CN114973207B - 一种基于目标检测的路标识别方法 - Google Patents
一种基于目标检测的路标识别方法 Download PDFInfo
- Publication number
- CN114973207B CN114973207B CN202210913244.3A CN202210913244A CN114973207B CN 114973207 B CN114973207 B CN 114973207B CN 202210913244 A CN202210913244 A CN 202210913244A CN 114973207 B CN114973207 B CN 114973207B
- Authority
- CN
- China
- Prior art keywords
- detection model
- target detection
- output
- input end
- road sign
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 44
- 230000009191 jumping Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标检测的路标识别方法，包括以下步骤：S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；S2、通过LSTM特征提取模块提取轮廓数据的特征数据；S3、将特征数据和对应标签构建为训练数据集；S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型；本发明解决了现有的目标检测方法识别准确率不高的问题。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于目标检测的路标识别方法。
背景技术
随着社会的发展，越来越多的人开始关注无人驾驶技术的发展，而作为综合技术的组成部分之一，通过算法检测识别物体的技术一直在这之中保有着自己的地位。因为近几年深度学习技术取得了一定的突破，卷积神经网络的运用技术也越来越成熟。同时，由于CNN等有关神经网络在智能识别过程中有着自己的独特优势，因此在近些年发展与深度学习相结合的目标检测算法成了目前识别检测算法的一个重要发展方向。但是现有的目标检测方法大多采用CNN神经网络直接对目标图像进行处理，其识别准确率不高。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于目标检测的路标识别方法解决了现有的目标检测方法识别准确率不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于目标检测的路标识别方法，包括以下步骤：
S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；
S2、通过LSTM特征提取模块提取轮廓数据的特征数据；
S3、将特征数据和对应标签构建为训练数据集；
S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；
S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型。
进一步地，所述步骤S1包括以下分步骤：
S11、采集路标图像；
S12、提取路标图像的轮廓，得到轮廓数据。
进一步地，所述步骤S12包括以下分步骤：
S121、从路标图像中任取一像素点，作为标准点；
S122、计算路标图像中其他像素点与标准点的颜色距离，得到多个颜色距离值；
S123、将低于颜色阈值的颜色距离值所对应的像素点灰度处理，并赋予低于颜色阈值的颜色距离值所对应的像素点同一种灰度值；
S124、将高于颜色阈值的颜色距离值所对应的像素点作为新的标准点；
S125、计算灰度化后剩余部分的像素点与新的标准点的颜色距离值，并跳转至步骤S123，直到路标图像灰度化成具有不同灰度值区域的灰度图像；
S126、选取灰度图像中非边缘区域的像素点，作为待定点；
S127、判断待定点的临近9个像素点的灰度值是否与待定点的灰度值相同，若是，则将该待定点定为待删除点，并跳转至步骤S128，若否，则保留待定点，并跳转至步骤S129；
S128、从待删除点的邻域中任意找到一个像素点，作为新的待定点，并跳转至步骤S127，直到所有灰度图像中非边缘区域所有像素点遍历完；
S129、将待删除点删除，所有待定点和边缘区域像素构成轮廓数据。
上述进一步方案的有益效果：由于光照影响造成路标图像颜色呈现程度略有差异，通过设定颜色阈值，将同一种类颜色的区域赋予一种灰度值，并将不属于这类颜色范围的像素点通过迭代的方式找到其属于的颜色范围，从而赋予其另一种灰度值，实现对路标图像的灰度化，并将各个颜色区域灰度化成不同的灰度值；通过寻找待定点周围临近的9个像素点，若这9个像素点与待定点的灰度值相同，则说明其非轮廓区域，最终需要删除，删除所有非轮廓区域的点，剩余则为轮廓数据。
进一步地，所述步骤S122中颜色距离值的计算公式为：
其中，
为像素点与标准点的颜色距离值，
为像素点颜色的
通道，
为标准点颜色的
通道，
为像素点颜色的
通道，
为标准点颜色的
通道，
为像素点颜色的
通道，
为标准点颜色的
通道。
进一步地，所述步骤S4中目标检测模型的结构包括：第一残差块、第二残差块、第三残差块、第四残差块、第一Maxpool、第二Maxpool、第三Maxpool、Concat层、第一Conv、BN层和第二Conv；
