一种路侧标识识别方法、装置和电子设备与流程

1.本技术涉及自动驾驶技术领域，具体涉及一种路侧标识识别方法、装置和电子设备。


背景技术：

2.在汽车辅助驾驶或者无人驾驶研究领域，感知汽车当前所处的环境是汽车实现自动控制的前提。道路上的路牌信息(例如：限速牌)是重要的交通信息，一旦无法准确获知，将会导致汽车违章和安全隐患等问题。准确地识别路牌的内容，可以为导航、汽车辅助驾驶以及无人驾驶等技术提供重要的数据支持，避免违章和安全隐患的问题。
3.识别路牌内容的核心前提条件是需要能够从采集到的图片数据中准确识别出路牌角点，根据识别出的路牌角点确定路牌内容。然而，在相关技术中，存在对路牌角点识别准确率低的问题。


技术实现要素：

4.有鉴于此，本技术的主要目的在于提供了一种路侧标识识别方法、装置和电子设备，能够准确地从图片数据中识别出路侧标识。
5.依据本技术的第一方面，提供了一种路侧标识识别方法，包括：
6.获取包括路侧标识的输入图像；
7.采用卷积神经网络对所述输入图像进行特征提取，得到所述输入图像的多尺度特征图；
8.对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，每个分支结构对应的特征图尺度不同；
9.根据每个分支结构对应的融合特征图识别得到所述输入图像对应的输出图像，所述输出图像包括所述路侧标识的识别位置。
10.在一些实施例中，通过下述步骤设置至少两分支结构对应的特征图尺度：
11.获取多尺度特征图中的最大尺度作为至少两分支结构中一个分支结构对应的特征图尺度，以及，设置至少两分支结构中其他分支结构对应的特征图尺度大于多尺度特征图中的最大尺度。
12.在一些实施例中，对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，包括：
13.根据各分支结构对应的特征图尺度，分别对所述多尺度特征图进行尺度变换，得到与每个分支结构对应的特征图尺度相同的待融合特征图；
14.将每个分支结构对应的待融合特征图叠加，得到每个分支结构对应的初始融合特征图；
15.根据各分支结构对应的特征图尺度，将较小尺度的分支结构对应的初始融合特征图叠加到较大尺度的分支结构对应的初始融合特征图，得到较大尺度的分支结构对应的融
合特征图。
16.在一些实施例中，根据各分支结构对应的特征图尺度，将较小尺度的分支结构对应的初始融合特征图叠加到较大尺度的分支结构对应的初始融合特征图，得到较大尺度的分支结构对应的融合特征图，包括：
17.对较小尺度的分支结构对应的初始融合特征图进行卷积处理，将卷积处理后的初始融合特征图进行尺度变换，使得尺度变换后的初始融合特征图的尺度与较大尺度的分支结构对应的特征图尺度相同；
18.将较小尺度的分支结构的尺度变换后的初始融合特征图线性叠加到较大尺度的分支结构对应的初始融合特征图中，得到较大尺度的分支结构对应的融合特征图。
19.在一些实施例中，根据各分支结构对应的特征图尺度，分别对所述多尺度特征图进行尺度变换，得到与每个分支结构对应的特征图尺度相同的待融合特征图，包括：
20.将各个尺度特征图分别与各分支结构对应的特征图尺度进行尺度比较，若尺度特征图的尺度大于分支结构对应的特征图尺度，对该尺度特征图进行上采样，得到与该分支结构对应的特征图尺度相同的待融合特征图；
21.若尺度特征图的尺度等于分支结构对应的特征图尺度，直接将该尺度特征图作为该分支结构对应的待融合特征图。
22.在一些实施例中，根据每个分支对应的融合特征图得到所述输入图像对应的输出图像，包括：
23.根据所述输入图像的尺度，将各分支结构对应的融合特征图进行尺度变换，使得尺度变换后的各个融合特征图的尺度与所述输入图像的尺度相同；
24.根据每个分支对应的尺度变换后的融合特征图得到所述输入图像对应的输出图像。
25.在一些实施例中，根据每个分支对应的尺度变换后的融合特征图得到所述输入图像对应的输出图像，包括：
26.将每个分支对应的尺度变换后的融合特征图按照像素点位置线性叠加，得到所述输出图像。
27.依据本技术的第二方面，提供了一种路侧标识识别装置，包括：
28.获取单元，用于获取包括路侧标识的输入图像；
29.计算单元，用于采用卷积神经网络对所述输入图像进行特征提取，得到所述输入图像的多尺度特征图；
30.融合单元，用于对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，每个分支结构对应的特征图尺度不同；
31.识别单元，用于根据每个分支结构对应的融合特征图识别得到所述输入图像对应的输出图像，所述输出图像包括所述路侧标识的识别位置。
32.依据本技术的第三方面，提供了一种电子设备，包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述实施例的路侧标识识别方法。
33.依据本技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述实施例的路
侧标识识别方法。
34.本技术采用的上述至少一个技术方案能够达到以下有益效果：本技术实施例的路侧标识识别方法、装置和电子设备利用卷积神经网络计算输入图像的多尺度特征图，在对多尺度特征图进行特征融合时，按照至少两个具有不同尺度的分支结构进行特征融合，由于各个分支结构对应的融合特征图的尺度信息不同使得在特征融合过程中丢失的特征信息也不同，保证各个分支结构对应的融合特征图总体上保留更多的特征信息，这样在根据各个分支结构对应的融合特征图对输入图像进行分类识别得到输出图像时，能够提高对输入图像中各个特征元素位置的识别精度。
35.且本技术实施例是在特征融合阶段增设分支数量提高识别精度，增加的参数量极小，与现有技术相比，在几乎具有同等识别效率的情况下，本技术的识别精度更高。
附图说明
36.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
37.图1示出了根据本技术一个实施例的一种路侧标识识别方法流程图；
38.图2示出了一种现有技术中特征图的融合示意图；
39.图3示出了根据本技术一个实施例中特征图的融合示意图；
40.图4示出了根据本技术一个实施例的输出图像获取过程示意图；
41.图5示出了根据本技术一个实施例的路侧标识识别装置的结构示意图；
42.图6示出了根据本技术一个实施例的电子设备的结构示意图。
具体实施方式
43.下面将参照附图更详细地描述本技术的示例性实施例。提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。
44.图1示出了根据本技术一个实施例的路侧标识识别方法流程示意图，如图1所示，本技术实施例的方法至少包括步骤s110至步骤s140：
45.步骤s110，获取包括路侧标识的输入图像。
46.本技术实施例的路侧标识识别方法可以由路侧单元和/或车载计算平台和/或云计算平台实现。以自动驾驶领域为例，本技术实施例的路侧标识识别方法可以由车载计算平台实现，输入图像可以是由车载摄像头所拍摄的图像，将车载摄像头拍摄后的图片作为待识别的输入图像。当然，输入图像也可以是来自云端或其他联网车辆，本实施例不限定输入图像的来源。可选地，本实施例的输入图像是经过尺度处理后的具有标准尺度的图像。
47.本实施例的输入图像中包括路侧标识，路侧标识包括一个或多个特征元素，路侧标识例如包括道路交通标志、标线等。以道路交通标志中的路牌为例，路牌是安装在车道侧的交通指示牌，路牌上记载有相关的交通信息。路牌通常的形状为方形，方形路牌具有四个直角点，直角点即为路牌角点，该四个路牌角点可以理解为四个特征元素。
48.本技术实施例对输入图像进行一系列处理，最终得到输入图像中路侧标识的位置，例如得到路侧标识的各个特征元素的位置。其中输入图像内包括的路侧标志数量并不局限为一个，可能为多个。
49.步骤s120，采用卷积神经网络对所述输入图像进行特征提取，得到所述输入图像的多尺度特征图。
50.卷积神经网络(convolutional neural networks，简记为cnn)是一种用于进行图像处理、包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络包括多个基础层，基础层一般包括卷积层和池化层，卷积层用于进行卷积计算和特征提取，池化层对输入图像进行降维，提取主要特征。输入图像在经过多尺度的卷积处理之后，得到多尺度特征图。如图3所示，经过卷集成和池化层对输入图像进行处理后得到三种尺度的特征图，每种尺度下一般包括多个通道特征图。
51.需要说明的是，本技术的多尺度特征图的尺度信息与卷积层的尺度相关，不同尺度能够从不同维度上对输入图像进行特征表示，本领域技术人员可以按照实际需求灵活设置卷积层的各尺度。
52.步骤s130，对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，每个分支结构对应的特征图尺度不同。
53.如图2所示，现有技术利用卷积神经网络预测图像中的特征元素位置时，特征元素位置是经过同一个特征图计算出来的。如图2所示，将三种尺度的特征图，例如1/4尺度特征图、1/8尺度特征图和1/16尺度特征图分别进行尺度变换后再进行特征图融合，得到例如图2中的1/4尺度融合特征图，再将1/4尺度融合特征图经过卷积处理后与处理前的1/4尺度融合特征图叠加，得到1/2尺度融合特征图，该1/2尺度融合特征图用于识别特征元素位置。可见在现有技术中，输入图像中特征元素的位置是基于该1/2尺度融合特征图计算出来的，而1/2尺度融合特征图是由1/4尺度融合特征图得到，在计算1/4尺度融合特征图的过程中，由于1/8尺度特征图和1/16尺度特征图在尺度变换中必然丢失一些特征信息，使得最终得到的1//2尺度融合特征图也必然丢失这部分特征信息，导致最终的识别精度有限。
54.需要说明的是，本技术实施例中的1/2尺度、1/4尺度、1/8尺度、1/16尺度等尺度是指1/m尺度下的特征图的尺寸为输入图像的尺寸的1/m，m＝2n，n为大于等于1的自然数。
55.针对该问题，本技术实施例在对多尺度特征图进行融合时，至少按照两个分支结构进行特征融合，这样得到至少两个分支结构对应的融合特征图，由于每个分支结构对应的特征图尺度不同，因此，在多尺度特征图融合过程中，由于尺度变换导致所丢失的特征信息不同，至少两个分支结构对应的融合特征图丢失的特征信息不同，融合所得到的特征图对特征信息形成相互补充，使得总体上保留下的特征信息更急丰富全面，使得基于至少两个分支结构对应的融合特征图对输入图像中的特征元素进行识别时，能够提高识别精度。
56.步骤s140，根据每个分支结构对应的融合特征图识别得到所述输入图像对应的输出图像，所述输出图像包括所述路侧标识的识别位置。
57.本实施例将各个分支结构对应的融合特征图进行叠加融合，得到最终的融合特征图，对最终的融合特征图的特征元素进行分类识别，得到最终的融合特征图中每个像素位置对应的分类数值，根据该分类数值能够确定输入图像中各个特征元素的位置。当路侧标识为路牌时，本技术实施例能够准确识别出四个路牌角点的位置。
58.可见，图1所示的方法，本实施例利用卷积神经网络计算输入图像的多尺度特征图，在对多尺度特征图进行特征融合时，按照至少两个具有不同尺度的分支结构进行特征融合，由于各个分支结构对应的融合特征图的尺度信息不同使得在特征融合过程中丢失的特征信息也不同，保证各个分支结构对应的融合特征图总体上保留更多的特征信息，这样在根据各个分支结构对应的融合特征图对输入图像进行分类识别得到输出图像时，能够提高对输入图像中各个特征元素位置的识别精度，且本实施例是在特征融合阶段增设分支数量提高识别精度，增加的参数量极小，与现有技术相比，在几乎具有同等识别效率的情况下，本技术的识别精度更高。
59.本技术实施例通过下述步骤确定至少两分支结构：
60.获取多尺度特征图中的最大尺度作为至少两分支结构中一个分支结构对应的特征图尺度，以及，设置至少两分支结构中其他分支结构对应的特征图尺度大于多尺度特征图中的最大尺度。
61.也就是说，当本技术实施例设置两个分支结构时，这两个分支结构中的一个分支结构的尺度是多尺度特征图中最大尺度特征图的尺度，另一个分支结构的尺度大于该多尺度特征图中的最大尺度特征图的尺度。
62.如图3所示，由输入图像经过卷积计算得到的多尺度特征图例如包括1/4尺度特征图、1/8尺度特征图和1/16尺度特征图三种尺度特征图，那么对应设置两个分支结构，第一分支结构对应的特征图尺度为1/4，第二分支结构对应的特征图尺度为1/2，当然此时第二分支结构对应的特征图尺度也可以为1/1。
