CN113392804B - 一种基于多角度的交警目标数据集的场景化构建方法及*** - Google Patents
一种基于多角度的交警目标数据集的场景化构建方法及*** Download PDFInfo
- Publication number
- CN113392804B CN113392804B CN202110749503.9A CN202110749503A CN113392804B CN 113392804 B CN113392804 B CN 113392804B CN 202110749503 A CN202110749503 A CN 202110749503A CN 113392804 B CN113392804 B CN 113392804B
- Authority
- CN
- China
- Prior art keywords
- data set
- scene
- weather
- traffic police
- classification
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 38
- 238000002372 labelling Methods 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000283070 Equus zebra Species 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多角度的交警目标数据集的场景化构建方法及***,其中,所述方法包括:采集第一天气状况数据集,并进行分类,生成第一、第二天气状况数据子集;并分别获得第一、第二天气能见度;构建第一角度交警数据集;获得第一用户图像集合;对第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;对第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;构建第一用户的多场景执勤数据集,并进行特征标注。解决了现有技术中存在单独针对交警目标的数据集构建不够完善,且无法基于真实的道路交通场景进行构建,使得无法充分应用交警目标数据集对交警的指挥手势进行准确判定的技术问题。
Description
技术领域
本发明涉及智能驾驶技术领域,具体地,涉及一种基于多角度的交警目标数据集的场景化构建方法及***。
背景技术
目前智能驾驶技术面临的最大挑战是安全性。例如,与前方车辆保持安全距离,在路口处按照红绿灯指示通行,通过斑马线、学校等区域时减速通行等。要解决这些问题就需要智能驾驶***对各种环境做出准确的感知。一个成熟的智能驾驶***不仅需要对交通灯、路面标识等固定信号做出准确识别,还需对交警目标进行检测并能对交警指挥动作做出相应的识别。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在单独针对交警目标的数据集构建不够完善,且无法基于真实的道路交通场景进行构建,使得无法充分应用交警目标数据集对交警的指挥手势进行准确判定的技术问题。
发明内容
针对现有技术中的缺陷,本申请实施例的目的是,通过提供一种基于多角度的交警目标数据集的场景化构建方法及***,解决了现有技术中存在单独针对交警目标的数据集构建不够完善,且无法基于真实的道路交通场景进行构建,使得无法充分应用交警目标数据集对交警的指挥手势进行准确判定的技术问题。基于不同的天气能见度,构建了所述第一角度交警数据集,基于不同的距离,构建了所述第二角度交警数据集,基于性别差异,构建了所述第三角度交警数据集,基于此,可构建所述第一用户的多场景执勤数据集,其中包含了不同的天气能见度、不同的距离以及性别差异等,并对不同特征进行标注,使得构建的交警目标数据集分类清晰,大量的数据及规范的标注有利于提升算法在具体场景中的检测性能,达到了确保所述多场景执勤数据集尽可能涵盖研究目标的各种情况,从而使得训练出来的模型泛化能力更强,进而更加贴近真实的道路交通场景,使得在各种交通场景下对交警的指挥手势进行准确判定的技术效果。
一方面,本申请实施例提供一种基于多角度的交警目标数据集的场景化构建方法,其中,所述方法包括:基于大数据,采集第一区域的第一天气状况数据集;基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注。
另一方面,本申请还提供了一种基于多角度的交警目标数据集的场景化构建***,其中,所述***包括:第一采集单元:所述第一采集单元用于基于大数据,采集第一区域的第一天气状况数据集;第一分类单元:所述第一分类单元用于基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;第一获得单元:所述第一获得单元用于根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;第一构建单元:所述第一构建单元用于基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;第二获得单元:所述第二获得单元用于基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;第二分类单元:所述第二分类单元用于基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;第三分类单元:所述第三分类单元用于基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;第二构建单元:所述第二构建单元用于根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
已知基于不同的天气能见度,构建了所述第一角度交警数据集,基于不同的距离,构建了所述第二角度交警数据集,基于性别差异,构建了所述第三角度交警数据集,基于此,可构建所述第一用户的多场景执勤数据集,其中包含了不同的天气能见度、不同的距离以及性别差异等,并对不同特征进行标注,使得构建的交警目标数据集分类清晰,大量的数据及规范的标注有利于提升算法在具体场景中的检测性能,达到了确保所述多场景执勤数据集尽可能涵盖研究目标的各种情况,从而使得训练出来的模型泛化能力更强,进而更加贴近真实的道路交通场景,使得在各种交通场景下对交警的指挥手势进行准确判定的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的流程示意图;