所述第一残差块的输入端作为目标检测模型的输入端，其输出端分别第二残差块的输入端和第一Maxpool的输入端连接；所述第二残差块的输出端分别与第三残差块的输入端和第二Maxpool的输入端连接；所述第三残差块的输出端分别与第四残差块的输入端和第三Maxpool的输入端连接；所述Concat层的第一输入端与第一Maxpool的输出端连接，其第二输入端与第二Maxpool的输出端连接，其第三输入端与第三Maxpool的输出端连接，其第四输入端与第四残差块的输出端连接，其输出端与第一Conv的输入端连接；所述BN层的输入端与第一Conv的输出层连接，其输出端与第二Conv的输入端连接；所述第二Conv的输出端作为目标检测模型的输出端。
进一步地，所述第一Maxpool的窗口大小为3*3；所述第二Maxpool的窗口大小为5*5；第三Maxpool的窗口大小为7*7。
上述进一步方案的有益效果：通过第一残差块、第二残差块、第三残差块、第四残差块层层提取特征，将每一层提取的特征输入最大池化层，通过不同尺寸的窗口，保留不同程度的特征，通过Concat层将特征汇集，最大程度保留特征的丰富性，提升目标识别的精度。
进一步地，所述步骤S4中训练过程的损失函数为：
其中，
为损失值，
为目标检测模型的实际输出，
为目标检测模型的预测输出，
为目标检测模型的预测输出的区域几何中心的横坐标，
为目标检测模型的预测输出的区域几何中心的纵坐标，
为目标检测模型的实际输出的区域几何中心的横坐标，
为目标检测模型的实际输出的区域几何中心的纵坐标，
为涵盖目标检测模型的实际输出
和目标检测模型的预测输出
的区域中最远两像素点间的直线距离，
为目标检测模型的实际输出
的区域与目标检测模型的预测输出
的区域重叠变化率。
上述进一步方案的有益效果：本发明通过实际输出和预测输出的交集与实际输出和预测输出的并集占比，实际输出中心和实际输出中心的距离与涵盖实际输出和预测输出区域中最远两像素点间的直线距离的比值，以及重叠区域的变化率，去衡量训练过程实际输出与预测输出的差值，使得实际输出逼近预测输出。
综上，本发明的有益效果为：本发明通过先对路标图像进行预处理，把关键的轮廓数据提取出来，再通过LSTM特征提取模块提取特征数据，通过特征数据与其对应的标签，训练目标检测模型，一方面降低了数据量，另一方面通过特征数据与其对应的标签，使得目标检测模型准确捕捉特征数据与对应的标签间的对应关系，提升目标识别准确率。
附图说明
图1为一种基于目标检测的路标识别方法的流程图；
图2为LSTM特征提取模块的细胞单元的结构示意图；
图3为目标检测模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于目标检测的路标识别方法，包括以下步骤：
S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；
所述步骤S1包括以下分步骤：
S11、采集路标图像；
S12、提取路标图像的轮廓，得到轮廓数据。
所述步骤S12包括以下分步骤：
S121、从路标图像中任取一像素点，作为标准点；
S122、计算路标图像中其他像素点与标准点的颜色距离，得到多个颜色距离值；
所述步骤S122中颜色距离值的计算公式为：
其中，
为像素点与标准点的颜色距离值，
为像素点颜色的
通道，
为标准点颜色的
通道，
为像素点颜色的
通道，
为标准点颜色的
通道，
为像素点颜色的
通道，
为标准点颜色的
通道。
S123、将低于颜色阈值的颜色距离值所对应的像素点灰度处理，并赋予低于颜色阈值的颜色距离值所对应的像素点同一种灰度值；
S124、将高于颜色阈值的颜色距离值所对应的像素点作为新的标准点；
S125、计算灰度化后剩余部分的像素点与新的标准点的颜色距离值，并跳转至步骤S123，直到路标图像灰度化成具有不同灰度值区域的灰度图像；
S126、选取灰度图像中非边缘区域的像素点，作为待定点；
S127、判断待定点的临近9个像素点的灰度值是否与待定点的灰度值相同，若是，则将该待定点定为待删除点，并跳转至步骤S128，若否，则保留待定点，并跳转至步骤S129；
S128、从待删除点的邻域中任意找到一个像素点，作为新的待定点，并跳转至步骤S127，直到所有灰度图像中非边缘区域所有像素点遍历完；
S129、将待删除点删除，所有待定点和边缘区域像素构成轮廓数据。
由于光照影响造成路标图像颜色呈现程度略有差异，通过设定颜色阈值，将同一种类颜色的区域赋予一种灰度值，并将不属于这类颜色范围的像素点通过迭代的方式找到其属于的颜色范围，从而赋予其另一种灰度值，实现对路标图像的灰度化，并将各个颜色区域灰度化成不同的灰度值；通过寻找待定点周围临近的9个像素点，若这9个像素点与待定点的灰度值相同，则说明其非轮廓区域，最终需要删除，删除所有非轮廓区域的点，剩余则为轮廓数据。
S2、通过LSTM特征提取模块提取轮廓数据的特征数据；
所述步骤S2中LSTM特征提取模块的细胞单元如图2所示，其细胞单元的的输入输出关系为：
重置门：
输入门：
记忆门：
输出门：
其中，
为重置门的输出，
为
时刻细胞单元的输出，
为细胞单元的输入，
为重置门的权重，
为重置门的偏置，
为输入门的输出，
为输入门的权重，
为输入门的偏置，
为记忆门的输出，
为记忆门的权重，
为记忆门的偏置，
为
时刻细胞单元的输出，
为输出门的权重，
为输出门的偏置，
为双曲正切激活函数，
为激活函数。
S3、将特征数据和对应标签构建为训练数据集；
S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；
如图3所示，步骤S4中目标检测模型的结构包括：第一残差块、第二残差块、第三残差块、第四残差块、第一Maxpool、第二Maxpool、第三Maxpool、Concat层、第一Conv、BN层和第二Conv；
所述第一残差块的输入端作为目标检测模型的输入端，其输出端分别第二残差块的输入端和第一Maxpool的输入端连接；所述第二残差块的输出端分别与第三残差块的输入端和第二Maxpool的输入端连接；所述第三残差块的输出端分别与第四残差块的输入端和第三Maxpool的输入端连接；所述Concat层的第一输入端与第一Maxpool的输出端连接，其第二输入端与第二Maxpool的输出端连接，其第三输入端与第三Maxpool的输出端连接，其第四输入端与第四残差块的输出端连接，其输出端与第一Conv的输入端连接；所述BN层的输入端与第一Conv的输出层连接，其输出端与第二Conv的输入端连接；所述第二Conv的输出端作为目标检测模型的输出端。
所述第一Maxpool的窗口大小为3*3；所述第二Maxpool的窗口大小为5*5；第三Maxpool的窗口大小为7*7。
通过第一残差块、第二残差块、第三残差块、第四残差块层层提取特征，将每一层提取的特征输入最大池化层，通过不同尺寸的窗口，保留不同程度的特征，通过Concat层将特征汇集，最大程度保留特征的丰富性，提升目标识别的精度。
所述步骤S4中训练过程的损失函数为：
其中，
为损失值，
为目标检测模型的实际输出，
为目标检测模型的预测输出，
为目标检测模型的预测输出的区域几何中心的横坐标，
为目标检测模型的预测输出的区域几何中心的纵坐标，
为目标检测模型的实际输出的区域几何中心的横坐标，
为目标检测模型的实际输出的区域几何中心的纵坐标，
为涵盖目标检测模型的实际输出
和目标检测模型的预测输出
的区域中最远两像素点间的直线距离，
为目标检测模型的实际输出
的区域与目标检测模型的预测输出
的区域重叠变化率，区域为像素点数据构成图像区域。
本发明通过实际输出和预测输出的交集与实际输出和预测输出的并集占比，实际输出中心和实际输出中心的距离与涵盖实际输出和预测输出区域中最远两像素点间的直线距离的比值，以及重叠区域的变化率，去衡量训练过程实际输出与预测输出的差值，使得实际输出逼近预测输出。
S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型。
综上，本发明的有益效果为：本发明通过先对路标图像进行预处理，把关键的轮廓数据提取出来，再通过LSTM特征提取模块提取特征数据，通过特征数据与其对应的标签，训练目标检测模型，一方面降低了数据量，另一方面通过特征数据与其对应的标签，使得目标检测模型准确捕捉特征数据与对应的标签间的对应关系，提升目标识别准确率。
Claims (3)
1.一种基于目标检测的路标识别方法，其特征在于，包括以下步骤：
S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；
S2、通过LSTM特征提取模块提取轮廓数据的特征数据；
S3、将特征数据和对应标签构建为训练数据集；
S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；
S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型；
所述步骤S1包括以下分步骤：
S11、采集路标图像；
S12、提取路标图像的轮廓，得到轮廓数据；
所述步骤S12包括以下分步骤：
S121、从路标图像中任取一像素点，作为标准点；
S122、计算路标图像中其他像素点与标准点的颜色距离，得到多个颜色距离值；
S123、将低于颜色阈值的颜色距离值所对应的像素点灰度处理，并赋予低于颜色阈值的颜色距离值所对应的像素点同一种灰度值；
S124、将高于颜色阈值的颜色距离值所对应的像素点作为新的标准点；
S125、计算灰度化后剩余部分的像素点与新的标准点的颜色距离值，并跳转至步骤S123，直到路标图像灰度化成具有不同灰度值区域的灰度图像；
S126、选取灰度图像中非边缘区域的像素点，作为待定点；
S127、判断待定点的临近9个像素点的灰度值是否与待定点的灰度值相同，若是，则将该待定点定为待删除点，并跳转至步骤S128，若否，则保留待定点，并跳转至步骤S129；
S128、从待删除点的邻域中任意找到一个像素点，作为新的待定点，并跳转至步骤S127，直到所有灰度图像中非边缘区域所有像素点遍历完；
S129、将待删除点删除，所有待定点和边缘区域像素构成轮廓数据；
所述步骤S122中颜色距离值的计算公式为：
其中，d为像素点与标准点的颜色距离值，P1,R为像素点颜色的R通道，P2,R为标准点颜色的R通道，P1,G为像素点颜色的G通道，P2,G为标准点颜色的G通道，P1,B为像素点颜色的B通道，P2,B为标准点颜色的B通道；
步骤S4中训练过程的损失函数为：
其中，L为损失值，
为目标检测模型的实际输出，y为目标检测模型的预测输出，x*为目标检测模型的预测输出的区域几何中心的横坐标，y*为目标检测模型的预测输出的区域几何中心的纵坐标，
为目标检测模型的实际输出的区域几何中心的横坐标，
为目标检测模型的实际输出的区域几何中心的纵坐标，Di为涵盖目标检测模型的实际输出
和目标检测模型的预测输出y的区域中最远两像素点间的直线距离，v为目标检测模型的实际输出
的区域与目标检测模型的预测输出y的区域重叠变化率。
2.根据权利要求1所述的基于目标检测的路标识别方法，其特征在于，所述步骤S4中目标检测模型的结构包括：第一残差块、第二残差块、第三残差块、第四残差块、第一Maxpool、第二Maxpool、第三Maxpool、Concat层、第一Conv、BN层和第二Conv；
