CN109508580B - 交通信号灯识别方法和装置 - Google Patents
交通信号灯识别方法和装置 Download PDFInfo
- Publication number
- CN109508580B CN109508580B CN201710831216.6A CN201710831216A CN109508580B CN 109508580 B CN109508580 B CN 109508580B CN 201710831216 A CN201710831216 A CN 201710831216A CN 109508580 B CN109508580 B CN 109508580B
- Authority
- CN
- China
- Prior art keywords
- preset
- image
- traffic signal
- category
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims description 89
- 230000006870 function Effects 0.000 claims description 77
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000001629 suppression Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Electromagnetism (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了交通信号灯识别方法和装置。该方法的一具体实施方式包括:将图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;将该至少一个缩放图像输入至预先训练的卷积神经网络,得与该至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息,其中,该卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息;对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与该待处理图像相对应的交通信号灯识别结果。该实施方式提高了交通信号灯识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及无人驾驶领域,尤其涉及交通信号灯识别方法和装置。
背景技术
无人驾驶车辆是一种新型的智能汽车,也称之为“轮式移动机器人”,主要通过ECU(Electronic Control Unit,电子控制单元),即车载大脑控制***对车辆中各个部分进行精准的控制与计算分析实现车辆的全自动运行,达到车辆无人驾驶的目的。
为了保障无人车行驶过程中能够安全地通过路口,需要对交通信号灯灯进行检测和识别,从而进行相应决策。现有的方式通常基于颜色空间转换等方式进行交通灯颜色和形状的识别,然而,这种方式无法考虑到光照变化、天气情况等,导致误检、漏检的情况较多,存在着交通信号灯识别的准确性较低的问题。
发明内容
本申请实施例的目的在于提出一种改进的交通信号灯识别方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种无人驾驶车辆的交通信号灯识别方法,无人驾驶车辆安装有图像采集装置,该方法包括:将图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;将至少一个缩放图像输入至预先训练的卷积神经网络,得与至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息,其中,卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息;对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
在一些实施例中,卷积神经网络通过如下步骤训练得到:利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,其中,回归损失函数用于表征卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置的差异程度,分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别的差异程度。
在一些实施例中,预置图像集合中的每一个预置图像显示有交通信号灯,且预置图像集合中的每一个预置图像带有用于指示所显示的交通信号灯所在区域的位置的位置标注和用于指示所显示的交通信号灯的类别的类别标注。
在一些实施例中,利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,包括:利用高斯分布对预先建立的初始卷积神经网络中的参数进行随机初始化;执行如下训练步骤:基于预置图像集合生成带有标注的训练样本,标注中包含交通信号灯的位置信息和类别信息;将训练样本输入到初始卷积神经网络进行逐层前向传播,以得到初始卷积神经网络所输出的位置信息和类别信息;基于所得到的位置信息和类别信息、标注中所包含的位置信息和类别信息,确定预设的回归损失函数的值和预设的分类损失函数的值;利用链式求导法则和反向传播算法,并基于回归损失函数的值与分类损失函数的值之和,逐层计算初始卷积神经网络各层参数的梯度;基于所计算的梯度对初始卷积神经网络进行参数更新;确定训练步骤的执行次数,响应于确定执行次数小于第一预设次数,继续对进行参数更新后的初始卷积神经网络执行训练步骤;响应于确定执行次数等于第一预设次数,对最后执行的第二预设次数的训练步骤中所得到的参数进行统计,确定目标参数,并将初始卷积神经网络中的参数替换为目标参数,得到训练后的卷积神经网络,其中,第二预设次数小于第一预设次数。
在一些实施例中,基于预置图像集合生成带有标注的训练样本,包括:随机选取预设的类别集合中的任一类别和预设的尺度集合中的任一尺度;提取预置图像集合中的、带有与所选择的类别相对应的类别标注的预置图像;对所提取的预置图像进行缩放,以使所提取的预置图像中的交通信号灯所在区域的尺度与所选择的尺度相同或相近,并以交通信号灯所在区域为中心,以预设长度和预设宽度对所提取的预置图像进行截图,得到第一截取图像;确定对所提取的预置图像进行缩放的缩放比例,基于缩放比例、所提取的预置图像所带有的位置标注和类别标注,生成第一截取图像的标注;生成预设数值范围内的随机数,响应于确定所提取的随机数小于预设数值,将所提取的预置图像和第一截取图像确定为训练样本,其中,预设数值范围包括预设数值。
在一些实施例中,基于预置图像集合生成带有标注的训练样本,还包括:响应于确定随机数不小于预设数值,随机地以预设长度和预设宽度对所提取的预置图像进行截图,得到第二截取图像,将所提取的预置图像和第二截取图像确定为训练样本,其中,第二截图图像带有用于指示类别为背景类的类别标注。
在一些实施例中,类别集合包括:背景类、白天红灯类、白天黄灯类、白天绿灯类、白天黑灯类、晚上红灯类、晚上黄灯类、晚上绿灯类。
在一些实施例中,预设的尺度集合包括高度分别为不同像素的多个尺度,卷积神经网络为全卷积网络。
第二方面,本申请实施例提供了一种无人驾驶车辆的交通信号灯识别装置,无人驾驶车辆安装有图像采集装置,该装置包括:缩放单元,配置用于将图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;输入单元,配置用于将至少一个缩放图像输入至预先训练的卷积神经网络,得到与至少一个缩放图像中的每一个缩放图像相对应的、包含交通信号灯的位置信息和类别信息的候选交通信号灯识别结果,其中,卷积神经网络用于表征图像与候选交通信号灯识别结果的对应关系;融合单元,配置用于对所得到的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
在一些实施例中,该装置还包括:训练单元,配置用于利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,其中,回归损失函数用于表征卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置的差异程度,分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别的差异程度。
在一些实施例中,预置图像集合中的每一个预置图像显示有交通信号灯,且预置图像集合中的每一个预置图像带有用于指示所显示的交通信号灯所在区域的位置的位置标注和用于指示所显示的交通信号灯的类别的类别标注。
在一些实施例中,训练单元包括:初始化模块,配置用于利用高斯分布对预先建立的初始卷积神经网络中的参数进行随机初始化;训练模块,配置用于执行如下训练步骤:基于预置图像集合生成带有标注的训练样本,标注中包含交通信号灯的位置信息和类别信息;将训练样本输入到初始卷积神经网络进行逐层前向传播,以得到初始卷积神经网络所输出的位置信息和类别信息;基于所得到的位置信息和类别信息、标注中所包含的位置信息和类别信息,确定预设的回归损失函数的值和预设的分类损失函数的值;利用链式求导法则和反向传播算法,并基于回归损失函数的值与分类损失函数的值之和,逐层计算初始卷积神经网络各层参数的梯度;基于所计算的梯度对初始卷积神经网络进行参数更新;第一确定模块,配置用于确定训练步骤的执行次数,响应于确定执行次数小于第一预设次数,继续对进行参数更新后的初始卷积神经网络执行训练步骤;统计模块,配置用于响应于确定执行次数等于第一预设次数,对最后执行的第二预设次数的训练步骤中所得到的参数进行统计,确定目标参数,并将初始卷积神经网络中的参数替换为目标参数,得到训练后的卷积神经网络,其中,第二预设次数小于第一预设次数。
在一些实施例中,训练单元还包括:选取模块,配置用于随机选取预设的类别集合中的任一类别和预设的尺度集合中的任一尺度;提取模块,配置用于提取预置图像集合中的、带有与所选择的类别相对应的类别标注的预置图像;截取模块,配置用于对所提取的预置图像进行缩放,以使所提取的预置图像中的交通信号灯所在区域的尺度与所选择的尺度相同或相近,并以交通信号灯所在区域为中心,以预设长度和预设宽度对所提取的预置图像进行截图,得到第一截取图像;生成模块,配置用于确定对所提取的预置图像进行缩放的缩放比例,基于缩放比例、所提取的预置图像所带有的位置标注和类别标注,生成第一截取图像的标注;第二确定模块,配置用于生成预设数值范围内的随机数,响应于确定所提取的随机数小于预设数值,将所提取的预置图像和第一截取图像确定为训练样本,其中,预设数值范围包括预设数值。
在一些实施例中,训练单元还包括:第三确定模块,配置用于响应于确定随机数不小于预设数值,随机地以预设长度和预设宽度对所提取的预置图像进行截图,得到第二截取图像,将所提取的预置图像和第二截取图像确定为训练样本,其中,第二截图图像带有用于指示类别为背景类的类别标注。
在一些实施例中,类别集合包括:背景类、白天红灯类、白天黄灯类、白天绿灯类、白天黑灯类、晚上红灯类、晚上黄灯类、晚上绿灯类。
在一些实施例中,预设的尺度集合包括高度分别为不同像素的多个尺度,卷积神经网络为全卷积网络。
第三方面,本申请实施例提供了一种无人驾驶车辆,包括:一个或多个处理器;图像采集装置,用于采集图像;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如交通信号灯识别方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如交通信号灯识别方法中任一实施例的方法。
本申请实施例提供的交通信号灯识别方法和装置,通过对待处理图像按照至少一个预设比例进行缩放得到至少一个缩放图像,而后将所得到的缩放图像输入至预先训练的卷积神经网络,得到与每一个缩放图像相对应的、包含交通信号灯的位置信息和类别信息的候选交通信号灯识别结果,最后对所得到的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果,由于神经网络可以利用各种光照条件、天气条件下的图像进行训练,从而可以考虑到光照变化、天气情况等,减少误检、漏检等情况,提高了交通信号灯识别的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的交通信号灯识别方法的一个实施例的流程图;
图3是根据本申请的交通信号灯识别方法的一个应用场景的示意图;
图4是根据本申请的交通信号灯识别方法的又一个实施例的流程图;
图5是根据本申请的交通信号灯识别装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的无人驾驶车辆的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的交通信号灯识别方法或交通信号灯识别装置的示例性***架构100。
如图1所示,无人驾驶车辆100可以安装有传感器101、102、103,终端设备104、电子控制器(Electronic Control Unit,ECU)105和执行器件106、107、108。
传感器101、102、103可以与终端设备104通信连接,终端设备104可以与电子控制器105通信连接,电子控制器105可以与执行器件106、107、108通信连接。其中,终端设备104与电子控制器105的连接方式可以是CAN(Controller Area Network,控制器局域网络)总线连接方式。由于CAN总线的高性能和可靠性已被广泛认同,因此目前机动车中常用的车身总线为CAN总线。当然,可以理解的是车身总线也可以是其他类型的总线。
传感器101、102、103可以包含各种传感器,例如可以包括但不限于图像采集装置(例如摄像头)、激光雷达、毫米波雷达等。其中,上述图像采集装置可以采集图像,上述激光雷达可以用于自身定位、采集周围环境等。上述毫米波雷达是指可以工作在毫米波波段的雷达,可以用于检测障碍物。上述摄像头可以用于识别交通信号灯、交通标识等。
终端设备104可以负责整个无人驾驶车辆的总体智能控制。终端设备104可以是单独设置的控制器,例如可编程逻辑控制器(Programmable Logic Controller,PLC)、单片机、工业控制机等;也可以是由其他具有输入/输出端口,并具有运算控制功能的电子器件组成的设备;还可以是安装有车辆驾驶控制类应用的计算机设备。终端设备104可以获取传感器101、102、103采集到的数据,并对所获取的数据进行分析处理,做出相应的决策,并将决策对应的指令发送到电子控制器105。
电子控制器105也可称为电子控制单元、车载大脑、行车电脑等。通常由微处理器、存储器、输入/输出接口、模数转换器以及整形、驱动等大规模集成电路组成。电子控制器105可以接收终端设备104发送的控制指令,在将上述控制指令进行分析处理后发给相应的执行器件106、107、108执行相应的操作。
实践中,电子控制器105中可以包括整车控制器(Vehicle Control Unit,VCU)、电池管理***(Battery Management System,BMS)、电机控制器(Moter Control Unit,MCU)、电动助力转向***(Electric Power Steering,EPS)、车身电子稳定***(ElectronicStability Program,ESP)等控制器。
执行器件106、107、108可以在控制指令中的控制参数下工作。执行器件106、107、108可以包括制动器件、油门、发动机等。
需要说明的是,本申请实施例所提供的交通信号灯识别方法一般由终端设备104执行,相应地,交通信号灯识别方法一般设置于终端设备104中。
应该理解,图1中的无人驾驶车辆、终端设备、传感器、电子控制器和执行器件的数目仅仅是示意性的。根据实现需要,可以具有任意数目的无人驾驶车辆、终端设备、传感器、电子控制器和执行器件。
继续参考图2,示出了根据本申请的用于无人驾驶车辆的交通信号灯识别方法的一个实施例的流程200。该无人驾驶车辆可以安装有图像采集装置,该交通信号灯识别方法,包括以下步骤:
步骤201,将图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像。
在本实施例中,交通信号灯识别方法运行于其上的电子设备(例如图1所示的终端设备104)可以将上述图像采集装置所采集的待处理图像按照至少一个预设比例(例如按照1.5、1.0、0.5、0.25四个预设比例)进行缩放,得到至少一个缩放图像。此处,上述缩放方式可以是等比例缩放方式。
步骤202,将上述至少一个缩放图像输入至预先训练的卷积神经网络,得与上述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息。
在本实施例中,上述电子设备可以将所上述至少一个缩放图像输入至预先训练的卷积神经网络,得到与上述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息。其中,上述位置信息可以是缩放图像中的交通信号灯所在区域的坐标(例如左上角坐标和右下角坐标等),也可以是缩放图像中的交通信号灯所在区域的坐标相对于上述待检测图像的位置的偏移距离。上述类别信息可以包括交通信号灯对应各预设类别(例如颜色、形状等)的概率。作为示例,上述类别信息可以包括交通信号灯对应各种颜色类别(例如红色、黄色、绿色、黑色等)的概率、或者交通信号灯对应不同环境(例如白天、夜晚、傍晚、清晨、午后等)下的各种颜色类别的概率,或者包括交通信号灯对应不同天气条件下的各种颜色类别(例如晴天、雨天、雪天、雾天等)的概率等。此外,上述类别信息还可以包括交通信号灯的形状为各预设形状(例如圆饼形状、箭头形状等)的概率。
需要说明的是,上述卷积神经网络可以包括用于提取图像特征的多个卷积层(需要说明的是,卷积层也可以实现对输入的信息进行降采样(downsample))。其中,上述图像特征可以包括用于对图像中的交通信号灯所在的位置进行表征的位置信息,也可以包括用于对图像中所显示的交通信号灯的类别进行表征的类别信息。实践中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络进行图像特征的提取。
需要指出的是,上述卷积神经网络可以是利用机器学习方法,并基于训练样本对现有的卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)进行有监督训练而得到的。其中,上述训练样本可以包括大量的图像和每一个图像的标注,每一个图像的标注可以包括用于指示该图像中的交通信号灯区域的位置的标注(例如坐标、或者坐标的偏移距离等)和用于指示该图像中的交通信号灯的类别(例如颜色)的标注。在将缩放图像输入至训练后所得到的卷积神经网络后,则该卷积神经网络可以输出与该缩放图像对应的位置信息和类别信息。
还需要指出的是,上述卷积神经网络所输出的、与每一个缩放图像相对应的位置信息和类别信息均可以用矩阵进行表示。作为示例,对于每一个缩放图像,可以用4个矩阵表示该缩放图像中交通信号灯的位置信息,其中,上述4个矩阵分别为用于表示交通信号灯所在区域的左上角x轴坐标(或坐标的偏移距离)的矩阵、用于表示交通信号灯所在区域的左上角y轴坐标(或坐标的偏移距离)的矩阵、用于表示交通信号灯所在区域的右下角x轴坐标(或坐标的偏移距离)的矩阵、用于表示交通信号灯所在区域的右下角y轴坐标(或坐标的偏移距离)的矩阵。需要说明的是,对于每一个图像,还可以用其他数量的矩阵对该图像中交通信号灯所在区域的位置进行表示,在此不再赘述。另外,对于每一个缩放图像,可以用多个矩阵对该图像中交通信号灯的类别信息进行表示。上述多个矩阵中的每一个矩阵可以与一个预设类别相对应,且矩阵中的每一个数值可以用于表征该缩放图像中与该数值对应的区域属于相应的预设类别的概率。此处,需要说明的是,由于上述卷积神经网络对所输入的内容(即缩放图像)进行了降采样,因而,所输出的用于对交通信号灯的类别进行表示的矩阵中的每一个数值(对应所输出的图像中的每一个点)与所输入的缩放图像的一个区域相对应。
在本实施例的一些可选的实现方式中,上述类别信息可以包括交通信号灯对应以下各预设类别的概率:背景类、白天红灯类(即环境为白天且交通信号灯的颜色为红色)、白天黄灯类(即环境为白天且交通信号灯的颜色为黄色)、白天绿灯类(即环境为白天且交通信号灯的颜色为绿色)、白天黑灯类(即环境为白天且交通信号灯的颜色为黑色)、晚上红灯类(即环境为晚上且交通信号灯的颜色为红色)、晚上黄灯类(即环境为晚上且交通信号灯的颜色为黄色)、晚上绿灯类(即环境为晚上且交通信号灯的颜色为绿色)。
步骤203,对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
在本实施例中,上述电子设备可以首先对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果。具体地,对于每一个缩放图像,上述电子设备可以首先提取以该缩放图像作为输入后的、上述卷积神经网络所输出的与各个预设类别相对应的矩阵。而后,对于与每一个预设类别相对应的矩阵,上述电子设备可以将该矩阵中的各个数值与预设阈值进行比较,以确定该矩阵中是否存在大于上述预设阈值的数值;若存在,则可以将该预设类别作为目标类别,结合上述卷积神经网络所输出的位置信息,确定与该数值相对应的上述待检测图像中的交通信号灯所在区域的位置,即上述待检测图像中与该目标类别相对应的交通信号灯所在区域的位置。此时,上述电子设备可以将该目标类别和该目标类别的交通信号灯所在区域的位置确定为一个候选交通信号灯识别结果。因此,对于与每一个预设类别相对应的矩阵,若该矩阵中存在大于上述预设阈值的数值,上述电子设备可以确定出一个候选交通信号灯识别结果。需要说明的是,若对上述至少一个缩放图像中的各个缩放图像的位置信息和类别信息进行解析后,均未确定出候选交通等识别结果,则可以生成一个用于表示上述图像中不存在交通信号灯的候选交通信号灯识别结果。因此,上述电子设备可以确定出至少一个候选交通信号灯识别结果。
在生成至少一个候选交通信号灯识别结果之后,上述电子设备可以利用各种数据处理方式对所生成的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
在本实施例的一些可选的实现方式中,对于所确定的每一个目标类别,上述电子设备可以确定候选交通信号灯识别结果中该目标类别交通信号灯所在区域的公共区域,将该目标类别和上述公共区域所在位置确定为与上述待处理图像相对应的交通信号灯识别结果。
在本实施例的一些可选的实现方式中,对于所确定的每一个目标类别,上述电子设备可以确定候选交通信号灯识别结果中该目标类别交通信号灯所在区域的并集,将该并集所在位置确定为与上述待处理图像相对应的交通信号灯识别结果。
在本实施例的一些可选的实现方式中,上述电子设备还可以利用非极大值抑制(Non-maximum suppression,NMS)算法,对上述候选交通信号灯识别结果进行处理。在用梯度变化表征边缘时,梯度变化较大的区域通常比较宽,非极大值抑制算法可以利用两个方向的梯度确定一个法向,然后在法向上判断当前梯度测量是否是一个峰值(或局部极大值),如果是就保留,不是极大值就抑制(如设置为0),从而可以更精确地确定上述待检测图像中交通信号灯区域的位置。此处,上述非极大值抑制算法是目前目标检测、定位等领域广泛研究和应用的公知技术,在此不再赘述。
继续参见图3,图3是根据本实施例的交通信号灯识别方法的应用场景的一个示意图。在图3的应用场景中,无人驾驶车辆的终端设备首先获取安装在上述无人驾驶车辆的图像采集装置所采集的待处理图像301;而后,上述终端设备按照4个预设比例对上述待处理图像301进行缩放,得到4个缩放图像302;之后,上述终端设备将这4个缩放图像输入至预先训练的卷积神经网络,得与上述每一个缩放图像相对应的交通信号灯的位置信息和类别信息;最后,上述终端设备对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与上述待处理图像相对应的交通信号灯识别结果。如标号303所示,矩形框304的位置即交通信号灯的位置,需要说明的是,还可以用上述矩形框304的颜色表示交通信号灯的类别。
本申请的上述实施例提供的方法,通过对待处理图像按照至少一个预设比例进行缩放得到至少一个缩放图像,而后将所得到的缩放图像输入至预先训练的卷积神经网络,得到与每一个缩放图像相对应的、包含交通信号灯的位置信息和类别信息的候选交通信号灯识别结果,最后对所得到的候选交通信号灯识别结果进行融合,生成与上述待处理图像相对应的交通信号灯识别结果,由于神经网络可以利用各种光照条件、天气条件下的图像进行训练,从而可以考虑到光照变化、天气情况等,减少误检、漏检等情况,提高了交通信号灯识别的准确性。
进一步参考图4,其示出了交通信号灯识别方法的又一个实施例的流程400。上述无人驾驶车辆可以安装有图像采集装置,该交通信号灯识别方法的流程400,包括以下步骤:
步骤401,利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络。
在本实施例中,交通信号灯识别方法运行于其上的电子设备(例如图1所示的终端设备104)中可以存储有预置图像集合,上述预置图像集合中的预置图像可以带有各种标注。作为示例,上述标注可以包括用于指示所显示的交通信号灯所在区域的位置的位置标注、用于指示所显示的交通信号灯的类别的类别标注、用于指示预置图像中没有交通信号灯的标注、用于指示交通信号灯的形状的标注等等。
在本实施例中,上述电子设备可以利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,其中,上述回归损失函数可以用于表征上述卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置(即上述位置标注所指示的位置)的差异程度,上述分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别(即上述类别标注所指示的类别)的差异程度。实践中,上述回归损失函数可以是各种用于回归的损失函数(例如Smooth L2Loss函数),上述分类损失函数可以是各种用于分类的损失函数(例如Softmax函数)。需要说明的是,上述电子设备可以将上述预置图像集合中的预置图像作为输入,将预置图像的标注作为输出,利用机器学习算法,对现有的神经网络结构(例如Inception结构)进行有监督训练得到上述训练后的卷积神经网络。在训练过程中,回归损失函数和分类损失函数可以约束卷积核修改的方式和方向,训练的目标为使回归损失函数和分类损失函数的值最小,因而,训练后得到的卷积神经网络的参数即为回归损失函数的值与分类损失函数的值之和为最小值时所对应的参数。
在本实施例的一些可选的实现方式中,上述卷积神经网络可以是全卷积网络(Fully Convolutional Networks,FCN)。上述全卷积网络可以包括多个卷积层,且可以对多个尺度的交通信号灯所在区域进行检测。
在本实施例的一些可选的实现方式中,上述电子设备可以通过以下步骤训练得到上述卷积神经网络:
第一步,可以利用高斯分布(Gaussian distribution)对预先建立的初始卷积神经网络中的参数进行随机初始化。高斯分布,也称正态分布(Normal distribution)或常态分布。需要说明的是,上述电子设备还可以利用其它方式(例如随机分布)进行随机初始化,且利用高斯分布、随机分布等方式进行参数初始化的方法是目前广泛研究和应用的公知技术,在此不再赘述。
第二步,可以执行如下训练步骤:
首先,上述电子设备可以基于上述预置图像集合生成带有标注的训练样本,上述标注中包含交通信号灯的位置信息和类别信息。作为示例,上述电子设备可以对上述预置图像集合中的预置图像进行缩放、调节亮度、调节对比度等各种处理以得到更多的图像,并将上述预置图像和所得到的图像作为训练样本。需要说明的是,由于预置图像带有标注,上述电子设备可以基于缩放比例和将预置图像所带有的标注,确定处理后所得到的图像的标注。
而后,上述电子设备可以将上述训练样本输入到上述初始卷积神经网络进行逐层前向传播,以得到上述初始卷积神经网络所输出的位置信息和类别信息。此处,上述卷积神经网络所输出的位置信息和类别信息均可以用矩阵进行表示。
之后,上述电子设备可以基于所得到的位置信息和类别信息、上述训练样本的标注中所包含的位置信息和类别信息,确定预设的回归损失函数(例如Smooth L2Loss函数)的值和预设的分类损失函数(例如Softmax函数)的值。
最后,上述电子设备可以利用链式求导法则(chain rule)和反向传播算法(BackPropgation Algorithm,BP算法),并基于上述回归损失函数的值与上述分类损失函数的值之和,逐层计算上述初始卷积神经网络各层参数的梯度,以基于所计算的梯度对上述初始卷积神经网络进行参数更新。实践中,上述反向传播算法也可称为误差反向传播(ErrorBack Propagation,BP)算法,或误差逆传播算法。BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中,输入信号经输入层输入,通过隐层计算由输出层输出,输出值与标记值比较,若有误差,将误差反向由输出层向输入层传播,在这个过程中,可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处,上述回归损失函数和分类损失函数即可用于表征输出值与标记值的误差。
第三步,可以确定上述训练步骤的执行次数,响应于确定上述执行次数小于第一预设次数(例如十万次、十四万次等),上述电子设备可以继续对进行参数更新后的上述初始卷积神经网络执行上述训练步骤;响应于确定上述执行次数等于上述第一预设次数,上述电子设备可以对最后执行的第二预设次数(例如一万次)的训练步骤中所得到的参数进行统计,确定目标参数(例如取平均),并将上述初始卷积神经网络中的参数替换为上述目标参数,得到训练后的卷积神经网络,其中,上述第二预设次数小于上述第一预设次数。
在本实施例的一些可选的实现方式中,上述电子设备还可以通过以下步骤生成带有标注的训练样本:
第一步,可以随机选取预设的类别集合中的任一类别和预设的尺度集合中的任一尺度。其中,上述类别集合中的类别可以包括背景类、白天红灯类、白天黄灯类、白天绿灯类、白天黑灯类、晚上红灯类、晚上黄灯类、晚上绿灯类。上述尺度集合可以包括高度分别为不同像素的多个尺度(例如高度分别为16像素、24像素、32像素、40像素共4个尺度)。需要说明的是,上述类别集合的类别还可以采用其他分类方式(例如分为红灯类、绿灯类、黄灯类),上述多个尺度还可以采用其他像素或其他划分方式(例如宽度分别为8像素、16像素、32像素等),在此不做限定。
第二步,可以提取预置图像集合中的、带有与所选择的类别相对应的类别标注的预置图像。作为示例,上述电子设备所选的类别为白天红灯类,所选择的尺度为32像素,则可以提取上述预置图像集合中的、带有用于指示白天红灯类的类别标注的一张预置图像。
第三步,可以对所提取的预置图像进行缩放,以使所提取的预置图像中的交通信号灯所在区域的尺度与所选择的尺度(即高度为32像素)相同或相近,并以上述交通信号灯所在区域为中心,以预设长度(例如192像素)和预设宽度(例如192像素)对所提取的预置图像进行截图,得到第一截取图像。
第四步,可以确定第三步中对所提取的预置图像进行缩放的缩放比例,基于上述缩放比例、所提取的预置图像所带有的位置标注和类别标注,生成上述第一截取图像的标注。此处,所提取的预置图像所带有的位置标注可以确定交通信号灯所在区域的位置、尺寸等信息,以该区域为中心进行缩放后,根据缩放比例和原尺寸,可以确定第一截取图像中的交通信号灯所在区域的尺寸,进而得到第一截取图像的标注。需要说明的是,第一截取图像的标注还包含所提取的预置图像的类别标注。
第五步,可以生成预设数值范围(例如[0,1]区间)内的随机数,响应于确定所提取的随机数小于预设数值(例如0.5),将所提取的预置图像和上述第一截取图像确定为训练样本,其中,上述预设数值范围可以包括上述预设数值。另外,响应于确定上述随机数不小于上述预设数值,随机地以上述预设长度和上述预设宽度对所提取的预置图像进行截图,得到第二截取图像,将所提取的预置图像和上述第二截取图像确定为训练样本,其中,上述第二截图图像带有用于指示类别为背景类的类别标注。
步骤402,将图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像。
在本实施例中,上述电子设备可以将上述图像采集装置所采集的待处理图像按照至少一个预设比例(例如按照1.5、1.0、0.5、0.25四个预设比例)进行缩放,得到至少一个缩放图像。此处,上述缩放方式可以是等比例缩放方式。
步骤403,将至少一个缩放图像输入至预先训练的卷积神经网络,得与上述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息。
在本实施例中,上述电子设备可以将所上述至少一个缩放图像输入至预先训练的卷积神经网络,得到与上述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息。其中,上述位置信息可以是缩放图像中的交通信号灯所在区域的坐标相对于上述待检测图像的位置的偏移距离。上述类别信息可以包括交通信号灯对应上述类别集合中的类别的概率。
步骤404,对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
在本实施例中,上述电子设备可以首先对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果。而后,可以利用非极大值抑制算法对所生成的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
需要说明的是,上述步骤402-步骤404的操作与上述步骤201-步骤203的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的交通信号灯识别方法的流程400突出了对训练卷积神经网络的步骤和训练样本的生成步骤。由此,本实施例描述的方案可以利用更优的训练样本和模型进行交通信号灯的识别和检测,进一步提高了交通信号灯识别的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种交通信号灯识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用各种电子设备中。
如图5所示,本实施例所述的交通信号灯识别装置500包括:缩放单元501,配置用于将上述图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;输入单元502,将上述至少一个缩放图像输入至预先训练的卷积神经网络,得与上述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息,其中,上述卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息;融合单元503,配置用于对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与上述待处理图像相对应的交通信号灯识别结果。
在本实施例中,上述缩放单元501可以将上述图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像。
在本实施例中,上述输入单元502可以将所上述至少一个缩放图像输入至预先训练的卷积神经网络,得到与上述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息。
在本实施例中,上述融合单元503可以首先对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果。而后,可以利用非极大值抑制算法对所生成的候选交通信号灯识别结果进行融合,生成与待处理图像相对应的交通信号灯识别结果。
在本实施例的一些可选的实现方式中,上述交通信号灯识别装置500还可以包括训练单元(图中未示出)。其中,上述训练单元可以配置用于利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,其中,上述回归损失函数用于表征上述卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置的差异程度,上述分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别的差异程度。
在本实施例的一些可选的实现方式中,上述预置图像集合中的每一个预置图像可以显示有交通信号灯,且上述预置图像集合中的每一个预置图像可以带有用于指示所显示的交通信号灯所在区域的位置的位置标注和用于指示所显示的交通信号灯的类别的类别标注。
在本实施例的一些可选的实现方式中,上述训练单元可以包括初始化模块、训练模块、第一确定模块和统计模块(图中未示出)。其中,上述初始化模块可以配置用于利用高斯分布对预先建立的初始卷积神经网络中的参数进行随机初始化。上述训练模块可以配置用于执行如下训练步骤:基于预置图像集合生成带有标注的训练样本,上述标注中包含交通信号灯的位置信息和类别信息;将上述训练样本输入到上述初始卷积神经网络进行逐层前向传播,以得到上述初始卷积神经网络所输出的位置信息和类别信息;基于所得到的位置信息和类别信息、上述标注中所包含的位置信息和类别信息,确定预设的回归损失函数的值和预设的分类损失函数的值;利用链式求导法则和反向传播算法,并基于上述回归损失函数的值与上述分类损失函数的值之和,逐层计算上述初始卷积神经网络各层参数的梯度;基于所计算的梯度对上述初始卷积神经网络进行参数更新。上述第一确定模块可以配置用于确定上述训练步骤的执行次数,响应于确定上述执行次数小于第一预设次数,继续对进行参数更新后的上述初始卷积神经网络执行上述训练步骤。上述统计模块可以配置用于响应于确定上述执行次数等于上述第一预设次数,对最后执行的第二预设次数的训练步骤中所得到的参数进行统计,确定目标参数,并将上述初始卷积神经网络中的参数替换为上述目标参数,得到训练后的卷积神经网络,其中,上述第二预设次数小于上述第一预设次数。
在本实施例的一些可选的实现方式中,上述训练单元还可以包括选取模块、提取模块、截取模块、生成模块和第二确定模块(图中未示出)。其中,上述选取模块可以配置用于随机选取预设的类别集合中的任一类别和预设的尺度集合中的任一尺度。上述提取模块可以配置用于提取预置图像集合中的、带有与所选择的类别相对应的类别标注的预置图像。上述截取模块可以配置用于对所提取的预置图像进行缩放,以使所提取的预置图像中的交通信号灯所在区域的尺度与所选择的尺度相同或相近,并以上述交通信号灯所在区域为中心,以预设长度和预设宽度对所提取的预置图像进行截图,得到第一截取图像。上述生成模块可以配置用于确定对所提取的预置图像进行缩放的缩放比例,基于上述缩放比例、所提取的预置图像所带有的位置标注和类别标注,生成上述第一截取图像的标注。上述第二确定模块可以配置用于生成预设数值范围内的随机数,响应于确定所提取的随机数小于预设数值,将所提取的预置图像和上述第一截取图像确定为训练样本,其中,上述预设数值范围包括上述预设数值。
在本实施例的一些可选的实现方式中,上述训练单元还可以包括第三确定模块(图中未示出)。其中,上述第三确定模块可以配置用于响应于确定上述随机数不小于上述预设数值,随机地以上述预设长度和上述预设宽度对所提取的预置图像进行截图,得到第二截取图像,将所提取的预置图像和上述第二截取图像确定为训练样本,其中,上述第二截图图像带有用于指示类别为背景类的类别标注。
在本实施例的一些可选的实现方式中,上述类别集合可以包括:背景类、白天红灯类、白天黄灯类、白天绿灯类、白天黑灯类、晚上红灯类、晚上黄灯类、晚上绿灯类。
在本实施例的一些可选的实现方式中,上述预设的尺度集合可以包括高度分别为不同像素的多个尺度,上述卷积神经网络可以为全卷积网络。
本申请的上述实施例提供的装置,通过缩放模块501对待处理图像按照至少一个预设比例进行缩放得到至少一个缩放图像,而后输入模块502将所得到的缩放图像输入至预先训练的卷积神经网络,得到与每一个缩放图像相对应的、包含交通信号灯的位置信息和类别信息的候选交通信号灯识别结果,最后融合模块503对所得到的候选交通信号灯识别结果进行融合,生成与上述待处理图像相对应的交通信号灯识别结果,由于神经网络可以利用各种光照条件、天气条件下的图像进行训练,从而可以考虑到光照变化、天气情况等,减少误检、漏检等情况,提高了交通信号灯识别的准确性。
下面参考图6,其示出了适于用来实现本申请实施例的无人驾驶车辆的计算机***600的结构示意图。图6示出的无人驾驶车辆的计算机***仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括缩放单元、输入单元和融合单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,缩放单元还可以被描述为“将所述图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放以得到至少一个缩放图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:将图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;将该至少一个缩放图像输入至预先训练的卷积神经网络,得与该至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息,其中,该卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息;对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与该待处理图像相对应的交通信号灯识别结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于无人驾驶车辆的交通信号灯识别方法,其特征在于,所述无人驾驶车辆安装有图像采集装置,所述方法包括:
将所述图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;
将所述至少一个缩放图像输入至预先训练的卷积神经网络,得与所述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息,其中,所述卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息;
对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与所述待处理图像相对应的交通信号灯识别结果;
其中,所述对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,包括:针对每个缩放图像,获取所述卷积神经网络输出的与各个预设类别相对应的矩阵;针对与每个预设类别相对应的矩阵,判断所述矩阵中是否存在大于预设阈值的数值;响应于确定所述矩阵中存在大于预设阈值的数值,将所述预设类别作为目标类别,并根据所述位置信息,确定所述待处理图像中与所述目标类别相对应的交通信号灯所在区域的位置;将所述目标类别和所述目标类别的交通信号灯所在区域的位置作为候选交通信号灯识别结果。
2.根据权利要求1所述的交通信号灯识别方法,其特征在于,所述卷积神经网络通过如下步骤训练得到:
利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,其中,所述回归损失函数用于表征所述卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置的差异程度,所述分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别的差异程度。
3.根据权利要求2所述的交通信号灯识别方法,其特征在于,所述预置图像集合中的每一个预置图像显示有交通信号灯,且所述预置图像集合中的每一个预置图像带有用于指示所显示的交通信号灯所在区域的位置的位置标注和用于指示所显示的交通信号灯的类别的类别标注。
4.根据权利要求3所述的交通信号灯识别方法,其特征在于,所述利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,包括:
利用高斯分布对预先建立的初始卷积神经网络中的参数进行随机初始化;
执行如下训练步骤:基于预置图像集合生成带有标注的训练样本,所述标注中包含交通信号灯的位置信息和类别信息;将所述训练样本输入到所述初始卷积神经网络进行逐层前向传播,以得到所述初始卷积神经网络所输出的位置信息和类别信息;基于所得到的位置信息和类别信息、所述标注中所包含的位置信息和类别信息,确定预设的回归损失函数的值和预设的分类损失函数的值;利用链式求导法则和反向传播算法,并基于所述回归损失函数的值与所述分类损失函数的值之和,逐层计算所述初始卷积神经网络各层参数的梯度;基于所计算的梯度对所述初始卷积神经网络进行参数更新;
确定所述训练步骤的执行次数,响应于确定所述执行次数小于第一预设次数,继续对进行参数更新后的所述初始卷积神经网络执行所述训练步骤;
响应于确定所述执行次数等于所述第一预设次数,对最后执行的第二预设次数的训练步骤中所得到的参数进行统计,确定目标参数,并将所述初始卷积神经网络中的参数替换为所述目标参数,得到训练后的卷积神经网络,其中,所述第二预设次数小于所述第一预设次数。
5.根据权利要求4所述的交通信号灯识别方法,其特征在于,所述基于预置图像集合生成带有标注的训练样本,包括:
随机选取预设的类别集合中的任一类别和预设的尺度集合中的任一尺度;
提取预置图像集合中的、带有与所选择的类别相对应的类别标注的预置图像;
对所提取的预置图像进行缩放,以使所提取的预置图像中的交通信号灯所在区域的尺度与所选择的尺度相同或相近,并以所述交通信号灯所在区域为中心,以预设长度和预设宽度对所提取的预置图像进行截图,得到第一截取图像;
确定对所提取的预置图像进行缩放的缩放比例,基于所述缩放比例、所提取的预置图像所带有的位置标注和类别标注,生成所述第一截取图像的标注;
生成预设数值范围内的随机数,响应于确定所提取的随机数小于预设数值,将所提取的预置图像和所述第一截取图像确定为训练样本,其中,所述预设数值范围包括所述预设数值。
6.根据权利要求5所述的交通信号灯识别方法,其特征在于,所述基于预置图像集合生成带有标注的训练样本,还包括:
响应于确定所述随机数不小于所述预设数值,随机地以所述预设长度和所述预设宽度对所提取的预置图像进行截图,得到第二截取图像,将所提取的预置图像和所述第二截取图像确定为训练样本,其中,所述第二截图图像带有用于指示类别为背景类的类别标注。
7.根据权利要求5所述的交通信号灯识别方法,其特征在于,所述类别集合包括:背景类、白天红灯类、白天黄灯类、白天绿灯类、白天黑灯类、晚上红灯类、晚上黄灯类、晚上绿灯类。
8.根据权利要求5所述的交通信号灯识别方法,其特征在于,所述预设的尺度集合包括高度分别为不同像素的多个尺度,所述卷积神经网络为全卷积网络。
9.一种用于无人驾驶车辆的交通信号灯识别装置,其特征在于,所述无人驾驶车辆安装有图像采集装置,所述装置包括:
缩放单元,配置用于将所述图像采集装置所采集的待处理图像按照至少一个预设比例进行缩放,得到至少一个缩放图像;
输入单元,将所述至少一个缩放图像输入至预先训练的卷积神经网络,得与所述至少一个缩放图像中的每一个缩放图像相对应的交通信号灯的位置信息和类别信息,其中,所述卷积神经网络用于提取图像中所显示的交通信号灯的位置信息和类别信息;
融合单元,配置用于对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,并对所生成的候选交通信号灯识别结果进行融合,生成与所述待处理图像相对应的交通信号灯识别结果;
其中,所述对所得到的位置信息和类别信息进行解析,生成至少一个候选交通信号灯识别结果,包括:针对每个缩放图像,获取所述卷积神经网络输出的与各个预设类别相对应的矩阵;针对与每个预设类别相对应的矩阵,判断所述矩阵中是否存在大于预设阈值的数值;响应于确定所述矩阵中存在大于预设阈值的数值,将所述预设类别作为目标类别,并根据所述位置信息,确定所述待处理图像中与所述目标类别相对应的交通信号灯所在区域的位置;将所述目标类别和所述目标类别的交通信号灯所在区域的位置作为候选交通信号灯识别结果。
10.根据权利要求9所述的交通信号灯识别装置,其特征在于,所述装置还包括:
训练单元,配置用于利用机器学习方法,并基于预置图像集合、预设的回归损失函数、预设的分类损失函数和后向传导算法训练得到卷积神经网络,其中,所述回归损失函数用于表征所述卷积神经网络输出的位置信息与所输入的图像中的交通信号灯所在区域的位置的差异程度,所述分类损失函数用于表征所卷积神经网络输出的类别信息与所输入的图像中的交通信号灯的类别的差异程度。
11.根据权利要求10所述的交通信号灯识别装置,其特征在于,所述预置图像集合中的每一个预置图像显示有交通信号灯,且所述预置图像集合中的每一个预置图像带有用于指示所显示的交通信号灯所在区域的位置的位置标注和用于指示所显示的交通信号灯的类别的类别标注。
12.根据权利要求11所述的交通信号灯识别装置,其特征在于,所述训练单元包括:
初始化模块,配置用于利用高斯分布对预先建立的初始卷积神经网络中的参数进行随机初始化;
训练模块,配置用于执行如下训练步骤:基于预置图像集合生成带有标注的训练样本,所述标注中包含交通信号灯的位置信息和类别信息;将所述训练样本输入到所述初始卷积神经网络进行逐层前向传播,以得到所述初始卷积神经网络所输出的位置信息和类别信息;基于所得到的位置信息和类别信息、所述标注中所包含的位置信息和类别信息,确定预设的回归损失函数的值和预设的分类损失函数的值;利用链式求导法则和反向传播算法,并基于所述回归损失函数的值与所述分类损失函数的值之和,逐层计算所述初始卷积神经网络各层参数的梯度;基于所计算的梯度对所述初始卷积神经网络进行参数更新;
第一确定模块,配置用于确定所述训练步骤的执行次数,响应于确定所述执行次数小于第一预设次数,继续对进行参数更新后的所述初始卷积神经网络执行所述训练步骤;
统计模块,配置用于响应于确定所述执行次数等于所述第一预设次数,对最后执行的第二预设次数的训练步骤中所得到的参数进行统计,确定目标参数,并将所述初始卷积神经网络中的参数替换为所述目标参数,得到训练后的卷积神经网络,其中,所述第二预设次数小于所述第一预设次数。
13.根据权利要求12所述的交通信号灯识别装置,其特征在于,所述训练单元还包括:
选取模块,配置用于随机选取预设的类别集合中的任一类别和预设的尺度集合中的任一尺度;
提取模块,配置用于提取预置图像集合中的、带有与所选择的类别相对应的类别标注的预置图像;
截取模块,配置用于对所提取的预置图像进行缩放,以使所提取的预置图像中的交通信号灯所在区域的尺度与所选择的尺度相同或相近,并以所述交通信号灯所在区域为中心,以预设长度和预设宽度对所提取的预置图像进行截图,得到第一截取图像;
生成模块,配置用于确定对所提取的预置图像进行缩放的缩放比例,基于所述缩放比例、所提取的预置图像所带有的位置标注和类别标注,生成所述第一截取图像的标注;
第二确定模块,配置用于生成预设数值范围内的随机数,响应于确定所提取的随机数小于预设数值,将所提取的预置图像和所述第一截取图像确定为训练样本,其中,所述预设数值范围包括所述预设数值。
14.根据权利要求13所述的交通信号灯识别装置,其特征在于,所述训练单元还包括:
第三确定模块,配置用于响应于确定所述随机数不小于所述预设数值,随机地以所述预设长度和所述预设宽度对所提取的预置图像进行截图,得到第二截取图像,将所提取的预置图像和所述第二截取图像确定为训练样本,其中,所述第二截图图像带有用于指示类别为背景类的类别标注。
15.根据权利要求13所述的交通信号灯识别装置,其特征在于,所述类别集合包括:背景类、白天红灯类、白天黄灯类、白天绿灯类、白天黑灯类、晚上红灯类、晚上黄灯类、晚上绿灯类。
16.根据权利要求13所述的交通信号灯识别装置,其特征在于,所述预设的尺度集合包括高度分别为不同像素的多个尺度,所述卷积神经网络为全卷积网络。
17.一种无人驾驶车辆,包括:
一个或多个处理器;
图像采集装置,用于采集图像;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一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,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710831216.6A CN109508580B (zh) | 2017-09-15 | 2017-09-15 | 交通信号灯识别方法和装置 |
US16/049,026 US11037005B2 (en) | 2017-09-15 | 2018-07-30 | Method and apparatus for identifying traffic light |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710831216.6A CN109508580B (zh) | 2017-09-15 | 2017-09-15 | 交通信号灯识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508580A CN109508580A (zh) | 2019-03-22 |
CN109508580B true CN109508580B (zh) | 2022-02-25 |
Family
ID=65720378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710831216.6A Active CN109508580B (zh) | 2017-09-15 | 2017-09-15 | 交通信号灯识别方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11037005B2 (zh) |
CN (1) | CN109508580B (zh) |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190094858A1 (en) * | 2017-09-25 | 2019-03-28 | Uber Technologies, Inc. | Parking Location Prediction |
US11537815B2 (en) * | 2018-12-11 | 2022-12-27 | Symbolcraft LLC | Methods and systems that use incomplete training data to train machine-learning based systems |
US20200241542A1 (en) * | 2019-01-25 | 2020-07-30 | Bayerische Motoren Werke Aktiengesellschaft | Vehicle Equipped with Accelerated Actor-Critic Reinforcement Learning and Method for Accelerating Actor-Critic Reinforcement Learning |
CN111738036B (zh) * | 2019-03-25 | 2023-09-29 | 北京四维图新科技股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110795977B (zh) * | 2019-04-29 | 2020-09-04 | 当家移动绿色互联网技术集团有限公司 | 交通信号识别方法、装置、存储介质及电子设备 |
CN113409393B (zh) * | 2019-05-17 | 2023-10-03 | 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 |
CN110377781A (zh) * | 2019-06-06 | 2019-10-25 | 福建讯网网络科技股份有限公司 | 一种应用鞋底搜索匹配的改进算法 |
CN110458226B (zh) * | 2019-08-08 | 2022-04-01 | 上海商汤智能科技有限公司 | 图像标注方法及装置、电子设备和存储介质 |
CN110532903B (zh) * | 2019-08-12 | 2022-02-22 | 浙江大华技术股份有限公司 | 一种交通灯图像处理的方法和设备 |
CN110472601B (zh) * | 2019-08-20 | 2023-05-02 | 北京瞰天科技有限公司 | 一种遥感图像目标物体识别方法、装置和存储介质 |
CN110473414B (zh) * | 2019-08-20 | 2021-03-23 | 北京经纬恒润科技股份有限公司 | 一种车辆行驶路径确定方法、装置及*** |
US11427210B2 (en) * | 2019-09-13 | 2022-08-30 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of an object with the aid of a location-specific latent map |
CN110659601B (zh) * | 2019-09-19 | 2022-12-02 | 西安电子科技大学 | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 |
CN110880016B (zh) * | 2019-10-18 | 2022-07-15 | 平安科技(深圳)有限公司 | 图像风格迁移方法、装置、设备及存储介质 |
CN110826456A (zh) * | 2019-10-31 | 2020-02-21 | 青岛海信网络科技股份有限公司 | 一种倒计时牌故障检测方法及*** |
CN114424253A (zh) * | 2019-11-08 | 2022-04-29 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
CN110956153B (zh) * | 2019-12-11 | 2023-02-07 | 安阳工学院 | 一种用于无人驾驶车辆的交通信号灯检测方法及*** |
CN111178200B (zh) * | 2019-12-20 | 2023-06-02 | 海南车智易通信息技术有限公司 | 一种仪表盘指示灯的识别方法及计算设备 |
CN111160282B (zh) * | 2019-12-31 | 2023-03-24 | 合肥湛达智能科技有限公司 | 一种基于二值化Yolov3网络的红绿灯检测方法 |
US11605290B2 (en) * | 2020-01-28 | 2023-03-14 | GM Cruise Holdings LLC. | Updating maps based on traffic object detection |
CN111275011B (zh) * | 2020-02-25 | 2023-12-19 | 阿波罗智能技术(北京)有限公司 | 移动红绿灯检测方法、装置、电子设备和存储介质 |
CN111400531B (zh) * | 2020-03-13 | 2024-04-05 | 广州文远知行科技有限公司 | 目标标注方法、装置、设备与计算机可读存储介质 |
CN111488854A (zh) * | 2020-04-23 | 2020-08-04 | 福建农林大学 | 一种道路交通标志自动识别与分类方法 |
KR20210143614A (ko) * | 2020-05-20 | 2021-11-29 | 삼성전자주식회사 | 뉴럴 네트워크를 구현하는 뉴로모픽 장치 및 그 동작 방법 |
CN111639709B (zh) * | 2020-05-29 | 2023-08-29 | 大连海事大学 | 一种基于深度学习的航标灯质智能识别方法 |
CN111695546B (zh) * | 2020-06-28 | 2023-06-27 | 北京京东乾石科技有限公司 | 用于无人车的交通信号灯识别方法和装置 |
CN111814628B (zh) * | 2020-06-29 | 2024-02-27 | 北京百度网讯科技有限公司 | 陈列立柜识别方法、装置、设备以及存储介质 |
CN111738212B (zh) * | 2020-07-20 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的交通信号灯识别方法、装置、设备及介质 |
CN112078593B (zh) * | 2020-07-24 | 2021-12-21 | 西安电子科技大学 | 基于多种网络协同模型的自动驾驶***及方法 |
CN113763734B (zh) * | 2020-07-27 | 2022-09-30 | 北京京东乾石科技有限公司 | 一种红绿灯状态检测方法、装置、设备及存储介质 |
CN112163988B (zh) * | 2020-08-17 | 2022-12-13 | 中国人民解放军93114部队 | 红外图像的生成方法、装置、计算机设备和可读存储介质 |
CN112183358B (zh) * | 2020-09-29 | 2024-04-23 | 新石器慧通(北京)科技有限公司 | 一种目标检测模型的训练方法及装置 |
US11729371B2 (en) * | 2020-10-14 | 2023-08-15 | Ford Global Technologies, Llc | Systems and methods for improved camera color calibration |
CN112348012A (zh) * | 2020-10-26 | 2021-02-09 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN112288031A (zh) * | 2020-11-18 | 2021-01-29 | 北京航空航天大学杭州创新研究院 | 交通信号灯检测方法、装置、电子设备和存储介质 |
CN112560737A (zh) * | 2020-12-22 | 2021-03-26 | 清华大学苏州汽车研究院(吴江) | 一种信号灯识别方法、装置、存储介质及电子设备 |
CN112699773B (zh) * | 2020-12-28 | 2023-09-01 | 阿波罗智联(北京)科技有限公司 | 交通灯识别方法、装置及电子设备 |
CN112613570B (zh) * | 2020-12-29 | 2024-06-11 | 深圳云天励飞技术股份有限公司 | 一种图像检测方法、图像检测装置、设备及存储介质 |
CN112712057B (zh) * | 2021-01-13 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 交通信号识别方法、装置、电子设备及存储介质 |
JP2022131497A (ja) * | 2021-02-26 | 2022-09-07 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法およびプログラム |
CN113348663B (zh) * | 2021-03-23 | 2023-01-24 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN113077630B (zh) * | 2021-04-30 | 2022-06-28 | 安徽江淮汽车集团股份有限公司 | 基于深度学习的红绿灯检测方法、装置、设备及存储介质 |
CN113574566A (zh) * | 2021-05-14 | 2021-10-29 | 北京大学深圳研究生院 | 目标检测网络构建优化方法、装置、设备、介质及产品 |
CN113780453A (zh) * | 2021-09-16 | 2021-12-10 | 惠州市德赛西威汽车电子股份有限公司 | 感知模型训练方法、基于感知模型的场景感知方法 |
CN113989774A (zh) * | 2021-10-27 | 2022-01-28 | 广州小鹏自动驾驶科技有限公司 | 一种交通灯检测方法、装置、车辆和可读存储介质 |
CN114550129B (zh) * | 2022-01-26 | 2023-07-18 | 江苏联合职业技术学院苏州工业园区分院 | 一种基于数据集的机器学习模型处理方法和*** |
CN114694112B (zh) * | 2022-02-22 | 2024-06-21 | 广州文远知行科技有限公司 | 交通信号灯的识别方法、装置及电子设备 |
CN116152784B (zh) * | 2023-04-21 | 2023-07-07 | 深圳市夜行人科技有限公司 | 一种基于图像处理的信号灯预警方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8624994B2 (en) * | 2008-02-29 | 2014-01-07 | Canon Kabushiki Kaisha | Information processing apparatus, eye open/closed degree determination method, computer-readable storage medium, and image sensing apparatus |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及*** |
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US10650257B2 (en) * | 2017-02-09 | 2020-05-12 | SMR Patents S.à.r.l. | Method and device for identifying the signaling state of at least one signaling device |
US10699142B2 (en) * | 2017-04-20 | 2020-06-30 | GM Global Technology Operations LLC | Systems and methods for traffic signal light detection |
-
2017
- 2017-09-15 CN CN201710831216.6A patent/CN109508580B/zh active Active
-
2018
- 2018-07-30 US US16/049,026 patent/US11037005B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8624994B2 (en) * | 2008-02-29 | 2014-01-07 | Canon Kabushiki Kaisha | Information processing apparatus, eye open/closed degree determination method, computer-readable storage medium, and image sensing apparatus |
WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及*** |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
Also Published As
Publication number | Publication date |
---|---|
US11037005B2 (en) | 2021-06-15 |
CN109508580A (zh) | 2019-03-22 |
US20190087673A1 (en) | 2019-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
CN113723377B (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
US10824885B2 (en) | Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle | |
CN110119725B (zh) | 用于检测信号灯的方法及装置 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和*** | |
CN113409393B (zh) | 用于识别交通标志牌的方法及装置 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、***及可读存储介质 | |
CN115512336B (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、***、设备及存储介质 | |
Afdhal et al. | Evaluation of benchmarking pre-trained cnn model for autonomous vehicles object detection in mixed traffic | |
CN113191279A (zh) | 数据标注方法、装置、设备、存储介质以及计算机程序产品 | |
CN116561534B (zh) | 一种基于自监督学习的提升路侧传感器精度的方法及*** | |
US20230267749A1 (en) | System and method of segmenting free space based on electromagnetic waves | |
CN114694112B (zh) | 交通信号灯的识别方法、装置及电子设备 | |
US20240203107A1 (en) | Obstacle identification method, vehicle-mounted device and storage medium | |
CN118135827A (zh) | 信号灯的灯色识别方法、装置、设备及介质 | |
CN118323197A (zh) | 自动驾驶车辆中预测模型的训练和使用方法、装置及车辆 | |
CN117854032A (zh) | 数据的标注及障碍物的识别方法、装置、终端设备和介质 | |
Abdellaoui et al. | Driving assistance system based on artificial intelligence algorithms | |
CN113807201A (zh) | 一种基于计算机视觉的智能化机房设备异常状态巡检方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211009 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co., Ltd Address before: 100085 third floor, *** building, No. 10, Shangdi 10th Street, Haidian District, Beijing Applicant before: Baidu Online Network Technology (Beijing) Co., Ltd |
|
GR01 | Patent grant | ||
GR01 | Patent grant |