CN105654045A - 应用在主动驾驶技术中识别交通管制人员的方法 - Google Patents
应用在主动驾驶技术中识别交通管制人员的方法 Download PDFInfo
- Publication number
- CN105654045A CN105654045A CN201511005119.9A CN201511005119A CN105654045A CN 105654045 A CN105654045 A CN 105654045A CN 201511005119 A CN201511005119 A CN 201511005119A CN 105654045 A CN105654045 A CN 105654045A
- Authority
- CN
- China
- Prior art keywords
- traffic control
- control personnel
- pedestrian
- traffic
- driving technology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
应用在主动驾驶技术中识别交通管制人员的方法,在基于adboost的行人检测技术基础上,通过对交通管制人员都会配备的荧光马甲进行大样本建模统计其特征,并建立荧光马甲的颜色直方图统计模板。当主动驾驶***检测到前方有行人的时候,对行人的躯干部分上下左右各偏离1/2区间,进行荧光马甲的颜色直方图模板匹配,当相似度度量达到85%以上,则对候选区域进行特征匹配,满足阈值要求的部分,认为是检测到有荧光马甲,那么该行人即为交通管制人员。在一些有交通管制人员存在的特殊交通场景下,能更加全面的掌握环境信息,以便做出更多的应对决策。
Description
技术领域
本发明属于主动驾驶技术领域,具体说是一种应用在主动驾驶技术中识别交通管制人员的方法。
背景技术
近年来智能交通与视觉技术相结合的主动驾驶受到了许多研发机构的青睐,尤其在谷歌与特斯拉相继进行汽车主动驾驶的公开测试后,研究主动驾驶技术的公司与科研机构更是如雨后春笋,层出不穷。目前,现有的绝大多数主动驾驶技术,基本都是通过对汽车自身的定位与导航地图结合,来进行路径的规划,通过视觉传感器与激光雷达等传感器结合来检测前方的交通标志与障碍物信息,以指导汽车本身的行驶轨迹,从而遵守交通规则,并避免交通事故的发生。然而当意外情况发生时,往往会有交警或协勤等交通管制人员来进行特殊场景的维护与处理。如果主动驾驶的过程中能够做出这方面的提示或警告,无疑对驾驶人员是非常有帮助的。
发明内容
本发明提供了一种应用在主动驾驶技术中识别交通管制人员的方法,通过该方法,可以使主动驾驶具有更高的实际使用价值,更加适用于人们日常生活中的驾驶场景。
为实现上述目的,本发明的技术方案是,应用在主动驾驶技术中识别交通管制人员的方法,是通过以下步骤实现的:
S1:搜集大量行人与交通管制人员的荧光马甲图像样本与其负样本;
S2:通过adboost进行特征统计,离线训练得到关于行人检测的分类器与荧光马甲检测的分类器,并建立荧光马甲的颜色直方图模板;
S3:当主动驾驶***通过行人检测模块检测出有行人目标出现时,对行人的躯干部分上下左右各偏离1/N区间,进行荧光马甲的颜色直方图模板匹配;
S4:模板匹配后对相似度度量达到M以上的多个候选区域进行荧光马甲分类器精确检测,选取其中置信度最高的区域作为最终结果的置信度;
S5:最终结果的置信度大于阈值时,检测到行人为交通管制人员。
进一步的,通过rbf神经网络训练得到荧光马甲的颜色直方图模板。
进一步的,所述M的取值范围为80-85%。
进一步的,所述的阈值为95%;
进一步的,该方法还包括当检测到行人为交通管制人员时,对驾驶人员进行提示切换为手动驾驶模式的步骤。
进一步的,当检测到行人为交通管制人员时,对交通管制人员的帽子进行类型识别,其步骤如下:
A、通过adboost进行特征统计,离线训练大样本的交警警帽图片,进而确定交警警帽分类器;
B、在上述检测出交通管制人员的基础上,通过对检测出的行人头部区域进行上下左右各1/N区域的扩充;
C、然后对扩充后的头部区域进行交警警帽的检测,利用步骤A中训练得到的交警警帽分类器,判断该区域内是否有交警警帽,如果有则该交通管制人员为交警;否则为协勤。
进一步的,所述N的取值范围为2-3。
本发明由于采用以上技术方案,能够取得如下的技术效果:将行人检测与服饰检测结合,从而在主动驾驶过程中将交通管制人员检测出来,进而提示车辆上人员。这样帮助提示车辆上驾驶人员,在一些有交通管制人员存在的特殊交通场景下,能更加全面的掌握环境信息,以便做出更多的应对决策。
本发明利用交通管制人员的荧光马甲的颜色分布直方图,在检测出的行人躯干部分临近范围内进行初步检测,然后对检测出的候选区域进行分类器的精确识别,从而提高了交通管制人员的识别效率。通过对交警警帽建立分类器,在检测出交通管制人员的时候,在其头部区域邻域内进行交警警帽检测,从而判别该交通管制人员是否是交警。后续还可以使用该方法对其他类型的交通管制人员或其他人员进行分类与识别。
附图说明
本发明共有附图2幅:
图1为本发明的交通管制人员识别过程流程框图;
图2为交警识别过程流程框图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步的具体说明。
实施例1
