CN109886210A - 一种交通图像识别方法、装置、计算机设备和介质 - Google Patents
一种交通图像识别方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN109886210A CN109886210A CN201910138054.7A CN201910138054A CN109886210A CN 109886210 A CN109886210 A CN 109886210A CN 201910138054 A CN201910138054 A CN 201910138054A CN 109886210 A CN109886210 A CN 109886210A
- Authority
- CN
- China
- Prior art keywords
- picture
- interference
- input
- sample set
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
-
- 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
- G06V10/30—Noise filtering
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
- G06V10/70—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
- G06V20/582—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种交通图像识别方法、装置、设备和介质。其中,方法包括:获取车辆采集的视频流并提取出视频流中的各帧图像作为第一图片;将第一图片输入至去干扰自编码器进行预处理,以过滤第一图片中的干扰,输出第二图片,其中,去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的扰动方式包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;将第二图片输入至交通标志识别模型来进行识别处理。本发明实施例解决了对抗样本对交通标志识别模型进行攻击导致交通标志识别错误的问题;可以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升无人驾驶或智能驾驶的安全性。
Description
技术领域
本发明实施例涉及自动驾驶图片处理技术,尤其涉及一种交通图像识别方法、装置、计算机设备和介质。
背景技术
无人车在行驶过程或智能驾驶控制过程中,会以视频流的形式获取交通指示灯、交通指示牌等信息。具体是驾驶控制***对摄像头或雷达获取的视频进行预处理得到含有特征信息的图片,进而将含有特征信息图片输入交通指示灯、交通指示牌的分类模型中进行预测,比如判断是红灯还是绿灯,是限速60公里还是停车指示牌。
但是,无人车***中的分类模型通常是深度学习模型,十分容易遭受对抗样本的攻击,产生误判。例如,在路牌或者交通指示灯上贴上小图贴,通过在小图贴上构造对抗样本,让分类模型产生误判,就不能正常识别路牌或指示灯,对无人车的驾驶安全产生影响。
发明内容
本发明实施例提供一种交通图像识别方法、装置、计算机设备和介质,以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升智能驾驶的安全性。
第一方面,本发明实施例提供了一种交通图像识别方法,该方法包括:
获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;
将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的扰动方式包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;
将所述第二图片输入至交通标志识别模型来进行识别处理。
第二方面,本发明实施例还提供了一种交通图像识别装置,该装置包括:
图片采集模块,用于获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;
图片预处理模块,用于将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的干扰类型包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;
图片识别模块,用于将所述第二图片输入至交通标志识别模型来进行识别处理。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
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本发明实施例中任一所述的交通图像识别方法。
第四方面,本发明实施例还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发明实施例中任一所述的交通图像识别方法。
本发明实施例通过将车辆采集的视频流中的图片输入至去干扰自编码器,经过去干扰自编码器的预处理得到滤除干扰的图片,进而将无干扰的图片输入至交通标志识别模型进行识别处理,从而方便后续产生正确的车辆控制指令,解决了对抗样本对交通标志识别模型进行攻击导致交通标志识别错误的问题;可以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升无人驾驶或智能驾驶的安全性。
附图说明
图1是本发明实施例一中的交通图像识别方法的流程图;
图2a是本发明实施例二中的交通图像识别方法的流程图;
图2b是本发明实施例二中的自编码器神经网络结构示意图;
图3是本发明实施例三中的交通图像识别装置的结构示意图;
图4是本发明实施例四中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的交通图像识别方法的流程图,本实施例可适用于抵御基于对抗样本对无人车或智能驾驶控制***的路牌和交通指示灯识别模型的攻击的情况,该方法可以由交通图像识别装置实现,具体可通过设备中的软件和/或硬件来实施,例如,无人驾驶车辆或可智能驾驶车辆中的车辆驾驶控制***。如图1所示,交通图像识别方法具体包括:
S110、获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片。
其中,车辆可以是无人驾驶的车辆,或是具有智能驾驶功能的车辆。在上述两种类型的车辆上均设置有摄像头和/或雷达,用于采集车辆在行驶过程中,车辆的前进方向和辆周边的视频流。视频流中的图像内容通常包括交通标志、信号灯、车道线及其他车辆、行人和建筑物等内容。采集到的视频流会被传输到车辆的控制***,然后,控制***在视频流中提取出每一帧图像即第一图片,作为分析的目标对象。上述所提取出的每帧图像可以理解为经过其他处理后确定要进行交通标志识别的目标图像。
S120、将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的扰动方式包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化。
在第一图片中,可能包含有交通标志、信号灯或车道线等具有交通指示作用的信息,也可能不包含。其中,包含有交通指示信息在内的第一图片通常对车辆的控制起到决定性作用。在一些情况中,交通指示牌、信号灯或车道线等交通标示上会被贴广告、标签或是叠加图贴等方式进行干扰使交通标志识别模型不能正确的识别出交通标志,从而导致违反交通规则,甚至是危害乘客人身安全以及公共交通安全。
因此,需要在将含有交通标示的图片输入到交通标志识别模型之前进行图片的预处理,将图片中可能存在的干扰信息滤除,相当于提炼出了图片中的关键物体信息。
具体的,可将第一图片输入到去干扰自编码器进行预处理,即可在含有交通标志信息的第一图像中有干扰信息时将干扰信息滤除,得到第二图片,即无干扰的图像。对于不包含交通标志信息及包含交通标志信息但未添加干扰信息的第一图片,去干扰自编码器的预处理是对该图片没有较大影响的,可得到接近于原图的输出图像。其中,去干扰自编码器通过至少两类干扰样本集进行训练而获得的,不仅能过滤掉单一图片干扰处理的干扰,还可以滤掉多种干扰处理方法组合的干扰,提高对抗样本图片中的扰动过滤效果。
具体的,每一类抗干扰样本集中,包含有至少一个样本对,每一个样本对都包含有一个原始图片,以及一个与该原始图片相对应的对抗样本。在一类抗干扰样本集中,各对抗样本相对于相应的原始图片均进行了相同类型的扰动处理。所谓相同类型,是指采用的扰动方式的组合相同。扰动方式的组合可以包括单一一种扰动方式,或者也可以包括两种或多种扰动方式的组合。在一类抗干扰样本集中,采用的扰动方式组合相同,但各扰动方式所采用的具体参数可以相同或不同。本发明实施例中所采用的扰动方式可能由多种,可选的,扰动方式包括噪音、仿射变化、滤波模糊化、亮度变化和单色化中的至少两种。
在一种优选的实施方式中,在将第一图片输入至去干扰自编码器进行预处理之前,还可以对第一图片从颜色维度进行压缩处理,即RGB颜色信息和/或灰度等级方面的压缩处理。这是因为交通标志的识别,主要依赖于交通标志图案的结构、形状、主体颜色,而对细节颜色并不敏感。通常情况下,交通标志在阳光下、黑暗中所采集呈现的颜色也是有差别的,所以细微颜色的差异被压缩并不影响交通标志图案的识别。图像在颜色维度进行压缩之后可以减少在图像处理过程中的运算的数据量。
S130、将所述第二图片输入至交通标志识别模型来进行识别处理。
其中,交通标志识别模型通常为基于深度学习的网络模型。
交通标志识别模型可以识别第二图像中特征信息,并判断特征信息是否属于任一个交通标志,如限速指示牌或交通灯等,以供车辆驾驶控制***的决策模块根据交通标志识别模型的识别结果做出控制决策,进行车辆行驶过程中的控制。
本实施例的技术方案,通过将车辆采集的视频流中的图片输入至去干扰自编码器,经过去干扰自编码器的预处理得到滤除干扰的图片,进而将无干扰的图片输入至交通标志识别模型进行识别处理,从而使得后续能够产生正确的车辆控制指令,解决了对抗样本对交通标志识别模型进行攻击导致交通标志识别错误的问题;可以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升无人驾驶或智能驾驶的安全性。
本发明实施例的技术方案,可同时适用于一些不法用户在不确定交通标志识别所使用的深度学习模型时所发起的黑盒攻击,以及在确定深度学习模型时的白盒攻击两种情况。黑盒攻击不同于白盒攻击。白盒攻击往往是在已知深度学习模型的模型结构和具体参数时有针对性的采用FGSM、CW、JSMA等对抗样本算法进行白盒攻击。而黑盒攻击在不确定深度学习模型时,会通过诸如噪音、仿射变化、滤波模糊化、亮度变化和单色化等扰动方式,发起复杂多变的黑盒攻击。本发明实施例有效解决了黑盒攻击和白盒攻击的情况过滤掉了各种扰动,让交通标志识别的深度学习模型能有效进行识别过滤。
实施例二
图2a为发明实施例二提供的一种交通图像识别方法的流程图。本实施例以上述实施例中各个可选方案为基础,提供了去干扰自编码器的训练过程。如图2a所示,本发明实施例中提供的交通图像识别方法包括如下步骤:
S210、在原始图片的基础上增加至少两种干扰,已形成至少两类干扰样本集。
其中,原始图片是未增加过干扰的图片,图片的内容为真实的交通指示灯、交通指示牌、车道线及路牌等内容。获取原始图片的途径可以是通过带有摄像功能的终端拍摄而得,也可以是在某一个视频中进行截取。在获取原始图片之后,则开始生成样本集。首先,通过加噪音、增加仿射变化、叠加滤波模糊化变化、叠加亮度变化、叠加单色化变化中的一种或多种扰动方式,对原始图片进行处理,以形成干扰图片。然后,将原始图片与干扰图片作为一个样本对,选择至少两类样本对集合作为所述干扰样本集。对于每类干扰样本集确定采用相同的扰动方式组合。
示例性的,在第一原始图片增加仿射变化和滤波模糊化变化,生成一个第一干扰图片,该第一原始图片与该第一干扰图片即为一个样本对。同样的,在其他的原始图片增加仿射变化和滤波模糊化变化生成相应的干扰图片,得到多个样本对,那么经过相同变化得到的样本对同属于一类样本对集合,即第一类样本对集合。如果,在第一原始图片中,叠加滤波模糊化变化、叠加亮度变化及叠加单色化变化,也会生成相应的干扰图片,组成相应的样本对,此时得到的样本对集合为不同于第一类样本对集合的第二类样本对集合。同理,选择在原始图片上叠加不同的种类及数量的干扰信息之后,可得到更多不同类别的样本对集合。从而,选择至少两类样本对集合作为所述干扰样本集,以使训练样本更加全面,能够覆盖更多的扰动方式,从而能够提高对抗样本的滤除出率。
在另一种实施方式中,在通过加噪音、增加仿射变化、叠加滤波模糊化变化、叠加亮度变化、叠加单色化变化中的一种或多种扰动方式,对所述原始图片进行处理之前,还可以调整任一类型扰动方式中的至少一项扰动参数值,以形成至少两种扰动,从而增加对于同一个原始图片生成干扰图片的数量,进而增加样本对集合的数量。示例性的,调整任一类型扰动方式中的至少一项扰动参数值,以形成至少两种扰动可以包括下述至少一种:
调整放射变化中的缩放比例参数,以形成不同缩放比例的扰动;调整滤波模糊化中的模糊控制器的输入参数,以形成模糊程度不同的扰动;调整亮度变化中的亮度值,以形成不同亮度的扰动;调整单色化变化中的像素点的像素值,以形成不同颜色的扰动。当其中一种扰动方式包含多个扰动参数时,可同时改变多个参数值,形成不同的干扰图片,如同时改变放射变化中的翻转角度参数和剪切角度参数,以及亮度变化中的亮度值。
S220、将各所述干扰样本集中的样本对分别作为输入图片和输出图片,输入至自编码器以进行训练。
自动编码器(Auto Encoders)是深度学习中常见的一种模型,其结构是一个三层神经网络结构,该结构中包括一个输入层、一个隐藏层和一个输出层,其中,输出层和输入层具有相同的维数,具体可参考图2b。具体的,输入层和输出层分别代表代表神经网络的输入层和输出层,隐藏层承担的编码器和解码器的工作,编码的过程就是从高维度的输入层转化到低维度的隐藏层的过程,反之,解码过程就是低维度的隐藏层到高维度的输出层的转化过程,因此,自编码器是个有损转化的过程,通过对比输入和输出的差别来定义损失函数。训练的过程不需要对数据进行标记,整个过程就是不断求解损失函数最小化的过程。
在本实施例中,将任一样本对中的叠加了噪声的干扰图片输入至输入层,然后,在输出层得到经过自编码器的隐藏层还原的图片,然后,将原始图片和经过还原的图片同时输入到损失函数中,根据损失函数的输出结果判断是否需要对自动编码器进行优化,当损失函数的输出结果满足预设条件时,即可停止训练过程,最终得到去干扰自编码器。
在另一种实施方式中,由于车辆采集的视频流中的图像信息是在时间上连续的有关联关系的图像信息,干扰自编码器可以为LSTM(Long Short-Term Memory,长短期记忆网络)的卷积神经网络模型。那么,干扰样本集的样本包括连续的至少两帧图片。即原始图片为至少两张连续帧图片组成的原始样本组,与原始样本组相对应的干扰图片组为在原始样本组的基础上以相同的扰动方式叠加了干扰信息的图片。其中,相同的扰动方式是指采用的扰动方式的组合相同。扰动方式的组合可以包括单一一种扰动方式,或者也可以包括两种或多种扰动方式的组合。在一类抗干扰样本集中,采用的扰动方式组合相同,但各扰动方式所采用的具体参数可以相同或不同。本发明实施例中所采用的扰动方式可能由多种,可选的,扰动方式包括噪音、仿射变化、滤波模糊化、亮度变化和单色化中的至少两种。
在一种优选的实施方式中,在进行自编码器的训练之前,还可以对样本集中的样本图像从颜色维度进行压缩处理,即RGB颜色信息和/或灰度等级方面的压缩处理。这是因为交通标志的识别,主要依赖于物体的结构、形状、主体颜色,而对细节颜色并不敏感。图像在颜色维度进行压缩之后可以减少在图像处理过程中的运算的数据量。
S230、获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片。
S240、将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片。
S250、将所述第二图片输入至交通标志识别模型来进行识别处理。
S230-S250的具体内容,可参考实施例一中的相关描述。
本实施例的技术方案,通过在原始图片通过不同的扰动方式添加干扰噪声形成不同类的干扰样本集,训练自编码器,得到了可滤掉多种干扰的去干扰自编码器,然后使用该去干扰自编码器对车辆采集到的视频流中图片进行去干扰预处理,得到过滤掉干扰的图片,将经过预处理的图片输入至交通标志识别模型进行识别处理,从而产生正确的车辆控制指令,解决了对抗样本对交通标志识别模型进行攻击导致交通标志识别错误的问题;可以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升无人驾驶或智能驾驶的安全性。
实施例三
图3示出了本发明实施例三提供的一种交通图像识别装置的结构示意图,本发明实施例可适用于抵御基于对抗样本对无人车或智能驾驶控制***的路牌和交通指示灯识别模型的攻击的情况。
如图3所示,本发明实施例中交通图像识别装置,包括:图片采集模块310、图片预处理模块320和图片识别模块330。
其中,图片采集模块310,用于获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;图片预处理模块320,用于将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的干扰类型包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;图片识别模块330,用于将所述第二图片输入至交通标志识别模型来进行识别处理。
本实施例的技术方案,通过将车辆采集的视频流中的图片输入至去干扰自编码器,经过去干扰自编码器的预处理得到滤除干扰的图片,进而将无干扰的图片输入至交通标志识别模型进行识别处理从而产生正确的车辆控制指令,解决了对抗样本对交通标志识别模型进行攻击导致交通标志识别错误的问题;可以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升无人驾驶或智能驾驶的安全性。
可选的,交通图像识别装置还包括:
样本集生成模块,用于在原始图片的基础上增加至少两种干扰,已形成至少两类干扰样本集;
模型训练模块,用于将各所述干扰样本集中的样本对分别作为输入图片和输出图片,输入至自编码器以进行训练。
可选的,样本集生成模块具体用于:
获取原始图片;
通过加噪音、增加仿射变化、叠加滤波模糊化变化、叠加亮度变化、叠加单色化变化中的一种或多种扰动方式,对所述原始图片进行处理,以形成干扰图片;
将原始图片与干扰图片作为一个样本对,选择至少两类样本对集合作为所述干扰样本集。
可选的,样本集生成模块,还用于:
调整任一类型扰动方式中的至少一项扰动参数值,以形成至少两种扰动。
可选的,调整任一类型扰动方式中的至少一项扰动参数值,以形成至少两种扰动包括下述至少一种:
调整放射变化中的缩放比例参数,以形成不同缩放比例的扰动;
调整滤波模糊化中的模糊控制器的输入参数,以形成模糊程度不同的扰动;
调整亮度变化中的亮度值,以形成不同亮度的扰动;
调整单色化变化中的像素点的像素值,以形成不同颜色的扰动。
可选的,自编码器的输入层和输出层结构相同,以使输出图片与原始图片具有相同的分辨率。
可选的,交通图像识别装置还包括图像压缩模块,用于在将所述第一图片输入至去干扰自编码器进行预处理之前,对所述第一图片从颜色维度进行压缩处理。
可选的,所述去干扰自编码器为LSTM的卷积神经网络模型,所述干扰样本集包括连续的至少两帧图片。
本发明实施例所提供的交通图像识别装置可执行本发明任意实施例所提供的交通图像识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四中的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于:一个或者多个处理器或者处理单元416,***存储器428,连接不同***组件(包括***存储器428和处理单元416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备412典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器428可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信,还可与一个或者多个使得用户能与该计算机设备412交互的设备通信,和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机设备412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元416通过运行存储在***存储器428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的交通图像识别方法,该方法主要包括:
获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;
将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的扰动方式包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;
将所述第二图片输入至交通标志识别模型来进行识别处理。
实施例五
本发明实施例五还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本发明实施例所提供的交通图像识别方法,该方法主要包括:
获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;
将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的扰动方式包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;
将所述第二图片输入至交通标志识别模型来进行识别处理。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种交通图像识别方法,其特征在于,包括:
获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;
将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的扰动方式包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;
将所述第二图片输入至交通标志识别模型来进行识别处理。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在原始图片的基础上增加至少两种干扰,已形成至少两类干扰样本集;
将各所述干扰样本集中的样本对分别作为输入图片和输出图片,输入至自编码器以进行训练。
3.根据权利要求2所述的方法,其特征在于,在原始图片的基础上增加至少两种干扰,已形成至少两类干扰样本集包括:
获取原始图片;
通过加噪音、增加仿射变化、叠加滤波模糊化变化、叠加亮度变化、叠加单色化变化中的一种或多种扰动方式,对所述原始图片进行处理,以形成干扰图片;
将原始图片与干扰图片作为一个样本对,选择至少两类样本对集合作为所述干扰样本集。
4.根据权利要求3所述的方法,其特征在于,通过加噪音、增加仿射变化、叠加滤波模糊化变化、叠加亮度变化、叠加单色化变化中的一种或多种扰动方式,对所述原始图片进行处理之前,还包括:
调整任一类型扰动方式中的至少一项扰动参数值,以形成至少两种扰动。
5.根据权利要求4所述的方法,其特征在于,调整任一类型扰动方式中的至少一项扰动参数值,以形成至少两种扰动包括下述至少一种:
调整放射变化中的缩放比例参数,以形成不同缩放比例的扰动;
调整滤波模糊化中的模糊控制器的输入参数,以形成模糊程度不同的扰动;
调整亮度变化中的亮度值,以形成不同亮度的扰动;
调整单色化变化中的像素点的像素值,以形成不同颜色的扰动。
6.根据权利要求2-5中任一所述的方法,其特征在于,所述自编码器的输入层和输出层结构相同,以使输出图片与原始图片具有相同的分辨率。
7.根据权利要求6所述的方法,其特征在于,在将所述第一图片输入至去干扰自编码器进行预处理之前,所述方法还包括:
对所述第一图片从颜色维度进行压缩处理。
8.根据权利要求1所述的方法,其特征在于,所述去干扰自编码器为LSTM的卷积神经网络模型,所述干扰样本集包括连续的至少两帧图片。
9.一种交通图像识别装置,其特征在于,包括:
图片采集模块,用于获取车辆采集的视频流并提取出所述视频流中的各帧图像作为第一图片;
图片预处理模块,用于将所述第一图片输入至去干扰自编码器进行预处理,以过滤所述第一图片中的干扰,输出第二图片,其中,所述去干扰自编码器通过至少两类干扰样本集进行训练而得,不同类型干扰样本集中所加入的干扰类型包括下述至少两种:噪音、仿射变化、滤波模糊化、亮度变化和单色化;
图片识别模块,用于将所述第二图片输入至交通标志识别模型来进行识别处理。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
样本集生成模块,用于在原始图片的基础上增加至少两种干扰,已形成至少两类干扰样本集;
模型训练模块,用于将各所述干扰样本集中的样本对分别作为输入图片和输出图片,输入至自编码器以进行训练。
11.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
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中任一所述的交通图像识别方法。
12.一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中任一所述的交通图像识别方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138054.7A CN109886210B (zh) | 2019-02-25 | 2019-02-25 | 一种交通图像识别方法、装置、计算机设备和介质 |
KR1020207035694A KR20210031427A (ko) | 2019-02-25 | 2019-08-22 | 교통 이미지를 인식하는 방법, 장치, 컴퓨터 기기 및 매체 |
PCT/CN2019/102027 WO2020173056A1 (zh) | 2019-02-25 | 2019-08-22 | 交通图像识别方法、装置、计算机设备和介质 |
EP19916553.1A EP3786835A4 (en) | 2019-02-25 | 2019-08-22 | METHOD AND APPARATUS FOR TRAFFIC IMAGE RECOGNITION, AND COMPUTER DEVICE AND MEDIA |
JP2020568528A JP2022521448A (ja) | 2019-02-25 | 2019-08-22 | 交通画像認識方法、装置、コンピュータデバイスおよび媒体 |
US17/114,076 US20210117705A1 (en) | 2019-02-25 | 2020-12-07 | Traffic image recognition method and apparatus, and computer device and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138054.7A CN109886210B (zh) | 2019-02-25 | 2019-02-25 | 一种交通图像识别方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886210A true CN109886210A (zh) | 2019-06-14 |
CN109886210B CN109886210B (zh) | 2022-07-19 |
Family
ID=66929338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910138054.7A Active CN109886210B (zh) | 2019-02-25 | 2019-02-25 | 一种交通图像识别方法、装置、计算机设备和介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210117705A1 (zh) |
EP (1) | EP3786835A4 (zh) |
JP (1) | JP2022521448A (zh) |
KR (1) | KR20210031427A (zh) |
CN (1) | CN109886210B (zh) |
WO (1) | WO2020173056A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717028A (zh) * | 2019-10-18 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及*** |
CN111191717A (zh) * | 2019-12-30 | 2020-05-22 | 电子科技大学 | 一种基于隐空间聚类的黑盒对抗样本生成算法 |
CN111553952A (zh) * | 2020-05-08 | 2020-08-18 | 中国科学院自动化研究所 | 基于生存对抗的工业机器人视觉图像识别方法及*** |
WO2020173056A1 (zh) * | 2019-02-25 | 2020-09-03 | 百度在线网络技术(北京)有限公司 | 交通图像识别方法、装置、计算机设备和介质 |
CN111783604A (zh) * | 2020-06-24 | 2020-10-16 | 中国第一汽车股份有限公司 | 基于目标识别的车辆控制方法、装置、设备及车辆 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112906424A (zh) * | 2019-11-19 | 2021-06-04 | 上海高德威智能交通***有限公司 | 图像识别方法、装置及设备 |
WO2022033179A1 (zh) * | 2020-08-12 | 2022-02-17 | 广州小鹏自动驾驶科技有限公司 | 一种交通灯识别的方法和装置 |
CN115509222A (zh) * | 2021-06-03 | 2022-12-23 | 洼田望 | 信息处理方法、存储介质和信息处理装置 |
CN115588131A (zh) * | 2022-09-30 | 2023-01-10 | 北京瑞莱智慧科技有限公司 | 模型鲁棒性检测方法、相关装置及存储介质 |
JP7521010B2 (ja) | 2020-05-18 | 2024-07-23 | アイデミア・アイデンティティ・アンド・セキュリティー・フランス | 入力データに対して第1のニューラルネットワークを安全に使用するための方法及び第2のニューラルネットワークのパラメータを学習するための方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102382324B1 (ko) * | 2019-11-21 | 2022-04-01 | 연세대학교 산학협력단 | 신경 파형 분류 장치 및 방법 |
CN112241532B (zh) * | 2020-09-17 | 2024-02-20 | 北京科技大学 | 一种基于雅可比矩阵生成与检测恶性对抗样本的方法 |
CN112990015B (zh) * | 2021-03-16 | 2024-03-19 | 北京智源人工智能研究院 | 一种病变细胞自动识别方法、装置和电子设备 |
CN113537463A (zh) * | 2021-07-02 | 2021-10-22 | 北京航空航天大学 | 基于数据扰动的对抗样本防御方法与装置 |
CN113255609B (zh) * | 2021-07-02 | 2021-10-29 | 智道网联科技(北京)有限公司 | 基于神经网络模型的交通标识识别方法及装置 |
EP4120136A1 (en) * | 2021-07-14 | 2023-01-18 | Volkswagen Aktiengesellschaft | Method for automatically executing a vehicle function, method for training a machine learning defense model and defense unit for a vehicle |
CN113537494B (zh) * | 2021-07-23 | 2022-11-11 | 江南大学 | 一种基于黑盒场景的图像对抗样本生成方法 |
CN114004757B (zh) * | 2021-10-14 | 2024-04-05 | 大族激光科技产业集团股份有限公司 | 去除工业图像中干扰的方法、***、设备和存储介质 |
US11887475B1 (en) * | 2021-12-13 | 2024-01-30 | Ford Global Technologies, Llc | Systems and methods for controlling a programmable traffic light |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139342A (zh) * | 2015-09-29 | 2015-12-09 | 天脉聚源(北京)教育科技有限公司 | 一种图片缩放的方法和装置 |
CN105590088A (zh) * | 2015-09-17 | 2016-05-18 | 重庆大学 | 一种基于稀疏自编码和稀疏表示进行交通标志识别的方法 |
CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
CN106529589A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 采用降噪堆叠自动编码器网络的视觉目标检测方法 |
CN107571867A (zh) * | 2017-09-05 | 2018-01-12 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN108122209A (zh) * | 2017-12-14 | 2018-06-05 | 浙江捷尚视觉科技股份有限公司 | 一种基于对抗生成网络的车牌去模糊方法 |
CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
CN108520503A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 |
CN108537133A (zh) * | 2018-03-16 | 2018-09-14 | 江苏经贸职业技术学院 | 一种基于监督学习深度自编码器的人脸重构方法 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和*** |
CN109313793A (zh) * | 2016-01-18 | 2019-02-05 | 维弗施福特有限责任公司 | 评估并降低电子显示器的近视源性效应 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05128250A (ja) * | 1991-11-08 | 1993-05-25 | Toshiba Corp | 画像認識装置 |
JP2004354251A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
JP5082512B2 (ja) * | 2007-03-08 | 2012-11-28 | 富士ゼロックス株式会社 | 情報処理装置、画像処理装置、画像符号化装置、情報処理プログラム、画像処理プログラム及び画像符号化プログラム |
CN103020623B (zh) * | 2011-09-23 | 2016-04-06 | 株式会社理光 | 交通标志检测方法和交通标志检测设备 |
JP6688090B2 (ja) * | 2016-01-22 | 2020-04-28 | 株式会社デンソーテン | 物体認識装置および物体認識方法 |
CN106022268A (zh) * | 2016-05-23 | 2016-10-12 | 广州鹰瞰信息科技有限公司 | 一种限速标识的识别方法和装置 |
CN106919939B (zh) * | 2017-03-14 | 2019-11-22 | 潍坊学院 | 一种交通标识牌跟踪识别方法及*** |
CN107122737B (zh) * | 2017-04-26 | 2020-07-31 | 聊城大学 | 一种道路交通标志自动检测识别方法 |
CN107679508A (zh) * | 2017-10-17 | 2018-02-09 | 广州汽车集团股份有限公司 | 交通标志检测识别方法、装置及*** |
US11106925B2 (en) * | 2018-10-25 | 2021-08-31 | Intel Corporation | Computer-assisted or autonomous driving traffic sign recognition method and apparatus |
CN109886210B (zh) * | 2019-02-25 | 2022-07-19 | 百度在线网络技术(北京)有限公司 | 一种交通图像识别方法、装置、计算机设备和介质 |
-
2019
- 2019-02-25 CN CN201910138054.7A patent/CN109886210B/zh active Active
- 2019-08-22 JP JP2020568528A patent/JP2022521448A/ja active Pending
- 2019-08-22 EP EP19916553.1A patent/EP3786835A4/en not_active Withdrawn
- 2019-08-22 WO PCT/CN2019/102027 patent/WO2020173056A1/zh unknown
- 2019-08-22 KR KR1020207035694A patent/KR20210031427A/ko not_active Application Discontinuation
-
2020
- 2020-12-07 US US17/114,076 patent/US20210117705A1/en not_active Abandoned
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590088A (zh) * | 2015-09-17 | 2016-05-18 | 重庆大学 | 一种基于稀疏自编码和稀疏表示进行交通标志识别的方法 |
CN105139342A (zh) * | 2015-09-29 | 2015-12-09 | 天脉聚源(北京)教育科技有限公司 | 一种图片缩放的方法和装置 |
CN109313793A (zh) * | 2016-01-18 | 2019-02-05 | 维弗施福特有限责任公司 | 评估并降低电子显示器的近视源性效应 |
CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
CN106529589A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 采用降噪堆叠自动编码器网络的视觉目标检测方法 |
CN107571867A (zh) * | 2017-09-05 | 2018-01-12 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN108122209A (zh) * | 2017-12-14 | 2018-06-05 | 浙江捷尚视觉科技股份有限公司 | 一种基于对抗生成网络的车牌去模糊方法 |
CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
CN108537133A (zh) * | 2018-03-16 | 2018-09-14 | 江苏经贸职业技术学院 | 一种基于监督学习深度自编码器的人脸重构方法 |
CN108520503A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和*** |
Non-Patent Citations (1)
Title |
---|
孙朝阳: ""复杂环境下交通标志的检测"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020173056A1 (zh) * | 2019-02-25 | 2020-09-03 | 百度在线网络技术(北京)有限公司 | 交通图像识别方法、装置、计算机设备和介质 |
CN110717028A (zh) * | 2019-10-18 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及*** |
CN110717028B (zh) * | 2019-10-18 | 2022-02-15 | 支付宝(杭州)信息技术有限公司 | 一种剔除干扰问题对的方法及*** |
CN112906424A (zh) * | 2019-11-19 | 2021-06-04 | 上海高德威智能交通***有限公司 | 图像识别方法、装置及设备 |
CN112906424B (zh) * | 2019-11-19 | 2023-10-31 | 上海高德威智能交通***有限公司 | 图像识别方法、装置及设备 |
CN111191717B (zh) * | 2019-12-30 | 2022-05-10 | 电子科技大学 | 一种基于隐空间聚类的黑盒对抗样本生成算法 |
CN111191717A (zh) * | 2019-12-30 | 2020-05-22 | 电子科技大学 | 一种基于隐空间聚类的黑盒对抗样本生成算法 |
CN111553952A (zh) * | 2020-05-08 | 2020-08-18 | 中国科学院自动化研究所 | 基于生存对抗的工业机器人视觉图像识别方法及*** |
JP7521010B2 (ja) | 2020-05-18 | 2024-07-23 | アイデミア・アイデンティティ・アンド・セキュリティー・フランス | 入力データに対して第1のニューラルネットワークを安全に使用するための方法及び第2のニューラルネットワークのパラメータを学習するための方法 |
CN111783604A (zh) * | 2020-06-24 | 2020-10-16 | 中国第一汽车股份有限公司 | 基于目标识别的车辆控制方法、装置、设备及车辆 |
CN111899199B (zh) * | 2020-08-07 | 2024-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
WO2022033179A1 (zh) * | 2020-08-12 | 2022-02-17 | 广州小鹏自动驾驶科技有限公司 | 一种交通灯识别的方法和装置 |
CN115509222A (zh) * | 2021-06-03 | 2022-12-23 | 洼田望 | 信息处理方法、存储介质和信息处理装置 |
CN115509222B (zh) * | 2021-06-03 | 2024-03-12 | 洼田望 | 信息处理方法、存储介质和信息处理装置 |
CN115588131A (zh) * | 2022-09-30 | 2023-01-10 | 北京瑞莱智慧科技有限公司 | 模型鲁棒性检测方法、相关装置及存储介质 |
CN115588131B (zh) * | 2022-09-30 | 2024-02-06 | 北京瑞莱智慧科技有限公司 | 模型鲁棒性检测方法、相关装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3786835A4 (en) | 2022-01-26 |
JP2022521448A (ja) | 2022-04-08 |
CN109886210B (zh) | 2022-07-19 |
EP3786835A1 (en) | 2021-03-03 |
KR20210031427A (ko) | 2021-03-19 |
WO2020173056A1 (zh) | 2020-09-03 |
US20210117705A1 (en) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886210A (zh) | 一种交通图像识别方法、装置、计算机设备和介质 | |
CN111191663B (zh) | 车牌号码识别方法、装置、电子设备及存储介质 | |
CN109902617B (zh) | 一种图片识别方法、装置、计算机设备和介质 | |
CN111899515B (zh) | 一种基于智慧道路边缘计算网关的车辆检测*** | |
CN110378332A (zh) | 一种集装箱码头箱号和车号识别方法及*** | |
CN109740424A (zh) | 交通违规识别方法及相关产品 | |
Li et al. | Lane detection based on connection of various feature extraction methods | |
CN106529380A (zh) | 图像的识别方法及装置 | |
KR20210078530A (ko) | 차선 속성 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
WO2021103897A1 (zh) | 车牌号码识别方法、装置、电子设备及存储介质 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及*** | |
CN111274942A (zh) | 一种基于级联网络的交通锥识别方法及装置 | |
CN112861690A (zh) | 多方法融合的遥感影像变化检测方法及*** | |
CN111191611A (zh) | 基于深度学习的交通标志标号识别方法 | |
CN110490189A (zh) | 一种基于双向消息链路卷积网络的显著性物体的检测方法 | |
CN113239746A (zh) | 电动车检测方法、装置、终端设备及计算机可读存储介质 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN117495847B (zh) | 路口检测方法、可读存储介质及智能设备 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
CN116563322A (zh) | 一种对抗补丁的检测及防御方法 | |
CN116071557A (zh) | 一种长尾目标检测方法、计算机可读存储介质及驾驶设备 | |
Gao et al. | RGBD semantic segmentation based on global convolutional network | |
CN115376025B (zh) | 一种无人机目标检测方法、***、设备及存储介质 | |
CN113117341B (zh) | 图片处理方法及装置、计算机可读存储介质、电子设备 |
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 |