CN110909674A - 一种交通标志识别方法、装置、设备和存储介质 - Google Patents
一种交通标志识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110909674A CN110909674A CN201911149014.9A CN201911149014A CN110909674A CN 110909674 A CN110909674 A CN 110909674A CN 201911149014 A CN201911149014 A CN 201911149014A CN 110909674 A CN110909674 A CN 110909674A
- Authority
- CN
- China
- Prior art keywords
- identification
- traffic sign
- picture
- target
- recognition
- 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 52
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种交通标志识别方法、装置、设备和存储介质。该方法包括:获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。使用本发明实施例的技术方案,可以实时对交通标志的大类以及数值等细分类别进行识别,并及时向驾驶员进行预警,提高行车安全性。
Description
技术领域
本发明实施例涉及图像识别技术,尤其涉及一种交通标志识别方法、装置、设备和存储介质。
背景技术
当出现交通管制、道路施工改造、路况复杂等情况时,驾驶员容易因对交通标志的疏忽或误判,而误入禁行区域、超速行驶,甚至造成发生交通事故的严重后果。
现有技术中一般采用各种识别模型对交通标志进行识别,并对驾驶员进行预警。现有的交通标志识别模型例如SSD(Single Shot MultiBox Detector,单阶段多框检测器),其实际运行结果显示,虽然可以正常识别交通标志的类型,但是涉及交通标志的具体数值,如限速的数值识别错误率较高。此时如果交通标志识别模型的识别错误,容易使驾驶员发生误判,从而产生超速、超重行驶等问题。
发明内容
本发明实施例提供一种交通标志识别方法、装置、设备和存储介质,以实现在驾驶员驾驶过程中,实时、真实以及准确的识别交通标志,并及时向驾驶员进行预警。
第一方面,本发明实施例提供了一种交通标志识别方法,该方法包括:
获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
进一步的,获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片包括:
在所述识别图片组中获取处于中间位置的一张图片作为基础图片;
对所述基础图片进行交通标志大类别识别,获取各个识别区域内识别出的交通标志大类别,以及识别置信度;
如果所述基础图片的识别置信度超过预设的第一置信度阈值,则对所述识别图片组中的其余图片分别进行交通标志大类别识别,并获取识别置信度最高的图片作为所述目标图片。
进一步的,在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域,包括下述至少一项:
如果确定目标识别区域内包含的交通标志长宽比例异常,则将所述目标识别区域删除;
如果确定目标识别区域内包含的交通标志长宽之和小于预设长宽之和,则将所述目标识别区域删除;以及
如果确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,则将所述目标识别区域删除。
进一步的,确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,包括:
将所述目标识别区域转换为六角椎体模型格式;
根据像素点的色调参数,统计所述目标识别区域内红色像素点的数量;
如果所述红色像素点的数量小于预设像素数量,则确定所述目标识别区域内包含的交通标志不满足禁令类交通标志条件。
进一步的,在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果,包括:
对所述至少一个目标判断区域进行交通标志细分类别识别,获取识别结果,所述识别结果包括在所述目标判断区域内识别出的交通标志细分类别,以及识别置信度;
如果所述目标判断区域的识别置信度超过预设的第二置信度阈值,则识别出的交通标志细分类别满足第二置信度条件,将所述识别出的交通标志细分类别作为交通标志识别结果。
进一步的,在获取识别图片组中的图片进行交通标志大类别识别之前,还包括:
对实时拍摄的道路图片进行裁切,将裁切后的道路图片保存到图片队列中;
获取所述图片队列中设定数量的道路图片作为所述识别图片组;
在获取满足第二置信度条件的识别结果作为交通标志识别结果之后,还包括:
返回执行获取所述图片队列中设定数量的道路图片作为所述识别图片组的操作,直至满足结束识别条件。
进一步的,所述对实时拍摄的道路图片进行裁切,包括:
将拍摄的道路图片裁切为预设尺寸的道路照片,其中,裁切后的道路照片为所述拍摄的道路照片的右上部。
第二方面,本发明实施例还提供了一种交通标志识别装置,该装置包括:
交通标志大类别识别模块,用于获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
识别条件筛选模块,用于在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
交通标志细分类别识别模块,用于在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任意实施例所提供的交通标志识别方法。
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,该程序在由计算机处理器执行时实现如本发明任意实施例所提供的交通标志识别方法。
本发明实施例通过对目标图片进行交通标志大类识别,获取识别区域,并对识别区域进行筛选,再对筛选后的目标判断区域进行交通标志细分类别识别,从而获取交通标志细分类别。解决了现有技术中对交通标志的大类别进行识别后,对交通标志细分类别的识别正确率低的问题,实现了实时准确的识别交通标志大类别和细分类别的效果。
附图说明
图1是本发明实施例一中的一种交通标志识别方法的流程图;
图2是本发明实施例二中的一种交通标志识别方法的流程图;
图3是适用于本发明实施例中的交通标志识别流程图;
图4是本发明实施例三中的一种交通标志识别装置的结构示意图;
图5是本发明实施例四中的一种交通标志识别设备的结构示意图。
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一种交通标志识别方法的流程图,本实施例可适用于在驾驶员驾驶过程中,实时识别交通标志并向驾驶员预警的情况,该方法可以由交通标志识别装置来执行,该装置可以由软件和/或硬件来实现,并一般可以集成在车辆中。具体包括如下步骤:
步骤110、获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片;
其中,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
其中,所述交通标志大类别主要包括限速、限行、限高、限重、测速等,准确识别这几类交通标志类别并及时预警,可以保障驾驶员的行车安全。置信度也称为可靠度、置信水平或者置信系数等,是指总体参数值落在样本统计值某一区内的概率。目标图片的识别结果满足置信度条件,说明对目标图片的识别区域识别出的交通标示大类别是基本可靠的。所述识别区域为对目标图片进行识别的过程中,截取的可能含有交通标志的部分。在一个具体的实施例中,目标图片的像素尺寸可以为300*300,此时可以将识别区域的大小规定为32*32,但本实施例对识别区域的大小不作限制性规定。
其中,所述交通标志大类别识别为通过深度神经网络模型一完成的。模型一的骨架网络结构可以是卷积神经网络中的任意一种或其变种。例如:VGG(Visual GeometryGroup,视觉几何组)模型、ResNet(Deep residual network,深度残差网络)以及DenseNet(Dense Convolutional Network,密集卷积网络)等,本实施例对模型一的骨架网络结构并不进行限制。在一个具体的实施例中,模型一骨架网络采用MobileNet V2,训练参数设置为:图片输入像素尺寸大小为300*300,训练次数为300000次,数据增广采用随机裁剪和左右翻转,锚框长宽比例设置为1:1、2:1、1:2、1:3以及3:1,学习速率初始值为0.004,每训练1000次后,学习速率调整为前值*0.95。迭代200000次后使用图重写器量化,激活位数设为8,权重位数设为8,量化可以对模型进行压缩使得占用内存少,运行速度快。训练好的模型一负责对识别图片组中的图片进行交通标志大类别识别,当输入为图片时,模型一的输出为图片中各识别区域可能包含的交通标志的大类及其对应的置信度。步骤120、在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
其中,如果确定目标识别区域内包含的交通标志长宽比例异常,则将所述目标识别区域删除;这样设置的好处在于,由于实际生活中,道路交通标志本身长宽比为1:1,因此,目标识别区域内的交通标志长宽比过大或过小时,可以基本判定为误识别,将其从识别区域中剔除可以减少后期交通标志细分类别识别的工作量。在一个具体的实施例中,可以将长/宽比例小于0.7或宽/长比例大于1.5的情况规定为长宽比例异常,但本实施例对长宽比例异常的具体阈值不进行限制性规定。
其中,如果确定目标识别区域内包含的交通标志长宽之和小于预设长宽之和,则将所述目标识别区域删除;这样设置的好处在于,当交通标志长宽之和较小时,其像素数占整个识别区域的像素数的比例较低,容易对交通标志的大类和细分类别产生误判,将其从识别区域中剔除可以保证交通标志识别的准确度。在一个具体的实施例中,可以将识别区域的大小规定为32*32,此时如果识别到的交通标志长宽之和小于28,说明此时识别区域中交通标志所占比例太小,需要将其剔除,但本实施例对长宽比例异常的具体阈值不进行限制性规定。
其中,如果确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,则将所述目标识别区域删除。这样设置的好处在于,限速、限重、限高、限行等禁令类交通标志底色都为红色,如果识别出识别区域内为禁令类交通标志,但识别区域内红色像素点的数量过少,说明此时可能发生了误判,因此将其从识别区域中剔除,以提高交通标志识别的正确率。
其中,确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,包括如下步骤:将所述目标识别区域转换为六角椎体模型格式;根据像素点的色调参数,统计所述目标识别区域内红色像素点的数量;如果所述红色像素点的数量小于预设像素数量,则确定所述目标识别区域内包含的交通标志不满足禁令类交通标志条件。
其中,所述六角椎体模型格式也称HSV(Hue、Saturation、Value,色调、饱和度、明度)颜色模型,HSV颜色模型以色调、饱和度和明度这三个参数来表达彩色图像,可以直观地表达颜色的色调、鲜艳程度和明暗程度,方便进行颜色的对比。目标识别区域原处于以RGB(Red、Green、Blue,红绿蓝)模型表达彩色图像的空间域中,将其转换到以HSV模型表达彩色图像的空间域中,便于统计红色像素点的数量。在HSV模型中,H参数的取值为0~360,其中,H取值小于15以及H取值大于345的像素点为红色像素点。统计H取值在上述范围内像素点数量作为红色像素点个数。在一个具体的实施例中,当识别区域设置为32*32时,红色像素点个数小于80时,可以认定为发生了误判,将其从识别区域中剔除,但本实施例对红色像素点数量的阈值不进行限制性规定。
步骤130、在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
其中,对经过步骤120筛选过的目标判断区域,进行交通标志细分类别识别。所述交通标志细分类别,也即交通标志大类以及交通标志大类之后的数值或字母,例如,当交通标志大类为限速时,交通标志细分类别为限速30。如果对交通标志细分类别的识别满足第二置信度条件,说明此步骤识别出的交通标志细分类别是基本可靠的,可以作为交通标志识别结果,向驾驶员进行提示。
其中,交通标志细分类别识别是通过分类神经网络模型二完成的。在一个具体的实施例中,模型二网络采用DenseNet,这样设置的好处在于该网络采用了特征图进行跨网络层的连接,模型参数少,准确率高。模型训练参数设置为:网络深度设为40,每一层的输入前都用1X1卷积降维,不同的DenseNet模块间也用1X1卷积降维。学习速率设为0.0001,转换层压缩因子设为0.5。训练好后的模型二负责对交通标志细分类别的识别,当输入为包含交通标志的目标判断区域时,输出各目标判断区域的交通标志细分类别及其对应的置信度。
本实施例的技术方案,通过对目标图片进行交通标志大类识别,获取识别区域,并对识别区域进行筛选,再对筛选后的目标判断区域进行交通标志细分类别识别,从而获取交通标志细分类别。解决了现有技术中对交通标志的大类别进行识别后,对交通标志细分类别的识别正确率低的问题,实现了实时准确的识别交通标志大类别和细分类别的效果。
实施例二
图2是本发明实施例二中的一种交通标志识别方法的流程图,本实施例在上述实施例技术方案的基础上,对交通标志大类别识别的过程和交通标志细分类别识别的过程进行了进一步的细化,具体包括如下步骤:
步骤210、对实时拍摄的道路图片进行裁切,将裁切后的道路图片保存到图片队列中;
其中,将拍摄的道路图片裁切为预设尺寸的道路照片,裁切后的道路照片为所述拍摄的道路照片的右上部。
这样设置的好处在于,道路交通标志牌一般情况都设置在道路右方,并且车辆也是靠右行驶,因此,交通标志出现在道路照片左下侧的概率极低,因此对拍摄的道路图片预先进行裁切,保留道路图片的右上部分,可以减少后续识别过程的工作量。在一个具体的实施例中,可以将图片大小裁切为300*300,但本实施例不对图片大小进行限制性规定。
步骤220、获取所述图片队列中设定数量的道路图片作为所述识别图片组;
其中,将设定数量的道路图片放入识别图片组中进行处理,这样设置的好处在于,车辆行驶过程中实时进行道路图片的拍摄,因此,道路图片的数量是庞大的,将设定数量的道路图片作为一组进行处理可以减少工作量。同时,由于连续拍摄的照片其内容一般也是连续的,分组处理对识别准确率的影响可以忽略不计。
其中,图3是适用于本发明实施例中的交通标志识别流程图,如图3所示,取奇数张图片作为识别图片组。但是,本实施例对设定数量为奇数还是偶数并不进行限制。
步骤230、在所述识别图片组中获取处于中间位置的一张图片作为基础图片;
其中,选择识别图片组中间位置的图片作为基础图片,这样设置的好处在于,由于连续拍摄的道路图片其内容一般也是连续的,因此,中间位置的图片最能代表本识别图片组,如果中间位置图片中未识别出交通标志,本识别图片组内其他图片中也不会出现交通标志。
步骤240、对所述基础图片进行交通标志大类别识别,获取各个识别区域内识别出的交通标志大类别,以及识别置信度;
其中,对中间位置的图片,也即基础图片进行交通标志大类别识别时,一张基础图片可能包含多个可能出现交通标志的区域,对这些可能出现交通标志的区域进行裁剪,作为识别区域。对这些识别区域分别进行交通标志大类别识别并计算置信度。
步骤250、如果所述基础图片的识别置信度超过预设的第一置信度阈值,则对所述识别图片组中的其余图片分别进行交通标志大类别识别,并获取识别置信度最高的图片作为所述目标图片;
其中,基础图片的识别置信度超过预设的第一置信度阈值,说明基础图片中出现交通标志的可靠性是比较高的,因此对本图片识别组内的其他图片也进行交通标志大类别识别并计算置信度,获取图片识别组中置信度最高的图片作为目标图片。
其中,如图3所示,取中间位置的图片,通过模型一对其进行交通标志大类别和置信度的计算,如果置信度小于0.6,直接返回,在图片合集中另取奇数张图片作为识别图片组。如果置信度大于0.6,可以进行下一步的操作,即通过模型一对识别图片组中剩余图片进行交通标志大类识别和置信度计算,选择其中置信度最高的图片作为目标图片,并获取目标图片的至少一个识别区域。
步骤260、在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
步骤270、对所述至少一个目标判断区域进行交通标志细分类别识别,获取识别结果,所述识别结果包括在所述目标判断区域内识别出的交通标志细分类别,以及识别置信度;
其中,对经过筛选后的目标判断区域进行交通标志细分类别识别,识别目标判断区域内的交通标志细分类别并计算置信度。
步骤280、如果所述目标判断区域的识别置信度超过预设的第二置信度阈值,则识别出的交通标志细分类别满足第二置信度条件,将所述识别出的交通标志细分类别作为交通标志识别结果。
其中,如果对交通标志细分类别的识别满足第二置信度条件,说明此步骤识别出的交通标志细分类别是基本可靠的,可以作为交通标志识别结果,向驾驶员进行提示。
其中,如图3所示,模型二对筛选后的目标判断区域进行交通标志细分类别识别及置信度计算后,如果置信度大于0.96,则将该交通标志细分类别作为交通标志识别结果进行输出。
步骤290、判断是否满足结束识别条件,如果否,返回执行步骤220;如果是,执行步骤2100。
其中,如果识别过程尚未结束,在对本组识别图片组进行识别并得到交通标志识别结果后,重新获取设定数量的道路图片作为新的识别图片组,继续进行识别过程。
步骤2100、结束识别过程。
本实施例的技术方案,通过对图片进行裁切的预处理,并取设定数量预处理后的图片作为图片组,判断图片组中间位置的图片是否能识别出交通标志大类,并计算置信度,如果置信度满足要求,则对图片组剩余图片进行识别并计算置信度,选择置信度最高的图片,对其识别区域进行筛选,将筛选后的目标判断区域再次进行交通标志细分类别的识别以及置信度的计算,如果目标判断区域的置信度满足要求,则将识别出的交通标志细分类别作为最终结果。解决了现有技术中,虽然能识别出交通标志的大类,但识别交通标志的细分类别时错误率较高的问题。实现了准确识别交通标志大类和细分类别的效果。
实施例三
图4是本发明实施例三中的一种交通标志识别装置的结构示意图,所述交通标志识别装置包括:交通标志大类别识别模块310、识别条件筛选模块320以及交通标志细分类别识别模块330,其中:
交通标志大类别识别模块310,用于获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
识别条件筛选模块320,用于在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
交通标志细分类别识别模块330,用于在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
在上述实施例的基础上,交通标志大类别识别模块310,包括:
基础图片获取单元,用于在所述识别图片组中获取处于中间位置的一张图片作为基础图片;
基础图片大类别识别单元,用于对所述基础图片进行交通标志大类别识别,获取各个识别区域内识别出的交通标志大类别,以及识别置信度;
其余图片大类别识别单元,用于如果所述基础图片的识别置信度超过预设的第一置信度阈值,则对所述识别图片组中的其余图片分别进行交通标志大类别识别,并获取识别置信度最高的图片作为所述目标图片。
在上述实施例的基础上,识别条件筛选模块320,包括:
第一目标识别区域删除单元,用于如果确定目标识别区域内包含的交通标志长宽比例异常,则将所述目标识别区域删除;
第二目标识别区域删除单元,用于如果确定目标识别区域内包含的交通标志长宽之和小于预设长宽之和,则将所述目标识别区域删除;
第三目标识别区域删除单元,用于如果确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,则将所述目标识别区域删除。
在上述实施例的基础上,第三目标识别区域删除单元,包括:
格式转换子单元,用于将所述目标识别区域转换为六角椎体模型格式;
像素点数量统计子单元,用于根据像素点的色调参数,统计所述目标识别区域内红色像素点的数量;
禁令类交通标志条件判断子单元,用于如果所述红色像素点的数量小于预设像素数量,则确定所述目标识别区域内包含的交通标志不满足禁令类交通标志条件。
在上述实施例的基础上,交通标志细分类别识别模块330,包括:
交通标志细分类别识别单元,用于对所述至少一个目标判断区域进行交通标志细分类别识别,获取识别结果,所述识别结果包括在所述目标判断区域内识别出的交通标志细分类别,以及识别置信度;
第二置信度条件判断单元,用于如果所述目标判断区域的识别置信度超过预设的第二置信度阈值,则识别出的交通标志细分类别满足第二置信度条件,将所述识别出的交通标志细分类别作为交通标志识别结果。
在上述实施例的基础上,所述交通标志识别装置,还包括:
图片裁切模块,用于对实时拍摄的道路图片进行裁切,将裁切后的道路图片保存到图片队列中;
识别图片组获取模块,用于获取所述图片队列中设定数量的道路图片作为所述识别图片组;
返回执行模块,用于返回执行获取所述图片队列中设定数量的道路图片作为所述识别图片组的操作,直至满足结束识别条件。
在上述实施例的基础上,图片裁切模块,包括:
道路照片裁切单元,用于将拍摄的道路图片裁切为预设尺寸的道路照片,其中,裁切后的道路照片为所述拍摄的道路照片的右上部。
本发明实施例所提供的交通标志识别装置可执行本发明任意实施例所提供的交通标志识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种设备的结构示意图,如图5所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图5中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的交通标志识别方法对应的程序指令/模块(例如,交通标志识别装置中的交通标志大类别识别模块310、识别条件筛选模块320以及交通标志细分类别识别模块330)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的交通标志识别方法。该方法包括:
获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种交通标志识别方法,该方法包括:
获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的交通标志识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述交通标志识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
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 (10)
1.一种交通标志识别方法,其特征在于,包括:
获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
2.根据权利要求1所述的方法,其特征在于,获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片包括:
在所述识别图片组中获取处于中间位置的一张图片作为基础图片;
对所述基础图片进行交通标志大类别识别,获取各个识别区域内识别出的交通标志大类别,以及识别置信度;
如果所述基础图片的识别置信度超过预设的第一置信度阈值,则对所述识别图片组中的其余图片分别进行交通标志大类别识别,并获取识别置信度最高的图片作为所述目标图片。
3.根据权利要求1所述的方法,其特征在于,在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域,包括下述至少一项:
如果确定目标识别区域内包含的交通标志长宽比例异常,则将所述目标识别区域删除;
如果确定目标识别区域内包含的交通标志长宽之和小于预设长宽之和,则将所述目标识别区域删除;以及
如果确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,则将所述目标识别区域删除。
4.根据权利要求3所述的方法,其特征在于,确定识别出禁令类交通标志的目标识别区域内的所述交通标志不满足禁令类交通标志条件,包括:
将所述目标识别区域转换为六角椎体模型格式;
根据像素点的色调参数,统计所述目标识别区域内红色像素点的数量;
如果所述红色像素点的数量小于预设像素数量,则确定所述目标识别区域内包含的交通标志不满足禁令类交通标志条件。
5.根据权利要求1所述的方法,其特征在于,在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果,包括:
对所述至少一个目标判断区域进行交通标志细分类别识别,获取识别结果,所述识别结果包括在所述目标判断区域内识别出的交通标志细分类别,以及识别置信度;
如果所述目标判断区域的识别置信度超过预设的第二置信度阈值,则识别出的交通标志细分类别满足第二置信度条件,将所述识别出的交通标志细分类别作为交通标志识别结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,在获取识别图片组中的图片进行交通标志大类别识别之前,还包括:
对实时拍摄的道路图片进行裁切,将裁切后的道路图片保存到图片队列中;
获取所述图片队列中设定数量的道路图片作为所述识别图片组;
在获取满足第二置信度条件的识别结果作为交通标志识别结果之后,还包括:
返回执行获取所述图片队列中设定数量的道路图片作为所述识别图片组的操作,直至满足结束识别条件。
7.根据权利要求6所述的方法,其特征在于,所述对实时拍摄的道路图片进行裁切,包括:
将拍摄的道路图片裁切为预设尺寸的道路照片,其中,裁切后的道路照片为所述拍摄的道路照片的右上部。
8.一种交通标志识别装置,其特征在于,包括:
交通标志大类别识别模块,用于获取识别图片组中的图片进行交通标志大类别识别,并获取识别结果满足第一置信度条件的目标图片,所述识别结果中包括至少一个识别区域,在所述识别区域内识别出的交通标志大类别,以及识别置信度;
识别条件筛选模块,用于在所述目标图片的各所述识别区域内,筛选出满***通标志识别条件的至少一个目标判断区域;
交通标志细分类别识别模块,用于在所述至少一个目标判断区域内进行交通标志细分类别识别,并获取满足第二置信度条件的交通标志细分类别作为交通标志识别结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的交通标志识别方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的交通标志识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149014.9A CN110909674B (zh) | 2019-11-21 | 2019-11-21 | 一种交通标志识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149014.9A CN110909674B (zh) | 2019-11-21 | 2019-11-21 | 一种交通标志识别方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909674A true CN110909674A (zh) | 2020-03-24 |
CN110909674B CN110909674B (zh) | 2024-01-05 |
Family
ID=69818301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911149014.9A Active CN110909674B (zh) | 2019-11-21 | 2019-11-21 | 一种交通标志识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909674B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582029A (zh) * | 2020-04-02 | 2020-08-25 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
CN112699841A (zh) * | 2021-01-13 | 2021-04-23 | 华南理工大学 | 一种基于行车视频的交通标志检测识别方法 |
CN113963329A (zh) * | 2021-10-11 | 2022-01-21 | 浙江大学 | 一种基于双阶段卷积神经网络的数字类交通标志检测识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN107220646A (zh) * | 2017-05-25 | 2017-09-29 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN109255279A (zh) * | 2017-07-13 | 2019-01-22 | 深圳市凯立德科技股份有限公司 | 一种交通标志检测识别的方法及*** |
-
2019
- 2019-11-21 CN CN201911149014.9A patent/CN110909674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN107220646A (zh) * | 2017-05-25 | 2017-09-29 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN109255279A (zh) * | 2017-07-13 | 2019-01-22 | 深圳市凯立德科技股份有限公司 | 一种交通标志检测识别的方法及*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582029A (zh) * | 2020-04-02 | 2020-08-25 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
CN111582029B (zh) * | 2020-04-02 | 2022-08-12 | 天津大学 | 一种基于密集连接与注意力机制的交通标志识别方法 |
CN112699841A (zh) * | 2021-01-13 | 2021-04-23 | 华南理工大学 | 一种基于行车视频的交通标志检测识别方法 |
CN113963329A (zh) * | 2021-10-11 | 2022-01-21 | 浙江大学 | 一种基于双阶段卷积神经网络的数字类交通标志检测识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110909674B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11417118B2 (en) | Lane line data processing method and apparatus, computer device, and storage medium | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
US20200293892A1 (en) | Model test methods and apparatuses | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108304775A (zh) | 遥感图像识别方法、装置、存储介质以及电子设备 | |
CN110909674A (zh) | 一种交通标志识别方法、装置、设备和存储介质 | |
WO2020103892A1 (zh) | 车道线检测方法、装置、电子设备及可读存储介质 | |
CN112819068B (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
CN110705338A (zh) | 车辆检测方法、装置及监控设备 | |
CN111046747B (zh) | 人群计数模型的训练方法、人群计数方法、装置和服务器 | |
CN114429640A (zh) | 图纸分割方法、装置及电子设备 | |
CN112241659A (zh) | 违章建筑的检测装置和检测方法以及终端设备 | |
CN116994721B (zh) | 一种数字病理切片图的快速处理*** | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
CN112001453A (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及*** | |
CN111160206A (zh) | 一种交通环境元素视觉感知方法及装置 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 |
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 |