CN110889378A - 一种多视图融合交通标志检测识别方法及其*** - Google Patents
一种多视图融合交通标志检测识别方法及其*** Download PDFInfo
- Publication number
- CN110889378A CN110889378A CN201911193295.8A CN201911193295A CN110889378A CN 110889378 A CN110889378 A CN 110889378A CN 201911193295 A CN201911193295 A CN 201911193295A CN 110889378 A CN110889378 A CN 110889378A
- Authority
- CN
- China
- Prior art keywords
- training
- traffic sign
- fusion
- different visual
- visual angles
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 77
- 238000000605 extraction Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000002372 labelling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多视图融合交通标志检测识别方法及其***,用于无人驾驶领域,该方法包括以下步骤:S1.实时采集不同视角的交通标志图像;S2.将不同视角的交通标志图像输入至训练好的神经网络模型中,得到不同视角的特征图;S3.建立不同视角的特征图之间的对应关系,进行特征融合,得到多视图融合结果后进行交通标志检测和信息识别,并将识别结果发送至所述辅助驾驶***。本方法采用神经网络模型进行交通标志检测和识别,并结合多视图数据融合算法,使神经网络模型可以处理多个角度的交通标志数据,所获得的神经网络模型更加适用于复杂的现实行车环境中,可以避免环境遮挡、杂物干扰的影响,且经过对视图数据融合使检测精度得到提高。
Description
技术领域
本发明涉及无人驾驶智能车辆的技术领域,更具体的说是涉及一种多视 图融合交通标志检测识别方法及其***。
背景技术
随着无人驾驶智能车的兴起,准确保证无人驾驶时的道路安全成为了一 个亟待解决的问题。道路旁的交通标志能够提供实时的真实、准确的交通信 息,可以根据这些道路交通信息来辅助控制汽车的行驶速度、前进、转向等 操作。因此,准确检测和识别交通标志、协助控制智能车成为无人驾驶领域 的一项关键技术。
目前,利用深度学习的目标检测算法是实现交通标志识别和检测的主要 途径。交通标志识别***主要是通过安装在智能车辆上的摄像头、传感器等 设备获取自然场景图像,然后通过图像处理与模式识别等技术对场景中的标 志进行实时检测和理解,最后将禁令、警告和指示等识别信息及时反馈,对 车辆进行有效控制。
然而现有技术中交通识别的过程中仍是对单一图像进行处理进而得到反 馈,但是单一视图数据在处理的过程中遇到杂物和遮挡而信息不完整的情况, 在无人驾驶车辆中采用单一图像处理的方式显然不能满足安全性。
因此,提供一种多视图融合交通标志检测识别方法及其***是本领域技 术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种多视图融合交通标志检测识别方法及其系 统,主要通过采用安装于智能车上的多个摄像头来获取交通标志的多视图数 据,提供更为丰富的交通标志信息,通过多视图数据的融合并结合结构简单 但检测精度很高的网络模型,解决了智能车在现实有遮挡干扰行车环境下的 交通标志实时识别和检测问题。
为了实现上述目的,本发明采用如下技术方案:
一种多视图融合交通标志检测识别方法,所识别到的结果发送至辅助驾 驶***,包括以下步骤:
S1.实时采集不同视角的交通标志图像;
S2.将不同视角的交通标志图像输入至训练好的神经网络模型中,得到不 同视角的特征图;
S3.建立不同视角的特征图之间的对应关系,进行特征融合,得到多视图 融合结果后进行交通标志检测和信息识别,并将识别结果发送至所述辅助驾 驶***。
优选的,S3中的建立不同视角的特征图之间的对应关系具体内容为:
优选的,神经网络模型的训练包括根据训练样本图像进行特征提取的训 练和多视图融合训练。
优选的,神经网络进行多视图融合训练的步骤包括以下内容:
(1)将不同视角的训练样本图片输入神经网络中,得到不同视角的特征 图,并将特征图进行融合;
(2)将特征图真值分别与不同视角的特征图和融合后的特征图进行比 较,得到比较结果,根据比较结果对神经网络进行进一步调整。
一种多视图融合交通标志检测识别***,与辅助驾驶***相连,其特征 在于,包括:图像采集子***、特征提取子***和标志识别子***;
所述图像采集子***,用于实时采集不同视角的交通标志图像;
所述特征提取子***,用于训练神经网络模型,将不同视角的交通标志 图像输入至训练好的神经网络模型中,得到不同视角的特征图;
所述标志识别子***,用于对所提取到的不同视角的特征图进行特征融 合,得到多视图融合结果后进行交通标志检测和信息识别,并将识别结果发 送至所述辅助驾驶***。
优选的,所述特征提取子***包括模型训练模块和特征提取模块;
所述模型训练模块,用于获取训练数据,对神经网络模型进行训练,得 到训练后的神经网络模型;
所述特征提取模块,将不同视角的交通标志图像输入至训练好的神经网 络模型中,得到不同视角的特征图。
优选的,所述模型训练模块包括图像特征提取训练和多视图融合训练;
所述图像特征提取训练,用于对特征提取的过程进行训练;
所述多视图融合训练,用于对多视图融合过程进行训练。
优选的,所述标志识别子***包括对应关系建立模块、特征融合模块、 标志检测模块和信息识别模块;
所述对应关系建立模块,用于建立不同视角的特征图之间的对应关系;
所述特征融合模块,用于对不同视角的特征图进行融合,得到多视图融 合结果;
所述标志检测模块,用于根据所述多视图融合结果来进行交通标志的检 测,得到检测结果;
所述信息识别模块,用于根据所述检测结果对交通标志所表示的信息进 行识别,并进一步将识别结果发送至辅助驾驶***。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种多 视图融合交通标志检测识别方法及其***,本发明方法将多视图数据经由神 经网络模型处理过后得到的特征图进行融合,使神经网络模型可以处理多个 角度的交通标志数据,以获取更为准确的目标检测和识别结果,所获得的神 经网络模型更加适用于复杂的现实行车环境中,可以避免环境遮挡、杂物干 扰的影响,且经过对视图数据融合使检测精度得到提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面 描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不 付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种多视图融合交通标志检测识别方法的流程 图;
图2附图为本发明提供的一种多视图融合交通标志检测识别方法中神经 网络两视图融合训练的流程图;
图3附图为本发明实施例一中P点空间成像结构示意图;
图4附图为本发明实施例一中特征点融合示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而 不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
本发明实施例公开了一种多视图融合交通标志检测识别方法,所识别到 的结果发送至辅助驾驶***,如图1所示,包括以下步骤:
S1.实时采集不同视角的交通标志图像;
S2.将不同视角的交通标志图像输入至训练好的神经网络模型中,得到不 同视角的特征图;
S3.建立不同视角的特征图之间的对应关系,进行特征融合,得到多视图 融合结果后进行交通标志检测和信息识别,并将识别结果发送至辅助驾驶系 统。
优选的,S3中的建立不同视角的特征图之间的对应关系具体内容为:
优选的,神经网络模型的训练包括根据训练样本图像进行特征提取的训 练和多视图融合训练。
优选的,如图2所示,神经网络进行多视图融合训练的步骤包括以下内 容:
(1)将不同视角的训练样本图片输入神经网络中,得到不同视角的特征 图,并将特征图进行融合;
(2)将特征图真值分别与不同视角的特征图和融合后的特征图进行比 较,得到比较结果,根据比较结果对神经网络进行进一步调整。
需要进一步说明的是:
如图3所示,设三维空间中内存在三点A、B和P点,其中P点在两个 不同视角平面u和v上的投影分别为和其中和分别表示像素位置, A点和B点在视角平面u上的投影与P点相同,而在视角平面v上的投影与在同一条直线l上。
如果已知在u平面上的位置,由几何关系只能确定P点位于直线上,而直线在平面v上的投影直线l则可以确定,同时,P点位于平面v 上的投影点必定位于直线l上。在特征图中,真实的点的位置会有更加大 的响应值,而直线l上的其它点的响应值几乎没有,因此,可以将和直线l上 的所有的特征进行融合,如图4所示。同时,将特征融合作为一层神经网络, 使网络从训练数据中自动学习权重,从而融合多视图的信息获得更为准确的 目标检测信息。
更进一步地,以R-FCN神经网络模型为例对神经网络模型训练的具体内 容包括:
获取不同场景的包含交通标志的行车视频数据,并使用图像标注工具 Labelling对数据进行标注,建立基于智能车平台的交通标志数据集。在设备 条件完善后,采集实际道路数据完善交通标志数据集。由于数据集包含连续 的交通标志标注图像,这能很好的消除复杂道路场景下交通标志过小、遮挡、 形状畸变等影响,为基于智能车平台的交通标志检测识别提供了可靠的数据 基础。
深度卷积神经网络拥有强大的特征提取与表达能力,网络本身需要大量 甚至海量数据来驱动模型训练,否则可能会导致陷入模型训练过拟合。本实 施例制作的交通标志数据集包含6000张图片,并对数据进行扩充,有效的数 据扩充不仅能扩充训练样本数量,增加训练样本的多样性,还可以避免过拟合 以及模型性能的提升。R-FCN框架使用图像水平翻转来进行数据集扩充,可 以使原数据集扩充一倍。
除了增加训练数据、数据扩充防止网络过拟合的方式,还可以在模型训 练前从训练集数据随机划分出一个子集作为“验证集”,用以在训练阶段评 测模型预测性能。一般在每轮或每个批处理训练后在该训练集和验证集上分 别作网络前向运算,预测训练集和验证集样本标记,绘制学习曲线,以此检 验模型泛化能力。
经过数据扩充后用于训练的交通标志样本依旧很少,深度学习目标检测 需要大量带标签数据组成的训练集,如果数据样本过少,即使利用非常好的 网络结构,也达不到很高的检测效果。微调模型的思想就可以很好解决这个 问题,通过对ImageNet上训练出来的模型ResNet进行微调,然后应用到建立 的智能车交通标志数据集上。R-FCN模型训练的过程中,图像输入到基础网 络提取特征前会resize成一定尺寸,这对训练模型交通标志识别结果有很大影 响。
本实施例采用GPU服务器平台训练,在Jetson TX1嵌入平台进行测试, 使用R-FCN结合ResNet-50网络进行模型训练,在构建的智能车交通标志数 据集,选取其中5000张图像进行训练,1000张图像进行测试,迭代50W次, 四种resize尺寸分别为600*600、1000*600、1000*1000、1111*889(原图尺寸 训练),其他参数设置均相同,学习率设为0.01,并且每迭代10w次衰减一次, 衰减幅度为十分之一。
在原有训练好的神经网络模型的基础上,加入多视图融合特征层,将交 通标志多视图数据输入,将特征融合视为神经网络层使用端到端的权重学习, 允许网络从训练数据中自由学习权重。
实施例二:
本实施例公开了一种多视图融合交通标志检测识别***,与辅助驾驶系 统相连,其特征在于,包括:图像采集子***、特征提取子***和标志识别 子***;
图像采集子***,用于实时采集不同视角的交通标志图像;
特征提取子***,用于训练神经网络模型,将不同视角的交通标志图像 输入至训练好的神经网络模型中,得到不同视角的特征图;
标志识别子***,用于对所提取到的不同视角的特征图进行特征融合, 得到多视图融合结果后进行交通标志检测和信息识别,并将识别结果发送至 辅助驾驶***。
优选的,特征提取子***包括模型训练模块和特征提取模块;
模型训练模块,用于获取训练数据,对神经网络模型进行训练,得到训 练后的神经网络模型;
特征提取模块,将不同视角的交通标志图像输入至训练好的神经网络模 型中,得到不同视角的特征图。
优选的,模型训练模块包括图像特征提取训练和多视图融合训练;
图像特征提取训练,用于对特征提取的过程进行训练;
多视图融合训练,用于对多视图融合过程进行训练。
优选的,标志识别子***包括对应关系建立模块、特征融合模块、标志 检测模块和信息识别模块;
对应关系建立模块,用于建立不同视角的特征图之间的对应关系;
特征融合模块,用于对不同视角的特征图进行融合,得到多视图融合结 果;
标志检测模块,用于根据多视图融合结果来进行交通标志的检测,得到 检测结果;
信息识别模块,用于根据检测结果对交通标志所表示的信息进行识别, 并进一步将识别结果发送至辅助驾驶***。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都 是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。 对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述 的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下, 在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例, 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种多视图融合交通标志检测识别方法,所识别到的结果发送至辅助驾驶***,其特征在于,包括以下步骤:
S1.实时采集不同视角的交通标志图像;
S2.将不同视角的交通标志图像输入至训练好的神经网络模型中,得到不同视角的特征图;
S3.建立不同视角的特征图之间的对应关系,进行特征融合,得到多视图融合结果后进行交通标志检测和信息识别,并将识别结果发送至所述辅助驾驶***。
3.根据权利要求1所述的一种多视图融合交通标志检测识别方法,其特征在于,神经网络模型的训练包括根据训练样本图像进行特征提取的训练和多视图融合训练。
4.根据权利要3所述的一种多视图融合交通标志检测识别方法,其特征在于,神经网络进行多视图融合训练的步骤包括以下内容:
(1)将不同视角的训练样本图片输入神经网络中,得到不同视角的特征图,并将特征图进行融合;
(2)将特征图真值分别与不同视角的特征图和融合后的特征图进行比较,得到比较结果,根据比较结果对神经网络进行进一步调整。
5.一种多视图融合交通标志检测识别***,与辅助驾驶***相连,其特征在于,包括:图像采集子***、特征提取子***和标志识别子***;
所述图像采集子***,用于实时采集不同视角的交通标志图像;
所述特征提取子***,用于训练神经网络模型,将不同视角的交通标志图像输入至训练好的神经网络模型中,得到不同视角的特征图;
所述标志识别子***,用于对所提取到的不同视角的特征图进行特征融合,得到多视图融合结果后进行交通标志检测和信息识别,并将识别结果发送至所述辅助驾驶***。
6.根据权利要求5所述的一种多视图融合交通标志检测识别***,其特征在于,所述特征提取子***包括模型训练模块和特征提取模块;
所述模型训练模块,用于获取训练数据,对神经网络模型进行训练,得到训练后的神经网络模型;
所述特征提取模块,将不同视角的交通标志图像输入至训练好的神经网络模型中,得到不同视角的特征图。
7.根据权利要求6所述的一种多视图融合交通标志检测识别***,其特征在于,所述模型训练模块包括图像特征提取训练和多视图融合训练;
所述图像特征提取训练,用于对特征提取的过程进行训练;
所述多视图融合训练,用于对多视图融合过程进行训练。
8.根据权利要求5所述的一种多视图融合交通标志检测识别***,其特征在于,所述标志识别子***包括对应关系建立模块、特征融合模块、标志检测模块和信息识别模块;
所述对应关系建立模块,用于建立不同视角的特征图之间的对应关系;
所述特征融合模块,用于对不同视角的特征图进行融合,得到多视图融合结果;
所述标志检测模块,用于根据所述多视图融合结果来进行交通标志的检测,得到检测结果;
所述信息识别模块,用于根据所述检测结果对交通标志所表示的信息进行识别,并进一步将识别结果发送至辅助驾驶***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193295.8A CN110889378B (zh) | 2019-11-28 | 2019-11-28 | 一种多视图融合交通标志检测识别方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193295.8A CN110889378B (zh) | 2019-11-28 | 2019-11-28 | 一种多视图融合交通标志检测识别方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889378A true CN110889378A (zh) | 2020-03-17 |
CN110889378B CN110889378B (zh) | 2023-06-09 |
Family
ID=69749287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911193295.8A Active CN110889378B (zh) | 2019-11-28 | 2019-11-28 | 一种多视图融合交通标志检测识别方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889378B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832388A (zh) * | 2020-05-22 | 2020-10-27 | 南京邮电大学 | 一种车辆行驶中交通标志检测与识别方法及*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133699A1 (en) * | 2004-10-07 | 2006-06-22 | Bernard Widrow | Cognitive memory and auto-associative neural network based search engine for computer and network located images and photographs |
CN104063877A (zh) * | 2014-07-16 | 2014-09-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN104463933A (zh) * | 2014-11-05 | 2015-03-25 | 南京师范大学 | 一种基于三视图的2.5维卡通动画自动生成方法 |
CN104535070A (zh) * | 2014-12-26 | 2015-04-22 | 上海交通大学 | 高精细地图数据结构、采集和处理***及方法 |
US20150206018A1 (en) * | 2014-01-17 | 2015-07-23 | Young Ha CHO | System and method for recognizing speed limit sign using front camera |
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN106980855A (zh) * | 2017-04-01 | 2017-07-25 | 公安部交通管理科学研究所 | 交通标志快速识别定位***及方法 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN109374008A (zh) * | 2018-11-21 | 2019-02-22 | 深动科技(北京)有限公司 | 一种基于三目摄像头的图像采集***及方法 |
CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位*** |
CN109657584A (zh) * | 2018-12-10 | 2019-04-19 | 长安大学 | 辅助驾驶的改进LeNet-5融合网络交通标志识别方法 |
US20190154439A1 (en) * | 2016-03-04 | 2019-05-23 | May Patents Ltd. | A Method and Apparatus for Cooperative Usage of Multiple Distance Meters |
CN110059691A (zh) * | 2019-03-29 | 2019-07-26 | 南京邮电大学 | 基于移动终端的多视角扭曲文档图像几何校正方法 |
CN110070139A (zh) * | 2019-04-28 | 2019-07-30 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习***和方法 |
CN110119768A (zh) * | 2019-04-24 | 2019-08-13 | 苏州感测通信息科技有限公司 | 用于车辆定位的视觉信息融合***及方法 |
CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
-
2019
- 2019-11-28 CN CN201911193295.8A patent/CN110889378B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133699A1 (en) * | 2004-10-07 | 2006-06-22 | Bernard Widrow | Cognitive memory and auto-associative neural network based search engine for computer and network located images and photographs |
US20150206018A1 (en) * | 2014-01-17 | 2015-07-23 | Young Ha CHO | System and method for recognizing speed limit sign using front camera |
CN104063877A (zh) * | 2014-07-16 | 2014-09-24 | 中电海康集团有限公司 | 一种候选车道线混合判断识别方法 |
CN104463933A (zh) * | 2014-11-05 | 2015-03-25 | 南京师范大学 | 一种基于三视图的2.5维卡通动画自动生成方法 |
CN104535070A (zh) * | 2014-12-26 | 2015-04-22 | 上海交通大学 | 高精细地图数据结构、采集和处理***及方法 |
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
US20190154439A1 (en) * | 2016-03-04 | 2019-05-23 | May Patents Ltd. | A Method and Apparatus for Cooperative Usage of Multiple Distance Meters |
CN106980855A (zh) * | 2017-04-01 | 2017-07-25 | 公安部交通管理科学研究所 | 交通标志快速识别定位***及方法 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位*** |
CN109374008A (zh) * | 2018-11-21 | 2019-02-22 | 深动科技(北京)有限公司 | 一种基于三目摄像头的图像采集***及方法 |
CN109657584A (zh) * | 2018-12-10 | 2019-04-19 | 长安大学 | 辅助驾驶的改进LeNet-5融合网络交通标志识别方法 |
CN110059691A (zh) * | 2019-03-29 | 2019-07-26 | 南京邮电大学 | 基于移动终端的多视角扭曲文档图像几何校正方法 |
CN110119768A (zh) * | 2019-04-24 | 2019-08-13 | 苏州感测通信息科技有限公司 | 用于车辆定位的视觉信息融合***及方法 |
CN110070139A (zh) * | 2019-04-28 | 2019-07-30 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习***和方法 |
CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
Non-Patent Citations (2)
Title |
---|
LIPU ZHOU等: "LIDAR and Vision-Based Real-Time Traffic Sign Detection and Recognition Algorithm for Intelligent Vehicle", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEM(ITSC)》 * |
于莹莹: "道路交通标志的检测与识别", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832388A (zh) * | 2020-05-22 | 2020-10-27 | 南京邮电大学 | 一种车辆行驶中交通标志检测与识别方法及*** |
CN111832388B (zh) * | 2020-05-22 | 2022-07-26 | 南京邮电大学 | 一种车辆行驶中交通标志检测与识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110889378B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103208008B (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
EP3822852B1 (en) | Method, apparatus, computer storage medium and program for training a trajectory planning model | |
CN112307921A (zh) | 一种车载端多目标识别跟踪预测方法 | |
CN105844624A (zh) | 动态标定***、动态标定***中的联合优化方法及装置 | |
KR20210080459A (ko) | 차선 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
CN112654998B (zh) | 一种车道线检测方法和装置 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN104574993A (zh) | 一种道路监控的方法及装置 | |
CN111079675A (zh) | 基于目标检测与目标跟踪的行驶行为分析方法 | |
CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
CN111046723B (zh) | 一种基于深度学习的车道线检测方法 | |
CN117975418A (zh) | 一种基于改进rt-detr的交通标识检测方法 | |
CN114596548A (zh) | 目标检测方法、装置、计算机设备及计算机可读存储介质 | |
CN116664873B (zh) | 图像信息处理方法、装置及存储介质 | |
CN110889378A (zh) | 一种多视图融合交通标志检测识别方法及其*** | |
US20230281424A1 (en) | Method for Extracting Features from Data of Traffic Scenario Based on Graph Neural Network | |
CN111144361A (zh) | 一种基于二值化cgan网络的公路车道检测方法 | |
CN116630917A (zh) | 一种车道线检测方法 | |
CN116343513A (zh) | 农村公路超视距风险点安全监测预警方法及其*** | |
CN112347962A (zh) | 一种基于感受野的卷积神经网络目标检测***与方法 | |
Dai | Semantic Detection of Vehicle Violation Video Based on Computer 3D Vision |
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 |