(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210219737.7 (22)申请日 2022.03.08 (71)申请人 青岛海信网络科技股份有限公司 地址 266071 山东省青岛市崂山区株洲路 151号 (72)发明人 陈维强　王雯雯　冯远宏　刘爱华　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 于本双 (51)Int.Cl. G06V 20/58(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 一种道路交通护栏识别方法及装置 (57)摘要 本申请公开了一种道路交通护栏识别方法 及装置， 图像识别技术领域与交通技术领域相结 合的技术领域。 该方法包括： 获取待识别的图像； 基于可变形卷积神经网络， 对所述图像进行任意 形状框的特征提取， 识别得到所述图像中的交通 护栏； 其中， 所述可变形卷积神经网络包括五组 残差块， 每一个残差块都由两层卷积神经网络组 成， 所述五组残差块中第一至第三组残差块中的 每个残差块依次采用1＊1的卷积核和3＊3的卷 积核对输入的特征图进行正常卷积， 第四组残差 块与第五组残差块中的每个残差块依次采用1＊ 1的卷积核和3＊5的卷积核对输入的特征图进行 可变形卷积； 基于二分类交叉熵损失函数， 对所 述交通护栏进行状态检测， 得到所述交通护栏的 状态。 权利要求书2页 说明书7页 附图6页 CN 114529885 A 2022.05.24 CN 114529885 A 1.一种道路交通护栏识别方法， 其特 征在于， 包括： 获取待识别的图像； 基于可变形卷积神经网络， 对所述图像进行任意形状框的特征提取， 识别得到所述图 像中的交通护栏； 其中， 所述可变形卷积神经网络包括 五组残差块， 每一个残差块 都由两层 卷积神经网络组成， 所述 五组残差块中第一至第三组残差块中的每个残差块依次采用1＊1 的卷积核和3＊3的卷积核对输入的特征图进行正常卷积， 第四组残差块与第五组残差块中 的每个残差块依次采用1＊1的卷积核和3＊5的卷积核对输入的特 征图进行 可变形卷积； 基于二分类交叉熵损 失函数， 对所述交通护栏进行状态检测， 得到所述交通护栏的状 态； 所述交通护栏的状态包括 倾倒、 正常状态中的一种。 2.如权利要求1所述的方法， 其特征在于， 所述采用1＊1的卷积核和3＊5的卷积核对输 入的特征图进行 可变形卷积， 包括： 基于双线性插值法， 确定所述1＊1的卷积核和3＊5的卷积核中每 个采样点的偏移量； 根据所述1＊1卷积核和3＊5卷积核中每个采样点的偏移量， 确定所述1＊1的卷积核和 3＊5的卷积核中每 个采样点的采样位置 。 3.如权利要求2所述的方法， 其特征在于， 所述基于双线性插值法， 确定所述1＊1的卷 积核和3＊5的卷积核中每 个采样点的偏移量， 包括： 根据第一采样点的位置， 确定与所述第一采样点位置相近的四个采样点的位置， 所述 第一采样点 为卷积核中任意 一个采样点； 根据所述四个采样点的位置， 计算所述第一采样点的偏移量。 4.如权利要求1所述的方法， 其特 征在于， 所述 二分类交叉熵损失函数的表达式为： 其中， N的取值 为2， yi为样本i的标签， Pi表示样本i预测为交通护栏 倾倒的概 率。 5.如权利要求1 ‑4任一项所述的方法， 其特征在于， 所述可变形卷积神经网络为 CSPDarknet 53网络。 6.一种道路交通护栏识别装置， 其特 征在于， 包括： 获取模块， 被 配置为获取待识别的图像； 特征提取模块， 被配置为基于可变形卷积神经网络， 对所述图像进行任意形状框的特 征提取， 识别得到所述图像中的交通护栏； 其中， 所述可变形卷积神经网络包括五组残差 块， 每一个残差块都由两层卷积神经网络组成， 所述五组残差块中第一至第三组残差块中 的每个残差块依次采用1＊1的卷积核和3＊3的卷积核对输入的特征图进 行正常卷积， 第四 组残差块与第 五组残差块中的每个残差块依 次采用1＊1的卷积核和3＊5的卷积核对输入 的特征图进行 可变形卷积； 检测模块， 被配置为基于二分类交叉熵损失函数， 对所述交通护栏进行状态检测， 得到 所述交通护栏的状态； 所述交通护栏的状态包括 倾倒、 正常状态中的一种。 7.如权利要求6所述的装置， 其特征在于， 所述特征提取模块被具体配置为： 基于双线 性插值法， 确定所述1＊1的卷积核和3＊5的卷积核中每 个采样点的偏移量； 根据所述1＊1的卷积核和3＊5的卷积核中每个采样点的偏移量， 确定所述1＊1的卷积 核和3＊5的卷积核中每 个采样点的采样位置 。权　利　要　求　书 1/2 页 2 CN 114529885 A 28.如权利要求7 所述的装置， 其特 征在于， 所述特 征提取模块被具体 配置为： 根据第一采样点的位置， 确定与所述第一采样点位置相近的四个采样点的位置， 所述 第一采样点 为卷积核中任意 一个采样点； 根据所述四个采样点的位置， 计算所述第一采样点的偏移量。 9.如权利要求6所述的装置， 其特 征在于， 所述 二分类交叉熵损失函数的表达式为： 其中， N的取值 为2， yi为样本i的标签， Pi表示样本i预测为交通护栏 倾倒的概 率。 10.如权利要求7 ‑9任一项所述的装置， 其特征在于， 所述可变形卷积神经网络为 CSPDarknet 53网络。权　利　要　求　书 2/2 页 3 CN 114529885 A 3