CN112633127A - 基于图像识别的公交车道检测方法、装置及介质 - Google Patents
基于图像识别的公交车道检测方法、装置及介质 Download PDFInfo
- Publication number
- CN112633127A CN112633127A CN202011505496.XA CN202011505496A CN112633127A CN 112633127 A CN112633127 A CN 112633127A CN 202011505496 A CN202011505496 A CN 202011505496A CN 112633127 A CN112633127 A CN 112633127A
- Authority
- CN
- China
- Prior art keywords
- module
- cbl
- bus lane
- original input
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 18
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能,揭露一种基于图像识别的公交车道检测方法,包括:获得车道的原始输入图像;构建特征抽取网络,抽取原始输入图像的图像特征;所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;在至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。还提供一种装置、电子设备及计算机可读存储介质。本发明提高困难场景下公交车道识别的准确率和召回率。
Description
技术领域
本发明涉及人工智能,尤其涉及一种基于图像识别的公交车道检测方法、装置、电子设备及计算机可读存储介质。
背景技术
人工智能技术的高速发展,深度学习越来越多的应用于计算机视觉中,尤其是图像识别领域。公交车道是专门为公交车设置的独立路权车道,是城市交通中非常重要的基础设施,因此对公交车道的检测也成了智能交通***中不可或缺的环节之一。
Yolo(全称为You Only Look Once)是常用的深度学习方法,仅仅使用一个CNN网络直接预测不同目标的类别与位置,YOLO将物体检测作为回归问题求解,基于一个单独的end-to-end网络,完成从原始图像的输入到物***置和类别的输出。YOLO的核心思想就是利用整张图作为网络的输入,直接在输出层回归bounding box的位置和bounding box所属的类别。
基于YOLOv3的深度学习方法,由于其检测速度快,成为目前业内比较流行的公交车道检测算法之一。基于YOLOv3的公交车道检测算法在晴天、白天、公交车道线清晰等简单场景下可以达到实时检测且具有较高准确率的效果,但在雾霾、雨天、夜间、公交车道线模糊等困难场景下,其准确率和召回率都还相对较低,仍存在较大的提升空间。
发明内容
本发明提供一种基于图像识别的公交车道检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高雾霾、雨天、夜间、公交车道线模糊等困难场景下,公交车道识别的准确率和召回率。
为实现上述目的,本发明提供一种基于图像识别的公交车道检测方法,包括:
获得车道的原始输入图像;
构建特征抽取网络,抽取原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;
所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
在至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
可选地,所述特征抽取网络为DarkNet68,具有67各卷积层,包括CBL模块、CBRes1模块、CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块。
可选地,所述CBRes4模块的输出执行CBL模块的操作和卷积操作获得一种尺度的特征图;将CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行多次CBL模块的操作、卷积、上采样和特征融合操作,获得三种不同尺度的特征图。
可选地,所述CBRes4模块的输出执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第一尺度特征图;CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行1层CBL模块的操作和上采样与原始输出特征融合后分别执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第二尺度特征图、第三尺度特征图和第四尺度特征图。
可选地,所述CBL模块的激活操作中的激活函数为Leaky Relu,所述CBM模块的激活操作中的激活函数为Mish。
可选地,所述特征融合的步骤包括:
获取特征抽取网络一个中间层的第一输出矩阵;
获得第一输出矩阵经过CBL模块操作和上采样后的第二输出矩阵;
对第一输出矩阵进行分块,形成与第二输出矩阵相同大小的多块子矩阵;
对所述多块子矩阵进行最大池化得到第三输出矩阵;
将第三输出矩阵和第二输出矩阵求和进行特征融合。
可选地,所述将特征图上对应的公交车道坐标映射为原始输入图像上的坐标的步骤包括:
获得原始输入图像与特征图的比例;
将锚框坐标扩大所述比例得到映射坐标;
判断映射坐标是否存在超过原始输入图像尺寸的维度;
如果存在所述维度,将所述维度对应的坐标设定为原始输入图像对应的尺寸,实现特征图上公交车道坐标在原始输入图像上的映射;
如果不存在所述维度,将映射坐标作为特征图上公交车道坐标对应的原始输入图像上的坐标。
为实现上述目的,本发明还提供一种基于图像识别的公交车道检测装置,包括:
采集模块,获得车道的原始输入图像;
特征抽取网络,用于抽取采集模块采集的原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
特征图生成模块,所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
公交车道识别模块,在特征图生成模块获得的至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
映射模块,将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
为实现上述目的,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于图像识别的公交车道检测方法。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于图像识别的公交车道检测方法。
本发明所述基于图像识别的公交车道检测方法、装置、电子设备及计算机可读存储介质扩展了至少四种尺度的特征图,有效扩大了更多不同尺度的公交车道的召回,从而提高了公交车道检测的整体召回率。在特征抽取网络中,CBResX模块较ResX,特征表达能力更强,检测效果更好,显著增强了雾霾、雨天、夜间、公交车道线模糊等困难场景下的特征表达能力,从而提高了公交车道检测的整体准确率;CBResX中增加了新的残差结构,能够防止训练过程中出现梯度消失现象,从而使得模型训练收敛更快。
附图说明
图1是本发明所述基于图像识别的公交车道检测方法的流程图;
图2是本发明一实施例提供的特征抽取网络的构成示意图;
图3是本发明所述基于图像识别的公交车道检测方法的一个优选实施例的示意图;
图4是本发明所述特征融合的方法流程图的示意图;
图5为本发明一实施例提供的基于图像识别的公交车道检测装置的模块示意图;
图6为本发明一实施例提供的实现基于图像识别的公交车道检测方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1是本发明所述基于图像识别的公交车道检测方法的流程图,如图1所示,所述公交车道检测方法包括:
步骤S1,获得车道的原始输入图像,所述原始输入图像通过行车记录仪等具有拍摄功能的设备获得;
步骤S2,构建特征抽取网络,抽取原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,如图2所示,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个Resunit(残差模块),所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
步骤S3,所述特征抽取网络的输出的图像特征执行多次CBL(卷积处理+批归一化处理+激活函数)模块的操作和Conv(卷积)操作获得一种尺度的特征图;
步骤S4,所述特征抽取网络的不同中间层分别执行多次CBL模块操作、Conv、Upsample(上采样)、Mix(特征融合)操作,获得至少三种不同尺度的特征图;
步骤S5,在至少四种尺度的特征图上采用anchor box(锚框)的方法进行公交车道的监测和识别;
步骤S6,将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
在一个实施例中,在步骤S2中,如图2所示,所述特征抽取网络为DarkNet68,具有67各卷积层,包括一个CBL模块和五个CBResX模块,所述五个CBResX模块的结构为1、2、8、8、4,也就是说DarkNet68包括CBL模块、CBRes1模块、CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块。
特征图的尺度越多召回率越高,但是准确率会相应有所下降。另外,尺度越多的话,模型结构会越复杂,导致检测速度下降。因此,权衡准确率和召回率、召回率和检测速度,优选地为4种尺度,效果最佳(平衡效果最好),具体地:
在步骤S3中,如图3所示,CBRes4模块的输出执行CBL模块的操作(卷积处理+批归一化处理+激活函数)和Conv(卷积)操作获得一种尺度的特征图。优选地,CBRes4模块的输出执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第一尺度特征图y1。
在步骤S4中,如图3所示,将CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行多次CBL模块的操作、Conv、Upsample(上采样)、Mix(特征融合)操作,获得三种不同尺度的特征图,优选地,CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行1层CBL模块的操作和上采样与原始输出特征融合后分别执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第二尺度特征图y2、第三尺度特征图y3和第四尺度特征图y4。
优选地,第一尺度特征图、第二尺度特征图、第三尺度特征图和第四尺度特征图的尺度分别为8*8,16*16,32*32,64*64。
在步骤S2中,所述CBL模块的激活操作中的激活函数为Leaky Relu,所述CBM模块的激活操作中的激活函数为Mish。
现有技术中通常对原始DarkNet53网络中的层数进行了扩展(例如,从52层卷积层扩展成了120层),或者将原来DarkNet53中的CBL模块改成了CBR(即修改了激活函数,由Leaky Relu激活函数改成了Relu)。本发明的DarkNet68与现有技术的原始DarkNet53网络扩展有本质的区别的。本发明中的DarkNet68主要是对原始DarkNet53网络的组成结构做的改进,而不是简单的增加层数,原始DarkNet53网络的核心组成结构是ResX,本发明将这个核心模块改进成了CBResX。本发明采用较少网络层(67层),检测速度更快;核心模块更优(BResX模块),特征表达能力更强,检测效果更好;核心模块中增加了新的残差结构(即拼接操作),能够防止训练过程中出现梯度消失现象,从而使得模型训练收敛更快。
在一个具体实施例中,分别采用ResX模块的原始DarkNet53和采用CBResX模块的本发明DarkNet68对500张困难场景下的包含公交车道的原始输入图像进行公交车道识别,采用ResX模块的原始DarkNet53最终的检测准确率93.4%,而采用CBResX模块的本发明DarkNet68最终的检测准确率97.8%。
在一个实施例中,在步骤S4中,如图4所示,所述特征融合的步骤包括:
获取特征抽取网络一个中间层的第一输出矩阵;
获得第一输出矩阵经过CBL模块操作和上采样后的第二输出矩阵;
对第一输出矩阵进行分块,形成与第二输出矩阵相同大小的多块子矩阵;
对所述多块子矩阵进行最大池化得到第三输出矩阵;
将第三输出矩阵和第二输出矩阵求和进行特征融合。
在一个具体实施例中,DarkNet68网络一个中间层的第一输出矩阵大小为128*128*75,经过上采样后的第二输出矩阵大小为8*8*75,则分块操作会将矩阵128*128*75切分成8*8=64块(即与第二输出矩阵大小要保持一致)大小为16*16*75的子矩阵,然后分别对这64个子矩阵进行最大池化操作后得到大小为8*8*75的矩阵记为第三输出矩阵,接着将第三输出矩阵与第二输出矩阵进行求和得到大小为8*8*75的输出矩阵。
在一个实施例中,在步骤S5中,包括:预先使用k-means算法聚类得到的12个anchor box分别在得到的y1、y2、y3、y4这四种不同尺度的特征图上进行公交车道的检测与识别,每种特征图上分别预测3个不同anchor box的坐标和类别(即二分类,是否为公交车道),具体地,包括:
每个特征图划分成多个网格,每个特征图分配三个锚框在多个网格中滑动,每个网格中进行锚框预测和类别的预测,所述锚框预测包括预测锚框的坐标、高度和宽度,预测的坐标、高度和宽度相对于分配的三个锚框而言,优选地,锚框的坐标为分配的锚框坐标和预测的锚框坐标之和,锚框的高度和宽度是分配的锚框宽度的指数倍数,所述指数为预测的锚框的高度和宽度;类别的预测可以采用分类模型获得;
通过对每个网格的锚框预测和类别预测,实现公交车道的检测,即获得公交车道的坐标。
在一个具体实施例中,第一特征图y1的大小为16*16,分配给它的anchor box为3个,将这3个anchor box分别在16*16=256个网格中滑动,每个网格进行锚框的坐标(即x,y,w,h,(x,y)表示锚框的中心点在特征图上的坐标,(w,h)表示锚框的宽和高)和类别(二分类,即是否为公交车道)预测。这里预测出来的坐标和宽高值都是相对于当前这3个anchorbox的坐标和宽高值而言的,例如,1个anchor box通过预先用kmeans聚类得到的宽高为(2,3),该anchor box当前滑动到了特征图(即y1,16*16的矩阵)上第2个网格,则该anchor box的坐标为(1,0),宽高为(2,3),预测出来的相对于该anchor box的坐标为(0.3,0.6)、宽高为(2.1,1.3),那么基于该anchor box得到的预测框在特征图y1上的坐标为(1+0.3,0+1.6)=(1.3,1.6),宽高为(2*e^2.1,3*e^1.3)=(16.3,11.0)。另外3种尺度的特征图上也是进行类似的操作,最后实现公交车道的检测(即坐标)。公交车道的识别(即分类)比较简单,也就是模型直接预测就可得到,也就是模型直接预测该anchor box为公交车道的概率(0~1之间的小数),若该概率大于0.5,则为公交车道,反之不是。
在一个实施例中,在步骤S6中,所述将特征图上对应的公交车道坐标映射为原始输入图像上的坐标的步骤包括:
获得原始输入图像与特征图的比例;
将anchor box(锚框)坐标扩大所述比例得到映射坐标;
判断映射坐标是否存在超过原始输入图像尺寸的维度;
如果存在所述维度,将所述维度对应的坐标设定为原始输入图像对应的尺寸,实现特征图上公交车道坐标在原始输入图像上的映射;
如果不存在所述维度,将映射坐标作为特征图上公交车道坐标对应的原始输入图像上的坐标。
在一个具体实施例中,假设特征图y1的大小为16*16,特征图y1上的公交车道预测框的坐标为(1.3,1.6),宽高为(16.3,11.0),假设原始输入图像大小为1024*768,经过调整尺寸操作后的模型输入图大小为512*512,则首先将该公交车道预测框坐标(1.3,1.6)和宽高(16.3,11.0)分别映射到模型输入图上变为(1.3*(512/16),1.6*(512/16))=(41.6,51.2)、(16.3*(512/16),11.0*(512/16))=(521.6,352.0)(也就是模型输入图->特征图y1是缩小了32倍,现在反过来,即将特征图y1放大32倍还原到模型输入图上),接着再将映射到模型输入图上的坐标(41.6,51.2)和宽高(521.6,352.0)分别再映射到原始输入图上变为(41.6*(1024/512),51.2*(768/512))=(83.2,76.8)、(521.6*(1024/512),352.0*(768/512))=(1043.2,528),若宽超过1024,或高超过768则取最小值,宽映射后为1043.2>1024,则改为1024,最终的宽高为(1024,528)。
在一个实施例中,在步骤S1和步骤S2之间还包括:调整车道的原始输入图像的大小到设定尺寸,优选地,将原始输入图像的大小调整成固定大小512*512。
图5是本发明所述基于图像识别的公交车道检测装置的构成框图,如图5所示,所述公交车道检测装置100可以安装于电子设备中。根据实现的功能,所述公交车道检测装置可以包括采集模块110、特征抽取网络120、特征图生成模块130、公交车道识别模块140和映射模块150。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
采集模块110,获得车道的原始输入图像;
特征抽取网络120,用于抽取采集模块110采集的原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;;
特征图生成模块130,所述特征抽取网络120的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
公交车道识别模块140,在特征图生成模块130获得的至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
映射模块150,将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
在一个实施例中,所述特征抽取网络为DarkNet68,具有67各卷积层,包括CBL模块、CBRes1模块、CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块。特征图生成模块130使得所述CBRes4模块的输出执行CBL模块的操作和卷积操作获得一种尺度的特征图;将CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行多次CBL模块的操作、卷积、上采样和特征融合操作,获得三种不同尺度的特征图。
优选地,特征图生成模块130将CBRes4模块的输出执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第一尺度特征图;CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行1层CBL模块的操作和上采样与原始输出特征融合后分别执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第二尺度特征图、第三尺度特征图和第四尺度特征图。
优选地,所述CBL模块的激活操作中的激活函数为Leaky Relu,所述CBM模块的激活操作中的激活函数为Mish。
在一个实施例中,特征图生成模块130包括:
第一输出矩阵获得单元,获取特征抽取网络一个中间层的第一输出矩阵;
第二输出矩阵获得单元,获得第一输出矩阵经过CBL模块操作和上采样后的第二输出矩阵;
子矩阵划分单元,对第一输出矩阵进行分块,形成与第二输出矩阵相同大小的多块子矩阵;
第三输出矩阵获得单元,对所述多块子矩阵进行最大池化得到第三输出矩阵;
特征融合单元,将第三输出矩阵和第二输出矩阵求和进行特征融合。
在一个实施例中,映射模块150包括:
比例获得单元,获得原始输入图像与特征图的比例;
锚框扩大单元,将锚框坐标扩大所述比例得到映射坐标;
判断单元,判断映射坐标是否存在超过原始输入图像尺寸的维度;如果存在所述维度,发送信号给第一映射单元;如果不存在所述维度,发送信号给第二映射单元;
第一映射单元,将所述维度对应的坐标设定为原始输入图像对应的尺寸,实现特征图上公交车道坐标在原始输入图像上的映射;
第二映射单元,将映射坐标作为特征图上公交车道坐标对应的原始输入图像上的坐标。
本发明所述基于图像识别的公交车道检测装置构建了一种全新的DarkNet68特征抽取网络,显著增强了困难场景下的特征表达能力,从而提高了公交车道检测的整体准确率;扩展了原先的特征图尺度,有效增加了公交车道的多尺度召回,从而提高了公交车道检测的整体召回率;构建了一种新颖的特征融合方式,有效缓解了原先拼接融合过程中的信息损失,从而进一步提高了公交车道检测的整体准确率和召回率。
如图6所示,是本发明实现基于图像识别的公交车道检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于图像识别的公交车道检测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于图像识别的公交车道检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于图数据库的数据加速访问程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于图像识别的公交车道检测程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获得车道的原始输入图像;
构建特征抽取网络,抽取原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;
所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
在至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是非易失性,也可以是易失性,计算机可读存储介质中包括计算机程序,该计算机程序被处理器执行时实现如下操作:
获得车道的原始输入图像;
构建特征抽取网络,抽取原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;
所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
在至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
本申请之计算机可读存储介质的具体实施方式与上述基于图像识别的公交车道检测方法、装置、电子设备的具体实施方式大致相同,在此不再赘述。
本发明所述基于图像识别的公交车道检测方法、装置、电子设备及计算机可读存储介质改进了原先的DarkNet53特征抽取网络,将其重新设计成一种全新的网络结构DarkNet68,显著增强了雾霾、雨天、夜间、公交车道线模糊等困难场景下的特征表达能力,从而提高了公交车道检测的整体准确率;将原先的3种尺度特征图扩展成了4种尺度,有效扩大了更多不同尺度的公交车道的召回,从而提高了公交车道检测的整体召回率;改进了原先的特征融合方式,将原先的拼接方式改进为一种新颖的混合方式,能够有效缓解融合过程中的信息损失,从而进一步提高了公交车道检测的整体准确率和召回率。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于图像识别的公交车道检测方法,包括:
获得车道的原始输入图像;
构建特征抽取网络,抽取原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;
所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
在至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
2.如权利要求1所述的基于图像识别的公交车道检测方法,其特征在于,所述特征抽取网络为DarkNet68,具有67各卷积层,包括CBL模块、CBRes1模块、CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块。
3.如权利要求2所述的基于图像识别的公交车道检测方法,其特征在于,所述CBRes4模块的输出执行CBL模块的操作和卷积操作获得一种尺度的特征图;将CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行多次CBL模块的操作、卷积、上采样和特征融合操作,获得三种不同尺度的特征图。
4.如权利要求3所述的基于图像识别的公交车道检测方法,其特征在于,CBRes4模块的输出执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第一尺度特征图;CBRes2模块、CBRes8模块、CBRes8模块和CBRes4模块分别执行1层CBL模块的操作和上采样与原始输出特征融合后分别执行5层CBL模块的操作、1层CBL模块的操作和卷积操作获得第二尺度特征图、第三尺度特征图和第四尺度特征图。
5.如权利要求1所述的基于图像识别的公交车道检测方法,其特征在于,
所述CBL模块的激活操作中的激活函数为Leaky Relu,所述CBM模块的激活操作中的激活函数为Mish。
6.如权利要求1所述的基于图像识别的公交车道检测方法,其特征在于,所述特征融合的步骤包括:
获取特征抽取网络一个中间层的第一输出矩阵;
获得第一输出矩阵经过CBL模块操作和上采样后的第二输出矩阵;
对第一输出矩阵进行分块,形成与第二输出矩阵相同大小的多块子矩阵;
对所述多块子矩阵进行最大池化得到第三输出矩阵;
将第三输出矩阵和第二输出矩阵求和进行特征融合。
7.如权利要求6所述的基于图像识别的公交车道检测方法,其特征在于,所述将特征图上对应的公交车道坐标映射为原始输入图像上的坐标的步骤包括:
获得原始输入图像与特征图的比例;
将锚框坐标扩大所述比例得到映射坐标;
判断映射坐标是否存在超过原始输入图像尺寸的维度;
如果存在所述维度,将所述维度对应的坐标设定为原始输入图像对应的尺寸,实现特征图上公交车道坐标在原始输入图像上的映射;
如果不存在所述维度,将映射坐标作为特征图上公交车道坐标对应的原始输入图像上的坐标。
8.一种基于图像识别的公交车道检测装置,其特征在于,所述装置包括:
采集模块,获得车道的原始输入图像;
特征抽取网络,用于抽取采集模块采集的原始输入图像的图像特征,所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个,所述特征抽取网络包括多个CBResX模块,所述CBResX模块包括ResX模块、两个CBL模块和CBM模块,ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接后与CBM模块连接,所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程,所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程,所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程;
特征图生成模块,所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图;所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样、特征融合操作,获得至少三种不同尺度的特征图;
公交车道识别模块,在特征图生成模块获得的至少四种尺度的特征图上采用锚框的方法进行公交车道的监测和识别;
映射模块,将特征图上对应的公交车道坐标映射为原始输入图像上的坐标,从而实现原始输入图像的公交车道检测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的基于图像识别的公交车道检测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的基于图像识别的公交车道检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505496.XA CN112633127B (zh) | 2020-12-18 | 2020-12-18 | 基于图像识别的公交车道检测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505496.XA CN112633127B (zh) | 2020-12-18 | 2020-12-18 | 基于图像识别的公交车道检测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633127A true CN112633127A (zh) | 2021-04-09 |
CN112633127B CN112633127B (zh) | 2024-07-05 |
Family
ID=75317156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011505496.XA Active CN112633127B (zh) | 2020-12-18 | 2020-12-18 | 基于图像识别的公交车道检测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633127B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389561A (zh) * | 2015-11-13 | 2016-03-09 | 深圳华中科技大学研究院 | 一种基于视频的公交车道检测方法 |
US20190139449A1 (en) * | 2017-11-03 | 2019-05-09 | Neusoft Corporation | Method, computer readable storage medium and electronic equipment for analyzing driving behavior |
US20200285869A1 (en) * | 2019-03-06 | 2020-09-10 | Dura Operating, Llc | Convolutional neural network system for object detection and lane detection in a motor vehicle |
CN111709381A (zh) * | 2020-06-19 | 2020-09-25 | 桂林电子科技大学 | 基于YOLOv3-SPP的道路环境目标检测方法 |
CN112016503A (zh) * | 2020-09-04 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 人行道检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011505496.XA patent/CN112633127B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389561A (zh) * | 2015-11-13 | 2016-03-09 | 深圳华中科技大学研究院 | 一种基于视频的公交车道检测方法 |
US20190139449A1 (en) * | 2017-11-03 | 2019-05-09 | Neusoft Corporation | Method, computer readable storage medium and electronic equipment for analyzing driving behavior |
US20200285869A1 (en) * | 2019-03-06 | 2020-09-10 | Dura Operating, Llc | Convolutional neural network system for object detection and lane detection in a motor vehicle |
CN111667048A (zh) * | 2019-03-06 | 2020-09-15 | 德韧营运有限责任公司 | 机动车辆中用于对象检测和车道检测的卷积神经网络*** |
CN111709381A (zh) * | 2020-06-19 | 2020-09-25 | 桂林电子科技大学 | 基于YOLOv3-SPP的道路环境目标检测方法 |
CN112016503A (zh) * | 2020-09-04 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 人行道检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
HAO XU 等: "Performance Comparison of Small Object Detection Algorithms of UAV based Aerial Images", 《2020 19TH INTERNATIONAL SYMPOSIUM ON DISTRIBUTED COMPUTING AND APPLICATIONS FOR BUSINESS ENGINEERING AND SCIENCE (DCABES)》, pages 16 - 19 * |
WU, DIHUA 等: "Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 178, pages 1 - 12 * |
付世达: "基于SSD模型的违规使用专用车道检测方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 08, pages 034 - 278 * |
崔文靓 等: "基于改进YOLOv3算法的公路车道线检测方法", 《自动化学报》, vol. 48, no. 06, pages 1560 - 1568 * |
张居正: "基于深度学习的端到端车道线检测方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 07, pages 035 - 235 * |
苟玉晓 等: "基于区域卷积神经网络的公交专用车道车辆识别***", 《计算机应用研究》, vol. 37, no. 1, pages 406 - 407 * |
齐榕 等: "基于YOLOv3的轻量级目标检测网络", 《计算机应用与软件》, no. 10, pages 214 - 219 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633127B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368600B (zh) | 遥感图像目标检测识别方法、装置、可读存储介质及设备 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN111309825A (zh) | 数据聚类的存储方法、装置及计算机可读存储介质 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
CN112200189B (zh) | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN116484971A (zh) | 车辆的自动驾驶感知自学习方法、装置及电子设备 | |
CN112016510A (zh) | 基于深度学习的信号灯识别方法和装置、设备及存储介质 | |
CN112581522A (zh) | 图像中目标物位置检测方法、装置、电子设备及存储介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN114781768B (zh) | 基于城市资源数据的停车场设施规划方法、装置及设备 | |
WO2021146906A1 (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN113780480B (zh) | 基于YOLOv5的多目标检测及类别识别模型的构建方法 | |
CN112686314B (zh) | 基于远距离拍摄场景的目标检测方法、装置及存储介质 | |
CN114693963A (zh) | 基于电力数据特征提取的识别模型训练、识别方法及装置 | |
CN113190703A (zh) | 视频图像的智能检索方法、装置、电子设备及存储介质 | |
CN111915615A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN112633127B (zh) | 基于图像识别的公交车道检测方法、装置及介质 | |
CN112132037A (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
CN111652226B (zh) | 基于图片的目标识别方法、装置及可读存储介质 | |
CN111860195B (zh) | 一种基于大数据的安保检测方法及安保检测装置 | |
CN112561889A (zh) | 目标物检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |