CN111433779A - 用于识别道路特征的***和方法 - Google Patents
用于识别道路特征的***和方法 Download PDFInfo
- Publication number
- CN111433779A CN111433779A CN201880002003.5A CN201880002003A CN111433779A CN 111433779 A CN111433779 A CN 111433779A CN 201880002003 A CN201880002003 A CN 201880002003A CN 111433779 A CN111433779 A CN 111433779A
- Authority
- CN
- China
- Prior art keywords
- images
- training
- road
- feature
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种道路特征识别***可以包括获取与路段相关的图像。所述图像与识别要求相关联。所述方法还包括通过使用与所述识别要求相关联的训练特征识别模型处理所述图像,以识别所述路段内的道路特征,其中,获取所述训练特征识别模型包括:获取第一组图像;基于所述第一组图像获取至少两个训练图像,其中,所述训练图像与所述识别要求相关联;在所述至少两个训练图像中标记所述道路特征;以及使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成所述训练特征识别模型。
Description
技术领域
本申请涉及图像处理,更具体地,涉及用于识别图像中道路特征的***和方法。
背景技术
互联网的发展给导航服务带来了更大的需求。在某些情况下,电子导航地图可以为用户(例如,司机)推荐路线和/或停车位置。然而,在确定推荐路径和/或停车位置的传统流程中,影响用户选择的某些道路特征未得到适当或及时的考虑。例如,有时候,临时或永久增加的禁止停车的栅栏或指示牌,使得原先可用的停车位置不再可用。传统地图更新可能需要很长时间,以致未能及时将这些栅栏包括在地图中,从而可能导致较差的用户体验。因此,需要提供能够有效、及时地识别路段中的道路特征并且基于已识别的道路特征提供路线和/或停车建议的***和方法。
发明内容
根据本申请的第一个方面,提供了一种识别道路特征的***。该***可以包括一个或以上存储介质和一个或以上处理器。所述一个或以上存储介质可以包含一组指令。所述一个或以上处理器用于与所述一个或以上存储介质通信。当执行所述指令时,所述一个或以上处理器可以被指示执行以下操作。所述一个或以上处理器可以获取与路段相关的图像,其中,所述图像与识别要求相关联。所述一个或以上处理器可以通过使用与所述识别要求相关联的训练特征识别模型处理图像,识别所述路段内的道路特征。所述训练特征识别模型可以由下述流程提供。获取第一组图像;基于所述第一组图像获取至少两个训练图像;在所述至少两个训练图像中标记所述道路特征;使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成训练特征识别模型。所述训练图像可以与所述识别要求相关联。
在一些实施例中,所述识别要求可以包括目标识别精度,识别条件或道路特征的应用场景中的至少一个。
在一些实施例中,所述目标识别精度可以与交并比(IOU)相关联。
在一些实施例中,标记所述至少两个训练图像中的所述道路特征可以包括:比较目标识别精度和准确度阈值;响应于比较结果为所述目标识别精度大于所述准确度阈值,在所述至少两个训练图像中标记与所述识别要求相关联的所述道路特征的形状和位置;以及响应于比较结果为所述目标识别精度等于或小于所述准确度阈值,在所述至少两个训练图像中标记与所述识别要求相关联的所述道路特征的区域。
在一些实施例中,基于第一组图像获取至少两个训练图像可以包括:确定所述第一组图像中的图像是否满足所述识别要求;以及响应于确定所述第一组图像中的图像不满足所述识别要求,处理所述第一组图像中的图像以满足所述识别要求。
在一些实施例中,处理所述第一组图像中的图像以满足所述识别要求可以包括:改变第一组图像中的图像的亮度;改变第一组图像中的图像的颜色;旋转第一组图像中的图像;或者改变第一组图像中的图像的视角。
在一些实施例中,所述训练特征识别模型可以进一步由以下流程提供:获取与所述识别要求相关的第二组图像;以及基于所述第二组图像,确定所述训练特征识别模型是否满足所述识别要求。
在一些实施例中,所述一个或以上处理器可以获取与所述路段有关的一个或以上额外图像,其中,所述额外图像与所述识别要求相关联。所述一个或以上处理器可以使用与所述识别要求相关联的训练特征识别模型来识别所述路段内的所述道路特征。
在一些实施例中,所述一个或以上处理器可以通过在地图上突出显示所述道路特征来更新用户终端中的地图。
在一些实施例中,所述一个或以上处理器可以向用户终端发送消息,指示所述用户终端显示与所述道路特征相关的警告。
根据本申请的另一个方面,一个用于识别道路特征的方法可以包括一个或以上一下操作。所述一个或以上处理器可以获取与路段相关的图像,其中,所述图像与识别要求相关联。所述一个或以上处理器可以通过使用与所述识别要求相关联的训练特征识别模型处理图像,识别所述路段内的道路特征。所述训练特征识别模型可以由下述流程提供。获取第一组图像;基于所述第一组图像获取至少两个训练图像;在所述至少两个训练图像中标记所述道路特征;使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成训练特征识别模型。所述训练图像可以与所述识别要求相关联。
根据本申请的另一个方面,一种用于识别道路特征的***可以包括图像获取模块,用于获取与路段相关的图像,其中,所述图像与识别要求相关联。所述***可以包括特征识别模块,用于通过使用与所述识别要求相关联的训练特征识别模型处理图像,识别所述路段内的道路特征。所述训练特征识别模型可以由下述流程提供。获取第一组图像;基于所述第一组图像获取至少两个训练图像;在所述至少两个训练图像中标记所述道路特征;使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成训练特征识别模型。所述训练图像可以与所述识别要求相关联。
根据本申请的另一个方面,非暂时性电脑可读介质可以包括至少一组指令。所述至少一组指令可以由计算机服务器的一个或以上处理器执行。所述一个或以上处理器可以获取与路段相关的图像,其中,所述图像与识别要求相关联。所述一个或以上处理器可以通过使用与所述识别要求相关联的训练特征识别模型处理图像,识别所述路段内的道路特征。所述训练特征识别模型可以由下述流程提供。获取第一组图像;基于所述第一组图像获取至少两个训练图像;在所述至少两个训练图像中标记所述道路特征;使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成训练特征识别模型。所述训练图像可以与所述识别要求相关联。
其他特征将在下面的描述中进行阐述,并且在查看以下描述及对应附图或者生产或操作实例后,部分特征对于本领域的普通技术人员来讲是显而易见地。本申请的特征可以通过实践或使用以下实例中详细讨论的方法、手段及组合的各个方面来达成。
附图说明
根据示例性实施例对本申请进行进一步描述。所述实施例将通过详细附图描述进一步解释。所述实施例是非限制性的示例性实施例,其中相同的附图标记在附图的至少两个视图中表示相似的结构,并且其中:
图1是根据本申请的一些实施例所示的道路特征识别***的示例性示意图;
图2是根据本申请的一些实施例所示的可以实现处理引擎的计算设备的硬件和/或软件组件的示例性示意图;
图3是根据本申请的一些实施例所示的可以实现用户终端的移动设备的硬件和/或软件组件的示例性示意图;
图4是根据本申请的一些实施例所示的处理引擎的示例性模块图;
图5是根据本申请的一些实施例所示的识别图像中道路特征的示例性流程图;以及
图6是根据本申请的一些实施例所示的生成训练特征识别模型的示例性流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本文中定义的通则在不背离本申请的精神及范围的情况下,可以适用于其他实施例及应用。因此,本申请不限于所示的实施例,而是与权利要求的最广泛范围相符。
本申请中所使用的术语仅仅是为了描述具体实施例,并不对本申请构成限制。如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“所述”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的整体、设备、行为、特征、步骤、元素、操作和/或组份,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的整体、设备、行为、特征、步骤、元素、操作、组份和/或其中一个或以上的组合。
本申请的这些和其他特征以及特点,和结构相关的操作方法和功能以及生产的零件和经济的结合,通过参考以下附图描述会更加清楚,以上所述都是本申请的一部分。应当理解,所述附图仅用于说明的目的,而并非以任何方式限制本发明的范围。所述图纸未按照实物比例进行绘制。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当明确理解,流程图中的操作可以不按顺序实施。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中,或者从这些流程图中移除某一步或多步操作。
