CN107301383B - 一种基于Fast R-CNN的路面交通标志识别方法 - Google Patents
一种基于Fast R-CNN的路面交通标志识别方法 Download PDFInfo
- Publication number
- CN107301383B CN107301383B CN201710421849.XA CN201710421849A CN107301383B CN 107301383 B CN107301383 B CN 107301383B CN 201710421849 A CN201710421849 A CN 201710421849A CN 107301383 B CN107301383 B CN 107301383B
- Authority
- CN
- China
- Prior art keywords
- layer
- layers
- fast
- training
- pooling
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Fast R‑CNN的路面交通标志识别方法,包括步骤:进行图像采集和预处理,制作样本集;将训练集输入,多任务训练Fast R‑CNN网络;待识别图片经过若干卷积层与池化层,得到特征图;由候选框得到对应的特征框,经由ROI池化层和全连接层,分别得到分类得分和窗口回归两个输出向量;将所有结果通过非极大值抑制处理产生最终的目标检测和识别结果,交通标志得以识别。本发明采用Fast R‑CNN这一深度学习方法,规避了区域卷积神经网络R‑CNN中冗余的特征提取操作,实现了多任务训练,也不需要额外的特征存储空间,提高了检测速度和精度。相比于浅层学习分类器,它具有更高的学习效率和识别精度。
Description
技术领域
本发明属于图像处理和汽车安全辅助驾驶领域,尤其是涉及一种基于Fast R-CNN的路面交通标志检测与识别方法,用以解决路面交通标志识别问题中识别精度不高的问题。
背景技术
道路交通标志识别(TSR,Traffic Signs Recognition)作为车载辅助***中一个重要分支,是目前尚未解决的难题之一。由于交通标志中含有许多重要的交通信息,如对当前行车的速度提示、前方道路状况的变化、驾驶员行为制约,因此在该辅助***中,如何快速、准确、有效地识别出道路中的交通标志并将之反馈给驾驶人员或控制***,对于保证驾驶安全,避免交通事故的发生具有十分重要的研究意义。
路面交通标志识别常用的方法包括基于形状的识别方法,特征提取与分类器结合的方法,深度学习的识别方法。基于形状的识别方法鲁棒性较差,复杂环境中效果不佳。特征提取与分类器结合的方法识别效果较好,但计算开销大,环境适应能力比较差。深度学习能够直接对原始图像进行识别,提取反映数据本质的隐性特征,具有足够的学习深度。卷积神经网络具有局部权值共享的特性,对于环境复杂、多角度变化等情况都具有一定的实时性和鲁棒性。因此,需要设计一种能够精确获取道路场景中路面交通标志的识别方法。RossB.Girshick在2015年提出Fast R-CNN算法,规避了R-CNN(Region-based ConvolutionalNeural Network)中冗余的特征提取操作,实现了多任务训练,也不需要额外的特征存储空间,提高了检测速度和精度。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种基于Fast R-CNN的路面交通标志识别方法,能够精确获取道路场景中路面交通标志的,以便有助于辅助驾驶员在复杂的条件下更好地感知车外环境,预防交通事故的发生。
为了实现上述目的,本发明的技术方案如下:
一种基于Fast R-CNN的路面交通标志识别方法,包括步骤:
进行图像采集和预处理,制作样本集;
将训练集输入,多任务训练Fast R-CNN网络;
将待识别图片输入Fast R-CNN网络,经过若干卷积层与池化层,得到特征图;
采用选择搜索(Selective Search)算法提取若干个候选框,根据原图中候选框到特征图映射关系,在特征图中找到每个候选框对应的特征框,并在ROI池化层中将每个特征框池化到固定大小;
将特征框经过全连接层得到固定大小的特征向量,所述特征向量经由各自的全连接层,分别得到分类得分和窗口回归两个输出向量;
将所有结果进行非极大值抑制处理产生最终的目标检测和识别结果,路面交通标志得以识别。
进一步地,所述图像采集的步骤具体包括:
开启车载行车记录仪,实时拍摄道路交通视频信息;
将摄像机拍摄到的视频信息进行分帧处理,得到一个图像集合序列;
对图像集合进行筛选,选取包含路面交通标志的图像。
进一步地,所述图像预处理和样本集制作的步骤具体包括:
在选取的图像中,将目标区域取出,并缩放到固定的224×224大小,为增强对比度,再将目标区域经过对比度增强处理,得到原始的训练集,测试集采用同样的方式处理;
将原始训练集经过旋转[-12°,12°],缩放[0.4,1.6]后,加入原始数据集中,组成新的训练集;
在新的数据集中随机取出与测试集数目相当的样本组成验证集,剩余的样本组成最终的训练集。
进一步地,所述Fast R-CNN网络结构包括:13个卷积层,4个池化层,1个ROI池化层,2个全连接层和两个平级层。
进一步地,所述ROI池化层中将每个特征框池化到7×7的固定大小。
进一步地,所述的多任务训练Fast R-CNN网络的全连接输出包括两个分支:cls_score层和bbox_pred层,所述cls_score层用于分类,所述bbox_pred层用于调整候选框位置。