图2为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的对所述第二多场景执勤图像集合进行遍历分析的流程示意图;
图3为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的对所述第一特征集合进行增量学习的流程示意图;
图4为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的构建天气状况分类坐标系的流程示意图;
图5为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的对所述第一盈余图像集合进行遍历的卷积运算的流程示意图;
图6为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的对所述主特征因子集合进行增强处理的流程示意图;
图7为本申请实施例一种基于多角度的交警目标数据集的场景化构建方法的对所述信息指标信息进行定量处理的流程示意图;
图8为本申请实施例一种基于多角度的交警目标数据集的场景化构建***的结构示意图;
图9为本申请实施例示例性电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种基于多角度的交警目标数据集的场景化构建方法及***,解决了现有技术中存在单独针对交警目标的数据集构建不够完善,且无法基于真实的道路交通场景进行构建,使得无法充分应用交警目标数据集对交警的指挥手势进行准确判定的技术问题。基于不同的天气能见度,构建了所述第一角度交警数据集,基于不同的距离,构建了所述第二角度交警数据集,基于性别差异,构建了所述第三角度交警数据集,基于此,可构建所述第一用户的多场景执勤数据集,其中包含了不同的天气能见度、不同的距离以及性别差异等,并对不同特征进行标注,使得构建的交警目标数据集分类清晰,大量的数据及规范的标注有利于提升算法在具体场景中的检测性能,达到了确保所述多场景执勤数据集尽可能涵盖研究目标的各种情况,从而使得训练出来的模型泛化能力更强,进而更加贴近真实的道路交通场景,使得在各种交通场景下对交警的指挥手势进行准确判定的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
目前智能驾驶技术面临的最大挑战是安全性。例如,与前方车辆保持安全距离,在路口处按照红绿灯指示通行,通过斑马线、学校等区域时减速通行等。要解决这些问题就需要智能驾驶***对各种环境做出准确的感知。一个成熟的智能驾驶***不仅需要对交通灯、路面标识等固定信号做出准确识别,还需对交警目标进行检测并能对交警指挥动作做出相应的识别。现有技术中存在单独针对交警目标的数据集构建不够完善,且无法基于真实的道路交通场景进行构建,使得无法充分应用交警目标数据集对交警的指挥手势进行准确判定的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供一种基于多角度的交警目标数据集的场景化构建方法,其中,所述方法包括:基于大数据,采集第一区域的第一天气状况数据集;基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示,本申请实施例提供了一种基于多角度的交警目标数据集的场景化构建方法,其中,所述方法包括:
步骤S100:基于大数据,采集第一区域的第一天气状况数据集;
具体而言,目前智能驾驶技术面临的最大挑战是安全性。例如,与前方车辆保持安全距离,在路口处按照红绿灯指示通行,通过斑马线、学校等区域时减速通行等。要解决这些问题就需要智能驾驶***对各种环境做出准确的感知。一个成熟的智能驾驶***不仅需要对交通灯、路面标识等固定信号做出准确识别,还需对交警目标进行检测并能对交警指挥动作做出相应的识别。在本申请实施例中,为了构建尽可能全面的交警目标数据集,便于更加精确的对交警指挥动作做出相应的识别,可从多角度切入,进而构建场景化的交警目标数据集,所述第一区域为智能驾驶中的目的区域,即车辆经过的区域,所述第一天气状况数据集为经过大数据采集,所述第一区域历史的天气状况,包括晴天、阴雨天、雾霾天等状况,通过对天气状况进行采集,可进一步构建场景化的交警目标数据集。
步骤S200:基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;
步骤S300:根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;
具体而言,已知所述第一天气状况数据集,为了基于此构建交警目标数据集,可根据所述第一分类逻辑进行分类,即按照空气能见度的高低进行分类,因空气能见度的高低影响着对交警手势的判断,当遇到雾霾天气时,使得空气能见度降低,无法对交警的指挥手势作出进一步判断,所述第一天气状况数据子集和所述第二天气状况数据子集为分类的结果,其中,所述第一天气能见度对应于所述第一天气状况数据子集,所述第二天气能见度对应于所述第二天气状况数据子集,所述预设能见度阈值为预设的清晰化的天气能见度,进一步的,所述第一天气能见度大于所述预设能见度阈值,即第一天气状况较好,可清晰地判别交警的指挥手势,所述第二天气能见度小于所述预设能见度阈值,即第二天气状况较差,对交警的指挥手势不能进行清晰地判定,通过对采集的天气状况进行分类,可进一步丰富交警目标数据集的场景。
步骤S400:基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;
具体而言,可基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集,即根据天气能见度的不同,构建第一角度的交警数据集,所述第一角度交警数据集包含了不同的天气能见度的交警目标数据集。