所述第一残差块的输入端作为目标检测模型的输入端，其输出端分别第二残差块的输入端和第一Maxpool的输入端连接；所述第二残差块的输出端分别与第三残差块的输入端和第二Maxpool的输入端连接；所述第三残差块的输出端分别与第四残差块的输入端和第三Maxpool的输入端连接；所述Concat层的第一输入端与第一Maxpool的输出端连接，其第二输入端与第二Maxpool的输出端连接，其第三输入端与第三Maxpool的输出端连接，其第四输入端与第四残差块的输出端连接，其输出端与第一Conv的输入端连接；所述BN层的输入端与第一Conv的输出层连接，其输出端与第二Conv的输入端连接；所述第二Conv的输出端作为目标检测模型的输出端。
3.根据权利要求2所述的基于目标检测的路标识别方法，其特征在于，所述第一Maxpool的窗口大小为3*3；所述第二Maxpool的窗口大小为5*5；第三Maxpool的窗口大小为7*7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210913244.3A CN114973207B (zh) | 2022-08-01 | 2022-08-01 | 一种基于目标检测的路标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210913244.3A CN114973207B (zh) | 2022-08-01 | 2022-08-01 | 一种基于目标检测的路标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114973207A CN114973207A (zh) | 2022-08-30 |
| CN114973207B true CN114973207B (zh) | 2022-10-21 |
Family
ID=82970100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210913244.3A Expired - Fee Related CN114973207B (zh) | 2022-08-01 | 2022-08-01 | 一种基于目标检测的路标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114973207B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071778B (zh) * | 2023-03-31 | 2023-06-27 | 成都运荔枝科技有限公司 | 一种冷链食品仓储管理方法 |
| CN116188585B (zh) * | 2023-04-24 | 2023-07-11 | 成都垣景科技有限公司 | 一种基于无人机摄影测量的山区光伏目标定位方法 |
| CN116403094B (zh) * | 2023-06-08 | 2023-08-22 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及*** |
| CN117036923B (zh) * | 2023-10-08 | 2023-12-08 | 广东海洋大学 | 一种基于机器视觉的水下机器人目标检测方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529482A (zh) * | 2016-11-14 | 2017-03-22 | 叶瀚礼 | 一种采用集合距离的交通路标识别方法 |
| CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
| CN108664969A (zh) * | 2018-04-28 | 2018-10-16 | 西安电子科技大学 | 基于条件随机场的路标识别方法 |
| CN110414417A (zh) * | 2019-07-25 | 2019-11-05 | 电子科技大学 | 一种基于多层次融合多尺度预测的交通标志牌识别方法 |
| CN110929697A (zh) * | 2019-12-17 | 2020-03-27 | 中国人民解放军海军航空大学 | 一种基于残差结构的神经网络目标识别方法及*** |
| CN111259818A (zh) * | 2020-01-18 | 2020-06-09 | 苏州浪潮智能科技有限公司 | 一种路标识别方法、***及装置 |
| CN111428556A (zh) * | 2020-02-17 | 2020-07-17 | 浙江树人学院（浙江树人大学） | 一种基于胶囊神经网络的交通标志识别方法 |
| CN111444847A (zh) * | 2020-03-27 | 2020-07-24 | 广西综合交通大数据研究院 | 一种交通标志检测识别方法、***、装置及存储介质 |
| CN111476284A (zh) * | 2020-04-01 | 2020-07-31 | 网易（杭州）网络有限公司 | 图像识别模型训练及图像识别方法、装置、电子设备 |
| WO2020173022A1 (zh) * | 2019-02-25 | 2020-09-03 | 平安科技（深圳）有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
| CN113255555A (zh) * | 2021-06-04 | 2021-08-13 | 清华大学 | 中国交通标志牌识别方法、***、处理设备及存储介质 |
| CN113269161A (zh) * | 2021-07-16 | 2021-08-17 | 四川九通智路科技有限公司 | 一种基于深度学习的交通标识牌检测方法 |
| CN114037960A (zh) * | 2022-01-11 | 2022-02-11 | 合肥金星智控科技股份有限公司 | 一种基于机器视觉的翻板阀状态识别方法和*** |