进一步地,所述特征向量经由各自的全连接层时,期间经过奇异值分解(SVD,Singular Value Decomposition)加速,分别得到两个输出向量,即Softmax的分类得分和Bounding-box窗口回归。
进一步地,对全连接输出的两个分支,利用随机梯度下降法训练输出层的分类层和回归层直至分类和回归的损失函数收敛。
进一步地,所述将所有结果进行非极大值抑制处理的步骤具体包括:根据输出的两个分支,利用窗口得分分别对每一类物体进行非极大值抑制剔除重叠候选框,最终得到每个类别中回归修正后的得分最高的窗口。
进一步地,所述路面交通标志包括直行箭头、掉头箭头、向左箭头、向右箭头、直行向左箭头、直行向右箭头、菱形标线。
相比现有技术,本发明为了解决上述现有技术中的至少一些问题,提出了一种基于Fast R-CNN的交通标志检测与识别方法。该方法自行制作路面交通标志数据集,通过深度学习从样本中学习特征,能够提取到反映数据本质的隐性特征,具有更高的学习效率和识别精度,提高了检测算法的鲁棒性,有效提高了路面交通标志检测的准确性。
附图说明
本发明提供了附图以便于所公开内容的进一步理解,附图构成本申请的一部分,但仅仅是用于图示出体现发明概念的一些发明的非限制性示例,而不是用于做出任何限制。
图1是根据本发明的一些示范实施例的基于Fast R-CNN的路面交通标志识别方法的流程图。
图2是根据本发明的一些示范实施例的Fast R-CNN网络结构图。
图3是根据本发明的一些示范实施例的多任务训练代价函数示意图。
图4是根据本发明的一些示范实施例的部分交通标志样本集的示意图。
图5是根据本发明的一些示范实施例的基于Fast R-CNN的路面交通标志识别方法的检测结果示意图。
具体实施方式
下面结合附图和技术方案对本发明作详细说明。
如附图1所示为基于Fast R-CNN的路面交通标志识别方法的流程图,本发明的具体实施方式为:
一种基于Fast R-CNN的路面交通标志识别方法,包括步骤:
进行图像采集和预处理,制作样本集;
将训练集输入,多任务训练Fast R-CNN网络;
将待识别图片输入Fast R-CNN网络,经过若干卷积层与池化层,得到特征图;
采用选择搜索(Selective Search)算法提取约2000个候选框,根据原图中候选框到特征图映射关系,在特征图中找到每个候选框对应的特征框,并在ROI(感兴趣区域,Region of Interest)池化层中将每个特征框池化到固定大小;
将所述特征框经过全连接层得到固定大小的特征向量,经由各自的全连接层,分别得到分类得分和窗口回归两个输出向量;
将所有结果通过非极大值抑制处理产生最终的目标检测和识别结果,交通标志得以识别。
在一些实施例中,所述图像采集的步骤具体包括:
开启车载行车记录仪,实时拍摄道路交通视频信息,选用行车记录仪拍摄的视频分辨率为1280*720的视频图像;
对所拍摄的视频图像进行分帧处理,得到一个图像集合序列;
对图像集合进行筛选,从其中选取出现次数较多的7种路面交通标志。
具体而言,所述图像预处理和样本集制作的步骤具体包括:
在选取的图像中,将目标区域取出,并缩放到固定的224×224大小,为增强对比度,再将目标区域经过对比度增强处理,构成原始训练集,测试集采用同样的方式处理;
将原始训练集经过旋转[-12°,12°],缩放[0.4,1.6]后,加入原始数据集中组成新的训练集;
在新的数据集中随机取出与测试集数目相当的样本组成验证集,剩余的样本组成最终的训练集。
在图4所示的示例中,所选用的交通标志可以分为7类,分别为直行箭头、掉头箭头、向左箭头、向右箭头、直行向左箭头、直行向右箭头、菱形标线,分别编号表示为01,02,03,04,05,06,07,识别结果以此方式输出。
K.Simonyan等人在文献“K.Simonyan and A.Zisserman.Very deepconvolutional networks for large-scale image recognition,2015.”中提出的VGG16网络,包括13个卷积层,5个池化层和3个全连接层。在VGG16的基础上,用ROI池化层取代VGG-16网络最后一层池化层,两个并行层取代上述VGG-16网络的最后一层全连接层和softmax层。
如图2所示,最终得到Fast R-CNN网络结构如下:包括13个卷积层,4个池化层,1个ROI池化层,2个全连接层和两个平级层。大小为224×224的图像样本经输入层输入网络;对于所有的卷积层,卷积核大小为3×3,步长为1;对于所有池化层,使用2×2采样尺寸,池化方式采用最大值池化。激活函数采用修正线性单元激活(ReLU,Rectified Linear Units)函数,具备引导适度稀疏的能力,能够使网络的训练速度加快,精度提高,避免梯度消失的问题。
原有的层参数要通过预训练方式初始化。用于分类的全连接层以均值为0,标准差为0.01的高斯分布初始化;用于回归的全连接层以均值为0,标准差为0.001的高斯分布初始化,偏置都初始化为0。
在调优训练时,首先加入N张完整图片,而后加入从N张图片中选取的R个候选框。同一图像的R/N个候选框卷积共享计算和内存,降低了运算开销。R个候选框的构成如下:与某个真值重叠在[0.5,1]的候选框我们定义为前景,占总量的25%;与真值重叠的最大值在[0.1,0.5)的候选框定义为背景,占总量的75%。
ROI池化层根据固定尺寸将每个特征框平均分割,对每块进行最大池化,可将特征图上大小不一的特征框转变为大小统一的数据,送入下一层。
Fast R-CNN网络进行多任务训练,分类损失和回归损失如图3所示。cls_score层用于分类,输出K+1维数组p,表示属于K类物体和背景的概率,此处根据检测类别的数目,设定K=7;bbox_pred层用于调整候选区域位置,输出4*K维数组,表示分别属于K类时,应该平移缩放的参数,对于每个类别都会训练一个单独的回归器。