步骤S500:基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;
步骤S600:基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;
具体而言,常见的交警目标多出现于交叉的十字路口,因此可基于所述监控摄像头,对交警的交通指挥画面进行采集,所述第一用户图像集合为在所述第二天气能见度时的图像集合,即在天气能见度较低时,对交警的交通指挥画面进行采集,进而基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,进一步可理解为,因所述第二天气能见度较低,使得无法及时有效的对交警的指挥手势进行判断,可分别采集远距离的交警图像集合和近距离的交警图像集合,以此生成第二角度交警数据集,所述第二角度交警数据集中包含了不同距离下的交警目标数据集。
步骤S700:基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;
具体而言,为了使得交警目标数据集的场景构建更加丰富,可基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,因存在性别差异,使得交通指挥略有差异,可基于男交警和女交警的佩戴帽式进行区分,进而对交警的指挥手势进行明确地判定,所述第三角度交警数据集中包含了性别差异下的交警目标数据集。
步骤S800:根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注。
具体而言,已知基于不同的天气能见度,构建了所述第一角度交警数据集,基于不同的距离,构建了所述第二角度交警数据集,基于性别差异,构建了所述第三角度交警数据集,基于此,可构建所述第一用户的多场景执勤数据集,其中包含了不同的天气能见度、不同的距离以及性别差异等,并对不同特征进行标注,使得构建的交警目标数据集分类清晰,大量的数据及规范的标注有利于提升算法在具体场景中的检测性能,达到了确保所述多场景执勤数据集尽可能涵盖研究目标的各种情况,从而使得训练出来的模型泛化能力更强,进而更加贴近真实的道路交通场景,使得在各种交通场景下对交警的指挥手势进行准确判定的技术效果。
优选的,如图2所示,本申请实施例还包括:
步骤S910:根据所述多场景执勤数据集,获得匹配的多场景执勤图像集合;
步骤S920:对所述多场景执勤图像集合进行增强处理,生成所述第一用户的第二多场景执勤图像集合;
步骤S930:将所述第二多场景执勤图像集合输入天气特征标注模型进行训练,获得第一标注结果,所述第一标注结果为对所述第二多场景执勤图像集合中的天气特征进行标注;
步骤S940:将所述第二多场景执勤图像集合输入距离特征标注模型进行训练,获得第二标注结果,所述第二标注结果为对所述第二多场景执勤图像集合中的距离远近特征进行标注;
步骤S950:将所述第二多场景执勤图像集合输入性别差异标注模型进行训练,获得第三标注结果,所述第三标注结果为对所述第二多场景执勤图像集合中的性别差异特征进行标注;
步骤S960:根据所述第一标注结果、所述第二标注结果以及所述第三标注结果对所述第二多场景执勤图像集合进行遍历分析,获得第一盈余图像集合,并进行图像筛选。
具体而言,为了对所述多场景执勤数据集中的图像进行特征标注,进一步的,可根据所述多场景执勤数据集,获得匹配的多场景执勤图像集合,为了基于图像信息对其进行标注,可对所述多场景执勤图像集合进行增强处理,即通过旋转、遮挡、缩放、加入角度、加入噪声、镜像等方式进行处理,所述第二多场景执勤图像集合即为增强处理之后的图像集合,进一步的,通过将所述第二多场景执勤图像集合依次输入天气特征标注模型、距离特征标注模型以及性别差异标注模型进行训练,所述天气特征标注模型可对所述第二多场景执勤图像集合中的天气特征进行标注,所述距离特征标注模型可对所述第二多场景执勤图像集合中的距离远近特征进行标注,所述性别差异标注模型可对所述第二多场景执勤图像集合中的性别差异特征进行标注,由此,可对所述第二多场景执勤图像集合中的任意执勤图像进行完整的特征标注,进而根据所述第一标注结果、所述第二标注结果以及所述第三标注结果对所述第二多场景执勤图像集合进行遍历分析,获得第一盈余图像集合,其中,所述第一盈余图像集合可理解为,没有进行天气特征、距离远近特征以及性别差异特征标注的其他执勤图像的集合,进而对所述第一盈余图像集合进行筛选,使得筛选出包含额外特征的图像集合,通过天气特征标注模型、距离特征标注模型以及性别差异标注模型,实现了对所述多场景执勤数据集中的图像进行精确地特征标注。
优选的,如图3所示,本申请实施例还包括:
步骤S961:对所述第一盈余图像集合进行图像识别、信息提取,获得第一识别结果;
步骤S962:根据所述第一识别结果,判断所述第一盈余图像集合是否存在第一特征集合,其中,所述第一特征集合区别于所述第一标注结果、所述第二标注结果和所述第三标注结果;
步骤S963:如果所述第一盈余图像集合存在所述第一特征集合,对所述第一特征集合进行增量学习,获得第四标注结果。
具体而言,为了对所述第一盈余图像集合进行图像筛选,进一步的,可先对所述第一盈余图像集合进行图像识别、信息提取,获得第一识别结果,基于图像识别技术,可利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象,进而对不同模式的目标和对象进行有效提取,所述第一识别结果即为处理之后的结果,其中包含了所述第一盈余图像集合中各图像的特征集合,进而根据所述第一识别结果,判断所述第一盈余图像集合是否存在第一特征集合,其中,所述第一特征集合区别于所述第一标注结果、所述第二标注结果和所述第三标注结果,换言之,即判断所述第一盈余图像集合是否存在天气特征、距离远近特征以及性别差异特征之外的特征集合,举例而言,包括执勤图像中是否出现行人等其他因素,如果存在,则对所述第一特征集合进行增量学习,获得第四标注结果,所述第四标注结果即为对所述第一特征集合进行标注的结果,通过对所述第一盈余图像集合进行图像筛选和标注,确保交警目标数据集的场景化构建更加丰富。
优选的,如图4所示,所述基于第一分类逻辑,对所述第一天气状况数据集进行分类,步骤S200还包括:
步骤S210:构建天气状况分类坐标系,以空气杂质信息为横坐标,以光照强度信息为纵坐标;
步骤S220:对所述天气状况分类坐标系进行区域标签化分类,获得第一标签分类结果;
步骤S230:将所述第一天气状况数据集输入所述天气状况分类坐标系,获得天气状况分类向量;
步骤S240:对所述天气状况分类向量进行距离计算,获得欧式距离数据集;
步骤S250:根据所述欧氏距离数据集,获得天气状况分类数据集,所述天气状况分类数据集为所述欧式距离数据集中最短k个距离;
步骤S260:根据所述天气状况分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
步骤S270:根据所述第一分类结果,对所述第一天气状况数据集进行分类。
具体而言,构建天气状况分类坐标系,其中,天气状况分类包括晴天、阴雨天、雾霾天等状况,以空气杂质信息为横坐标,以光照强度信息为纵坐标,构建天气状况分类坐标系。其中,空气杂质信息包含了所谓的灰尘、烟、霾等,当空气中杂质较多时,使得大气能见度降低,同时,光照强度信息也影响着大气能见度,即阴天时,由于光照强度较弱,使得大气能见度也较低,进而对所述天气状况分类坐标系进行区域标签化分类,不同的区域对应不同的标签分类结果,即不同区域对应天气状况的不同分类。将所述第一天气状况数据集输入所述天气状况分类坐标系,获得天气状况分类向量,根据所述天气状况分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果。
所述欧氏距离数据集为欧几里得度量距离数据集合,即坐标系中两点之间的直线距离,对所述天气状况分类向量进行距离计算,获得所述向量与其他天气状况分类之间的欧氏距离数据集。所述天气状况分类数据集为所述欧氏距离数据集中最短的k个距离,k值为所述欧氏距离数据集的一部分,可自行设定。根据所述天气状况分类数据集和所述第一标签分类结果进行映射匹配,获得所述向量对应的分类标签,并根据所述分类结果,确定所述向量对应的天气状况分类。以对应的天气状况分类对所述第一天气状况数据集进行分类,达到通过构建天气状况分类坐标系进行向量映射的方法,使得方案分类结果更加准确,确保天气状况分类更加精确的技术效果。
优选的,如图5所示,所述对所述第一特征集合进行增量学习,步骤S963还包括:
步骤S9631:获得所述第一特征集合的目标卷基特征;
步骤S9632:根据所述目标卷基特征,对所述第一盈余图像集合进行遍历的卷积运算,获得第一卷积结果;
步骤S9633:根据所述第一卷积结果,获得所述第四标注结果,并进行增量学习。
具体而言,为了更加科学准确的对所述第一特征集合进行增量学习,进一步,所述第一盈余图像集合具有总体分布卷积特征,所述第一特征集合具有所述目标卷基特征,所述目标卷积特征为需要训练获得的分布特征,进而基于所述目标卷基特征,对所述第一盈余图像集合进行遍历的卷积运算,所述第一卷积结果即为卷积运算中的最大值,进而基于所述第一卷积结果,获得所述第四标注结果,并对其进行增量学习,实现了更加科学准确的对所述第一特征集合进行增量学习。
优选的,如图6所示,所述对所述多场景执勤图像集合进行增强处理,步骤S920还包括:
步骤S921:根据所述多场景执勤图像集合,获得各场景执勤图像中的主特征因子集合和次特征因子集合;
步骤S922:判断所述次特征因子集合是否会对所述主特征因子集合产生影响;
步骤S923:如果所述次特征因子集合对所述主特征因子集合产生影响,对所述主特征因子集合进行增强处理,且对所述次特征因子集合进行弱化处理。
具体而言,为了对所述多场景执勤图像集合进行增强处理,进一步的,可根据所述多场景执勤图像集合,获得各场景执勤图像中的主特征因子集合和次特征因子集合,所述主特征因子集合可理解为交警目标的图像集合,所述次特征因子集合可理解为交警目标之外,包括路上行人的图像集合,进而判断所述次特征因子集合是否会对所述主特征因子集合产生影响,即判断路上来往的行人是否会影响对交警目标的锁定和判断,如果会产生影响,可对所述主特征因子集合进行增强处理,且对所述次特征因子集合进行弱化处理,即对交警目标之外的无关因素进行弱化处理,使其不影响对交警目标的锁定和判断,同时对交警目标图像进行增强处理,通过产生视觉对比,实现对所述多场景执勤图像集合进行增强处理。
优选的,如图7所示,所述对所述主特征因子集合进行增强处理,步骤S923还包括:
步骤S9231:获得所述主特征因子集合的信息指标信息;
步骤S9232:预设所述第一用户的目标图像指标信息;
步骤S9233:根据所述目标图像指标信息,对所述信息指标信息进行定量处理。
具体而言,为了对所述主特征因子集合进行增强处理,进一步的,可获得所述主特征因子集合的信息指标信息,即对交警目标进行锁定之后,可获得交警目标图像的面积、周长、形状等,同时还可预设所述第一用户的目标图像指标信息,所述目标图像指标信息可理解为预设的交警目标图像需达到的指标信息,进而根据所述目标图像指标信息,对所述信息指标信息进行定量处理,使得所述信息指标信息满足所述目标图像指标信息的要求,进而实现对所述主特征因子集合进行增强处理。
与现有技术相比,本发明具有如下的有益效果:
1、基于不同的天气能见度,构建了所述第一角度交警数据集,基于不同的距离,构建了所述第二角度交警数据集,基于性别差异,构建了所述第三角度交警数据集,基于此,可构建所述第一用户的多场景执勤数据集,其中包含了不同的天气能见度、不同的距离以及性别差异等,并对不同特征进行标注,使得构建的交警目标数据集分类清晰,大量的数据及规范的标注有利于提升算法在具体场景中的检测性能,达到了确保所述多场景执勤数据集尽可能涵盖研究目标的各种情况,从而使得训练出来的模型泛化能力更强,进而更加贴近真实的道路交通场景,使得在各种交通场景下对交警的指挥手势进行准确判定的技术效果。
实施例二
基于与前述实施例中一种基于多角度的交警目标数据集的场景化构建方法同样发明构思,本发明还提供了一种基于多角度的交警目标数据集的场景化构建***,如图8所示,所述***包括:
第一采集单元11:所述第一采集单元11用于基于大数据,采集第一区域的第一天气状况数据集;
第一分类单元12:所述第一分类单元12用于基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;
