CN109214434A - 一种交通标志检测方法及装置 - Google Patents

一种交通标志检测方法及装置 Download PDF

Info

Publication number
CN109214434A
CN109214434A CN201810947677.4A CN201810947677A CN109214434A CN 109214434 A CN109214434 A CN 109214434A CN 201810947677 A CN201810947677 A CN 201810947677A CN 109214434 A CN109214434 A CN 109214434A
Authority
CN
China
Prior art keywords
traffic sign
connection area
target
sign detection
module
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.)
Pending
Application number
CN201810947677.4A
Other languages
English (en)
Inventor
毛艺凡
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.)
Shanghai Huizhou Intelligent Technology Co Ltd
Original Assignee
Shanghai Huizhou Intelligent Technology Co Ltd
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 Shanghai Huizhou Intelligent Technology Co Ltd filed Critical Shanghai Huizhou Intelligent Technology Co Ltd
Priority to CN201810947677.4A priority Critical patent/CN109214434A/zh
Publication of CN109214434A publication Critical patent/CN109214434A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本发明涉及计算机视觉和机器学***台，运算量小，响应速度快，提高检测和识别的效率。

Description

一种交通标志检测方法及装置
技术领域
本发明涉及计算机视觉和机器学习领域，尤其是一种交通标志检测方法及装置。
背景技术
交通标志主要包括限行、限速、限高、限宽、限重等43种，其具有同一的规格，并且在图像上有明显的特征。现有交通标志的检测分为定位和识别两步，交通标志检测分为传统方法和深度学习方法。传统定位方法大致可分为以下几步：首先基于HSV颜色空间提取图像中的红色区域，再使用高斯模糊做预处理，最后使用Hough变换寻找圆环。定位之后可以使用SVM分类器或神经网络分类器做分类。基于深度学习的方法通常在一个网络中同时完成定位和识别。
但是传统的方法存在一下问题：定位不准确，机器学***台，对平台的性能要求较高。
发明内容
针对现有技术中的缺陷，本发明提供一种交通标志检测方法及装置克服了现有技术的不足，提高定位的准确度，适应于MTK6375平台。
为了实现上述目的，第一方面，本发明提供的一种交通标志检测方法，包括如下步骤：
在图像中提取交通标志可能出现的联通区；
计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除；
对剩余的联通区进行二分类得到交通标志目标；
将所述交通标志目标进行区分得到不同种类的交通标志。
作为本申请一种优选的实施方式，所述交通标志检测方法还包括：
将所述联通区中不必要的联通区进行剔除，完成对所述联通区的初步筛选。
作为本申请一种优选的实施方式，将所述联通区中不必要的联通区进行剔除具体包括：
获取联通区的外包矩形框与交通标志的外包矩形框的重叠区域占比面积的比率；
基于所述比率、联通区的外包矩形框和交通标志的外包矩形框的拓扑关系将不必要的联通区进行剔除。
作为本申请一种优选的实施方式，在图像中提取交通标志可能出现的联通区具体包括：
若在所述图像中某一区域中所有像素点RGB的值相近，且相对于所述图像的其他区域具有明显边界，则将所述像素点RGB的值相近的区域作为联通区。
作为本申请一种优选的实施方式，所述联通区采用最稳定极值的方法进行提取。
作为本申请一种优选的实施方式，计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除具体包括：
将所述图像进行二值化处理，得到二值图像；
根据交通标志的形状设置与所述交通标志的形状相同的模板；
计算所述模板与所述二值图像间的欧式距离，根据计算结果对错误的联通区进行剔除。
作为本申请一种优选的实施方式，对剩余的联通区进行二分类得到交通标志目标具体包括：
利用神经网络对剩余的联通区进行二分类得到交通标志目标。
第二方面，本发明提供的一种交通标志检测装置包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明的第一方面中所述的交通标志检测方法的步骤。
第二方面，本发明提供的一种交通标志检测装置包括联通区提取模块、联通区筛选模块、二分类模块和交通标志目标识别模块；所述联通区提取模块在图像中提取交通标志可能出现的联通区；所述联通区筛选模块计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除；所述二分类模块对剩余的联通区进行二分类得到交通标志目标；所述目标分类模块将所述交通标志目标进行区分得到不同种类的交通标志。
本发明的有益效果是：本发明提供一种交通标志检测方法及装置，克服了现有技术的不足，提高了对交通标志定位的准确度，适应于MTK6375平台，运算量小，响应速度快，提高检测和识别的效率。
附图说明
图1为本发明第一实施例交通标志检测方法的流程图；
图2为本发明第二实施例交通标志检测方法的流程图；
图3为本发明第三实施例交通标志检测装置的框图；
图4为本发明第三实施例交通标志检测装置的框图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
如图1所示，本发明的第一实施例所示出的交通标志检测方法，包括如下步骤：
S101，在图像中提取交通标志可能出现的联通区。
S102，计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除。
S103，对剩余的联通区进行二分类得到交通标志目标。
S104，将所述交通标志目标进行区分得到不同种类的交通标志。
本实施例中所提供的交通标志检测方法，克服了现有技术的不足，提高了对交通标志定位的准确度，适应于MTK6375平台，运算量小，响应速度快，提高检测和识别的效率。
如图2所示，本发明的第二实施例所示出的交通标志检测方法，包括如下步骤：
S201，获取终端设备采集的图像。
其中，所述终端设备包括行车记录仪，所述行车记录仪可在车辆行驶的过程中对交通标志进行图像采集。需要进行说明的是，在本发明的另外的一个或者一些实施例中，在对交通标志进行图像采集的过程中还可以应用其他的设备进行采集，在此就不一一进行列举。
S202，在图像中提取交通标志可能出现的联通区。
若在所述图像中某一区域中所有像素点RGB的值相近，且相对于所述图像的其他区域具有明显边界，则将所述像素点RGB的值相近的区域作为联通区。由于在图像上同一个交通标志的所有像素点RGB值相近，同时交通标志相对背景有明显的边界，可以看作是一个联通区。并且可采用最稳定极值(MSER)方法提取出交通标志可能出现的联通区。
S203，将所述联通区中不必要的联通区进行剔除，完成对所述联通区的初步筛选。
具体的，由于MSER方法提取的联通区有重叠部分，在实际的应用过程中需要将所述重叠的部分进行剔除。进一步地，这些区域的外包矩形框被包含在正确的交通标志外包矩形框里面，两个矩形的重叠区域占总面积比率在一个特定的范围内，基于这个比率和外包矩形的拓扑关系对交通标志进行初步的筛选。
S204，计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除。
首先将所述图像进行二值化处理，得到二值图像；进一步地，对所述图像进行二值化处理为现有技术，为了不引起混淆在此不再赘述。然后根据交通标志的形状设置与所述交通标志的形状相同的模板；进一步地，由于目前所有的43类交通标志均为圆形交通标志，故采用模板匹配方法，根据所述圆形交通标志，预先设计一个环状的模板。最后计算环状的模板与所述二值图像间的欧式距离，若所述模板与所述二值图像间的欧式距离的值不低于阈值，则认定该联通区为错误的联通区，若所述模板与所述二值图像间的欧式距离的值低于阈值，则该联通区为正确的联通区。最后将错误的联通区进行剔除，保留正确的连通区即可完成对错误联通区的快速剔除。
S205，对剩余的联通区进行二分类得到交通标志目标。
本实施例中，可以通过计算复杂度更高的神经网络对剩下的联通区进行二分类即对联通区进行是与否的分类，最后得到交通标志目标。需要进行说明的是，步骤S201至步骤S205均可视为对交通标志的检测步骤。
S206，将所述交通标志目标进行区分得到不同种类的交通标志。
其中，在得到通标志目标后方可对所述交通标志目标进行识别，即本步骤为交通标志的识别步骤；进一步地，在提取出来的所述交通标志目标上进一步做分类；优选的，可以利用浅层的卷积神经网络进行分类，并采用了LeNet将交通标志分为43类。
如图3所示，本发明的第一实施例所示出的交通标志检测装置包括输入设备31、处理器32、存储器33和输出设备34，所述处理器32、输入设备31、输出设备34和存储器33通过通信总线30相互连接，所述存储器33用于存储计算机程序，所述计算机程序包括程序指令，所述处理器32被配置用于调用所述程序指令；进一步地，所述处理器32被配置用于调用所述程序指令执行如本发明第一或第二实施中所述的交通标志检测方法的步骤。
应当理解，在本发明实施例中，所称存储器33可以包括只读存储器和随机存取存储器，并向处理器32提供指令和数据。存储器33的一部分还可以包括非易失性随机存取存储器。例如，存储器33还可以存储有设备类型的相关信息。
处理器32用于运行或执行被存储在内部存储器33中的操作***，各种软件程序，以及自身的指令集，并用于处理来自于触摸式输入装置或自其它外部输入途径接收到的数据和指令，以实现各种功能。处理器32可以包括但不限于中央处理器(CPU)、通用图像处理器(GPU)、微处理器(MCU)、数字信号处理器(DSP)、现场可编程逻辑门阵列(FPGA)，应用专用集成电路(ASIC)中的一种或多种。在一些实施例中，处理器32和存储器控制器104可在单个芯片上实现。在一些其他实施方案中，它们可分别在彼此独立的芯片上实现。
输入设备31可以是摄像头(CAMERA或WEBCAM)等，摄像头又称为电脑相机、电脑眼以及电子眼等，是一种视频驶入设备，以及数字键盘或机械键盘等触摸式输入装置；所述输出设备34可以包括显示器(display或monitor)等。
如图4所示，本发明的第二实施例所示出的交通标志检测装置，包括图像采集模块401，联通区提取模块402、联通区筛选模块403、二分类模块404和交通标志目标识别模块405，所述图像采集模块401，联通区提取模块402、联通区筛选模块403、二分类模块404和交通标志目标识别模块405彼此耦合。
所述图像采集模块401采集图像。其中，所述图像采集模块401可以包括但不限于行车记录仪，所述行车记录仪可在车辆行驶的过程中对交通标志进行图像采集。需要进行说明的是，在本发明的另外的一个或者一些实施例中，在对交通标志进行图像采集的过程中还可以应用其他的设备或者模块进行采集，在此就不一一进行列举。
所述联通区提取模块402在图像中提取交通标志可能出现的联通区。具体的，若在所述图像中某一区域中所有像素点RGB的值相近，且相对于所述图像的其他区域具有明显边界，则将所述像素点RGB的值相近的区域作为联通区。由于在图像上同一个交通标志的所有像素点RGB值相近，同时交通标志相对背景有明显的边界，可以看作是一个联通区。因此采用最稳定极值(MSER)方法提取出交通标志可能出现的联通区。
所述联通区筛选模块403将所述联通区中不必要的联通区进行剔除，完成对所述联通区的初步筛选。具体的，由于MSER方法提取的联通区有重叠部分，在实际的应用过程中需要将所述重叠的部分进行剔除。进一步地，这些区域的外包矩形框被包含在正确的交通标志外包矩形框里面，两个矩形的重叠区域占总面积比率在一个特定的范围内，基于这个比率和外包矩形的拓扑关系对交通标志进行初步的筛选。
所述联通区筛选模块403计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除。具体的，首先将所述图像进行二值化处理，得到二值图像；进一步地，对所述图像进行二值化处理为现有技术，为了不引起混淆在此不再赘述。然后根据交通标志的形状设置与所述交通标志的形状相同的模板；进一步地，由于目前所有的43类交通标志均为圆形交通标志，故采用模板匹配方法，根据所述圆形交通标志，人为设计一个环状的模板。最后计算环状的模板与所述二值图像间的欧式距离，若所述模板与所述二值图像间的欧式距离的值不低于阈值，则认定该联通区为错误的联通区，若所述模板与所述二值图像间的欧式距离的值低于阈值，则该联通区为正确的联通区。最后将错误的联通区进行剔除，保留正确的连通区即可完成对错误联通区的快速剔除。
二分类模块404对剩余的联通区进行二分类得到交通标志目标。具体的，可以通过计算复杂度更高的神经网络对剩下的联通区进行二分类即对联通区进行是与否的分类，最后得到交通标志目标。需要进行说明的是，图像采集模块401，联通区提取模块402、联通区筛选模块403和二分类模块404均可视为对交通标志的检测。
交通标志目标识别模块405将所述交通标志目标进行区分得到不同种类的交通标志。其中，在得到通标志目标后方可对所述交通标志目标进行识别，进一步地，交通标志目标识别模块405在提取出来的所述交通标志目标上进一步做分类，优选的，可以利用浅层的卷积神经网络进行分类，并采用了LeNet将交通标志分为43类。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种交通标志检测方法，其特征在于，包括如下步骤：
在图像中提取交通标志可能出现的联通区；
计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除；
对剩余的联通区进行二分类得到交通标志目标；
将所述交通标志目标进行区分得到不同种类的交通标志。
2.根据权利要求1所述的交通标志检测方法，其特征在于，所述交通标志检测方法还包括：
将所述联通区中不必要的联通区进行剔除，完成对所述联通区的初步筛选。
3.根据权利要求2所述的交通标志检测方法，其特征在于，将所述联通区中不必要的联通区进行剔除具体包括：
获取联通区的外包矩形框与交通标志的外包矩形框的重叠区域占比面积的比率；
基于所述比率、联通区的外包矩形框和交通标志的外包矩形框的拓扑关系将不必要的联通区进行剔除。
4.根据权利要求1所述的交通标志检测方法，其特征在于，在图像中提取交通标志可能出现的联通区具体包括：
若在所述图像中某一区域中所有像素点RGB的值相近，且相对于所述图像的其他区域具有明显边界，则将所述像素点RGB的值相近的区域作为联通区。
5.根据权利要求4所述的交通标志检测方法，其特征在于：所述联通区采用最稳定极值的方法进行提取。
6.根据权利要求1所述的交通标志检测方法，其特征在于，计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除具体包括：
将所述图像进行二值化处理，得到二值图像；
根据交通标志的形状设置与所述交通标志的形状相同的模板；
计算所述模板与所述二值图像间的欧式距离，根据计算结果对错误的联通区进行剔除。
7.根据权利要求1所述的交通标志检测方法，其特征在于，对剩余的联通区进行二分类得到交通标志目标具体包括：
利用神经网络对剩余的联通区进行二分类得到交通标志目标。
8.一种交通标志检测装置，其特征在于：包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行权利要求1-6中任一项所述的交通标志检测方法的步骤。
9.一种交通标志检测装置，其特征在于：包括联通区提取模块、联通区筛选模块、二分类模块和交通标志目标识别模块；
所述联通区提取模块在图像中提取交通标志可能出现的联通区；
所述联通区筛选模块计算所有联通区的底层特征，并根据计算的结果对错误的联通区进行剔除；
所述二分类模块对剩余的联通区进行二分类得到交通标志目标；
所述目标分类模块将所述交通标志目标进行区分得到不同种类的交通标志。
CN201810947677.4A 2018-08-20 2018-08-20 一种交通标志检测方法及装置 Pending CN109214434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810947677.4A CN109214434A (zh) 2018-08-20 2018-08-20 一种交通标志检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810947677.4A CN109214434A (zh) 2018-08-20 2018-08-20 一种交通标志检测方法及装置

Publications (1)

Publication Number Publication Date
CN109214434A true CN109214434A (zh) 2019-01-15

Family

ID=64989436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810947677.4A Pending CN109214434A (zh) 2018-08-20 2018-08-20 一种交通标志检测方法及装置

Country Status (1)

Country Link
CN (1) CN109214434A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751682A (zh) * 2019-10-28 2020-02-04 普联技术有限公司 一种提取和标识图像的方法、装置、终端设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702197A (zh) * 2009-10-26 2010-05-05 宁波大学 一种道路交通标志的检测方法
CN102819728A (zh) * 2012-07-17 2012-12-12 中国航天科工集团第三研究院第八三五七研究所 一种基于分类模板匹配的交通标志检测方法
CN103500341A (zh) * 2013-09-16 2014-01-08 安徽工程大学 一种用于道路标识牌的识别装置
CN103824081A (zh) * 2014-02-24 2014-05-28 北京工业大学 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
US20150332104A1 (en) * 2014-05-14 2015-11-19 Mobileye Vision Technologies Ltd. Systems and methods for detecting traffic signs
CN105469124A (zh) * 2015-11-20 2016-04-06 厦门雅迅网络股份有限公司 一种交通标志分类方法
CN105809138A (zh) * 2016-03-15 2016-07-27 武汉大学 一种基于分块识别的道路警告标志检测与识别方法
CN107301405A (zh) * 2017-07-04 2017-10-27 上海应用技术大学 自然场景下的交通标志检测方法
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702197A (zh) * 2009-10-26 2010-05-05 宁波大学 一种道路交通标志的检测方法
CN102819728A (zh) * 2012-07-17 2012-12-12 中国航天科工集团第三研究院第八三五七研究所 一种基于分类模板匹配的交通标志检测方法
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
CN103500341A (zh) * 2013-09-16 2014-01-08 安徽工程大学 一种用于道路标识牌的识别装置
CN103824081A (zh) * 2014-02-24 2014-05-28 北京工业大学 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
US20150332104A1 (en) * 2014-05-14 2015-11-19 Mobileye Vision Technologies Ltd. Systems and methods for detecting traffic signs
CN105469124A (zh) * 2015-11-20 2016-04-06 厦门雅迅网络股份有限公司 一种交通标志分类方法
CN105809138A (zh) * 2016-03-15 2016-07-27 武汉大学 一种基于分块识别的道路警告标志检测与识别方法
CN107301405A (zh) * 2017-07-04 2017-10-27 上海应用技术大学 自然场景下的交通标志检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹再辉等: "基于感兴趣区域提取与双过滤器的交通标志检测算法", 《电子测量与仪器学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751682A (zh) * 2019-10-28 2020-02-04 普联技术有限公司 一种提取和标识图像的方法、装置、终端设备及存储介质
CN110751682B (zh) * 2019-10-28 2022-07-05 普联技术有限公司 一种提取和标识图像的方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN109711407B (zh) 一种车牌识别的方法及相关装置
CN109190444B (zh) 一种基于视频的收费车道车辆特征识别***的实现方法
US20150016687A1 (en) Method, system and computer storage medium for face detection
CN111461165A (zh) 图像识别方法、识别模型的训练方法及相关装置、设备
CN105868708A (zh) 一种图像目标识别方法及装置
CN108197569A (zh) 障碍物识别方法、装置、计算机存储介质和电子设备
CN109919002B (zh) 黄色禁停线识别方法、装置、计算机设备及存储介质
CN110008968B (zh) 一种基于图像视觉的机器人结算自动触发方法
WO2020258077A1 (zh) 一种行人检测方法及装置
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和***及设备
WO2020038312A1 (zh) 多通道舌体边缘检测装置、方法及存储介质
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
CN111382808A (zh) 一种车辆检测处理方法及装置
CN111680690A (zh) 一种文字识别方法及装置
CN111046746A (zh) 一种车牌检测方法及装置
CN112329881A (zh) 车牌识别模型训练方法、车牌识别方法及装置
CN110032946A (zh) 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法
CN110163109A (zh) 一种车道线标注方法及装置
CN108805838A (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN113283405A (zh) 口罩检测方法、装置、计算机设备及存储介质
CN105070094B (zh) 一种基于机器视觉的车位检测***及车位检测方法
CN115082776A (zh) 一种基于图像识别的电能表自动检测***及方法
CN113034497A (zh) 一种基于视觉的保温杯焊缝定位检测方法及***

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190115