| WO2022033580A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
| CN114267025A (zh) * | 2021-12-07 | 2022-04-01 | 天津大学 | 基于高分辨率网络与轻量注意力机制的交通标志检测方法 |
| CN114494870A (zh) * | 2022-01-21 | 2022-05-13 | 山东科技大学 | 一种双时相遥感图像变化检测方法、模型构建方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200431A (zh) * | 2014-08-21 | 2014-12-10 | 浙江宇视科技有限公司 | 图像灰度化的处理方法及处理装置 |
| US11927965B2 (en) * | 2016-02-29 | 2024-03-12 | AI Incorporated | Obstacle recognition method for autonomous robots |
| US11048985B2 (en) * | 2019-06-12 | 2021-06-29 | Wipro Limited | Method and system for classifying an object in input data using artificial neural network model |
| CN111680706B (zh) * | 2020-06-17 | 2023-06-23 | 南开大学 | 一种基于编码和解码结构的双通道输出轮廓检测方法 |
| US20230289979A1 (en) * | 2020-11-13 | 2023-09-14 | Zhejiang University | A method for video moving object detection based on relative statistical characteristics of image pixels |
| CN113838011A (zh) * | 2021-09-13 | 2021-12-24 | 中南大学 | 基于数字图像颜色梯度的岩石块度和/或分布规律获取方法、***、终端及可读存储介质 |
-
2022
- 2022-08-01 CN CN202210913244.3A patent/CN114973207B/zh not_active Expired - Fee Related
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529482A (zh) * | 2016-11-14 | 2017-03-22 | 叶瀚礼 | 一种采用集合距离的交通路标识别方法 |
| CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
| CN108664969A (zh) * | 2018-04-28 | 2018-10-16 | 西安电子科技大学 | 基于条件随机场的路标识别方法 |
| WO2020173022A1 (zh) * | 2019-02-25 | 2020-09-03 | 平安科技（深圳）有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
| CN110414417A (zh) * | 2019-07-25 | 2019-11-05 | 电子科技大学 | 一种基于多层次融合多尺度预测的交通标志牌识别方法 |
| CN110929697A (zh) * | 2019-12-17 | 2020-03-27 | 中国人民解放军海军航空大学 | 一种基于残差结构的神经网络目标识别方法及*** |
| CN111259818A (zh) * | 2020-01-18 | 2020-06-09 | 苏州浪潮智能科技有限公司 | 一种路标识别方法、***及装置 |
| CN111428556A (zh) * | 2020-02-17 | 2020-07-17 | 浙江树人学院（浙江树人大学） | 一种基于胶囊神经网络的交通标志识别方法 |
| CN111444847A (zh) * | 2020-03-27 | 2020-07-24 | 广西综合交通大数据研究院 | 一种交通标志检测识别方法、***、装置及存储介质 |
| CN111476284A (zh) * | 2020-04-01 | 2020-07-31 | 网易（杭州）网络有限公司 | 图像识别模型训练及图像识别方法、装置、电子设备 |
| WO2022033580A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
| CN113255555A (zh) * | 2021-06-04 | 2021-08-13 | 清华大学 | 中国交通标志牌识别方法、***、处理设备及存储介质 |
| CN113269161A (zh) * | 2021-07-16 | 2021-08-17 | 四川九通智路科技有限公司 | 一种基于深度学习的交通标识牌检测方法 |
| CN114267025A (zh) * | 2021-12-07 | 2022-04-01 | 天津大学 | 基于高分辨率网络与轻量注意力机制的交通标志检测方法 |
| CN114037960A (zh) * | 2022-01-11 | 2022-02-11 | 合肥金星智控科技股份有限公司 | 一种基于机器视觉的翻板阀状态识别方法和*** |
| CN114494870A (zh) * | 2022-01-21 | 2022-05-13 | 山东科技大学 | 一种双时相遥感图像变化检测方法、模型构建方法和装置 |
Non-Patent Citations (8)
| Title |
|---|
| "A Design and Implementation of Mobile Video surveillance Terminal Base on ARM";changjiang jin等;《Procedia Computer Science》;20171231;第107卷;第498-502页 * |
| "Lightweight deep network for traffic sign classification";Wang W等;《Annals of Telecommunications》;20201231;第75卷(第8期);第369-379页 * |
| "Using the Center loss function to improve deep learning performance for EEG Signal classification";Wenxiang Zhang等;《2018 Tenth International Conference on Advanced Computational Intelligence》;20180611;第234-241页 * |
| "一种改进的深度学习的道路交通标识识别算法";何锐波等;《智能***学报》;20201130;第15卷(第6期);第1122-1123页第1.2节 * |
| "一种灰度化混合法在集装箱箱号识别中的运用";张超等;《计算机与现代化》;20191231(第5期);第41-45页 * |
| "一种精确的图像边缘检测法";吴思远等;《陕西理工学院学报》;20071231;第23卷(第4期);第32-35页 * |
| "基于卷积神经网络的交通路标识别";林楠等;《计算机与现代化》;20181231(第7期);第103-113页 * |
| "基于空间通道注意力机制与多尺度融合的交通标志识别研究";李军等;《南京邮电大学学报（自然科学版）》;20220430;第42卷(第2期);第93-102页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114973207A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114973207B (zh) | 一种基于目标检测的路标识别方法 | |
| CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
| CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
| US10223597B2 (en) | Method and system for calculating passenger crowdedness degree | |
| CN110097044B (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
| CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及*** | |
| CN110866430B (zh) | 一种车牌识别方法及装置 | |
| CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
| CN107665351B (zh) | 基于难样本挖掘的机场检测方法 | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| Yang et al. | A vehicle license plate recognition system based on fixed color collocation | |
| CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
| CN113808166B (zh) | 基于聚类差分和深度孪生卷积神经网络的单目标跟踪方法 | |
| CN112465854A (zh) | 基于无锚点检测算法的无人机跟踪方法 | |
| CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
| CN113129336A (zh) | 一种端到端多车辆跟踪方法、***及计算机可读介质 | |
| CN111241987B (zh) | 基于代价敏感的三支决策的多目标模型视觉追踪方法 | |
| CN113361467A (zh) | 基于领域适应的车牌识别方法 | |
| CN107862341A (zh) | 一种车辆检测方法 | |
| CN110008834B (zh) | 一种基于视觉的方向盘干预检测与统计方法 | |
| CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
| CN112528994B (zh) | 一种自由角度车牌检测方法、车牌识别方法和识别*** | |
| CN117037085A (zh) | 基于改进YOLOv5的车辆识别及数量统计的监控方法 | |
| CN116091964A (zh) | 高位视频场景解析方法以及*** | |
| CN113313008B (zh) | 基于YOLOv3网络和均值漂移的目标与识别跟踪方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221021 |