第一获得单元13:所述第一获得单元13用于根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;
第一构建单元14:所述第一构建单元14用于基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;
第二获得单元15:所述第二获得单元15用于基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;
第二分类单元16:所述第二分类单元16用于基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;
第三分类单元17:所述第三分类单元17用于基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;
第二构建单元18:所述第二构建单元18用于根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注。
进一步的,所述***还包括:
第三获得单元:所述第三获得单元用于根据所述多场景执勤数据集,获得匹配的多场景执勤图像集合;
第一生成单元:所述第一生成单元用于对所述多场景执勤图像集合进行增强处理,生成所述第一用户的第二多场景执勤图像集合;
第一输入单元:所述第一输入单元用于将所述第二多场景执勤图像集合输入天气特征标注模型进行训练,获得第一标注结果,所述第一标注结果为对所述第二多场景执勤图像集合中的天气特征进行标注;
第二输入单元:所述第二输入单元用于将所述第二多场景执勤图像集合输入距离特征标注模型进行训练,获得第二标注结果,所述第二标注结果为对所述第二多场景执勤图像集合中的距离远近特征进行标注;
第三输入单元:所述第三输入单元用于将所述第二多场景执勤图像集合输入性别差异标注模型进行训练,获得第三标注结果,所述第三标注结果为对所述第二多场景执勤图像集合中的性别差异特征进行标注;
第一分析单元:所述第一分析单元用于根据所述第一标注结果、所述第二标注结果以及所述第三标注结果对所述第二多场景执勤图像集合进行遍历分析,获得第一盈余图像集合,并进行图像筛选。
进一步的,所述***还包括:
第四获得单元:所述第四获得单元用于对所述第一盈余图像集合进行图像识别、信息提取,获得第一识别结果;
第一判断单元:所述第一判断单元用于根据所述第一识别结果,判断所述第一盈余图像集合是否存在第一特征集合,其中,所述第一特征集合区别于所述第一标注结果、所述第二标注结果和所述第三标注结果;
第五获得单元:所述第五获得单元用于如果所述第一盈余图像集合存在所述第一特征集合,对所述第一特征集合进行增量学习,获得第四标注结果。
进一步的,所述***还包括:
第三构建单元:所述第三构建单元用于构建天气状况分类坐标系,以空气杂质信息为横坐标,以光照强度信息为纵坐标;
第四分类单元:所述第四分类单元用于对所述天气状况分类坐标系进行区域标签化分类,获得第一标签分类结果;
第四输入单元:所述第四输入单元用于将所述第一天气状况数据集输入所述天气状况分类坐标系,获得天气状况分类向量;
第一计算单元:所述第一计算单元用于对所述天气状况分类向量进行距离计算,获得欧式距离数据集;
第六获得单元:所述第六获得单元用于根据所述欧氏距离数据集,获得天气状况分类数据集,所述天气状况分类数据集为所述欧式距离数据集中最短k个距离;
第一匹配单元:所述第一匹配单元用于根据所述天气状况分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
第五分类单元:所述第五分类单元用于根据所述第一分类结果,对所述第一天气状况数据集进行分类。
进一步的,所述***还包括:
第七获得单元:所述第七获得单元用于获得所述第一特征集合的目标卷基特征;
第一运算单元:所述第一运算单元用于根据所述目标卷基特征,对所述第一盈余图像集合进行遍历的卷积运算,获得第一卷积结果;
第八获得单元:所述第八获得单元用于根据所述第一卷积结果,获得所述第四标注结果,并进行增量学习。
进一步的,所述***还包括:
第九获得单元:所述第九获得单元用于根据所述多场景执勤图像集合,获得各场景执勤图像中的主特征因子集合和次特征因子集合;
第二判断单元:所述第二判断单元用于判断所述次特征因子集合是否会对所述主特征因子集合产生影响;
第一处理单元:所述第一处理单元用于如果所述次特征因子集合对所述主特征因子集合产生影响,对所述主特征因子集合进行增强处理,且对所述次特征因子集合进行弱化处理。
进一步的,所述***还包括:
第十获得单元:所述第十获得单元用于获得所述主特征因子集合的信息指标信息;
第一预设单元:所述第一预设单元用于预设所述第一用户的目标图像指标信息;
第二处理单元:所述第二处理单元用于根据所述目标图像指标信息,对所述信息指标信息进行定量处理。
前述图1实施例一中的一种基于多角度的交警目标数据集的场景化构建方法的各种变化方式和具体实例同样适用于本实施例的一种基于多角度的交警目标数据集的场景化构建***,通过前述对一种基于多角度的交警目标数据集的场景化构建方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于多角度的交警目标数据集的场景化构建***的实施方法,所以为了说明书的简洁,再次不再详述。
实施例三
下面参考图9来描述本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种基于多角度的交警目标数据集的场景化构建方法的发明构思,本发明还提供一种基于多角度的交警目标数据集的场景化构建***,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于多角度的交警目标数据集的场景化构建***的任一方法的步骤。
其中,在图9中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他***通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种基于多角度的交警目标数据集的场景化构建方法,其中,所述方法包括:基于大数据,采集第一区域的第一天气状况数据集;基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令***的制造品,该指令***实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于多角度的交警目标数据集的场景化构建方法,其中,所述方法包括:
基于大数据,采集第一区域的第一天气状况数据集;
基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;
根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;
基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;
基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;
基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;
基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;
根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注;
根据所述多场景执勤数据集,获得匹配的多场景执勤图像集合;
对所述多场景执勤图像集合进行增强处理,生成所述第一用户的第二多场景执勤图像集合;
将所述第二多场景执勤图像集合输入天气特征标注模型进行训练,获得第一标注结果,所述第一标注结果为对所述第二多场景执勤图像集合中的天气特征进行标注;
将所述第二多场景执勤图像集合输入距离特征标注模型进行训练,获得第二标注结果,所述第二标注结果为对所述第二多场景执勤图像集合中的距离远近特征进行标注;
将所述第二多场景执勤图像集合输入性别差异标注模型进行训练,获得第三标注结果,所述第三标注结果为对所述第二多场景执勤图像集合中的性别差异特征进行标注;
根据所述第一标注结果、所述第二标注结果以及所述第三标注结果对所述第二多场景执勤图像集合进行遍历分析,获得第一盈余图像集合,并进行图像筛选,其中,所述第一盈余图像集合是指没有进行天气特征、距离远近特征以及性别差异特征标注的其他执勤图像的集合。
2.如权利要求1所述的方法,其中,所述方法还包括:
对所述第一盈余图像集合进行图像识别、信息提取,获得第一识别结果;
根据所述第一识别结果,判断所述第一盈余图像集合是否存在第一特征集合,其中,所述第一特征集合区别于所述第一标注结果、所述第二标注结果和所述第三标注结果;
如果所述第一盈余图像集合存在所述第一特征集合,对所述第一特征集合进行增量学习,获得第四标注结果。
3.如权利要求1所述的方法,其中,所述基于第一分类逻辑,对所述第一天气状况数据集进行分类,还包括:
构建天气状况分类坐标系,以空气杂质信息为横坐标,以光照强度信息为纵坐标;
对所述天气状况分类坐标系进行区域标签化分类,获得第一标签分类结果;
将所述第一天气状况数据集输入所述天气状况分类坐标系,获得天气状况分类向量;
对所述天气状况分类向量进行距离计算,获得欧氏距离数据集;
根据所述欧氏距离数据集,获得天气状况分类数据集,所述天气状况分类数据集为所述欧氏距离数据集中最短k个距离;
根据所述天气状况分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
根据所述第一分类结果,对所述第一天气状况数据集进行分类。
4.如权利要求2所述的方法,其中,所述对所述第一特征集合进行增量学习,还包括:
获得所述第一特征集合的目标卷基特征;
根据所述目标卷基特征,对所述第一盈余图像集合进行遍历的卷积运算,获得第一卷积结果;
根据所述第一卷积结果,获得所述第四标注结果,并进行增量学习。
5.如权利要求1所述的方法,其中,所述对所述多场景执勤图像集合进行增强处理,还包括:
根据所述多场景执勤图像集合,获得各场景执勤图像中的主特征因子集合和次特征因子集合;
判断所述次特征因子集合是否会对所述主特征因子集合产生影响;
如果所述次特征因子集合对所述主特征因子集合产生影响,对所述主特征因子集合进行增强处理,且对所述次特征因子集合进行弱化处理。
6.如权利要求5所述的方法,其中,所述对所述主特征因子集合进行增强处理,还包括:
获得所述主特征因子集合的信息指标信息;
预设所述第一用户的目标图像指标信息;
根据所述目标图像指标信息,对所述信息指标信息进行定量处理。
7.一种基于多角度的交警目标数据集的场景化构建***,其中,所述***包括:
第一采集单元:所述第一采集单元用于基于大数据,采集第一区域的第一天气状况数据集;
第一分类单元:所述第一分类单元用于基于第一分类逻辑,对所述第一天气状况数据集进行分类,生成第一天气状况数据子集和第二天气状况数据子集;
第一获得单元:所述第一获得单元用于根据所述第一天气状况数据子集,获得第一天气能见度,根据所述第二天气状况数据子集,获得第二天气能见度,其中,所述第一天气能见度大于预设能见度阈值,所述第二天气能见度小于所述预设能见度阈值;
第一构建单元:所述第一构建单元用于基于所述第一天气能见度和所述第二天气能见度,构建第一角度交警数据集;
第二获得单元:所述第二获得单元用于基于监控摄像头,获得所述第二天气能见度时的第一用户图像集合,其中,所述第一用户为道路执勤交警;
第二分类单元:所述第二分类单元用于基于第二分类逻辑,对所述第一用户图像集合进行距离远近的分类,生成第二角度交警数据集;
第三分类单元:所述第三分类单元用于基于第三分类逻辑,对所述第一用户图像集合进行性别差异的分类,生成第三角度交警数据集;
第二构建单元:所述第二构建单元用于根据所述第一角度交警数据集、所述第二角度交警数据集以及所述第三角度交警数据集,构建所述第一用户的多场景执勤数据集,并进行特征标注;
第三获得单元:所述第三获得单元用于根据所述多场景执勤数据集,获得匹配的多场景执勤图像集合;
第一生成单元:所述第一生成单元用于对所述多场景执勤图像集合进行增强处理,生成所述第一用户的第二多场景执勤图像集合;
第一输入单元:所述第一输入单元用于将所述第二多场景执勤图像集合输入天气特征标注模型进行训练,获得第一标注结果,所述第一标注结果为对所述第二多场景执勤图像集合中的天气特征进行标注;
