高定位精度的交通标志识别----开源了

重磅干货，第一时间送达

本文包括以下4个部分，大家可以根据自己的需求，跳到相应小节仔细阅读。

1. 方法简介
   

2. 代码下载与使用
   

3. 数据库下载与简介

4. 总结

方法简介

网络结构如上图所示，可以用netscope（http://ethereon.github.io/netscope/#/editor）看源码中网络结构中的各个layer的参数。这是一个end-to-end的网络，网络输入为测试图片，输出有3个head：bbox、label、mask，整个网络也属于one-stage实例分割网络。一些结果如下：

 

代码下载与使用

代码下载：https://github.com/LoveBaldwin/TrafficSign

模型下载：链接：https://pan.baidu.com/s/1_yawJa_KUbfv0Bs2VqR4JA

代码说明

• caffe: caffe代码
• model: 模型相关文件
• script: 训练模型、准备数据相关脚本
• python: 模型、数据显示相关程序
• anno_func.py: 简单的功能函数
• data_show.ipynb: 图像显示的方法
• deployer.ipynb: 模型测试流程
• eval_check.ipynb: 模型评估

代码使用

数据下载完后，解压到与TrafficSign文件同目录下。

cd TrafficSign/script

1，编译caffe：./compile.sh

2，生成数据：mkdir -p ../../data/lmdb

./1_convert_lmdb.sh

./2_calc_img_mean.sh

3，开始训练模型：

../caffe/build/tools/caffe train --solver../model/solver.prototxt --gpu 0

数据库下载与简介

数据来自某公司街景数据，场景相当丰富，数据库共有100000张图，采自中国5个不同的城市的10个不同场景，包含了不同的光照和季节的照片。数据的标注包含了：bbox（bounding box）、label和mask，如上图。数据分成了4个大类：warnings 、prohibitions、mandatory、Other，如下图所示，正如图中所示，除了这4个大类，还根据信息内容进行了细分类。模型的训练与测试仅使用了其中一部分图片，约占15%，目前仅开源程序中使用的图像。

数据库目录说明

• train:所有训练图
• test: 所有测试图
• other: 从训练集和测试集排除的图
• marks: 用于做数据增强的标准图
• annotations.json: 图片标注文件

标注说明

关于mask的标注，使用了两种模型去拟合目标边界：三角和椭圆，其中三角在标定时使用了3个角点，如果图像畸变比较严重，会增加标注点，椭圆标注了5个点来拟合椭圆方程，json字段含义如下：

• path: 图像相对路径

• objects:[], 图像中的所有目标

• category: 目标类别.

• bbox: {xmin,ymin,xmax,ymax:float}, 目标框

• ellipse_org: [[x1,y1],[x2,y2],...], 非必须, 椭圆的标注点

• ellipse: [[x_o,y_o],[r_l,r_s],angle], 非必须, 根据椭圆标注点拟合的椭圆，[x_o,y_o] 是椭圆圆心, [r_l,r_s]是椭圆长短轴, angle椭圆旋转角.

• polygon: [[x1,y1],[x2,y2],...], 非必须, 三角形的标注点

 

下载方式

可以先下载一些样例：

链接：https://pan.baidu.com/s/1B0Rz2HBLIoVTAIFXxfxnPA提取码：xam3

训练程序的数据集下载方式：关注本公众号，将本文发到朋友圈，收集7个赞，在后台截图发给小编，小编会在24小时内将下载链接发给你。

总结

代码是以caffe为基础的，可能环境配置要花一些时间。小编最近在整理代码，环境编译相关的问题，希望大家可以通过google/baidu来解决。也欢迎大家实现pytorch和tensorflow版本的代码。

小白团队出品：零基础精通语义分割↓↓↓

下载1：OpenCV-Contrib扩展模块中文版教程