loss_cls层评估分类代价Lcls,由真实分类u对应的概率pu决定:
Lcls=-log pu (1)
结合分类损失和回归损失,网络微调阶段总的损失函数为:
约定u=0为背景分类,背景候选区域即负样本不参与回归损失,不需要对候选区域进行回归操作;λ控制损失和回归损失的平衡,λ=1。
根据该损失函数利用随机梯度下降法训练网络,直至L收敛。
在Fast R-CNN网络中采用SVD分解加速全连接层计算;物体分类和窗口回归都是通过全连接层实现的,设全连接层输入数据为x,输出数据为y,全连接层参数为W,一次前向传播即为:
y=Wx (5)
将W进行SVD分解,那么原来的前向传播分解成两步:
y=Wx=U·(∑·VT)·x=U·z (6)
U和V均为中间变量,这种分解会大大减少计算量,从而实现全连接层加速计算。
图5是路面交通标志的检测结果示意图,可见在一般的路面条件下检测和识别效果良好。
综上,本发明提出了一种基于Fast R-CNN的交通标志检测与识别方法。该方法通过深度学习从样本中学习特征,能够提取到反映数据本质的隐性特征,具有更高的学习效率和识别精度,提高了检测算法的鲁棒性,有效提高了路面交通标志检测的准确性。能够很大程度缓解路面交通标志遮挡严重、磨损严重、形变严重、光照变化严重等因素带来的检测困难的问题。本文中的部分方法步骤和流程可能需要由计算机执行,从而以硬件、软件、固件及其任何组合的方式来实施。
上述仅为本发明的优选实施例,不是用来限制发明的实施与权利范围,凡依据本发明申请专利保护范围所述的内容做出的等效变化、修饰、替换等,均应包括在本发明申请专利范围内。本领域技术人员将认识到在不脱离本发明的范围和精神的情况下,可在更广阔的各方面中进行改变和修改。
Claims (1)
1.一种基于Fast R-CNN的路面交通标志识别方法,包括步骤:
进行图像采集和预处理,制作样本集;
将训练集输入,多任务训练Fast R-CNN网络;
将待识别图片输入Fast R-CNN网络,经过若干卷积层与池化层,得到特征图;
采用选择搜索(Selective Search)算法提取若干个候选框,根据原图中候选框到特征图映射关系,在特征图中找到每个候选框对应的特征框,并在ROI(感兴趣区域,Region ofInterest)池化层中将每个特征框池化到固定大小;
将所述特征框经过全连接层得到固定大小的特征向量,经由各自的全连接层,分别得到分类得分和窗口回归两个输出向量;
将所有结果通过非极大值抑制处理产生最终的目标检测和识别结果,交通标志得以识别;
所述图像采集的步骤具体包括:
开启车载行车记录仪,实时拍摄道路交通视频信息,选用行车记录仪拍摄的设定视频分辨率的视频图像;
对所拍摄的视频图像进行分帧处理,得到一个图像集合序列;
对图像集合进行筛选,从其中选取出现次数较多的7种路面交通标志;
所述图像预处理和样本集制作的步骤具体包括:
在选取的图像中,将目标区域取出,并缩放到固定的大小,为增强对比度,再将目标区域经过对比度增强处理,构成原始训练集,测试集采用同样的方式处理;
将原始训练集经过旋转[-12°,12°],缩放[0.4,1.6]后,加入原始数据集中组成新的训练集;
在新的数据集中随机取出与测试集数目相当的样本组成验证集,剩余的样本组成最终的训练集;
所选用的交通标志可以分为7类,分别为直行箭头、掉头箭头、向左箭头、向右箭头、直行向左箭头、直行向右箭头、菱形标线,分别编号表示为01,02,03,04,05,06,07,识别结果以此方式输出;
在VGG16的基础上,用ROI池化层取代VGG-16网络最后一层池化层,两个并行层取代上述VGG-16网络的最后一层全连接层和softmax层;
最终得到Fast R-CNN网络结构如下:包括13个卷积层,4个池化层,1个ROI池化层,2个全连接层和两个平级层;固定大小的图像样本经输入层输入网络;对于所有的卷积层,卷积核大小为3×3,步长为1;对于所有池化层,使用2×2采样尺寸,池化方式采用最大值池化;激活函数采用修正线性单元激活(ReLU,Rectified Linear Units)函数;原有的层参数要通过预训练方式初始化;用于分类的全连接层以均值为0,标准差为0.01的高斯分布初始化;用于回归的全连接层以均值为0,标准差为0.001的高斯分布初始化,偏置都初始化为0;
在调优训练时,首先加入N张完整图片,而后加入从N张图片中选取的R个候选框;同一图像的R/N个候选框卷积共享计算和内存,降低了运算开销;R个候选框的构成如下:与某个真值重叠在[0.5,1]的候选框我们定义为前景,占总量的25%;与真值重叠的最大值在[0.1,0.5)的候选框定义为背景,占总量的75%;
ROI池化层根据固定尺寸将每个特征框平均分割,对每块进行最大池化,可将特征图上大小不一的特征框转变为大小统一的数据,送入下一层;
Fast R-CNN网络进行多任务训练,其中cls_score层用于分类,输出K+1维数组p,表示属于K类物体和背景的概率,此处根据检测类别的数目,设定K=7;bbox_pred层用于调整候选区域位置,输出4*K维数组,表示分别属于K类时,应该平移缩放的参数,对于每个类别都会训练一个单独的回归器;
loss_cls层评估分类代价Lcls,由真实分类u对应的概率pu决定:
Lcls=-logpu (1)
结合分类损失和回归损失,网络微调阶段总的损失函数为:
约定u=0为背景分类,背景候选区域即负样本不参与回归损失,不需要对候选区域进行回归操作;λ控制损失和回归损失的平衡,λ=1;
根据该损失函数利用随机梯度下降法训练网络,直至L收敛;
在Fast R-CNN网络中采用SVD分解加速全连接层计算;物体分类和窗口回归都是通过全连接层实现的,设全连接层输入数据为x,输出数据为y,全连接层参数为W,一次前向传播即为:
y=Wx (5)
将W进行SVD分解,那么原来的前向传播分解成两步:
y=Wx=U·(∑·VT)·x=U·z (6)
U和V均为中间变量,这种分解会大大减少计算量,从而实现全连接层加速计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421849.XA CN107301383B (zh) | 2017-06-07 | 2017-06-07 | 一种基于Fast R-CNN的路面交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421849.XA CN107301383B (zh) | 2017-06-07 | 2017-06-07 | 一种基于Fast R-CNN的路面交通标志识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301383A CN107301383A (zh) | 2017-10-27 |
CN107301383B true CN107301383B (zh) | 2020-11-24 |
Family
ID=60134793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710421849.XA Active CN107301383B (zh) | 2017-06-07 | 2017-06-07 | 一种基于Fast R-CNN的路面交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301383B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108874445A (zh) * | 2017-10-30 | 2018-11-23 | 上海寒武纪信息科技有限公司 | 神经网络处理器及使用处理器执行向量点积指令的方法 |
CN107909044B (zh) * | 2017-11-22 | 2020-04-28 | 天津大学 | 一种结合卷积神经网络和轨迹预测的人数统计方法 |
CN108009581A (zh) * | 2017-11-30 | 2018-05-08 | 中国地质大学(武汉) | 一种基于cnn的裂纹识别方法、设备及存储设备 |
CN108095746A (zh) * | 2017-12-21 | 2018-06-01 | 安徽省星灵信息科技有限公司 | 一种自动束光器及自动束光*** |
CN108275524B (zh) * | 2018-01-12 | 2019-08-09 | 东北大学 | 一种基于第一视角视频序列操作评估的电梯维保操作监测与指导装置 |
CN108346144B (zh) * | 2018-01-30 | 2021-03-16 | 哈尔滨工业大学 | 基于计算机视觉的桥梁裂缝自动监测与识别方法 |
CN108416270B (zh) * | 2018-02-06 | 2021-07-06 | 南京信息工程大学 | 一种基于多属性联合特征的交通标志识别方法 |
CN108388641B (zh) * | 2018-02-27 | 2022-02-01 | 广东方纬科技有限公司 | 一种基于深度学习的交通设施地图生成方法与*** |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN108694829B (zh) * | 2018-03-27 | 2021-08-13 | 西安科技大学 | 基于无人机群移动平台的交通流量识别监测网络和方法 |
CN108491889A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市易成自动驾驶技术有限公司 | 图像语义分割方法、装置及计算机可读存储介质 |
CN110390344B (zh) * | 2018-04-19 | 2021-10-26 | 华为技术有限公司 | 备选框更新方法及装置 |
CN108520286A (zh) * | 2018-04-24 | 2018-09-11 | 青岛科技大学 | 基于卷积神经和候选区域的红外暗弱光小目标检测*** |
CN108776834B (zh) * | 2018-05-07 | 2021-08-06 | 上海商汤智能科技有限公司 | ***增强学习方法和装置、电子设备、计算机存储介质 |
CN110555877B (zh) * | 2018-05-31 | 2022-05-31 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备、可读介质 |
CN108960308A (zh) * | 2018-06-25 | 2018-12-07 | 中国科学院自动化研究所 | 交通标志识别方法、装置、车载终端及车辆 |
CN109214441A (zh) * | 2018-08-23 | 2019-01-15 | 桂林电子科技大学 | 一种细粒度车型识别***及方法 |
US11996105B2 (en) | 2018-09-13 | 2024-05-28 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
CN109492661B (zh) * | 2018-09-27 | 2021-08-13 | 桂林电子科技大学 | 基于wwcnn模型和tvpde算法的交通标志识别方法 |
CN111222387B (zh) * | 2018-11-27 | 2023-03-03 | 北京嘀嘀无限科技发展有限公司 | 对象检测的***和方法 |
CN109559536B (zh) * | 2018-12-10 | 2021-06-08 | 百度在线网络技术(北京)有限公司 | 交通灯、交通灯识别方法、装置、设备及存储介质 |
CN109636881A (zh) * | 2018-12-19 | 2019-04-16 | 沈阳天择智能交通工程有限公司 | 基于ai识别技术道路交通事故现场草图绘制方法 |
CN109858372B (zh) * | 2018-12-29 | 2021-04-27 | 浙江零跑科技有限公司 | 一种车道级精度自动驾驶结构化数据分析方法 |
CN109886279B (zh) * | 2019-01-24 | 2023-09-29 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110188705B (zh) * | 2019-06-02 | 2022-05-06 | 东北石油大学 | 一种适用于车载***的远距离交通标志检测识别方法 |
CN110163187B (zh) * | 2019-06-02 | 2022-09-02 | 东北石油大学 | 基于f-rcnn的远距离交通标志检测识别方法 |
CN110312103A (zh) * | 2019-07-06 | 2019-10-08 | 辽宁大学 | 一种基于云计算平台的高速设备防盗监控视频处理方法 |
CN112329497A (zh) * | 2019-07-18 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及设备 |
CN112784084B (zh) * | 2019-11-08 | 2024-01-26 | 阿里巴巴集团控股有限公司 | 一种图像处理方法、装置以及电子设备 |
CN111160336B (zh) * | 2019-12-09 | 2024-07-12 | 平安科技(深圳)有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN111126571B (zh) * | 2019-12-25 | 2023-07-14 | 福建天晴数码有限公司 | 基于dht网络的r-cnn网络优化方法、存储介质 |
CN111401466A (zh) * | 2020-03-26 | 2020-07-10 | 广州紫为云科技有限公司 | 一种交通标志检测与识别标注方法、装置和计算机设备 |
CN111444976A (zh) * | 2020-04-02 | 2020-07-24 | Oppo广东移动通信有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
CN111814873A (zh) * | 2020-07-07 | 2020-10-23 | 广州市运通水务有限公司 | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 |
CN112929665A (zh) * | 2021-01-28 | 2021-06-08 | 北京博雅慧视智能技术研究院有限公司 | 联合超分辨率和视频编码的目标跟踪方法、装置、设备及介质 |
CN113344880A (zh) * | 2021-06-09 | 2021-09-03 | 浙江国研智能电气有限公司 | 基于Fast-RCNN的低压电器移印图案缺陷检测方法 |
CN116901975B (zh) * | 2023-09-12 | 2023-11-21 | 深圳市九洲卓能电气有限公司 | 一种车载ai安防监控***及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120016461A (ko) * | 2010-08-16 | 2012-02-24 | 주식회사 이미지넥스트 | 도로 표식 인식 시스템 및 방법 |
CN104766042A (zh) * | 2014-01-06 | 2015-07-08 | 现代摩比斯株式会社 | 交通标志板识别方法及装置 |
CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
CN106295707A (zh) * | 2016-08-17 | 2017-01-04 | 北京小米移动软件有限公司 | 图像识别方法和装置 |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372577A (zh) * | 2016-08-23 | 2017-02-01 | 北京航空航天大学 | 一种基于深度学习的交通标志自动识别与标注方法 |
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
-
2017
- 2017-06-07 CN CN201710421849.XA patent/CN107301383B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120016461A (ko) * | 2010-08-16 | 2012-02-24 | 주식회사 이미지넥스트 | 도로 표식 인식 시스템 및 방법 |
CN104766042A (zh) * | 2014-01-06 | 2015-07-08 | 现代摩比斯株式会社 | 交通标志板识别方法及装置 |
CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
CN106295707A (zh) * | 2016-08-17 | 2017-01-04 | 北京小米移动软件有限公司 | 图像识别方法和装置 |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
Non-Patent Citations (2)
Title |
---|
Fast R-CNN论文详解;xuanyuyt;《博客园》;20161222;第1-6页 * |
Road Surface Traffic Sign Detection with Hybrid Region Proposal and Fast R-CNN;Rongqiang Q. 等;《2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》;20161024;第555-559页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107301383A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301383B (zh) | 一种基于Fast R-CNN的路面交通标志识别方法 | |
US11734786B2 (en) | Low- and high-fidelity classifiers applied to road-scene images | |
CN108875608B (zh) | 一种基于深度学习的机动车交通信号识别方法 | |
Zhang et al. | DAGN: A real-time UAV remote sensing image vehicle detection framework | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
US20170206434A1 (en) | Low- and high-fidelity classifiers applied to road-scene images | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN108280460B (zh) | 基于改进卷积神经网络的sar车辆目标识别方法 | |
Hoang et al. | Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning | |
CN111738055B (zh) | 多类别文本检测***和基于该***的票据表单检测方法 | |
CN106815323B (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
CN109658442B (zh) | 多目标跟踪方法、装置、设备及计算机可读存储介质 | |
Wang et al. | Spatial attention for multi-scale feature refinement for object detection | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN113205026B (zh) | 一种基于Faster RCNN深度学习网络改进的车型识别方法 | |
Rafique et al. | Smart traffic monitoring through pyramid pooling vehicle detection and filter-based tracking on aerial images | |
Xing et al. | Traffic sign recognition using guided image filtering | |
WO2023284255A1 (en) | Systems and methods for processing images | |
Liao et al. | Unsupervised cluster guided object detection in aerial images | |
CN114037640A (zh) | 图像生成方法及装置 | |
Zang et al. | Traffic lane detection using fully convolutional neural network | |
Asgarian Dehkordi et al. | Vehicle type recognition based on dimension estimation and bag of word classification | |
Dorbe et al. | FCN and LSTM based computer vision system for recognition of vehicle type, license plate number, and registration country | |
CN112949453A (zh) | 烟火检测模型的训练方法、烟火检测方法及设备 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |