以下步骤：
多尺度缩放图像，对输入的待检测图像进行多尺度缩放，生成若干缩放图像。
生成积分图像，计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像；在一实施例中，将原始rgb图像进行颜色变换为耦合度较低的luv空间，计算得到3张颜色特征图像，6张不同方向的梯度特征图像，l张包含梯度大小的梯度图像；计算每张特征图像对应的积分图像；随机选取任意一张特征图像，任意位置，任意大小的矩形框，通过积分图快速计算矩形框中积分值得到l维特征。
选择特征图像，通过特征选择分类器对积分图像的特征进行选择，生成选择特征图像；在一实施例中，采用adaboost算法进行特征选择，通过若干弱分类器的加权和得到最后的分数，生成强分类器，进行二分类，实现在实际检测时只使用少量的特征而完成检测。
在一实施例中，梯度的信息不具有尺度不变性，在放缩尺寸不同的图像中，无法直接估计出相同区域内梯度积分值的比例关系，优选的，在步骤生成积分图像之前还包括步骤多尺度特征估计，采用插值算法估计不同尺度的缩放图像的梯度积分特征；放大原始图像为上采样图像，缩小原始图像为降采样图像，上采样图像和降采样图像的积分梯度信息估计公式如下：
其中，i为原始图像；f(i,s)为原始图像缩放k＝2s之后，梯度积分特征估计公式；当s>0，k>1表示上采样图像；当s<0，k<1表示降采样图像。
步骤生成积分图像还包括根据梯度积分特征生成积分图像。
在一实施例中，优选的，步骤选择特征图像还包括采用层数递增的特征选择分类器对积分图像的特征进行选择，生成选择特征图像。为了处理有巨大数量负样本的交通标志检测任务，先用简单的分类器对样本进行粗过滤，滤除明显不是标志的样本；再用复杂的分类器进行细过滤。具体地，采用最大层数为t的adaboost分类器，通过层数递增的adaboost分类器，增加分类器的复杂程度及分类能力，使得大量负样本在早期被拒绝。
滑动遍历图像，通过滑动窗口对选择特征图像进行遍历，检测滑动窗口内的交通标志。
在一实施例中，空间上下文信息包括位置、大小、宽度；时间上下文信息为当前帧需要检测的原始图像内某滑动窗口的图像、横轴坐标、纵轴坐标和宽度，优选的，还包括步骤上下文信息检测，将待检测图像的空间上下文信息和时间上下文信息输入特征选择分类器，选出重叠方框中特征分数最高的交通标志。
一种电子设备，包括：处理器；存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行上述面向无人驾驶的交通标志检测方法；一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行上述面向无人驾驶的交通标志检测方法。
面向无人驾驶的交通标志检测系统，如图2所示，包括：
多尺度缩放图像模块对输入的待检测图像进行多尺度缩放，生成若干缩放图像。
生成积分图像模块计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像；在一实施例中，生成积分图像模块将原始rgb图像进行颜色变换为耦合度较低的luv空间，计算得到3张颜色特征图像，6张不同方向的梯度特征图像，l张包含梯度大小的梯度图像；计算每张特征图像对应的积分图像；随机选取任意一张特征图像，任意位置，任意大小的矩形框，通过积分图快速计算矩形框中积分值得到l维特征。
选择特征图像模块通过特征选择分类器对积分图像的特征进行选择，生成选择特征图像；在一实施例中，选择特征图像模块采用adaboost算法进行特征选择，通过若干弱分类器的加权和得到最后的分数，生成强分类器，进行二分类，实现在实际检测时只使用少量的特征而完成检测。
在一实施例中，梯度的信息不具有尺度不变性，在放缩尺寸不同的图像中，无法直接估计出相同区域内梯度积分值的比例关系，优选的，还包括多尺度特征估计模块采用插值算法估计不同尺度的缩放图像的梯度积分特征；放大原始图像为上采样图像，缩小原始图像为降采样图像，上采样图像和降采样图像的积分梯度信息估计公式如下：
其中，i为原始图像；f(i,s)为原始图像缩放k＝2s之后，梯度积分特征估计公式；当s>0，k>1表示上采样图像；当s<0，k<1表示降采样图像。
生成积分图像模块根据梯度积分特征生成积分图像。
在一实施例中，优选的，选择特征图像模块采用层数递增的特征选择分类器对积分图像的特征进行选择，生成选择特征图像。为了处理有巨大数量负样本的交通标志检测任务，选择特征图像模块先用简单的分类器对样本进行粗过滤，滤除明显不是标志的样本；再用复杂的分类器进行细过滤。具体地，采用最大层数为t的adaboost分类器，通过层数递增的adaboost分类器，增加分类器的复杂程度及分类能力，使得大量负样本在早期被拒绝。
滑动遍历图像模块通过滑动窗口对选择特征图像进行遍历，检测滑动窗口内的交通标志。
在一实施例中，空间上下文信息包括位置、大小、宽度；时间上下文信息为当前帧需要检测的原始图像内某滑动窗口的图像、横轴坐标、纵轴坐标和宽度，优选的，还包括上下文信息检测模块将待检测图像的空间上下文信息和时间上下文信息输入特征选择分类器，选出重叠方框中特征分数最高的交通标志。
本发明提供面向无人驾驶的交通标志检测方法，通过对包含交通标志的待检测图像提前进行积分图像的计算，在积分图像上进行后续特征处理，避免了重复加和计算，提高了图像处理的效率，交通标志检测实时性高；通过特征选择分类器对特征进行选择，实现在实际检测时仅用少量特征完成交通标志检测；通过插值算法估计不同尺度的缩放图像的梯度积分特征，减少不必要的特征计算，在保证检测性能的同时，能够显著减少计算时间；通过层数递增的特征选择分类器对积分图像的特征进行选择，通过增加分类器的复杂程度及分类能力，逐层拒绝负样本，提升检测速度；由于交通标志检测的图像来源于采集的视频，在单帧图像中基于视频拍摄和交通标志分布的特点，引入空间上下文信息在提升检测性能的同时，进一步提高了计算效率。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。