本申请中的***和方法可以应用于不同的运输***,包括陆地,海洋,航空航天等,或其任意组合。交通***的车辆可以包括出租车,私家车,挂车,公共汽车,火车,子弹头列车,高速铁路,地铁,船舶,飞机,宇宙飞船,热气球,无人驾驶车辆,自行车,三轮车,摩托车等,或其任意组合。本申请的***和方法可以应用于出租车呼叫,司机服务,送货服务,拼车,巴士服务,外卖服务,司机租用,车辆租用,自行车共享服务,火车服务,地铁服务,班车服务,地点服务,地图服务等。
识别图像中道路特征(例如,路障、交通标志牌、栅栏、交通标线等)的流程中,与不同路段相关的不同图像可能有不同的识别要求,例如待识别道路特征的类别,识别道路特征的识别精度等。为此,本申请中的***和方法在可以使用不同的训练特征识别模型来识别具有不同识别要求的不同图像中的道路特征。
在生成对应于具体识别要求的训练特征识别模型的过程中,需要获取满足特定识别要求的至少两个训练图像。如果计算机处理器无法从现有图像中获取满足特定识别要求的训练图像,则需要拍摄更多的图像。或者,可以修改一个或以上现有图像以获取满足具体识别要求的训练图像,而不是重新拍摄满足具体识别要求的新图像;这种方法可以降低图像获取的成本。
图1是根据本申请的一些实施例所示的道路特征识别***的示例性示意图。道路特征识别***100可以包括服务器110,网络120,用户终端140,存储设备150,以及定位***160。
在一些实施例中,服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如,服务器110可以是分布式***)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以经由网络120访问储存于用户终端140或存储设备150中的信息和/或数据。又例如服务器110可以直接连接到用户终端140,和/或存储设备150以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,云端平台可以包括私有云、公用云、混合云、社区云、分布式云、云间、多云等或其任意组合。在一些实施例中,服务器110可以在本申请的图2中描述的具有一个或以上组件的计算设备200上实施。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以通过处理信息和/或数据来执行在本申请中描述的一个或以上功能。例如,处理引擎112可以通过使用训练特征识别模型处理图像来识别路段内的道路特征。在一些实施例中,所述处理引擎112可包括一个或者至少两个处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅仅作为示例,处理引擎112可以包括一个或以上硬件处理器,例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,道路特征识别***100中的一个或以上组件(例如,服务器110,用户终端140,存储设备150,以及定位***160)中,可以通过所述网络120发送/获取到/来自道路特征识别***100中的其他组件的信息和/或数据。例如,处理引擎112可以通过所述网络120从存储设备150中获取与路段相关的图像。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种,或其组合。仅仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、远程通信网路、内部网络、因特网、局域网络(LAN)、广域网(WAN)、无线局域网络(WLAN)、城域网络(MAN)、公共交换电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2……。通过交换点,道路特征识别***100的一个或以上组件可以连接到网络120以交换数据和/或信息。
在一些实施例中,用户终端140可以与道路特征识别***100的用户(例如,司机、乘客或快递员)关联。用户终端140可以包括移动设备140-1,平板电脑140-2,笔记本电脑140-3,机动装置中的内置装置140-4,等或其任意组合。在一些实施例中,移动设备140-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等,或其任意组合。在一些实施例中,智慧家居装置可以包括智慧照明装置、智慧电器控制装置、智慧监测装置、智慧电视、智慧视讯摄影机、对讲机等或其任意组合。在一些实施例中,可穿戴设备可包括智慧手镯、智慧鞋袜、智慧眼镜、智慧头盔、智慧手表、智慧穿着、智能背包、智能附件等或其任意组合。在一些实施例中,智慧移动设备可以包括智慧型电话、个人数位助理(PDA)、游戏装置、导航装置、POS装置等或其任意组合。在一些实施例中,虚拟现实装置和/或增强实境装置可包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强实境头盔、增强实境眼镜、增强实境补丁等或其任意组合。例如,虚拟现实装置和/或增强现实装置可以包括Google GlassTM,RiftConTM,FragmentsTM,Gear VRTM等。在一些实施例中,机动装置中的内置装置140-4可以包括机载计算机,机载电视,行车数据记录仪等。在一些实施例中,用户终端140可以是具有定位技术的设备,用于定位用户和/或用户终端140的位置。
在一些实施例中,用户终端140可以与其他定位设备(例如,定位***160)通信以判断用户和/或用户终端140的位置。在一些实施例中,用户终端140可以向服务器110发送定位信息。
存储设备150可以存储数据和/或指令。在一些实施例中,存储设备150可以存储从用户终端140和/或服务器110获取的数据。例如,存储设备150可以存储从用户终端140获取的图像。在一些实施例中,存储设备150可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。例如,存储设备150可以存储用于使用训练道路特征识别模型处理图像来识别路段内的道路特征的指令,所述指令可以由处理引擎112执行。在一些实施例中,存储设备150可包括大容量储存器、可移动储存器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。在一些实施例中,存储设备150可以在云平台上实施。仅作为范例,云平台可以包括私有云、公用云、混合云、社区云、分布式云、云间、多云等或其任意组合。
在一些实施例中,存储设备150可以连接到网络120以与道路特征识别***100中的一个或以上组件(例如,服务器110,用户终端140,定位***160)进行通信。道路特征识别***100中的一个或以上组件可以通过所述网络120访问存储设备150中存储的数据或指令。在一些实施例中,存储设备150可以直接连接到道路特征识别***100中的一个或以上组件(例如,服务器110,用户终端140,定位***160)或与之通信。在一些实施例中,存储设备150可以是服务器110的一部分。
定位***160可以判断与一个对象(例如,用户终端140)相关的位置信息。在一些实施例中,定位***160可以是全球定位***(GPS),全球导航卫星***(GLONASS),指南针导航***(COMPASS),北斗导航卫星***,伽利略定位***,准天顶卫星***(QZSS)等。位置可以是坐标,如纬度坐标和经度坐标等。定位***160可以包括一个或以上卫星,例如卫星160-1,卫星160-2以及卫星160-3。卫星160-1至160-3可以独立地或共同地确定上述信息。卫星定位***160可以通过无线连接将上述信息发送给网络120或用户终端140。
图2是根据本申请的一些实施例所示的可以实现处理引擎112的计算设备的硬件和/或软件组件的示例性示意图。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出230、和通信端口240。
根据本文所述的技术,处理器210(例如,逻辑电路)可以执行计算机指令(例如,程序代码)以及执行处理引擎112的功能。例如处理器210可以包括接口电路210-a以及其中的处理电路210-b。接口电路可以用于从总线接收电子信号(图2未示出),其中,电子信号编码/包括结构数据和/或指令,用于处理电路进行处理。处理电路可以进行逻辑计算,然后确定结论,结果,和/或编码为电子信号的指令。然后接口电路可以通过总线从处理电路发出电子信号。
所述计算机指令可以包括例如执行在此描述的特定功能的例程,程序,对象,组件,数据结构,过程,模块和功能。例如,处理器210可以使用训练特征识别模型通过处理图像来识别路段内的道路特征。在一些实施例中,处理器210可以包括一个或以上硬件处理器,诸如微控制器、微处理器、精简指令集计算器(RISC)、专用集成电路(ASIC)、专用指令集处理器ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门数组(FPGA)、高级RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行一个或以上功能的任何电路或处理器等,或其任意组合。
仅仅为了说明,在计算设备200中仅描述了一个处理器。然而,应该注意的是,本申请中的计算设备200还可以包括至少两个处理器,因此如本申请中所描述的一个处理器执行的操作和/或方法步骤也可以由至少两个处理器联合或分别执行。例如,如果在本申请中,计算设备200的处理器执行步骤A和步骤B,应当理解的是,步骤A和步骤B也可以由计算装置200的两个不同的处理器共同或分别执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一和第二处理器共同地执行步骤A和步骤B)。