第二输入单元:所述第二输入单元用于将所述第二多场景执勤图像集合输入距离特征标注模型进行训练,获得第二标注结果,所述第二标注结果为对所述第二多场景执勤图像集合中的距离远近特征进行标注;
第三输入单元:所述第三输入单元用于将所述第二多场景执勤图像集合输入性别差异标注模型进行训练,获得第三标注结果,所述第三标注结果为对所述第二多场景执勤图像集合中的性别差异特征进行标注;
第一分析单元:所述第一分析单元用于根据所述第一标注结果、所述第二标注结果以及所述第三标注结果对所述第二多场景执勤图像集合进行遍历分析,获得第一盈余图像集合,并进行图像筛选,其中,所述第一盈余图像集合是指没有进行天气特征、距离远近特征以及性别差异特征标注的其他执勤图像的集合。
8.一种基于多角度的交警目标数据集的场景化构建***,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,其中,所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749503.9A CN113392804B (zh) | 2021-07-02 | 2021-07-02 | 一种基于多角度的交警目标数据集的场景化构建方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749503.9A CN113392804B (zh) | 2021-07-02 | 2021-07-02 | 一种基于多角度的交警目标数据集的场景化构建方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392804A CN113392804A (zh) | 2021-09-14 |
CN113392804B true CN113392804B (zh) | 2022-08-16 |
Family
ID=77625030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749503.9A Active CN113392804B (zh) | 2021-07-02 | 2021-07-02 | 一种基于多角度的交警目标数据集的场景化构建方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392804B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648672A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 构建样本图像集的方法、装置、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830188A (zh) * | 2018-05-30 | 2018-11-16 | 西安理工大学 | 基于深度学习的车辆检测方法 |
CN110210354A (zh) * | 2019-05-23 | 2019-09-06 | 南京邮电大学 | 一种雾霾天气交通标识检测与识别的方法 |
CN110399688A (zh) * | 2019-07-30 | 2019-11-01 | 奇瑞汽车股份有限公司 | 自动驾驶的环境工况确定方法、装置及存储介质 |
CN112395951A (zh) * | 2020-10-23 | 2021-02-23 | 中国地质大学(武汉) | 一种面向复杂场景的域适应交通目标检测与识别方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210129868A1 (en) * | 2017-02-06 | 2021-05-06 | Vayavision Sensing Ltd. | Computer aided driving |
US11392133B2 (en) * | 2017-06-06 | 2022-07-19 | Plusai, Inc. | Method and system for object centric stereo in autonomous driving vehicles |
IL308640A (en) * | 2018-03-18 | 2024-01-01 | Driveu Tech Ltd | Device, system and method for autonomous driving and remotely controlled vehicles |
CN108932503A (zh) * | 2018-07-20 | 2018-12-04 | 上海小蚁科技有限公司 | 恶劣天气下车前障碍的识别方法及装置、存储介质、终端 |
US11034357B2 (en) * | 2018-09-14 | 2021-06-15 | Honda Motor Co., Ltd. | Scene classification prediction |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试***和方法 |
CN110136079A (zh) * | 2019-05-05 | 2019-08-16 | 长安大学 | 基于场景深度分割的图像去雾方法 |
CN112581379A (zh) * | 2019-09-30 | 2021-03-30 | 华为技术有限公司 | 图像增强方法以及装置 |
CN111125442B (zh) * | 2019-12-11 | 2022-11-15 | 苏州智加科技有限公司 | 数据标注方法及装置 |
CN111340151B (zh) * | 2020-05-25 | 2020-08-25 | 南京信息工程大学 | 一种用于辅助车辆自动驾驶的天气现象识别***和方法 |
CN112434586B (zh) * | 2020-11-16 | 2023-11-14 | 中山大学 | 一种基于域自适应学习的多复杂场景目标检测方法 |
CN112560925A (zh) * | 2020-12-10 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种复杂场景目标检测数据集构建方法及*** |
CN112818910B (zh) * | 2021-02-23 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 车辆挡位控制方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-02 CN CN202110749503.9A patent/CN113392804B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830188A (zh) * | 2018-05-30 | 2018-11-16 | 西安理工大学 | 基于深度学习的车辆检测方法 |
CN110210354A (zh) * | 2019-05-23 | 2019-09-06 | 南京邮电大学 | 一种雾霾天气交通标识检测与识别的方法 |
CN110399688A (zh) * | 2019-07-30 | 2019-11-01 | 奇瑞汽车股份有限公司 | 自动驾驶的环境工况确定方法、装置及存储介质 |
CN112395951A (zh) * | 2020-10-23 | 2021-02-23 | 中国地质大学(武汉) | 一种面向复杂场景的域适应交通目标检测与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113392804A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jensen et al. | Vision for looking at traffic lights: Issues, survey, and perspectives | |
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及*** | |
CN108830199B (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
Romdhane et al. | An improved traffic signs recognition and tracking method for driver assistance system | |
KR102177880B1 (ko) | 자율주행용 클래스 레이블링 장치 | |
JP2021530048A (ja) | 多階層化目標類別方法及び装置、交通標識検出方法及び装置、機器並びに媒体 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN104050447A (zh) | 一种交通信号灯识别方法和装置 | |
Saleh et al. | Traffic signs recognition and distance estimation using a monocular camera | |
CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和*** | |
Kale et al. | A road sign detection and the recognition for driver assistance systems | |
Bi et al. | A new method of target detection based on autonomous radar and camera data fusion | |
Chen et al. | A computer vision algorithm for locating and recognizing traffic signal control light status and countdown time | |
Mijić et al. | Traffic sign detection using YOLOv3 | |
CN113392804B (zh) | 一种基于多角度的交警目标数据集的场景化构建方法及*** | |
Wang | Vehicle image detection method using deep learning in UAV video | |
Yucong et al. | Traffic sign recognition based on HOG feature extraction | |
Ali et al. | IRUVD: a new still-image based dataset for automatic vehicle detection | |
Liu et al. | Real-time traffic light recognition based on smartphone platforms | |
Aldoski et al. | Impact of traffic sign diversity on autonomous vehicles: a literature review | |
Diaz-Cabrera et al. | Traffic light recognition during the night based on fuzzy logic clustering | |
Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
Yu et al. | Research on detection and recognition algorithm of road traffic signs | |
Ding et al. | A comprehensive approach for road marking detection and recognition |
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 | ||
OL01 | Intention to license declared |