63.需要说明的是，在本实施例的一些可选实施例中，设置两个分支结构或三个分支结构，以便在保留更多特征信息的情况下，尽可能增加极小量级的参数，不影响输入图像的识别效率。
64.在本技术的一些实施例中，对多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，包括：
65.首先，根据各分支结构对应的特征图尺度，分别对多尺度特征图进行尺度变换，得到与每个分支结构对应的特征图尺度相同的待融合特征图。
66.具体的，将各个尺度特征图分别与各分支结构对应的特征图尺度进行尺度比较，如前文设置分支结构的特征图尺度实施例可知，多尺度特征图的尺度或者等于分支结构对应的特征图尺度，或者小于分支结构对应的特征图尺度。因此，若尺度特征图的尺度大于分支结构对应的特征图尺度，对该尺度特征图进行上采样，得到与该分支结构对应的特征图尺度相同的待融合特征图；若尺度特征图的尺度等于分支结构对应的特征图尺度，直接将该尺度特征图作为该分支结构对应的待融合特征图。
67.结合图3所示，对1/4分支结构来说，1/4尺度特征图可以直接作为1/4分支结构对应的待融合特征图，而1/8尺度特征图和1/16尺度特征图则需要进行上采样处理后才能够作为1/4分支结构对应的待融合特征图。同样的，对于1/2分支结构来说，1/4尺度特征图、1/8尺度特征图和1/16尺度特征图都需要进行上采样处理后才能够作为1/2分支结构对应的待融合特征图。
68.接着，在得到各个分支结构对应的待融合特征图之后，将每个分支结构对应的待融合特征图叠加，得到每个分支结构对应的初始融合特征图。
69.具体的，本实施例是将每个分支结构对应的待融合特征图线性叠加，例如将图3中尺度变换后的三个分支中的待融合特征图线性叠加，分别得到1/4分支结构和1/2分支结构对应的初始融合特征图。
70.最后，在得到各个分支结构对应的初始融合特征图之后，根据各分支结构对应的特征图尺度，将较小尺度的分支结构对应的初始融合特征图叠加到较大尺度的分支结构对应的初始融合特征图，得到较大尺度的分支结构对应的融合特征图。
71.具体的，对较小尺度的分支结构对应的初始融合特征图进行卷积处理，将卷积处理后的初始融合特征图进行尺度变换，使得尺度变换后的初始融合特征图的尺度与较大尺度的分支结构对应的特征图尺度相同；将较小尺度的分支结构的尺度变换后的初始融合特征图线性叠加到较大尺度的分支结构对应的初始融合特征图中，得到较大尺度的分支结构对应的融合特征图。
72.以图3所示为例，将1/4分支结构对应的初始融合特征图进行卷积处理后，得到1/4分支结构对应的融合特征图，通过将1/4分支结构对应的融合特征图线性叠加到1/2分支结构对应的初始融合特征图中，得到1/2分支结构对应的融合特征图，以此得到各个分支结构对应的融合特征图。
73.应理解的是，本实施例在每次线性叠加之后还进行卷积计算，防止引入噪声。
74.在本技术的一些实施例中，根据每个分支对应的融合特征图得到所述输入图像对应的输出图像，包括：
75.根据所述输入图像的尺寸，将各分支结构对应的融合特征图进行尺度变换，使得尺度变换后的各个融合特征图的尺寸与所述输入图像的尺寸相同。
76.举例来说，若输入图像的尺寸为12*12，1/4分支结构对应的融合特征图的尺寸为3*3，1/2分支结构对应的融合特征图的尺寸为6*6，此时需要对1/4分支结构对应的融合特征图进行尺度变换，使1/4分支结构对应的融合特征图的尺寸变换为12*12，以及对1/2分支结构对应的融合特征图进行尺度变换，使1/2分支结构对应的融合特征图的尺寸也变换为12*12。这里的尺度变换方法例如对各个分支结构对应的融合特征图进行上采样处理。
77.在将各个分支结构对应的融合特征图进行尺度变换后，根据每个分支对应的尺度变换后的融合特征图得到所述输入图像对应的输出图像。
78.由于本实施例中得到各个分支结构对应的融合特征图时，还对所述融合特征图进行分类识别，得到每个像素位置对应的分类数值，因此，在得到输出图像时，本实施例是将每个分支对应的尺度变换后的融合特征图按照像素点位置线性叠加，得到所述输出图像。