应用在主动驾驶技术中识别交通管制人员的方法,是通过以下步骤实现的:
S1:搜集大量行人与交通管制人员的荧光马甲图像样本与其负样本;
S2:通过adboost进行特征统计,离线训练得到关于行人检测的分类器与荧光马甲检测的分类器,并通过rbf神经网络训练得到荧光马甲的颜色直方图模板;
S3:当主动驾驶***通过行人检测模块检测出有行人目标出现时,对行人的躯干部分上下左右各偏离1/2区间,进行荧光马甲的颜色直方图模板匹配;
S4:模板匹配后对相似度度量达到80%以上的多个候选区域进行荧光马甲分类器精确检测,选取其中置信度最高的区域作为最终结果的置信度;
S5:最终结果的置信度大于阈值95%时,检测到行人为交通管制人员对驾驶人员进行提示切换为手动驾驶模式的步骤或者进行其他工作。
当检测到行人为交通管制人员时,对交通管制人员的帽子进行类型识别,其步骤如下:通过adboost进行特征统计,离线训练大样本的交警警帽图片,进而确定交警警帽分类器;在上述检测出交通管制人员的基础上,通过对检测出的行人头部区域进行上下左右各1/2区域的扩充;然后对扩充后的头部区域进行交警警帽的检测,利用步骤A中训练得到的交警警帽分类器,判断该区域内是否有交警警帽,如果有则该交通管制人员为交警;否则为协勤。
实施例2
应用在主动驾驶技术中识别交通管制人员的方法,是通过以下步骤实现的:
S1:搜集大量行人与交通管制人员的荧光马甲图像样本与其负样本;
S2:通过adboost进行特征统计,离线训练得到关于行人检测的分类器与荧光马甲检测的分类器,并通过rbf神经网络训练得到荧光马甲的颜色直方图模板;
S3:当主动驾驶***通过行人检测模块检测出有行人目标出现时,对行人的躯干部分上下左右各偏离1/3区间,进行荧光马甲的颜色直方图模板匹配;
S4:模板匹配后对相似度度量达到85%以上的多个候选区域进行荧光马甲分类器精确检测,选取其中置信度最高的区域作为最终结果的置信度;
S5:最终结果的置信度大于阈值95%时,检测到行人为交通管制人员对驾驶人员进行提示切换为手动驾驶模式的步骤或者进行其他工作。
当检测到行人为交通管制人员时,对交通管制人员的帽子进行类型识别,其步骤如下:通过adboost进行特征统计,离线训练大样本的交警警帽图片,进而确定交警警帽分类器;在上述检测出交通管制人员的基础上,通过对检测出的行人头部区域进行上下左右各1/3区域的扩充;然后对扩充后的头部区域进行交警警帽的检测,利用步骤A中训练得到的交警警帽分类器,判断该区域内是否有交警警帽,如果有则该交通管制人员为交警;否则为协勤。
本发明将行人检测与服饰(这里为荧光马甲)检测结合,从而在主动驾驶过程中将交通管制人员检测出来,进而提示车辆上人员。本发明利用交通管制人员的荧光马甲的颜色分布直方图,在检测出的行人躯干部分临近范围内进行初步检测,然后对检测出的候选区域进行分类器的精确识别,从而提高了交通管制人员的识别效率。本发明将行人检测与交警警帽检测结合,从而在检测出交通管制人员的时候,在其头部区域邻域内进行交警警帽检测,从而判别该交通管制人员是否是交警。后续还可以使用该方法对其他类型的交通管制人员或其他人员进行分类与识别。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,是通过以下步骤实现的:
S1:搜集大量行人与交通管制人员的荧光马甲图像样本与其负样本;
S2:通过adboost进行特征统计,离线训练得到关于行人检测的分类器与荧光马甲检测的分类器,并建立荧光马甲的颜色直方图模板;
S3:当主动驾驶***通过行人检测模块检测出有行人目标出现时,对行人的躯干部分上下左右各偏离1/N区间,进行荧光马甲的颜色直方图模板匹配;
S4:模板匹配后对相似度度量达到M以上的多个候选区域进行荧光马甲分类器精确检测,选取其中置信度最高的区域作为最终结果的置信度;
S5:最终结果的置信度大于阈值时,检测到行人为交通管制人员。
2.根据权利要求1所述的应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,通过rbf神经网络训练得到荧光马甲的颜色直方图模板。
3.根据权利要求1所述的应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,所述M的取值范围为80-85%。
4.根据权利要求3所述的应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,所述的阈值为95%。
5.根据权利要求4所述的应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,该方法还包括当检测到行人为交通管制人员时,对驾驶人员进行提示切换为手动驾驶模式的步骤。
6.根据权利要求5所述的应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,当检测到行人为交通管制人员时,对交通管制人员的帽子进行类型识别,其步骤如下:
A、通过adboost进行特征统计,离线训练大样本的交警警帽图片,进而确定交警警帽分类器;
B、在上述检测出交通管制人员的基础上,通过对检测出的行人头部区域进行上下左右各1/N区域的扩充;
C、然后对扩充后的头部区域进行交警警帽的检测,利用步骤A中训练得到的交警警帽分类器,判断该区域内是否有交警警帽,如果有则该交通管制人员为交警;否则为协勤。
7.根据权利要求1或6所述的应用在主动驾驶技术中识别交通管制人员的方法,其特征在于,所述N的取值范围为2-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511005119.9A CN105654045B (zh) | 2015-12-29 | 2015-12-29 | 应用在主动驾驶技术中识别交通管制人员的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511005119.9A CN105654045B (zh) | 2015-12-29 | 2015-12-29 | 应用在主动驾驶技术中识别交通管制人员的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654045A true CN105654045A (zh) | 2016-06-08 |
CN105654045B CN105654045B (zh) | 2019-04-05 |
Family
ID=56478138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511005119.9A Active CN105654045B (zh) | 2015-12-29 | 2015-12-29 | 应用在主动驾驶技术中识别交通管制人员的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654045B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109263649A (zh) * | 2018-08-21 | 2019-01-25 | 北京汽车股份有限公司 | 车辆及其自动驾驶模式下的物体识别方法和物体识别*** |
CN109313710A (zh) * | 2018-02-02 | 2019-02-05 | 深圳蓝胖子机器人有限公司 | 目标识别模型训练方法、目标识别方法、设备及机器人 |
WO2021143611A1 (zh) * | 2020-01-16 | 2021-07-22 | 华为技术有限公司 | 确定交通指示信息的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040145496A1 (en) * | 1996-09-25 | 2004-07-29 | Ellis Christ G. | Intelligent vehicle apparatus and method for using the apparatus |
CN101872422A (zh) * | 2010-02-10 | 2010-10-27 | 杭州海康威视软件有限公司 | 可精确辨别目标的人流量统计的方法及*** |
CN102542260A (zh) * | 2011-12-30 | 2012-07-04 | 中南大学 | 一种面向无人驾驶车的道路交通标志识别方法 |
CN103049751A (zh) * | 2013-01-24 | 2013-04-17 | 苏州大学 | 一种改进的加权区域匹配高空视频行人识别方法 |
CN103489324A (zh) * | 2013-09-22 | 2014-01-01 | 北京联合大学 | 一种基于无人驾驶的实时动态红绿灯检测识别方法 |
CN104463146A (zh) * | 2014-12-30 | 2015-03-25 | 华南师范大学 | 基于近红外tof相机深度信息的姿势识别方法和装置 |
-
2015
- 2015-12-29 CN CN201511005119.9A patent/CN105654045B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040145496A1 (en) * | 1996-09-25 | 2004-07-29 | Ellis Christ G. | Intelligent vehicle apparatus and method for using the apparatus |
CN101872422A (zh) * | 2010-02-10 | 2010-10-27 | 杭州海康威视软件有限公司 | 可精确辨别目标的人流量统计的方法及*** |
CN102542260A (zh) * | 2011-12-30 | 2012-07-04 | 中南大学 | 一种面向无人驾驶车的道路交通标志识别方法 |
CN103049751A (zh) * | 2013-01-24 | 2013-04-17 | 苏州大学 | 一种改进的加权区域匹配高空视频行人识别方法 |
CN103489324A (zh) * | 2013-09-22 | 2014-01-01 | 北京联合大学 | 一种基于无人驾驶的实时动态红绿灯检测识别方法 |
CN104463146A (zh) * | 2014-12-30 | 2015-03-25 | 华南师范大学 | 基于近红外tof相机深度信息的姿势识别方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313710A (zh) * | 2018-02-02 | 2019-02-05 | 深圳蓝胖子机器人有限公司 | 目标识别模型训练方法、目标识别方法、设备及机器人 |
CN109263649A (zh) * | 2018-08-21 | 2019-01-25 | 北京汽车股份有限公司 | 车辆及其自动驾驶模式下的物体识别方法和物体识别*** |
WO2021143611A1 (zh) * | 2020-01-16 | 2021-07-22 | 华为技术有限公司 | 确定交通指示信息的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105654045B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678316B (zh) | 基于多信息融合的主动驾驶方法 | |
CN106407981B (zh) | 一种车牌识别方法、装置及*** | |
Possatti et al. | Traffic light recognition using deep learning and prior maps for autonomous cars | |
US8750567B2 (en) | Road structure detection and tracking | |
John et al. | Traffic light recognition in varying illumination using deep learning and saliency map | |
Broggi et al. | Real time road signs recognition | |
EP1930863B1 (en) | Detecting and recognizing traffic signs | |
US11875284B2 (en) | Asset identification and tracking system | |
CN105488453B (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
Janahiraman et al. | Traffic light detection using tensorflow object detection framework | |
Diaz et al. | A survey on traffic light detection | |
CN103942546B (zh) | 一种城市环境中导向交通标线识别***及方法 | |
CN103345766A (zh) | 一种信号灯识别方法及装置 | |
CN108304785A (zh) | 基于自建神经网络的交通标志检测与识别方法 | |
García-Garrido et al. | Robust traffic signs detection by means of vision and V2I communications | |
CN105844245A (zh) | 一种伪装人脸检测方法及*** | |
CN107886034A (zh) | 行车提醒方法、装置及车辆 | |
CN105654045A (zh) | 应用在主动驾驶技术中识别交通管制人员的方法 | |
CN107909012A (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
Fleyeh et al. | Traffic sign detection based on AdaBoost color segmentation and SVM classification | |
Mistry et al. | Survey: Vision based road detection techniques | |
CN114898319A (zh) | 基于多传感器决策级信息融合的车型识别方法及*** | |
CN105718908B (zh) | 一种基于衣帽特征与姿态检测的交警检测方法和*** | |
CN105913034A (zh) | 车辆识别方法、装置及车辆 | |
CN101996317A (zh) | 人体中标记物的识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211208 Address after: 116000 room 7218, No. 9-1, Haifu Road, Dalian Free Trade Zone, Dalian pilot Free Trade Zone, Liaoning Province Patentee after: Dalian Poseidon Automotive Electronic Technology Co.,Ltd. Address before: 116023 11th floor, phase 2, take off Park, No.7 Huixian Park, Dalian hi tech park, Liaoning Province Patentee before: DALIAN ROILAND TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |