CN108734123B - 高速公路标志识别方法、电子设备、存储介质及*** - Google Patents

高速公路标志识别方法、电子设备、存储介质及*** Download PDF

Info

Publication number
CN108734123B
CN108734123B CN201810478622.3A CN201810478622A CN108734123B CN 108734123 B CN108734123 B CN 108734123B CN 201810478622 A CN201810478622 A CN 201810478622A CN 108734123 B CN108734123 B CN 108734123B
Authority
CN
China
Prior art keywords
image
traffic sign
feature
gradient
integral
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
Application number
CN201810478622.3A
Other languages
English (en)
Other versions
CN108734123A (zh
Inventor
曾辉
魏绍炎
王智超
张健
李雅琼
邸忆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuchang University of Technology
Original Assignee
Wuchang University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuchang University of Technology filed Critical Wuchang University of Technology
Priority to CN201810478622.3A priority Critical patent/CN108734123B/zh
Publication of CN108734123A publication Critical patent/CN108734123A/zh
Application granted granted Critical
Publication of CN108734123B publication Critical patent/CN108734123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供高速公路标志识别方法，包括步骤：获取待识别图像，多尺度缩放图像，生成特征图像，滑动遍历图像，获取高速公路交通标志的RGB图像和深度图像；将深度图像的深度信息映射至RGB图像，生成融合图像，对融合图像进行多尺度缩放，生成若干缩放图像；计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像，采用特征选择分类器选择积分图像的特征，生成选择特征图像；通过滑动窗口对选择特征图像进行遍历，识别滑动窗口内的交通标志。本发明还涉及存储介质、电子设备、高速公路标志识别***，本发明采用自动图像识别的方式对高速公路交通标志自动判别，提高了车辆在高速公路行驶过程中的交通标志识别的工作效率及识别精度。

Description

高速公路标志识别方法、电子设备、存储介质及***
技术领域
本发明涉及交通标志识别技术领域，尤其涉及高速公路标志识别方法、电子设备、存储介质及***。
背景技术
随着科学的进步、城市化的发展，高速公路上机动车数量和出行人数大量增加，高速交通安全问题变得日益突出。智能交通***有着广泛的经济效益和深远的社会影响力。交通标志识别***作为智能车辆的重要子***，已经成为半自动和自动车辆重要组成部分。高速公路的交通标志识别实时性要求较高，进行交通标志检测时，输入的图像为车辆在高速公路行驶过程中拍摄的视频，现有的高速公路交通标志识别存在以下问题：高速公路行驶过程中拍摄的视频包含大量的环境信息，在背景混杂的环境中无法对交通标志进行稳定有效的检测；交通标志普遍较小，种类繁多，标志差别大，增加了检测难度；室外场景光照、遮挡情况经常发生，也增加了检测难度；拍摄的图像较大，分辨率较高，处理图像耗费大量的时间，导致实时性差。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供高速公路标志识别方法，采用自动图像识别的方式对高速公路的交通标志自动判别，提高了车辆在高速公路行驶过程中的交通标志识别的工作效率以及识别精度。
本发明提供高速公路标志识别方法，包括以下步骤：
获取待识别图像，获取高速公路交通标志的RGB图像和深度图像；
多尺度缩放图像，将所述深度图像的深度信息映射至所述RGB图像，生成融合图像，对所述融合图像进行多尺度缩放，生成若干缩放图像；
生成特征图像，计算所述缩放图像的包含颜色信息和梯度信息的特征图像，计算所述特征图像的积分图像，将所述积分图像的特征作为特征选择分类器的输入，生成选择特征图像；
滑动遍历图像，通过滑动窗口对所述选择特征图像进行遍历，识别滑动窗口内的交通标志。
进一步地，还包括步骤提取交通标志区域：将所述选择特征图像沿宽度方向分割成若干子区域，遍历每一所述子区域，计算所述子区域的梯度幅值与梯度角度，计算每一所述子区域中梯度角度在±1°至±6°的梯度幅值和，生成所述选择特征图像内交通标志区域。
进一步地，所述步骤提取交通标志区域还包括：采用深度值对所述交通标志区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，生成优化交通标志区域。
进一步地，所述步骤生成特征图像还包括采用插值算法估计不同尺度的所述缩放图像的梯度积分特征，根据所述梯度积分特征生成所述积分图像，采用层数递增的特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像。
进一步地，还包括步骤上下文信息检测，将所述融合图像的空间上下文信息和时间上下文信息输入所述特征选择分类器，选出重叠方框中特征分数最高的交通标志。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行上述高速公路标志识别方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述高速公路标志识别方法。
高速公路标志识别***，包括：
获取待识别图像模块：用于获取高速公路交通标志的RGB图像和深度图像；
多尺度缩放图像模块：用于将所述深度图像的深度信息映射至所述RGB图像，生成融合图像，对所述融合图像进行多尺度缩放，生成若干缩放图像；
生成特征图像模块：用于计算所述缩放图像的包含颜色信息和梯度信息的特征图像，计算所述特征图像的积分图像，将所述积分图像的特征作为特征选择分类器的输入，生成选择特征图像；
滑动遍历图像模块：用于通过滑动窗口对所述选择特征图像进行遍历，识别滑动窗口内的交通标志。
进一步地，还包括提取交通标志区域模块：用于将所述选择特征图像沿宽度方向分割成若干子区域，遍历每一所述子区域，计算所述子区域的梯度幅值与梯度角度，计算每一所述子区域中梯度角度在±1°至±6°的梯度幅值和，生成所述选择特征图像内交通标志区域；所述提取交通标志区域模块还包括采用深度值对所述交通标志区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，生成优化交通标志区域。
进一步地，所述生成特征图像模块还包括采用插值算法估计不同尺度的所述缩放图像的梯度积分特征，根据所述梯度积分特征生成所述积分图像，采用层数递增的特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像；还包括上下文信息检测模块：用于将所述融合图像的空间上下文信息和时间上下文信息输入所述特征选择分类器，选出重叠方框中特征分数最高的交通标志。
相比现有技术，本发明的有益效果在于：
本发明提供高速公路标志识别方法，包括步骤：获取待识别图像，多尺度缩放图像，生成特征图像，滑动遍历图像，获取高速公路交通标志的RGB图像和深度图像；将深度图像的深度信息映射至RGB图像，生成融合图像，对融合图像进行多尺度缩放，生成若干缩放图像；计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像，将积分图像的特征作为特征选择分类器的输入，生成选择特征图像；通过滑动窗口对选择特征图像进行遍历，识别滑动窗口内的交通标志。本发明还涉及存储介质、电子设备、高速公路标志识别***，本发明采用自动图像识别的方式对高速公路的交通标志自动判别，提高了车辆在高速公路行驶过程中的交通标志识别的工作效率以及识别精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的高速公路标志识别方法流程图；
图2为本发明的高速公路标志识别***结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
高速公路标志识别方法，如图1所示，包括以下步骤：
获取待识别图像，获取高速公路交通标志的RGB图像和深度图像；本实施例中，获取工业相机采集的RGB图像，获取深度相机采集的深度图像，RGB图像与深度图像为同一时刻同一目标采集的图像。图像获取时，工业相机与深度相机为相同采集尺寸，同时刻采集同一位置图像，为保持两相机采集图像尽量消除视觉角度差，工业相机与深度相机呈垂直上下布局，镜头方向为水平方向。
多尺度缩放图像，将深度图像的深度信息映射至RGB图像，生成融合图像，对融合图像进行多尺度缩放，生成若干缩放图像。
生成特征图像，计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像，将积分图像的特征作为特征选择分类器的输入，生成选择特征图像；在一实施例中，将原始RGB图像进行颜色变换为耦合度较低的LUV空间，计算得到3张颜色特征图像，6张不同方向的梯度特征图像，l张包含梯度大小的梯度图像；计算每张特征图像对应的积分图像；随机选取任意一张特征图像，任意位置，任意大小的矩形框，通过积分图快速计算矩形框中积分值得到l维特征。采用Adaboost算法进行特征选择，通过若干弱分类器的加权和得到最后的分数，生成强分类器，进行二分类，实现在实际检测时只使用少量的特征而完成检测。
在一实施例中，还包括步骤提取交通标志区域：将选择特征图像沿宽度方向分割成若干子区域，遍历每一子区域，计算子区域的梯度幅值与梯度角度，计算每一子区域中梯度角度在±1°至±6°的梯度幅值和，生成选择特征图像内交通标志区域。步骤提取交通标志区域还包括：采用深度值对交通标志区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，生成优化交通标志区域，其中，深度值为校验信息，由于背景中的深度值变化为非线性变化，交通标志上沿长度方向上的深度值为连续变化或保持不变，故对深度值进行二阶求导，当深度值变化率二阶导为零值时，则辅助验证区域提取的交通标志区域的正确性。
在一实施例中，梯度的信息不具有尺度不变性，在放缩尺寸不同的图像中，无法直接估计出相同区域内梯度积分值的比例关系，优选的，步骤生成特征图像还包括采用插值算法估计不同尺度的缩放图像的梯度积分特征，根据梯度积分特征生成积分图像；放大原始图像为上采样图像，缩小原始图像为降采样图像，上采样图像和降采样图像的积分梯度信息估计公式如下：
Figure BDA0001665137800000061
其中，I为原始图像；F(I,S)为原始图像缩放k＝2S之后，梯度积分特征估计公式；当S>0，k>1表示上采样图像；当S<0，k<1表示降采样图像。
在一实施例中，优选的，步骤生成特征图像还包括采用层数递增的特征选择分类器对积分图像的特征进行选择，生成选择特征图像。为了处理有巨大数量负样本的交通标志检测任务，先用简单的分类器对样本进行粗过滤，滤除明显不是标志的样本；再用复杂的分类器进行细过滤。具体地，采用最大层数为T的Adaboost分类器，通过层数递增的Adaboost分类器，增加分类器的复杂程度及分类能力，使得大量负样本在早期被拒绝。
滑动遍历图像，通过滑动窗口对选择特征图像进行遍历，检测滑动窗口内的交通标志。
在一实施例中，空间上下文信息包括位置、大小、宽度；时间上下文信息为当前帧需要检测的原始图像内某滑动窗口的图像、横轴坐标、纵轴坐标和宽度，优选的，还包括步骤上下文信息检测，将融合图像的空间上下文信息和时间上下文信息输入特征选择分类器，选出重叠方框中特征分数最高的交通标志。
一种电子设备，包括：处理器；存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行上述高速公路标志识别方法；一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行上述高速公路标志识别方法。
高速公路标志识别***，如图2所示，包括：
获取待识别图像模块获取高速公路交通标志的RGB图像和深度图像，本实施例中，获取待识别图像获取工业相机采集的RGB图像，获取深度相机采集的深度图像，RGB图像与深度图像为同一时刻同一目标采集的图像。
多尺度缩放图像模块将深度图像的深度信息映射至RGB图像，生成融合图像，对融合图像进行多尺度缩放，生成若干缩放图像。
生成特征图像模块计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像，将积分图像的特征作为特征选择分类器的输入，生成选择特征图像；在一实施例中，生成特征图像模块将原始RGB图像进行颜色变换为耦合度较低的LUV空间，计算得到3张颜色特征图像，6张不同方向的梯度特征图像，l张包含梯度大小的梯度图像；计算每张特征图像对应的积分图像；随机选取任意一张特征图像，任意位置，任意大小的矩形框，通过积分图快速计算矩形框中积分值得到l维特征。生成特征图像模块采用Adaboost算法进行特征选择，通过若干弱分类器的加权和得到最后的分数，生成强分类器，进行二分类，实现在实际检测时只使用少量的特征而完成检测。
在一实施例中，还包括提取交通标志区域模块：将选择特征图像沿宽度方向分割成若干子区域，遍历每一子区域，计算子区域的梯度幅值与梯度角度，计算每一子区域中梯度角度在±1°至±6°的梯度幅值和，生成选择特征图像内交通标志区域。提取交通标志区域模块还包括：采用深度值对交通标志区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，生成优化交通标志区域，其中，深度值为校验信息，由于背景中的深度值变化为非线性变化，交通标志上沿长度方向上的深度值为连续变化或保持不变，故对深度值进行二阶求导，当深度值变化率二阶导为零值时，则辅助验证区域提取的交通标志区域的正确性。
在一实施例中，梯度的信息不具有尺度不变性，在放缩尺寸不同的图像中，无法直接估计出相同区域内梯度积分值的比例关系，优选的，生成特征图像模块还包括采用插值算法估计不同尺度的缩放图像的梯度积分特征，根据梯度积分特征生成积分图像；放大原始图像为上采样图像，缩小原始图像为降采样图像，上采样图像和降采样图像的积分梯度信息估计公式如下：
Figure BDA0001665137800000081
其中，I为原始图像；F(I,S)为原始图像缩放k＝2S之后，梯度积分特征估计公式；当S>0，k>1表示上采样图像；当S<0，k<1表示降采样图像。
在一实施例中，优选的，生成特征图像模块采用层数递增的特征选择分类器对积分图像的特征进行选择，生成选择特征图像。为了处理有巨大数量负样本的交通标志检测任务，选择特征图像模块先用简单的分类器对样本进行粗过滤，滤除明显不是标志的样本；再用复杂的分类器进行细过滤。具体地，采用最大层数为T的Adaboost分类器，通过层数递增的Adaboost分类器，增加分类器的复杂程度及分类能力，使得大量负样本在早期被拒绝。
滑动遍历图像模块通过滑动窗口对选择特征图像进行遍历，检测滑动窗口内的交通标志。
在一实施例中，空间上下文信息包括位置、大小、宽度；时间上下文信息为当前帧需要检测的原始图像内某滑动窗口的图像、横轴坐标、纵轴坐标和宽度，优选的，还包括上下文信息检测模块将融合图像的空间上下文信息和时间上下文信息输入特征选择分类器，选出重叠方框中特征分数最高的交通标志。
本发明提供高速公路标志识别方法，包括步骤：获取待识别图像，多尺度缩放图像，生成特征图像，滑动遍历图像，获取高速公路交通标志的RGB图像和深度图像；将深度图像的深度信息映射至RGB图像，生成融合图像，对融合图像进行多尺度缩放，生成若干缩放图像；计算缩放图像的包含颜色信息和梯度信息的特征图像，计算特征图像的积分图像，将积分图像的特征作为特征选择分类器的输入，生成选择特征图像；通过滑动窗口对选择特征图像进行遍历，识别滑动窗口内的交通标志。本发明还涉及存储介质、电子设备、高速公路标志识别***，本发明采用自动图像识别的方式对高速公路的交通标志自动判别，提高了车辆在高速公路行驶过程中的交通标志识别的工作效率以及识别精度。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (7)

1.高速公路标志识别方法，其特征在于包括以下步骤：
获取待识别图像，获取高速公路交通标志的RGB图像和深度图像；
多尺度缩放图像，将所述深度图像的深度信息映射至所述RGB图像，生成融合图像，对所述融合图像进行多尺度缩放，生成若干缩放图像；
生成特征图像，计算所述缩放图像的包含颜色信息和梯度信息的特征图像，计算所述特征图像的积分图像，将所述积分图像的特征作为特征选择分类器的输入，生成选择特征图像；
滑动遍历图像，通过滑动窗口对所述选择特征图像进行遍历，识别滑动窗口内的交通标志；
还包括步骤提取交通标志区域：将所述选择特征图像沿宽度方向分割成若干子区域，遍历每一所述子区域，计算所述子区域的梯度幅值与梯度角度，计算每一所述子区域中梯度角度在±1°至±6°的梯度幅值和，生成所述选择特征图像内交通标志区域；
所述步骤提取交通标志区域还包括：采用深度值对所述交通标志区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，生成优化交通标志区域。
2.如权利要求1所述的高速公路标志识别方法，其特征在于：所述步骤生成特征图像还包括采用插值算法估计不同尺度的所述缩放图像的梯度积分特征，根据所述梯度积分特征生成所述积分图像，采用层数递增的特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像。
3.如权利要求2所述的高速公路标志识别方法，其特征在于：还包括步骤上下文信息检测，将所述融合图像的空间上下文信息和时间上下文信息输入所述特征选择分类器，选出重叠方框中特征分数最高的交通标志。
4.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行权利要求1-3任意一项所述的方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1-3任意一项所述的方法。
6.高速公路标志识别***，其特征在于包括：
获取待识别图像模块：用于获取高速公路交通标志的RGB图像和深度图像；
多尺度缩放图像模块：用于将所述深度图像的深度信息映射至所述RGB图像，生成融合图像，对所述融合图像进行多尺度缩放，生成若干缩放图像；
生成特征图像模块：用于计算所述缩放图像的包含颜色信息和梯度信息的特征图像，计算所述特征图像的积分图像，将所述积分图像的特征作为特征选择分类器的输入，生成选择特征图像；
滑动遍历图像模块：用于通过滑动窗口对所述选择特征图像进行遍历，识别滑动窗口内的交通标志；
还包括提取交通标志区域模块：用于将所述选择特征图像沿宽度方向分割成若干子区域，遍历每一所述子区域，计算所述子区域的梯度幅值与梯度角度，计算每一所述子区域中梯度角度在±1°至±6°的梯度幅值和，生成所述选择特征图像内交通标志区域；所述提取交通标志区域模块还包括采用深度值对所述交通标志区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，生成优化交通标志区域。
7.如权利要求6所述的高速公路标志识别***，其特征在于：所述生成特征图像模块还包括采用插值算法估计不同尺度的所述缩放图像的梯度积分特征，根据所述梯度积分特征生成所述积分图像，采用层数递增的特征选择分类器对所述积分图像的特征进行选择，生成选择特征图像；还包括上下文信息检测模块：用于将所述融合图像的空间上下文信息和时间上下文信息输入所述特征选择分类器，选出重叠方框中特征分数最高的交通标志。
CN201810478622.3A 2018-05-18 2018-05-18 高速公路标志识别方法、电子设备、存储介质及*** Active CN108734123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810478622.3A CN108734123B (zh) 2018-05-18 2018-05-18 高速公路标志识别方法、电子设备、存储介质及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810478622.3A CN108734123B (zh) 2018-05-18 2018-05-18 高速公路标志识别方法、电子设备、存储介质及***

Publications (2)

Publication Number Publication Date
CN108734123A CN108734123A (zh) 2018-11-02
CN108734123B true CN108734123B (zh) 2021-09-17

Family

ID=63937626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810478622.3A Active CN108734123B (zh) 2018-05-18 2018-05-18 高速公路标志识别方法、电子设备、存储介质及***

Country Status (1)

Country Link
CN (1) CN108734123B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110096981A (zh) * 2019-04-22 2019-08-06 长沙千视通智能科技有限公司 一种基于深度学习的视频大数据交通场景分析方法
CN110097600B (zh) * 2019-05-17 2021-08-06 百度在线网络技术（北京）有限公司 用于识别交通标志牌的方法及装置
CN111768415A (zh) * 2020-06-15 2020-10-13 哈尔滨工程大学 一种无量化池化的图像实例分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390167A (zh) * 2013-07-18 2013-11-13 奇瑞汽车股份有限公司 一种多特征的分层交通标志识别方法
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
CN107239730A (zh) * 2017-04-17 2017-10-10 同济大学 智能汽车交通标志识别的四元数深度神经网络模型方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8509526B2 (en) * 2010-04-13 2013-08-13 International Business Machines Corporation Detection of objects in digital images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390167A (zh) * 2013-07-18 2013-11-13 奇瑞汽车股份有限公司 一种多特征的分层交通标志识别方法
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
CN107239730A (zh) * 2017-04-17 2017-10-10 同济大学 智能汽车交通标志识别的四元数深度神经网络模型方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
支持无人驾驶车辆的交通标志检测;俞凌;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160715(第7期);第3.1-3.2节 *

Also Published As

Publication number Publication date
CN108734123A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
EP3036730B1 (en) Traffic light detection
CN106971185B (zh) 一种基于全卷积网络的车牌定位方法及装置
CN107392139B (zh) 一种基于霍夫变换的车道线检测方法及终端设备
Cui et al. Vehicle localisation using a single camera
CN108734123B (zh) 高速公路标志识别方法、电子设备、存储介质及***
CN106934806B (zh) 一种基于结构清晰度的无参考图失焦模糊区域分割方法
JP2013529348A (ja) 種々の交通標識を検出及び認識する照明不変且つロバストな装置及び方法
CN110491132A (zh) 基于视频帧图片分析的车辆违停检测方法及装置
CN109034136A (zh) 图像处理方法、装置、摄像设备及存储介质
CN114926747A (zh) 一种基于多特征聚合与交互的遥感图像定向目标检测方法
Sebanja et al. Automatic detection and recognition of traffic road signs for intelligent autonomous unmanned vehicles for urban surveillance and rescue
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN106803073B (zh) 基于立体视觉目标的辅助驾驶***及方法
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN114067186B (zh) 一种行人检测方法、装置、电子设备及存储介质
CN109977862B (zh) 一种车位限位器的识别方法
CN107818583A (zh) 十字中心检测方法及装置
CN110733416A (zh) 一种基于逆透视变换的车道偏离预警方法
CN106778777A (zh) 一种车辆匹配方法及***
JP5201184B2 (ja) 画像処理装置及びプログラム
CN113255555A (zh) 中国交通标志牌识别方法、***、处理设备及存储介质
Gao et al. Vehicle detection based on color and edge information
CN114821194B (zh) 一种设备运行状态识别方法及装置
CN202771439U (zh) 基于matlab交通标志自动识别装置
Kiran et al. Automatic hump detection and 3D view generation from a single road image

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