79.也就是说，本实施例将各个分支结构对应的尺度变换后的融合特征图同一像素位置的分类数值线性相加，得到该像素位置最终的分类数值，分类数值表明该像素位置对应为该分类的概率，该数值越大，表明该像素位置越可能为该分类。
80.具体的，结合图4所示，将1/4分支结构对应的融合特征图和1/2分支结构对应的融合特征图的尺寸都变换为12*12之后，对12*12尺寸的两个融合特征图的对应像素位置进行分类数值相加，例如，从融合特征图的左上角像素位置开始，逐一像素位置进行分类数值相加，以图4中两个像素位置为例，两个融合特征图左上角像素对应的分类数值分别为0.1和0.01，则相加后确定该左上角像素对应的分类数值为0.11，同理，左上角相邻像素对应的分类数值分别为0.05和0.03，则相加后确定该左上角相邻像素对应的分类数值为0.08，由此
能够得到12*12尺寸下每个像素位置的最终分类数值，得到输出图像，完成整个识别过程。
81.综合上述，本技术实施例的路侧标识识别方法具有以下效果：
82.在特征融合阶段，至少得到两个不同尺度的分支结构对应的融合特征图，利用各分支结构对应的融合特征图的尺度信息不同导致在特征融合过程中丢失的特征信息也不同，使得各分支结构对应的融合特征图总体上保留更多的特征信息，这样在根据各分支结构对应的融合特征图对输入图像进行分类识别得到输出图像时，能够提高对输入图像中各个特征元素位置的识别精度。
83.且本技术实施例是在特征融合阶段增设分支数量提高识别精度，增加的参数量极小，与现有技术相比，在几乎具有同等识别效率的情况下，本技术的识别精度更高。
84.与前述实施例中的路侧标识识别方法同属于一个技术构思，本技术实施例还提供了一种路侧标识识别装置，用于实现前述实施例中的路侧标识识别方法。
85.图5示出了根据本技术一个实施例的路侧标识识别装置的结构示意图，如图5所示，路侧标识识别装置500包括：获取单元510、计算单元520、融合单元530和识别单元540；
86.获取单元510，用于获取包括路侧标识的输入图像；
87.计算单元520，用于采用卷积神经网络对所述输入图像进行特征提取，得到所述输入图像的多尺度特征图；
88.融合单元530，用于对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，每个分支结构对应的特征图尺度不同；
89.识别单元540，用于根据每个分支结构对应的融合特征图识别得到所述输入图像对应的输出图像，所述输出图像包括所述路侧标识的识别位置。
90.在本技术的一些实施例中，路侧标识识别装置500还包括预处理单元，预处理单元用于获取多尺度特征图中的最大尺度作为至少两分支结构中一个分支结构对应的特征图尺度，以及，设置至少两分支结构中其他分支结构对应的特征图尺度大于多尺度特征图中的最大尺度。
91.在本技术的一些实施例中，融合单元530，用于根据各分支结构对应的特征图尺度，分别对所述多尺度特征图进行尺度变换，得到与每个分支结构对应的特征图尺度相同的待融合特征图；将每个分支结构对应的待融合特征图叠加，得到每个分支结构对应的初始融合特征图；根据各分支结构对应的特征图尺度，将较小尺度的分支结构对应的初始融合特征图叠加到较大尺度的分支结构对应的初始融合特征图，得到较大尺度的分支结构对应的融合特征图。
92.在本技术的一些实施例中，融合单元530，还用于对较小尺度的分支结构对应的初始融合特征图进行卷积处理，将卷积处理后的初始融合特征图进行尺度变换，使得尺度变换后的初始融合特征图的尺度与较大尺度的分支结构对应的特征图尺度相同；将较小尺度的分支结构的尺度变换后的初始融合特征图线性叠加到较大尺度的分支结构对应的初始融合特征图中，得到较大尺度的分支结构对应的融合特征图。
93.在本技术的一些实施例中，融合单元530，还用于将各个尺度特征图分别与各分支结构对应的特征图尺度进行尺度比较，若尺度特征图的尺度大于分支结构对应的特征图尺度，对该尺度特征图进行上采样，得到与该分支结构对应的特征图尺度相同的待融合特征图；若尺度特征图的尺度等于分支结构对应的特征图尺度，直接将该尺度特征图作为该分
支结构对应的待融合特征图。
94.在本技术的一些实施例中，识别单元540，还用于根据所述输入图像的尺寸，将各分支结构对应的融合特征图进行尺度变换，使得尺度变换后的各个融合特征图的尺寸与所述输入图像的尺寸相同；根据每个分支对应的尺度变换后的融合特征图得到所述输入图像对应的输出图像。
95.在本技术的一些实施例中，识别单元540，还用于将每个分支对应的尺度变换后的融合特征图按照像素点位置线性叠加，得到所述输出图像。
96.能够理解，上述路侧标识识别装置，能够实现前述实施例中提供的路侧标识识别方法的各个步骤，关于路侧标识识别方法的相关阐释均适用于路侧标识识别装置，此处不再赘述。
97.图6示出了根据本技术一个实施例一种电子设备示意图。请参考图6，在硬件层面，该电子设备包括处理器和存储器，可选地还包括内部总线、网络接口。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
98.处理器、接口模块、通信模块和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
99.存储器，用于存放计算机可执行指令。存储器通过内部总线向处理器提供计算机可执行指令。
100.处理器，执行存储器所存放的计算机可执行指令，并具体用于实现以下操作：
101.获取包括路侧标识的输入图像；
102.采用卷积神经网络对所述输入图像进行特征提取，得到所述输入图像的多尺度特征图；
103.对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，每个分支结构对应的特征图尺度不同；
104.根据每个分支结构对应的融合特征图识别得到所述输入图像对应的输出图像，所述输出图像包括所述路侧标识的识别位置。
105.上述如本技术图1所示实施例揭示的路牌角点识别方法执行的功能可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
106.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序当被处理器执行时，实现以下操作：
107.获取包括路侧标识的输入图像；
108.采用卷积神经网络对所述输入图像进行特征提取，得到所述输入图像的多尺度特
征图；
109.对所述多尺度特征图按照至少两分支结构进行特征融合时，得到每个分支结构对应的融合特征图，每个分支结构对应的特征图尺度不同；
110.根据每个分支结构对应的融合特征图识别得到所述输入图像对应的输出图像，所述输出图像包括所述路侧标识的识别位置。
111.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术可采用在一个或多个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。
112.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。
113.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功能的步骤。
114.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
115.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
116.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。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。
117.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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
118.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
119.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。