存储器220可以存储来自用户终端140,存储设备150和/或道路特征识别***100的任何其他组件的数据/信息。在一些实施例中,存储器220可以包括大容量储存器、可移动储存器、易失读写储存器、只读存储器(ROM)等或其任意组合。例如,所述大容量存储器可以包括磁盘、光盘、固态驱动器等。所述可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。所述易失性读写存储器可以包括随机存取存储器(RAM)。所述RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。所述ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。例如,存储器220可以存储处理引擎112运行的程序,所述程序可以用于通过使用训练特征识别模型处理图像来识别路段内的道路特征。
输入/输出230可以输入和/或输出信号、数据、信息等。在一些实施例中,输入/输出230可以实现用户与处理引擎112之间的交互。在一些实施例中,输入/输出230可以包括输入设备和输出设备。示例性的输入设备的可以包括键盘、鼠标、触摸屏、麦克风等,或其任意组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等,或其任意组合。示例性的显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等,或其任意组合。
通信端口240可以连接到网络(例如,网络120)以促进数据通信。通信端口240可以在处理引擎112以及用户终端140,定位***160或存储设备150之间建立连接。连接可以是有线连接,无线连接,可以启用数据传输和/或接收的任何其他通信连接,和/或这些连接的任何组合。有线连接可以包括例如电缆,光缆,电话线等,或其任意组合。无线连接可以包括,例如,蓝牙TM链接,Wi-Fi TM链接,WiMax TM链接,WLAN链接,ZigBee链接,移动网络链接(例如,3G,4G,5G等)等,或其任意组合。在一些实施例中,通信端口240可以是和/或包括标准化的通信端口,诸如RS232,RS485等。
图3是根据本申请的一些实施例所示的可以实现用户终端140的移动设备的硬件和/或软件组件的示例性示意图。如图3所示,所述移动设备300可以包括通信平台310、显示器320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出接口350、记忆卡360、存储器390。在一些实施例中,任何其他合适的组件,包括但不限于***总线或控制器(未示),亦可包括于移动设备300内。在一些实施例中,移动操作***370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380可从存储器390加载至记忆卡360以由CPU340执行。应用程序380(例如,打车应用程序)可以包括浏览器或用于从处理引擎112接收和呈现与运输服务或其他信息有关的信息的任何其他合适的移动应用程序。用户与信息流的交互可以通过输入/输出接口350实现,并且通过所述网络120提供给处理引擎112和/或道路特征识别***100的其他部件。仅作为示例,道路特征发送到服务请求者后,可以通过显示器320显示在用户终端140上。又例如,服务提供者可以通过输入/输出接口350输入与路段相关的图像。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本申请中描述的一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端装置。计算机经过适当编程后,可以充当服务器。
本领域技术人员将理解,当道路特征识别***100的组件执行功能时,该组件可经由电信号和/或电磁信号执行功能。例如,当处理引擎112处理任务,如做出确定或识别信息时,处理引擎112可以在其处理器中运行逻辑电路来处理该任务。当处理引擎112从用户终端140接收数据(例如,一个或以上图像)时,处理引擎112的处理器可以接收编码/包含数据的电信号。处理引擎112的处理器可以通过一个或以上信息交换端口接收电信号。如果用户终端140通过有线网络与处理引擎112通信,则信息交换端口可以物理连接到电缆。如果用户终端140经由无线网络与处理引擎112通信,则处理引擎112的信息交换端口可以是一个或以上天线,其可以将电信号转换成电磁信号。在如用户终端140和/或服务器110的电子装置中,当电子装置的处理器处理指令时,处理器发送指令和/或执行动作,该指令和/或动作经由电信号传导。例如,当处理器从存储介质(例如存储设备150)中检索或保存数据时,它可以向存储介质的读/写设备发送电信号,该设备可以在存储介质中读取或写入结构数据。结构化数据可以电信号的形式经由电子装置的总线传输至处理器。此处,电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图4是根据本申请的一些实施例所示的处理引擎的示例性模块图。处理引擎112可以包括图像获取模块410,特征识别模块420,以及模型获取模块430。
图像获取模块410可以用于获取与路段相关的图像。如这里所用,路段可以指道路(例如,高速公路,街道)的一部分。所述路段的位置和/长度可以由道路特征识别***100预先确定,或可以根据图像的具体使用和/或预期目的进行调整。
在一些实施例中,用户终端140可以利用在用户终端140中安装的应用程序(例如,图3中的应用程序380),通过网络120建立与服务器110的通信(例如无线通信)。应用程序可以与道路特征识别***100相关联。例如,应用程序可以是与道路特征识别***100相关的一个打车应用程序。如果在应用程序正在运行时,用户终端140的相机拍摄到一个或以上图像,应用程序可以指示用户终端140将拍摄到的一个或以上图像发送到存储设备150和/或服务器110(例如,处理引擎112)。在一些实施例中,图像获取模块410可以实时获取来自电子设备(例如,用户终端140)的图像。在一些实施例中,图像获取模块410可以从存储介质(例如,存储设备150,处理引擎112的存储设备220)中获取图像。在一些实施例中,图像可以由其他设备,如行车记录仪,拍摄。在一些实施例中,一个或以上图像可以从由用户终端140拍摄的视频中提取。在一些实施例中,图像可以由属于或者不属于用户终端140的相机拍摄。例如,图像可以是从由行车记录仪拍摄的视频中提取的,其中,在一些实施例中,该视频可以用于至少两个目的(例如,记录驾驶体验以及监控道路特征的变化)。
特征识别模块420可以用于识别所述路段内的道路特征。在一些实施例中,特征识别模块420可以通过使用训练特征识别模型处理图像来识别所述路段内的道路特征。
在一些实施例中,道路特征可以指属于与图像中的所述路段相关的同一类别的一个或以上目标对象。例如,目标对象可以包括栅栏,指示牌,交通信号灯,车辆,路灯,立交桥,建筑物,交通标线等。在一些实施例中,通过封锁和/或限制进入路段中的某些区域,可以影响车辆停车。例如,道路特征可以是围栏、道路栅栏或限制通行的交通标线。在一些实施例中,道路特征(例如,影响停车的道路特征)的正确和及时识别对于线上到线下服务的用户体验很重要。
在一些实施例中,图像可以与识别要求相关联。如此处所使用的,识别要求可以指识别图像中道路特征的至少两个识别要求的集合。例如,识别要求可以包括识别类别,与图像相关的识别条件,识别图像中道路特征的应用场景,识别图像中道路特征的目标识别精度等,或其任意组合。在一些实施例中,识别类别可以指在图像中需要识别的道路特征的类别。与图像相关的识别条件可以包括光线条件(例如,图像显示出相对更亮或更暗的环境),视野条件,旋转条件,分辨率条件,缩放条件,天气条件(例如,图像是在雨天,晴天,或雾天被拍摄的),交通状况(例如,图像显示了堵塞或畅通路段)等,或其任意组合。识别图像中道路特征的示例性应用场景可以包括更新地图,生成高精度地图,导航,确定交通状况,向用户(例如,司机)推荐停车位置(例如,在打车服务中的上车位置和下车位置)等。
在一些实施例中,识别图像中道路特征的目标识别精度可以由真实道路特征与识别道路特征之间的交并比(intersection-over-union(IOU))来表示。真实道路特征可以指图像中显示的道路特征。特征识别模块420可以通过在图像中生成预测窗口来识别图像中的道路特征。预测窗口中的事物可以被确认为识别的道路特征。真实道路特征和识别道路特征之间的交并比可以是基于真实道路特征和识别道路特征的交集面积和并集面积来确定。例如,真实道路特征和识别道路特征之间的交并比可以由下面的公式(1)来确定:
其中,IOUP表示真实道路特征和识别道路特征之间的交并比;Area(t)表示图像中真实道路特征的面积,Area(i1)表示图像中的识别道路特征的面积。
在一些实施例中,如果在图像中识别出两种或以上道路特征,则识别要求可以包括与所述两种或以上道路特征相关的不同目标识别精度。例如在图像中有两种道路特征(例如,栅栏以及指示牌)。在目标识别要求中,识别栅栏的目标识别精度可以为0.9,识别指示牌的目标识别精度可以为0.5。
在一些实施例中,如果在图像中识别出两种或以上道路特征,特征识别模块420可以使用单个训练特征识别模型来识别所述两种或以上道路特征。或者,特征识别模块420可以使用不同的训练特征识别模型来分别识别所述两种或以上道路特征。例如,图像中包括两种道路特征(例如,栅栏和指示牌)。识别栅栏的目标识别精度是0.9。识别指示牌的目标识别精度为0.5。在一些实施例中,特征识别模块420可以使用单个训练特征识别模型来识别所述两种道路特征,其中,训练特征识别模型的训练要求的训练类别可以包括栅栏和指示牌,与栅栏相关的训练识别精度可以大于或等于0.9,与指示牌相关的训练识别精度可以大于或等于0.5。或者,特征识别模块420可以使用第一训练特征识别模型来识别栅栏,其中第一训练特征识别模型的训练要求的训练类别包括栅栏,并且训练要求的训练识别精度可以大于或等于0.9。特征识别模块420可以使用第二训练特征识别模型来识别指示牌,其中第二训练特征识别模型的训练要求的训练类别包含指示牌,并且训练要求的训练识别精度可以大于或等于0.5。
在一些实施例中,通过使用训练特征识别模型处理图像来识别路段中的道路特征后,特征识别模块420可以生成与识别道路特征相关的识别结果。与识别道路特征相关的识别结果可以包括识别道路特征的位置,识别道路特征的大小,识别道路特征的形状,识别道路特征可能属于某个类别的可能性(例如,指示牌或交通标线),一个或以上与道路特征相关的目标对象的数量(例如,路段中车辆的数量,路段中栅栏的数量)等,或其任意组合。例如,识别道路特征的位置可以表示识别道路特征位于路段的左侧或右侧。再例如,识别道路特征可以包括至少两个栅栏。识别道路特征的位置可以表示至少两个栅栏中的任意两个相邻栅栏之间的距离。再例如,识别道路特征可以是一个包含至少两个垂直于地面的条状物的围栏。识别道路特征的形状可以表示任何两个相邻条状物之间的距离。
模型获取模块430可以用于预先生成训练特征识别模型,并将训练特征识别模型存储在存储介质(例如,存储设备150,处理引擎112的存储器220)中。当特征识别模块420识别图像中的道路特征时,模型获取模块430可以从存储介质中获取训练特征识别模型。在一些实施例中,当特征识别模块420在识别图像中的道路特征时,模型获取模块430可以在线生成训练特征识别模型。在一些实施例中,第三方设备可以预先生成训练特征识别模型,并将训练特征识别模型存储在本地或特征识别***100的存储介质(例如,存储设备150,处理引擎112的存储器220)中。当特征识别模块420识别图像中的道路特征时,模型获取模块430可以从特征识别***100或第三方设备的存储介质中获取训练特征识别模型。在一些实施例中,当特征识别模块420在识别图像中道路特征时,第三方设备可以在线生成训练特征识别模型,并将训练特征识别模型发送给模型获取模块430。更多关于生成训练特征识别模型的详细描述可以在本申请的其他地方(例如,图6)找到。
在一些实施例中,训练特征识别模型可以与训练要求相关。训练特征识别模型的训练要求可以指训练特征识别模型的功能。例如,训练要求可以包括训练类别,训练条件,训练特征识别模型的应用场景,训练特征识别模型的训练识别精度等,或其任意组合。训练类别可以指训练特征识别模型可以识别的道路特征的类别。示例性的训练条件可以包括光线条件(例如,训练特征识别模型可以识别在相对较亮或较暗环境中拍摄的图像中的道路特征),视野条件,旋转条件,分辨率条件,缩放条件,天气条件(例如,训练特征识别模型可以识别在下雨天,晴天或雾天拍摄的图像中的道路特征),交通状况(例如,训练特征识别模型可以识别显示堵塞或畅通路段图像中的道路特征)等,或其任意组合。训练特征识别模型的示例应用场景可以包括更新地图,生成高精度地图,导航,确定交通状况,为用户(例如,司机)推荐停车位置(例如,在打车服务中的上车位置和下车位置)等。训练识别精度可以指真实道路特征和由训练特征识别模型识别的道路特征之间的交并比。
在一些实施例中,如果训练要求的训练类别包括两种或以上类别,则训练要求可以包括与所述两种或以上类别相关的不同训练识别精度。例如,训练要求的训练类别包括栅栏和指示牌。在训练标识要求中,识别栅栏的训练识别精度可以为0.9,识别指示牌的训练识别精度可以为0.5。
在一些实施例中,模型获取模块430可以根据与识别要求相关的训练要求获取训练特征识别模型。例如,如果识别要求的目标识别精度为0.92,则模型获取模块430可以获取或生成训练要求的训练识别精度大于或等于0.92的训练特征识别模型。又例如,如果获取的图像中显示相对较亮的环境(例如,图像中像素亮度的平均值大于亮度阈值),则模型获取模块430可以获取或生成训练特征识别模型,所述训练特征识别模型的训练要求的光照条件与相对较亮的环境关联。再例如,如果识别要求的识别类别是栅栏,则模型获取模块430可以获取或生成一个训练特征识别模型,所述训练特征识别模型的训练要求的训练类别包括栅栏。
处理引擎112中的模块可以通过有线连接或无线连接用于互相连接或互相通讯。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等或上述举例的任意组合。两个或以上模块可以合并成一个模块,任意一个模块可以被拆分成两个或以上单元。例如,图像获取模块410以及特征识别模块420可以被组合成一个模块,所述模块可以获取与路段有关的图像,并通过使用训练特征识别模型处理图像来识别路段内的道路特征。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。例如,处理引擎112可以进一步包括一个存储模块(图4中未示出)。存储模块可以用于存储由处理引擎112中的任何组件执行的任何处理生成的数据。又例如,处理引擎112的每个部分可以分别对应于一个存储模块。另外,处理引擎112的组件可以共享一个存储模块。
图5是根据本申请的一些实施例所示的识别图像中道路特征的示例性流程图。在一些实施例中,流程500可以被应用在如图1所示的***100中。例如,流程500可以作为指令的形式存储在存储介质(例如,存储设备150或处理引擎112的存储器220)中,并且可以由服务器110调用和/或执行(例如,服务器110的处理引擎112,处理引擎112的处理器210,或图4中所示的处理引擎112中的一个或以上模块)。下述流程/方法的操作仅是示例性的。在一些实施例中,在实现所述流程/方法时可以添加一个或以上未描述的额外操作,和/或删减一个或以上此处所描述的操作。此外,图5中所示的和下文描述的流程500的操作顺序并不构成限制。流程500可以用于识别一些道路特征。
在510中,图像获取模块410(或处理引擎112,和/或接口电路210-a)可以获取与路段相关的图像。如这里所用,所述路段可以指道路(例如,高速公路,街道)的一部分。所述路段的位置和/或长度可以由道路特征识别***100预先确定,也可以根据图像的具体使用和/或预期目的进行调整。
在一些实施例中,用户终端140可以利用在用户终端140中安装的应用程序(例如,图3中的应用程序380),通过网络120与服务器110建立通信(例如,无线通信)。应用程序可以与特征识别***100相关联。例如,应用程序可以是与特征识别***100相关的打车软件。如果应用程序正在运行时,用户终端140的相机拍摄到一个或以上图像,应用程序可以指示用户终端140将拍摄到的一个或以上图像发送到存储设备150和/或服务器110(例如,处理引擎112)。在一些实施例中,图像获取模块410可以实时获取来自电子设备(例如,用户终端140)的图像。在一些实施例中,图像获取模块410可以从存储介质(例如,存储设备150,处理引擎112的存储设备220)中获取图像。在一些实施例中,可以从由用户终端140拍摄的视频中提取一个或以上图像。在一些实施例中,图像可以由属于或者不属于用户终端140的相机拍摄。例如,图像可以是从由行车记录仪拍摄的视频中提取的,其中,在一些实施例中,该视频可以用于至少两个目的(例如,记录驾驶体验以及监控道路特征的变化)。
在520中,特征识别模块420(或处理引擎112,和/或流程电路210-b)可以识别所述路段内的道路特征。在一些实施例中,特征识别模块420可以通过使用训练特征识别模型处理图像来识别所述路段内的道路特征。
在一些实施例中,道路特征可以指属于与图像中的所述路段相关的同一类别的一个或以上目标对象。例如,目标对象可以包括栅栏,指示牌,交通信号灯,车辆,路灯,立交桥,建筑物,交通标线等。在一些实施例中,通过封锁和/或限制进入路段中的某些区域,可以影响车辆停车。例如,道路特征可以是围栏、道路栅栏或限制通行的交通标线。在一些实施例中,道路特征(例如,影响停车的道路特征)的正确和及时识别对于线上到线下服务的用户体验很重要。
在一些实施例中,图像可以与识别要求相关联。如此处所使用的,识别要求可以指识别图像中道路特征的至少两个识别要求的集合。例如,识别要求可以包括识别类别,与图像相关的识别条件,识别图像中道路特征的应用场景,识别图像中道路特征的目标识别精度等,或其任意组合。在一些实施例中,识别类别可以指在图像中需要识别的道路特征的类别。与图像相关的识别条件可以包括光线条件(例如,图像显示出相对更亮或更暗的环境),视野条件,旋转条件,分辨率条件,缩放条件,天气条件(例如,图像是在雨天,晴天,或雾天被拍摄的),交通状况(例如,图像显示了堵塞或畅通路段)等,或其任意组合。示例性应用场景可以包括更新地图,生成高精度地图,导航,确定交通状况,向用户(例如,司机)推荐停车位置(例如,在打车服务中的上车位置和下车位置)等。
识别图像中道路特征的目标识别精度可以由真实道路特征与已识别道路特征之间的交并比(intersection-over-union(IOU))来表示。真实道路特征可以指图像中显示的道路特征。特征识别模块420可以通过在图像中生成预测窗口来识别图像中的道路特征。预测窗口中的事物可以被确认为识别的道路特征。真实道路特征和识别道路特征之间的交并比可以是基于真实道路特征和识别道路特征的交集面积和并集面积来确定。例如,真实道路特征和识别道路特征之间的交并比可以由下面的公式(1)来确定:
其中,IOUP表示真实道路特征和识别道路特征之间的交并比;Area(t)表示图像中真实道路特征的面积,Area(i1)表示图像中的识别道路特征的面积。
在一些实施例中,如果在图像中识别出两种或以上道路特征,则识别要求可以包括与所述两种或以上道路特征相关的不同目标识别精度。例如在图像中有两种道路特征(例如,栅栏以及指示牌)需要识别。在目标识别要求中,识别栅栏的目标识别精度可以为0.9,识别指示牌的目标识别精度可以为0.5。
在一些实施例中,在520之前,特征识别模块420可以获取识别要求。例如,服务器110的操作者可以输入识别要求(例如,通过输入/输出230)。特征识别模块420可以接收与识别要求相关的操作者的输入。又例如,图像获取模块410获取图像后,特征识别模块420可以自动处理所述图像以获取与所述图像相关的光线条件。所述光线条件可以作为识别要求的一个参数。
在一些实施例中,训练特征识别模型可以在线或离线生成。在一些实施例中,可以由处理引擎112(例如,模型获取模块430)或与特征识别***100通信的第三方设备生成训练特征识别模型。在一些实施例中,模型获取模块430可以预先生成训练特征识别模型,并将训练特征识别模型存储在存储介质(例如,存储设备150,处理引擎112的存储器220)中。当特征识别模块420识别图像中的道路特征时,模型获取模块430可以从存储介质中获取训练特征识别模型。在一些实施例中,当特征识别模块420识别图像中的道路特征时,模型获取模块430可以在线生成训练特征识别模型。在一些实施例中,第三方设备可以预先生成训练特征识别模型,并将训练特征识别模型存储在本地或特征识别***100的存储介质(例如,存储设备150,处理引擎112的存储器220)中。当特征识别模块420识别图像中的道路特征时,模型获取模块430可以从特征识别***100或第三方设备的存储介质中获取训练特征识别模型。在一些实施例中,当特征识别模块420识别图像中的道路特征时,第三方设备可以在线生成训练特征识别模型,并将训练特征识别模型发送给模型获取模块430。更多关于生成训练特征识别模型的详细描述可以在本申请的其他地方(例如,图6)找到。
在一些实施例中,训练特征识别模型可以与训练要求相关。训练特征识别模型的训练要求可以指训练特征识别模型的功能。例如,训练要求可以包括训练类别,训练条件,训练特征识别模型的应用场景,训练特征识别模型的训练识别精度等,或其任意组合。训练类别可以指训练特征识别模型可以识别的道路特征的类别。示例性的训练条件可以包括光线条件(例如,训练特征识别模型可以识别在相对较亮或较暗环境中拍摄的图像中的道路特征),视野条件,旋转条件,分辨率条件,缩放条件,天气条件(例如,训练特征识别模型可以识别在下雨天,晴天或雾天拍摄的图像中的道路特征),交通状况(例如,训练特征识别模型可以识别显示堵塞或畅通路段图像中的道路特征)等,或其任意组合。训练特征识别模型的示例应用场景可以包括更新地图,生成高精度地图,导航,确定交通状况,为用户(例如,司机)推荐停车位置(例如,在打车服务中的上车位置和下车位置)等。训练识别精度可以指真实道路特征和由训练特征识别模型识别的道路特征之间的交并比。
在一些实施例中,如果训练要求的训练类别包括两种或以上类别,则训练要求可以包括与所述两种或以上类别相关的不同训练识别精度。例如,训练要求的训练类别包括栅栏和指示牌。在训练标识要求中,识别栅栏的训练识别精度可以为0.9,识别指示牌的训练识别精度可以为0.5。
在一些实施例中,模型获取模块430可以根据与识别要求相关的训练要求获取训练特征识别模型。例如,如果识别要求的目标识别精度为0.92,则模型获取模块430可以获取或生成训练识别精度大于或等于0.92的训练特征识别模型。又例如,如果获取的图像中显示相对较亮的环境(例如,图像中像素亮度的平均值大于亮度阈值),则模型获取模块430可以获取或生成一个训练特征识别模型,所述训练特征识别模型的训练要求的光照条件与相对较亮的环境关联。再例如,如果识别要求的识别类别是栅栏,则模型获取模块430可以获取或生成一个训练特征识别模型,所述训练特征识别模型的训练要求的训练类别包括栅栏。
在一些实施例中,通过使用训练特征识别模型处理图像来识别路段中的道路特征后,特征识别模块420可以生成与识别道路特征相关的识别结果。与识别道路特征相关的识别结果可以包括识别道路特征的位置,识别道路特征的大小,识别道路特征的形状,识别道路特征可能属于某个类别的可能性(例如,指示牌或交通标线),一个或以上与识别道路特征相关的目标对象的数量(例如,路段中车辆的数量,路段中栅栏的数量)等,或其任意组合。例如,识别道路特征的位置可以表示识别道路特征位于路段的左侧或右侧。再例如,识别道路特征可以包括至少两个栅栏。识别道路特征的位置可以表示至少两个栅栏中的任意两个相邻栅栏之间的距离。再例如,识别道路特征可以是一个包含至少两个垂直于地面的条状物的围栏。识别道路特征的形状可以表示任何两个相邻条状物之间的距离。
在一些实施例中,如果在图像中包括两种或以上道路特征需要识别,特征识别模块420可以使用单个训练特征识别模型来识别所述两种或以上道路特征。或者,特征识别模块420可以使用不同的训练特征识别模型来分别识别所述两种或以上道路特征。例如,图像中包括两种道路特征(例如,栅栏和指示牌)。识别栅栏的目标识别精度是0.9。识别指示牌的目标识别精度为0.5。在一些实施例中,特征识别模块420可以使用单个训练特征识别模型来识别所述两种道路特征,其中,训练特征识别模型的训练要求的训练类别可以包括栅栏和指示牌,与栅栏相关的训练识别精度可以大于或等于0.9,与指示牌相关的训练识别精度可以大于或等于0.5。或者,特征识别模块420可以使用第一训练特征识别模型来识别栅栏,其中第一训练特征识别模型的训练要求的训练类别可以包括栅栏,并且训练要求的训练识别精度可以大于或等于0.9。特征识别模块420可以使用第二训练特征识别模型来识别指示牌,其中第二训练特征识别模型的训练要求的训练类别可以包含指示牌,并且训练要求的训练识别精度可以大于或等于0.5。
在一些实施例中,处理引擎112可以获取与路段相关的至少两个图像。所述至少两个图像可以与识别要求相关联。处理引擎112可以基于流程500逐个或者同时处理图像以识别路段内的道路特征。在一些实施例中,所述至少两个图像可以是从一个用户终端或其他类型的设备(例如,行车记录仪)获取的至少两个图像中经选择和/或处理得到的。在一些实施例中,所述至少两个图像可以是从不同的终端和/或设备获取的至少两个图像中经选择和/或处理得到的。例如,可以安排多个司机在经过一个路段时用与所述多个司机相关的设备对所述路段进行记录(或者对所述路段进行拍摄)。拍摄的图像可以用于流程500中以识别道路特征。在一些实施例中,所述至少两个图像之间识别道路特征的存在,位置,和/或维度可以是相互证实确认的。在一些实施例中,至少两个图像之间识别道路特征的存在,位置,和/或维度可能是相互矛盾的。如果发生矛盾,可以进行选择处理来进一步过滤所述图像以获得更合理的结果。或者,如果出现矛盾,可以调整识别要求(例如,更高的目标精度,更严格的识别条件和/或更少的应用场景)以生成更合理的结果。
在一些实施例中,所述图像包含的识别道路特征可用于生成高精度地图。仅通过示例,用户终端140(例如,智能手机,行车数据记录仪)可以拍摄图像并将拍摄的图像实时地或者在拍摄后的某个时间点发送到服务器110(例如,处理引擎112)。服务器110可以基于流程500处理图像以识别道路特征。在一些实施例中,现有的电子地图可以通过添加所述识别道路特征进行更新。随着一个或以上识别道路特征的添加,地图的精度可以得到提高。
在一些实施例中,包含识别道路特征的图像可以用于导航。仅通过示例,用户终端140(例如,智能手机,行车数据记录仪)可以拍摄图像并将拍摄的图像实时发送到服务器110(例如,处理引擎112)。服务器110可以基于流程500处理图像以识别交通标志和/或交通标线。例如,如果服务器110识别出图像中禁止调头的交通标志,则服务器110可以向用户终端140发送与禁止调头的交通标志有关的消息。
在一些实施例中,包括识别道路特征的图像可以用于确定路段的交通状况(例如,拥挤的路段或畅通的路段)。例如,用户终端140(例如,智能手机,行车数据记录仪)可以拍摄图像并将拍摄的图像实时或在拍摄后的某个时间点发送到服务器110。服务器110可以基于流程500处理图像以识别所述路段内的车辆和/或交通信号灯。服务器110可以根据所述路段中的车辆数量来判断所述路段是否堵塞。例如,当确定所述路段中的车辆数量大于数量阈值时,服务器110可以判断该路段在当前或之前一个时间点是堵塞的。当确定所述路段中的车辆数量小于或等于所述数量阈值时,服务器110可以判断该路段是畅通的。在一些实施例中,服务器110可以根据识别出的交通信号灯来确定所述路段堵塞的原因。例如,当确定所述路段中的交通信号灯为红色时,服务器110可以确定交通信号灯可能导致路段堵塞。当确定所述路段的交通信号灯为绿色或确定所述路段没有交通信号灯时,服务器110可以确定路段堵塞可能是由某个事件(例如,交通事故,音乐会,或恶劣天气)引起的。服务器110可以向用户终端140发送说明所述路段是否堵塞以及堵塞原因的信息,并且指示用户终端140显示所述消息。例如,服务器110可以指示用户终端140在电子地图上使用红色显示堵塞路段,使用绿色显示畅通路段。又例如,服务器110可以指示用户终端140在电子地图上以文本,图片,语音,视频等中的一种或几种的组合的形式显示路段堵塞的原因。
在一些实施例中,包含识别道路特征的图像可以用于向用户(例如,司机)推荐停车位置(例如,打车服务中的上车位置或下车位置)。仅通过示例,服务器110可以确定初始的停车位置。通过执行流程500,服务器110(例如,处理引擎112)可以获取(例如,从存储介质或实时地从用户终端140中获取)包含初始停车位置的一个或以上图像,并确定所述图像中是否存在任何使初始停车位置不再适合停车的道路特征(例如,围栏,栅栏,禁止停车标志)。如果确定没有使初始停车位置不再适合停车的道路特征,服务器110可以向用户终端140推荐所述初始停车位置。如果确定存在至少一个使初始停车位置不再适合停车的道路特征,服务器110可以确定一个新的停车位置,或者向用户终端140发送消息,使用户终端140显示关于所述至少一个使初始停车位置不再适合停车的道路特征的警告。
在一些实施例中,包含识别道路特征的图像可以用于通过突出显示一个或以上新的道路特征(例如,栅栏,交通标志,交通信号灯,路灯,高架道路,建筑物,交通标线等)来更新用户终端140中的地图(例如,电子地图)。仅通过示例,通过执行流程500,服务器110可以获取(例如,从存储介质或实时地从用户终端140中获取)至少两个图像,并基于所述图像识别一个或以上道路特征。服务器110可以将识别道路特征与地图中已存在的道路特征进行比较,并基于比较结果在地图中突出显示新的道路特征。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
图6是根据本申请的一些实施例所示的生成训练特征识别模型的示例性流程图。在一些实施例中,流程600可以在如图1所示的特征识别***100中实施。例如流程600可以以指令形式存储在存储介质(例如,存储设备150或处理引擎112的存储器220)中,并且可以由服务器110(例如,服务器110的处理引擎112,处理引擎112的处理器210,或图4所示的处理引擎112中的一个或以上模块)调用和/或执行。下述流程600的操作仅是示例性的。在一些实施例中,完成流程600时可以添加一个或以上未描述的额外操作,和/或删减一个或以上此处所描述的操作。此外,如图6所示和如下描述的流程600中的操作顺序并非限制。在一些实施例中,图5中520所描述的训练特征识别模型可以基于流程600获取。
在610中,模型获取模块430(或者处理引擎112,和/或处理电路210-b)可以获取与至少两个路段相关的第一组图像。在一些实施例中,模型获取模块430可以从存储介质(例如,存储设备150,处理引擎112的存储器220)中获取第一组图像。
在620中,模型获取模块430(或者处理引擎112,和/或处理电路210-b)可以基于第一组图像获取至少两个训练图像。
训练图像可以与训练要求相关联。例如,训练要求的光线条件与相对较亮的环境相关联。训练图像可能显示相对较亮的环境。又例如,训练要求的训练类别可能是交通标线。至少一个训练图像中可能包括一个或以上交通标线。
在一些实施例中,模型获取模块430可以从第一组图像中选择至少两个训练图像。在一些实施例中,如果计算机处理器(例如,处理引擎112)不能从现有图像(例如,第一组图像)获取与训练要求相关联的训练图像,则模型获取模块430可以修改第一组图像中的至少一个图像以获取训练图像,而不是拍摄与训练要求相关联的新图像,这种方法可以降低图像获取的成本。
在一些实施例中,修改第一组图像中的至少一个图像以获取训练图像可以包括以下操作。模型获取模块430可以判断第一组图像中的图像是否满足训练要求。例如,如果训练要求的光线条件与相对较亮的环境相关联,则模型获取模块430可以判断第一组图像中的图像是否显示相对较亮的环境。如果确定第一组图像中的图像不满足训练要求,模型获取模块430可以对第一组图像中的图像进行处理以满足训练要求。处理第一组图像中的图像以满足训练要求可以包括改变第一组图像中图像的亮度,改变第一组图像中图像的颜色,旋转第一组图像中的图像,改变第一组图像中图像的视角,等或其任意组合。例如,训练要求的光线条件可以与相对较亮的环境相关联。第一组图像中的图像显示出相对较暗的环境。模型获取模块430可以增加亮度和/或改变第一组图像中图像的颜色,并将亮度增加和/或颜色被改变的处理后的图像确定为训练图像。
在630中,模型获取模块430(或处理引擎112,和/或处理电路210-b)可以在至少两个训练图像中标记道路特征。在一些实施例中,道路特征可以被手动标记,自动标记或半自动标记。
在一些实施例中,模型获取模块430可以基于训练要求在至少两个训练图像中标记道路特征。例如,如果训练要求的训练类别是栅栏,模型获取模块430可以在所述至少两个训练图像中标记栅栏。
在一些实施例中,模型获取模块430可以基于训练要求的训练识别精度在至少两个训练图像中标记道路特征。
在一些实施例中,模型获取模块430可以比较训练识别精度是否大于精度阈值(例如,0.5,0.6,0.7,0.8,0.9)。当比较结果为训练识别精度大于精度阈值,模型获取模块430可以标记所述至少两个训练图像中道路特征的形状和位置。在一些实施例中,模型获取模块430可以基于道路特征的特征参数标记道路特征的形状。例如,道路特征的特征参数可以包括重心,最小惯性轴(ALI),平均弯曲能量,偏心率(例如,主轴,最小边界矩形),圆度比,椭圆方差,矩形度,凸度,坚固性,欧拉数,孔面积比等,或其任意组合。在一些实施例中,用于标记道路特征形状的示例性技术可以包括基于轮廓的技术,基于区域的技术,空间域技术,变换域技术,信息保持技术,非信息保持技术,梯度矢量网格化(GVG)技术,边界结构分割(BoSS)等。当比较结果为训练识别精度小于或等于精度阈值,模型获取模块430可以标记包含道路特征的区域。在一些实施例中,所述区域可以大于道路特征的形状。在一些实施例中,模型获取模块430可以基于至少两个训练图像中像素的像素值标记所述包括道路特征的区域。
在一些实施例中,标记道路特征和真实道路特征之间的交并比可以等于训练要求中的训练识别精度。
在一些实施例中,模型获取模块430可以基于训练图像中的标记道路特征确定正样本和负样本。模型获取模块430可以在训练图像中确定至少两个边界框。正样本和负样本可以基于训练图像中的边界框和标记道路特征之间的交并比来确定。标记道路特征和边界框之间的交并比可以等于标记道路特征与边界框之间的交集和并集的比率。以其中一个训练图像为例,如果标记道路特征和边界框之间的交并比大于或等于交并比阈值(例如,0.3,0.4,0.5,0.6,0.7,0.8),则所述边界框可以确定为正样本。如果标记道路特征和边界框之间的交并比小于交并比阈值,则所述边界框可以确定为负样本。
在640中,模型获取模块430(或处理引擎112,和/或处理电路210-b)可以使用包含标记道路特征的训练图像训练初始特征识别模型以生成与训练要求关联的训练特征识别模型。例如,初始特征识别模型可以包括卷积神经网络模型,自适应增强模型,梯度增强决策树等,或其任意组合。在一些实施例中,模型获取模块430可以将标记的训练图像(例如,正样本和负样本)输入到初始特征识别模型中以生成训练特征识别模型。
在一些实施例中,在生成与训练要求相关联的训练特征识别模型后,模型获取模块430可以测试训练特征识别模型以确定训练特征识别模型是否满足训练要求(例如,判断训练特征识别模型是否可以以训练要求中的训练识别精度对训练类别进行识别)。
模型获取模块430可以获取与训练特征识别模型的训练要求相关联的第二组图像。例如,如果训练要求的训练条件可以与相对较亮的环境相关联。第二组图像可以显示相对较亮的环境。又例如,如果训练要求的训练类别包括栅栏。第二组图像中的至少一个图像可以包括一个或以上栅栏。在一些实施例中,模型获取模块430可以从存储介质(例如,存储设备150,处理引擎112的存储设备220)中获取第二组图像。在一些实施例中,第二组图像可以与第一组图像不同。
模型获取模块430可以基于第二组图像确定训练特征识别模型是否满足训练要求。在一些实施例中,可以手动地,自动地或半自动地标记与训练要求中的训练类别一致的第二组图像中的道路特征类别。标记第二组图像中的道路特征的流程可以基于630的描述进行。模型获取模块430可以将具有标记道路特征的第二组图像输入到训练特征识别模型中,获取第二组图像的识别结果,并基于第二组图像的识别结果确定训练特征识别模型是否能够达到训练识别精度。
在一些实施例中,模型获取模块430可以基于第二组图像中的标记道路特征和识别道路特征之间的交并比,准确率,召回率等,或其任意组合,确定训练特征识别模型是否可以达到训练识别精度。
在一些实施例中,模型获取模块430可以基于第二组图像中的标记道路特征和识别道路特征之间的交并比的平均值来确定训练特征识别模型是否能够达到训练识别精度。如果所述平均值大于或等于平均阈值(例如,0.5,0.6,0.7,0.8,0.9),则模型获取模块430可以确定训练特征识别模型可以达到训练识别精度。如果所述平均值小于平均阈值,则模型获取模块430可以确定训练特征识别模型不能达到训练识别精度。
在一些实施例中,第二组图像中图像的标记道路特征和识别道路特征之间的交并比可以基于第二组图像中图像的标记道路特征和识别道路特征之间的交集面积和并集面积确定。例如,第二组图像中图像的标记道路特征和识别道路特征之间的交并比可以基于下面的公式(2)确定:
其中,IOUT表示第二组图像中的标记道路特征和识别道路特征之间的交并比;Area(m)表示第二组图像中的标记道路特征的面积;Area(i2)表示第二组图像中的识别道路特征的面积。
在一些实施例中,模型获取模块430可以确定准确率是否大于准确率阈值。如果准确率大于或等于准确率阈值(例如,0.5,0.6,0.7,0.8,0.9),则模型获取模块430可以确定训练特征识别模型能够达到训练识别精度。如果准确率小于准确率阈值,则模型获取模块430可以确定训练特征识别模型不能达到训练识别精度。
在一些实施例中,模型获取模块430可以确定召回率是否大于召回率阈值。如果召回率大于或等于召回率阈值(例如,0.5,0.6,0.7,0.8,0.9),则模型获取模块430可以确定训练特征识别模型可以达到训练识别精度。如果召回率小于召回率阈值,则模型获取模块430可以确定训练特征识别模型不能达到训练识别精度。
在一些实施例中,第二组图像中可以包括4种识别道路特征,例如,真正例,真负例,假正例,以及假负例。真正例可以指属于训练类别并被训练特征识别模型预测为属于训练类别的识别道路特征。真负例可以指不属于训练类别并且被训练特征识别模型预测为不属于训练类别的识别道路特征。假正例可以指不属于训练类别但被训练特征识别模型预测为属于训练类别的识别道路特征。假负例可以指属于训练类别,但被训练特征识别模型预测为不属于训练类别的识别道路特征。模型获取模块430可以根据真正例,真负例,假正例,以及假负例判断准确率和召回率。例如,模型获取模块430可以根据下面的公式(3)和公式(4)来确定准确率和召回率:
其中,Racc表示准确率;TP表示真正例的数量;FP表示假正例的数量;Rrecall表示召回率;FN表示假负例的数量。
在一些实施例中,如果训练要求包含用于识别不同训练类别的不同训练识别精度,则模型获取模块430可以根据以上描述分别确定训练特征识别模型是否能够达到每个训练识别精度。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。例如本申请中的流程600可以由其他设备执行,如与特征识别***100进行通信的第三方设备。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或以上计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (31)
1.一种道路特征识别***,其特征在于,包括:
至少一个存储介质,包括一组指令;
至少一个处理器,与所述至少一个存储介质通信,其中,当执行所述指令时,所述至少一个处理器被指示以使所述***:
获取与路段相关的图像,其中,所述图像与识别要求相关联;以及
通过使用与所述识别要求相关联的训练特征识别模型处理所述图像,以识别所述路段内的道路特征,
其中,获取所述训练特征识别模型包括:
获取第一组图像;
基于所述第一组图像获取至少两个训练图像,其中,所述训练图像与所述识别要求相关联;
在所述至少两个训练图像中标记所述道路特征;以及
使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成所述训练特征识别模型。
2.如权利要求1所述的***,其特征在于,所述识别要求包括目标识别精度,识别条件,或所述道路特征的应用场景中的至少一个。
3.如权利要求2所述的***,其特征在于,所述目标识别精度与交并比(IOU)相关联。
4.如权利要求2或3所述的***,其特征在于,所述标记所述至少两个训练图像中的所述道路特征包括:
比较目标识别精度和精度阈值;
如果比较结果为所述目标识别精度大于所述精度阈值,在所述至少两个训练图像中标记与所述识别要求相关联的所述道路特征的形状和位置;以及
如果比较结果为所述目标识别精度小于或等于所述精度阈值,在所述至少两个训练图像中标记包含与所述识别要求相关联的所述道路特征的区域。
5.如权利要求1-4中的任意一项所述的***,其特征在于,所述基于所述第一组图像获取所述至少两个训练图像,包括:
确定所述第一组图像中的其中一个图像是否满足所述识别要求;以及
如果所述第一组图像中的所述其中一个图像不满足所述识别要求,处理所述第一组图像中的所述其中一个图像以满足所述识别要求。
6.如权利要求5所述的***,其特征在于,所述处理所述第一组图像中的所述其中一个图像以满足所述识别要求,包括:
改变所述第一组图像中的所述其中一个图像的亮度;
改变所述第一组图像中的所述其中一个图像的颜色;
旋转所述第一组图像中的所述其中一个图像;或者
改变所述第一组图像中的所述其中一个图像的视角。
7.如权利要求1-6中的任意一项所述的***,其特征在于,获取所述训练特征识别模型进一步包括:
获取与所述识别要求相关的第二组图像;以及
基于所述第二组图像,确定所述训练特征识别模型是否满足所述识别要求。
8.如权利要求1-7中的任意一项所述的***,其特征在于,所述至少一个处理器被指示以使所述***:
获取与所述路段有关的一个或以上额外图像,其特征在于,所述额外图像与所述识别要求相关联;以及
使用与所述识别要求相关联的所述训练特征识别模型识别所述路段内的所述道路特征。
9.如权利要求1-8中的任意一项所述的***,其特征在于,所述至少一个处理器被指示以使所述***:
通过在用户终端的地图上突出显示所述道路特征来更新所述用户终端中的地图。
10.如权利要求1-8中的任意一项所述的***,其特征在于,所述至少一个处理器被指示以使所述***:
向用户终端发送信息,指示所述用户终端显示与所述道路特征相关的警告。
11.一种道路特征识别方法,在具有至少一个存储设备和至少一个处理器的计算设备上实施,其特征在于,包括:
获取与路段相关的图像,其中,所述图像与识别要求相关联;以及
通过使用与所述识别要求相关联的训练特征识别模型处理所述图像,以识别所述路段内的道路特征;
其中,获取所述训练特征识别模型包括:
获取第一组图像;
基于所述第一组图像获取至少两个训练图像,其中,所述训练图像与所述识别要求相关联;
在所述至少两个训练图像中标记所述道路特征;以及
使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成所述训练特征识别模型。
12.如权利要求11所述的方法,其特征在于,所述识别要求包括目标识别精度,识别条件,或所述道路特征的应用场景中的至少一个。
13.如权利要求12所述的方法,其特征在于,所述目标识别精度与交并比(IOU)相关联。
14.如权利要求12或13所述的方法,其特征在于,所述标记所述至少两个训练图像中的所述道路特征包括:
比较目标识别精度和精度阈值;
如果比较结果为所述目标识别精度大于所述精度阈值,在所述至少两个训练图像中标记与所述识别要求相关联的所述道路特征的形状和位置;以及
如果比较结果为所述目标识别精度小于或等于所述精度阈值,在所述至少两个训练图像中标记包含与所述识别要求相关联的所述道路特征的区域。
15.如权利要求11-14中的任意一项所述的方法,其特征在于,所述基于所述第一组图像获取所述至少两个训练图像,包括:
确定所述第一组图像中的其中一个图像是否满足所述识别要求;以及
如果所述第一组图像中的所述其中一个图像不满足所述识别要求,处理所述第一组图像中的所述其中一个图像以满足所述识别要求。
16.如权利要求15所述的方法,其特征在于,所述处理所述第一组图像中的所述其中一个图像以满足所述识别要求,包括:
改变所述第一组图像中的所述其中一个图像的亮度;
改变所述第一组图像中的所述其中一个图像的颜色;
旋转所述第一组图像中的所述其中一个图像;或者
改变所述第一组图像中的所述其中一个图像的视角。
17.如权利要求11-16中的任意一项所述的方法,其特征在于,所述获取所述训练特征识别模型进一步包括:
获取与所述识别要求相关的第二组图像;以及
基于所述第二组图像,确定所述训练特征识别模型是否满足所述识别要求。
18.如权利要求11-17中的任意一项所述的方法,其特征在于,进一步包括:
获取与所述路段有关的一个或以上额外图像,其特征在于,所述额外图像与所述识别要求相关联;以及
使用与所述识别要求相关联的所述训练特征识别模型识别所述路段内的所述道路特征。
19.如权利要求11-18中的任意一项所述的方法,其特征在于,进一步包括:
通过在用户终端的地图上突出显示所述道路特征来更新所述用户终端中的地图。
20.如权利要求11-18中的任意一项所述的方法,其特征在于,进一步包括:
向用户终端发送信息,指示所述用户终端显示与所述道路特征相关的警告。
21.一种道路特征识别***,其特征在于,包括:
图像获取模块,用于获取与路段相关的图像,其中,所述图像与识别要求相关联;以及
特征识别模块,用于通过使用与所述识别要求相关联的训练特征识别模型处理所述图像,以识别所述路段内的道路特征,
其中,获取所述训练特征识别模型包括:
获取第一组图像;
基于所述第一组图像获取至少两个训练图像,其中,所述训练图像与所述识别要求相关联;
在所述至少两个训练图像中标记所述道路特征;以及
使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成所述训练特征识别模型。
22.如权利要求21所述的***,其特征在于,所述识别要求包括目标识别精度,识别条件,或所述道路特征的应用场景中的至少一个。
23.如权利要求22所述的***,其特征在于,所述目标识别精度与交并比(IOU)相关联。
24.如权利要求22或23所述的***,其特征在于,所述标记所述至少两个训练图像中的所述道路特征包括:
比较目标识别精度和精度阈值;
如果比较结果为所述目标识别精度大于所述精度阈值,在所述至少两个训练图像中标记与所述识别要求相关联的所述道路特征的形状和位置;以及
如果比较结果为所述目标识别精度小于或等于所述精度阈值,在所述至少两个训练图像中标记包含与所述识别要求相关联的所述道路特征的区域。
25.如权利要求21-24中的任意一项所述的***,其特征在于,所述基于所述第一组图像获取所述至少两个训练图像,包括:
确定所述第一组图像中的其中一个图像是否满足所述识别要求;以及
如果所述第一组图像中的所述其中一个图像不满足所述识别要求,处理所述第一组图像中的所述其中一个图像以满足所述识别要求。
26.如权利要求25所述的***,其特征在于,所述处理所述第一组图像中的所述其中一个图像以满足所述识别要求,包括:
改变所述第一组图像中的所述其中一个图像的亮度;
改变所述第一组图像中的所述其中一个图像的颜色;
旋转所述第一组图像中的所述其中一个图像;或者
改变所述第一组图像中的所述其中一个图像的视角。
27.如权利要求21-26中的任意一项所述的***,其特征在于,获取所述训练特征识别模型进一步包括:
获取与所述识别要求相关的第二组图像;以及
基于所述第二组图像,确定所述训练特征识别模型是否满足所述识别要求。
28.如权利要求21-27中的任意一项所述的***,其特征在于,
所述图像获取模块还用于获取与所述路段有关的一个或以上额外图像,其特征在于,所述额外图像与所述识别要求相关联;以及
所述特征识别模块还用于使用与所述识别要求相关联的所述训练特征识别模型识别所述路段内的所述道路特征。
29.如权利要求21-28中的任意一项所述的***,其特征在于,所述特征识别模块进一步用于:
通过在用户终端的地图上突出显示所述道路特征来更新所述用户终端中的地图。
30.如权利要求21-28中的任意一项所述的***,其特征在于,所述特征识别模块进一步用于:
向用户终端发送信息,指示所述用户终端显示与所述道路特征相关的警告。
31.一种计算机可读介质,包括至少一组用于识别道路特征的指令,其中,当由计算设备的一个或以上处理器执行时,所述至少一组指令使所述一个或以上处理器执行一个方法,所述方法包括:
获取与路段相关的图像,其中,所述图像与识别要求相关联;以及
通过使用与所述识别要求相关联的训练特征识别模型处理所述图像,以识别所述路段内的道路特征,
其中,获取所述训练特征识别模型包括:
获取第一组图像;
基于所述第一组图像获取至少两个训练图像,其中,所述训练图像与所述识别要求相关联;
在所述至少两个训练图像中标记所述道路特征;以及
使用包含了所述标记道路特征的所述训练图像训练一个初始特征识别模型,以生成所述训练特征识别模型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/114745 WO2020093351A1 (en) | 2018-11-09 | 2018-11-09 | Systems and methods for identifying a road feature |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111433779A true CN111433779A (zh) | 2020-07-17 |
Family
ID=70611651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880002003.5A Pending CN111433779A (zh) | 2018-11-09 | 2018-11-09 | 用于识别道路特征的***和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111433779A (zh) |
WO (1) | WO2020093351A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686197B (zh) * | 2021-01-07 | 2022-08-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和相关装置 |
CN116229396B (zh) * | 2023-02-17 | 2023-11-03 | 广州丰石科技有限公司 | 高速路面病害识别及告警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254161A (zh) * | 2011-07-15 | 2011-11-23 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
US20150134495A1 (en) * | 2013-11-14 | 2015-05-14 | Mihir Naware | Omni-channel simulated digital apparel content display |
CN106295607A (zh) * | 2016-08-19 | 2017-01-04 | 北京奇虎科技有限公司 | 道路识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839415B (zh) * | 2014-03-19 | 2016-08-24 | 重庆攸亮科技股份有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN106339659A (zh) * | 2015-07-10 | 2017-01-18 | 株式会社理光 | 检测道路分割物的方法和装置 |
CN105809138B (zh) * | 2016-03-15 | 2019-01-04 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
CN106845547B (zh) * | 2017-01-23 | 2018-08-14 | 重庆邮电大学 | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 |
-
2018
- 2018-11-09 CN CN201880002003.5A patent/CN111433779A/zh active Pending
- 2018-11-09 WO PCT/CN2018/114745 patent/WO2020093351A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254161A (zh) * | 2011-07-15 | 2011-11-23 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
US20150134495A1 (en) * | 2013-11-14 | 2015-05-14 | Mihir Naware | Omni-channel simulated digital apparel content display |
CN106295607A (zh) * | 2016-08-19 | 2017-01-04 | 北京奇虎科技有限公司 | 道路识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020093351A1 (en) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
CN111386559B (zh) | 一种路口是否存在目标道路设施的判断方法及*** | |
CN110050300B (zh) | 交通拥堵监控***和方法 | |
CN110146097B (zh) | 自动驾驶导航地图的生成方法、***、车载终端及服务器 | |
CN111652940A (zh) | 目标异常识别方法、装置、电子设备及存储介质 | |
CN111656140B (zh) | 预测交通事故发生地的人工智能***和方法 | |
CN110675621B (zh) | 预测交通信息的***和方法 | |
US11248925B2 (en) | Augmented road line detection and display system | |
US11594030B2 (en) | Systems and methods for monitoring traffic sign violation | |
CN108416808B (zh) | 车辆重定位的方法及装置 | |
CN111881713A (zh) | 一种识别违停地点的方法、***、装置及存储介质 | |
US20210055121A1 (en) | Systems and methods for determining recommended locations | |
CN111465936B (zh) | 确定地图上新道路的***和方法 | |
US11963066B2 (en) | Method for indicating parking position and vehicle-mounted device | |
WO2021056303A1 (en) | Systems and methods for determining a pick-up location | |
CN111931683A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN114397685A (zh) | 弱gnss信号区域的车辆导航方法、装置、设备及存储介质 | |
CN110782653A (zh) | 一种道路信息采集方法和*** | |
CN111433779A (zh) | 用于识别道路特征的***和方法 | |
CN110689719B (zh) | 用于识别封闭路段的***和方法 | |
CN116959265A (zh) | 交通信息提示方法、装置、电子设备和可读存储介质 | |
CN108346294B (zh) | 车辆识别***、方法和装置 | |
CN113428081A (zh) | 交通安全管控方法、车载装置及可读存储介质 | |
CN111661054B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 |
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 |