CN116363628A - 标志检测方法、装置、非易失性存储介质及计算机设备 - Google Patents
标志检测方法、装置、非易失性存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116363628A CN116363628A CN202310287042.7A CN202310287042A CN116363628A CN 116363628 A CN116363628 A CN 116363628A CN 202310287042 A CN202310287042 A CN 202310287042A CN 116363628 A CN116363628 A CN 116363628A
- Authority
- CN
- China
- Prior art keywords
- frame
- target
- detection
- history
- detection frame
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000033001 locomotion Effects 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 239000003550 marker Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种标志检测方法、装置、非易失性存储介质及计算机设备。其中，该方法包括：获取历史帧、目标帧和车辆的运动信息，其中，历史帧和目标帧为车辆的摄像头拍摄得到的图像；根据运动信息和历史帧中的历史检测框，确定目标区域，其中，历史检测框用于标注历史帧中的交通标志；根据目标区域和目标帧，生成目标检测框，其中，目标检测框用于标注目标帧中位于目标区域内的目标交通标志。本发明解决了交通行驶中及时从视频图像中识别交通标志牌的方案需要大量算力的技术问题。
Description
技术领域
本发明涉及人工智能领域，具体而言，涉及一种标志检测方法、装置、非易失性存储介质及计算机设备。
背景技术
随着人工智能领域的发展以及自动驾驶需求的增长，检测交通标志已成为自动驾驶车辆的必要能力，对交通标志的检测结果不仅可以为自动驾驶功能提供道路规范输入，同时也可以作为定位算法的关键输入元素，因此交通标志的检测具有重要意义。目前，已有部分团队提出了一些交通标志检测方案，但仍存在方案鲁棒性差、准确性低、信息量不足等问题。例如，相关技术提出的方案要么运算量大导致无法满足标志识别的实时性要求，要么容易存在漏检、误检的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种标志检测方法、装置、非易失性存储介质及计算机设备，以至少解决交通行驶中及时从视频图像中识别交通标志牌的方案需要大量算力的技术问题。
根据本发明实施例的一个方面，提供了一种标志检测方法，包括：获取历史帧、目标帧和车辆的运动信息，其中，所述历史帧和所述目标帧为所述车辆的摄像头拍摄得到的图像；根据所述运动信息和所述历史帧中的历史检测框，确定目标区域，其中，所述历史检测框用于标注所述历史帧中的交通标志；根据所述目标区域和所述目标帧，生成目标检测框，其中，所述目标检测框用于标注所述目标帧中位于所述目标区域内的目标交通标志。
可选地，所述方法还包括：识别所述目标交通标志，得到所述目标交通标志的分类结果；根据所述目标区域和所述目标检测框，识别所述目标交通标志对应的交通辅助牌信息；根据所述分类结果和所述交通辅助牌信息，输出所述目标交通标志对应的标志检测结果。
可选地，所述根据所述运动信息和所述历史帧中的历史检测框，确定目标区域，包括：根据所述历史帧，确定所述历史检测框标注的交通标志在世界坐标系中的第一坐标；根据所述运动信息，预测在目标帧对应的时刻下所述历史检测框标注的交通标志在所述世界坐标系中的第二坐标；根据所述第二坐标，生成所述历史检测框在所述目标帧中对应的预测框；根据所述预测框，生成包括所述预测框的所述目标区域。
可选地，所述根据所述目标区域和所述目标帧，生成目标检测框，包括：将所述目标帧中与所述目标区域对应的图像剪切下来，得到目标图像；对所述目标图像中进行图像识别，得到所述目标检测框。
可选地，所述对所述目标图像中进行图像识别，得到所述目标检测框，包括：对所述目标图像中进行图像识别，得到初始检测框；基于所述历史检测框和所述初始检测框，建立MHT树结构，其中，所述MHT树结构用于表征所述历史检测框和所述初始检测框之间的弱匹配关系；基于所述MHT树结构，从所述初始检测框中筛选得到所述目标检测框。
可选地，所述基于所述MHT树结构，从所述初始检测框中筛选得到所述目标检测框，包括：基于匈牙利算法，从所述初始检测框中筛选得到所述目标检测框，其中，所述匈牙利算法用于将所述MHT树结构中的弱匹配关系修正为所述历史检测框和所述目标检测框之间的一一对应关系。
可选地，所述基于匈牙利算法，从所述初始检测框中筛选得到所述目标检测框，包括：获取所述历史检测框分别对应的第一纹理和所述初始检测框分别对应的第二纹理；根据所述第一纹理、第二纹理和基于所述匈牙利算法构建的代价函数，将所述初始检测框中全局最优的检测框与所述历史检测框进行一一对应的匹配，得到所述目标检测框，其中，所述代价函数基于纹理的纹理特征以及特征相似度构建。
根据本发明实施例的另一方面，还提供了一种标志检测装置，包括：获取模块，用于获取历史帧、目标帧和车辆的运动信息，其中，所述历史帧和所述目标帧为所述车辆的摄像头拍摄得到的图像；确定模块，用于根据所述运动信息和所述历史帧中的历史检测框，确定目标区域，其中，所述历史检测框用于标注所述历史帧中的交通标志；生成模块，用于根据所述目标区域和所述目标帧，生成目标检测框，其中，所述目标检测框用于标注所述目标帧中位于所述目标区域内的交通标志。
根据本发明实施例的又一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述任意一项所述标志检测方法。
根据本发明实施例的再一方面，还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器用于存储程序，所述处理器用于运行所述存储器存储的程序，其中，所述程序运行时执行上述任意一项所述标志检测方法。
在本发明实施例中，采用在拍摄的前后多帧图像之间建立有关于交通标志的关系的方式，通过基于车辆的运动信息将历史帧和目标帧的关系连接起来，达到了基于历史帧中的历史检测框预测目标帧中的用于标注交通标志的目标检测框的目的，从而实现了高效、准确地从车辆的实时视频图像中识别出交通标志的技术效果，进而解决了交通行驶中及时从视频图像中识别交通标志牌的方案需要大量算力的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现标志检测方法的计算机终端的硬件结构框图；
图2是根据本发明实施例提供的标志检测方法的流程示意图；
图3是根据本发明可选实施例提供的坐标系转换关系示意图；
图4是根据本发明可选实施例提供的目标帧中检测框位置推测的原理示意图；
图5是根据本发明可选实施例提供的交通标志检测结果的示意图；
图6是根据本发明实施例提供的标志检测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种标志检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现标志检测方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的标志检测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的标志检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
为了解决上述问题，相关技术中给出的交通标志检测方案存在方案鲁棒性差、准确性低、信息量不足等问题，例如：1)通过图像色域转换至HSV后进行通过范围过滤，进一步通过连通域算法判断交通标志所在区域与特征。但这样的方法非常依赖于交通标志特征的统一性，另外，如果图像中出现与交通标志特征相似的元素将极易出现误检现象。2)基于人工智能方法，基于深度学习模型直接在图像中检测交通标志，通过这样的方法提升检测准确率。虽然在精度上有所提升，但对于前后帧间的交通标志没有进行关联，无法判断检测到的交通标志是新出现的目标或是已存在一段时间的目标；此外大型深度学习网络对算力要求高，往往无法满足车端域控中实时运行的要求。
图2是根据本发明实施例提供的标志检测方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤S202，获取历史帧、目标帧和车辆的运动信息，其中，历史帧和目标帧为车辆的摄像头拍摄得到的图像。
其中，目标帧可以为车辆的摄像头在当前时刻下拍摄得到的图像，历史帧可以为车辆的同一个摄像头在历史时刻(即当前时刻之前的时刻)拍摄得到的图像，例如，历史帧可以是目标帧的上一帧图像。车辆的运动信息可以是车辆的运动学信息，运动学信息包括车辆在由拍摄历史帧的时刻至拍摄目标帧的时刻中的运动状态。
步骤S204，根据运动信息和历史帧中的历史检测框，确定目标区域，其中，历史检测框用于标注历史帧中的交通标志。
为了从目标帧中快速地检测出交通标志，本实施例可以利用历史帧中对交通标志的检测结果来辅助对目标帧中的交通标志的检测。可选地，本实施例可以获取当前帧图像信息、车辆的运动学信息以及上一帧中交通标志的最终检测结果(即历史帧中的历史检测框)，并基于预设置信度阈值对历史检测框进行筛选，直接丢弃不满足条件的检测结果，例如丢弃置信度阈值过低的检测框。
作为一种可选的实施例，根据运动信息和历史帧中的历史检测框，确定目标区域，可以包括如下步骤：根据历史帧，确定历史检测框标注的交通标志在世界坐标系中的第一坐标；根据运动信息，预测在目标帧对应的时刻下历史检测框标注的交通标志在世界坐标系中的第二坐标；根据第二坐标，生成历史检测框在目标帧中对应的预测框；根据预测框，生成包括预测框的目标区域。
随后，可以根据相似三角形原理，对历史帧的下一帧(即目标帧)中检测框可能出现的位置进行预测。通过车辆运动学信息(例如，车速、Yaw角变化率)预测前后帧间车辆的运动距离以及朝向角变化，并通过相机外参向相机坐标系转换。图3是根据本发明可选实施例提供的坐标系转换关系示意图，世界坐标系、相机坐标系以及图像坐标系的关系如图3所示：图中O为相机坐标系原点，而p为图像坐标系中一点。基于车辆的运动学信息获得在相机坐标系下车辆的位置变化后，因行车摄像头往往采用针孔模型，坐标系之间具备小孔成像关系，可利用相似三角形方法基于上一帧中检测结果推算当前帧中该检测框所在的大概位置。
图4是根据本发明可选实施例提供的目标帧中检测框位置推测的原理示意图，如图4所示，可以首先通过车辆运动学信息推算历史帧和目标帧之间车辆的运动距离以及车辆的朝向角变化，随后基于相似三角形原理估计历史帧中检测到的交通标志在VCS坐标系(车身坐标系)中与车身的距离：
其中xvcs为在VCS坐标系中交通标志与车身的距离，fv为使用的摄像头的像距，sH为交通标志框在VCS坐标系中的高度，simH为交通标志框在图像坐标系中的高度。
类似地，可通过获取摄像头的消失点、车辆的偏航角速度yaw rate、交通标志在图像中的横向位置等信息，计算出交通标志在VCS坐标系中的横向位置。
获得历史帧中的交通标志在VCS坐标系的位置信息后，可以再一次通过车辆的运动学信息以及相似三角形原理，预估目标帧中同一个交通标志框在图像坐标系中可能出现的位置。具体实现方案如下：
其中，yim为预测的目标帧中的目标交通标志框的中心点在图像坐标系中的纵坐标，yvp为摄像头的消失点，
为历史帧中交通标志检测框的中心点在图像坐标系中的纵坐标，/>
为历史帧交通标志在VCS坐标系中x轴上的位置，L为两帧间车辆行驶的距离，yawrate为两帧间车辆yaw角变化率。
类似地，可以计算出预测的当前帧交通标志框中心点在图像坐标系中的横坐标，从而最终得到通过历史帧中的历史检测框预测的目标帧中的检测框可能存在的位置，即预测得到目标帧中的目标区域。
步骤S206，根据目标区域和目标帧，生成目标检测框，其中，目标检测框用于标注目标帧中位于目标区域内的目标交通标志。
通过上述步骤，采用在拍摄的前后多帧图像之间建立有关于交通标志的关系的方式，通过基于车辆的运动信息将历史帧和目标帧的关系连接起来，达到了基于历史帧中的历史检测框预测目标帧中的用于标注交通标志的目标检测框的目的，从而实现了高效、准确地从车辆的实时视频图像中识别出交通标志的技术效果，进而解决了交通行驶中及时从视频图像中识别交通标志牌的方案需要大量算力的技术问题。
作为一种可选的实施例，上述方法还包括如下步骤：识别目标交通标志，得到目标交通标志的分类结果；根据目标区域和目标检测框，识别目标交通标志对应的交通辅助牌信息；根据分类结果和交通辅助牌信息，输出目标交通标志对应的标志检测结果。本可选的实施例提供了一种对识别出的目标交通标志进行精细化处理的方法，图5是根据本发明可选实施例提供的交通标志检测结果的示意图，如图5所示，交通标志通常交通标注图形和辅助牌，图5中上侧方框圈住的表示“限速40km/h”的圆形标志即为交通标志图形，下侧方框圈住的表示“匝道”的部分即为辅助牌。本可选的实施例中，目标交通标志的分类结果可以为基于交通标志图形进行图像识别后得到的结果，交通辅助牌信息可以为基于交通辅助牌进行识别后得到的信息。对交通标志的类型进行识别时，可以结合交通标志图形和辅助牌信息后输出一个准确的交通标志的检测结果，提高检测结果的准确率。
作为一种可选的实施例，可以采用四个深度学习模型对交通标志牌进行检测，四个模型分别为全图检测模型、快速检测模型、辅助牌检测模型以及分类模型。下面依次对四个模型进行简要介绍：
全图检测模型：模型的输入为一帧完整图像，例如可以为历史帧，也可以为目标帧，模型将在一帧图像的全图区域内检出交通标志牌，但是不会对内容进行分类。该模型可以基于设计以及运行平台算力情况判断是否设置为隔帧调用方案，如果采用隔帧调用，则需要在没有调用全图检测模型的图像帧中调用快速检测模型进行补充。例如，若车辆平台***的算力充足，则可以将车辆上的摄像头拍摄的每一帧图像都输入全图检测模型，全图检测模型依次从各帧图像中检测出交通标志。若车辆平台***的算力，则可以每隔1帧或者任意多帧调用一次全图检测模型，而在中间的间隔帧调用快速检测模型进行交通标志牌的区域检测。
快速检测模型：模型的输入为兴趣区域(Region of Interest，简称ROI)图像，ROI的区域范围需基于上一帧中检测框在当前帧中的预测位置进行选取，并在该范围内检出交通标志牌，该模型同样也不会对内容进行分类。该模型作用与全图检测模型基本一致，但因输入较小，因此可采用参数量更小的模型以显著提升运算效率。可选地，输入快速检测模型的可以为上述实施例及可选实施例中的目标帧，上一帧中的检测框可以为历史帧中的历史检测框，快速检测模型可以根据历史帧中的历史检测框以及车辆的运动信息，在目标帧中划出一个目标区域，基于目标区域生成目标检测框，并在目标检测框对应的目标帧的图像范围内检测出目标交通标志，即该目标交通标志在历史帧中位于历史检测框中，则其大概率在目标帧中位于目标检测框内。显然，快速检测模型不需要对目标帧进行复杂的全图像检测，故可以大大节省算力，加快交通标志的检测时间。
分类模型：该模型的输入为上述全图检测模型或者快速检测模型中框出范围内的图像，并对图像内的内容进行分类，输出目标交通标志对应的标志检测结果，如限速及具体数值、取消限速及具体数值、禁停等内容。
辅助牌检测模型：该模型的输入为ROI图像，ROI基于当前的目标帧中检测出的交通标志牌位置获得，并在该范围内检出交通标志辅助牌，例如检测出图5中的辅助牌，即检测出图5下侧方框圈住的表示“匝道”的部分。该模型主要用于扩展交通标志检出信息，判断交通标志内容所对应的车道关系。
实际应用场景中，在获得预测框所在位置后，基于应用中选择的预设方案，判断调用全图检测模型或快速检测模型：如果调用全图检测模型，则直接获得检测框，进行去畸变后继续后续处理；如果调用快速检测模型，则对预测框所在位置进行扩充获得ROI，并在此区域内进行检测，获得目标检测框后进行去畸变，快速检测模型可以采用任意满足精度与实时性要求的轻量深度学习模型。
采用快速检测模型可以有效降低漏检率，同时在使用快速检测模型时，为了提升效率，抑制误检，快速检测模型还可以进行以下处理：
将输入快速检测模型的图像中的多个检测框按照尺寸大小进行排序，优先选择大框进行识别，这是由于图像中较大的检测框意味着该检测框中的交通标志距离本车较近，检测优先级高。同时，如果有小框在大框范围内，则不对小框进行检测。
获取对图像中交通标志的所有快速检测的检测结果，采用NMS(Non-MaximumSuppression，非极大值抑制)算法获取非重叠的检测框，返回各个检测框的置信度结果。
完成快速检测模型的检测后，基于模型输出的检测框置信度，对所有检测框进行初步筛选，直接删除低于置信度阈值的检测框。随后对检测框与预测框构建MHT树结构，用于初步建立匹配关系。其中，一个预测框是一个父节点，该预测框的ROI中的检测框是其子节点，需要说明的是，预测框是基于历史帧中的历史检测框预测得到的目标帧中的检测框，对于每一个预测框，都可以对其进行合理外扩，得到该预测框对应的ROI区域，由于ROI区域的可大可小，因此ROI区域中可能包括多个初始检测框(即ROI区域中的候选框)，需要确定多个初始检测框中哪个是与历史检测框一一对应的检测框，找出目标检测框(即目标检测框与历史检测框框出额的是现实中的同一个交通标志)。对于每个预测框，可以存储与它之间距离小于阈值的检测框，作为待匹配的候选框，实现初步的一对多弱匹配关系，即一个历史检测框对应多个候选框。
作为一种可选的实施例，对目标图像中进行图像识别，得到目标检测框，包括如下步骤：对目标图像中进行图像识别，得到初始检测框；基于历史检测框和初始检测框，建立MHT树结构，其中，MHT树结构用于表征历史检测框和初始检测框之间的弱匹配关系；基于MHT树结构，从初始检测框中筛选得到目标检测框。
进一步地，可以依据预设的宽度、高度阈值对模型输出的多个候选框进行进一步筛选；如果候选框位于图像的边缘，考虑到图像边缘畸变较大容易造成误检，同时位于图像边缘的交通标志意味着即将被车辆超过，其信息往往已不再重要，也可以丢弃该候选框；此外，如果候选框位于图像的消影点以下也将被丢弃，因为根据常识，交通标志不会出现在地平线以下。经过以上筛选后，保留与预测框找到弱关联关系的候选框，并加入待分类数组中。如果该待分类数组中元素数量小于阈值，则在后续判定是否需要在当前帧中补充检测框结果。最终返回全部待识别的检测框，完成检测环节。
作为一种可选的实施例，根据目标区域和目标帧，生成目标检测框，包括：将目标帧中与目标区域对应的图像剪切下来，得到目标图像；对目标图像中进行图像识别，得到目标检测框。
作为一种可选的实施例，基于MHT树结构，从初始检测框中筛选得到目标检测框，包括如下步骤：基于匈牙利算法，从初始检测框中筛选得到目标检测框，其中，匈牙利算法用于将MHT树结构中的弱匹配关系修正为历史检测框和目标检测框之间的一一对应关系。
作为一种可选的实施例，基于匈牙利算法，从初始检测框中筛选得到目标检测框，包括：获取历史检测框分别对应的第一纹理和初始检测框分别对应的第二纹理；根据第一纹理、第二纹理和基于匈牙利算法构建的代价函数，将初始检测框中全局最优的检测框与历史检测框进行一一对应的匹配，得到目标检测框，其中，代价函数基于纹理的纹理特征以及特征相似度构建。
上述可选实施例包括对目标检测框的确定方法，具体的，可以采用如下可选实施例进行处理：
采用后处理模块，后处理模块的主要作用是对预测框与检测框实现一对一匹配，在该流程中完成交通标志牌的分类以及辅助牌的检测，并对检测结果通过滤波器进行尺寸调整，输出最终的检测结果。
首先，可以对还保留着的全部检测框结果(候选框)调用分类模型，获取各个框中的交通标志的属性。随后通过匈牙利算法将一对多的关联关系修正为一对一的关联关系。匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法，通过该算法以及设定的代价函数，可以全局最优地生成预测框与初始检测框中的目标检测框的一对一匹配结果，其中，代价函数可以用于判断预测框和候选框中的任意一个框的距离、长宽比例、面积差值、特征差值等，帮助判断当前检测到的两个框中哪一个与历史帧中的历史检测框中的交通标志匹配。具体的，可以依据CNN中的纹理特征进行匹配，利用不同目标之间纹理的差别，来区分不同的物体。获得纹理特征并进一步得到特征向量，通过欧氏距离、余弦距离等方式计算特征向量之间的差值。两个物体越相似，其特征距离越小，反之则越大，因此可以利用特征距离来判断前后帧之间的物体是不是具有较大相似性，从而关联两帧之间的物体。通过这样的方式，初步利用匈牙利算法优化MHT树结构中的一对多匹配。对于无法通过CNN特征方式进行匹配的检测结果，可进一步按照与预测框之间的IOU(Intersection ofUnion，交并比)以及中心距离再次构建代价函数，待用匈牙利算法进行二次匹配，最终获得全局最优的历史检测框与目标检测框的一对一匹配关系。
根据匹配结果，可以将匹配成功的目标检测框信息更新至匹配成功的预测框结构中，保证帧间关系的传递性。如果出现没有成功匹配的目标检测框，且候选框没有位于图像边缘，则将候选框补充至预测框数组中，进入下一帧的处理序列，表示该候选框中的交通标志为第一次出现在目标帧中，用于对目标帧之后的图像中的交通标志进行预测。
通过建立的一对一匹配关系，获取历史帧中该历史检测框的属性信息，并利用当前属性与历史属性进行投票，选取票数最多的检测结果属性，并通过与阈值比较判断该检测结果属性是否达到输出的标准。
投票队列可以设计为一个长度固定的滑动窗口，其作用是为了减少误检、提升属检测结果性输出的准确性。如创建长度为5的投票队列，则对于所有的交通标志对象，都需要至少连续5帧存在匹配的检测结果，其最终的属性输出将通过5次投票输出获得票数最多的属性。例如，某检测到的交通标志连续5帧的投票结果为：禁停、限速70、限速60、限速60、限速60，则将最终输出限速60作为检测结果。
完成分类后，获取全部尺寸较大的限速类交通标志，并对其调用辅助牌识别模型，验证识别结果是否包含“匝道”等辅助信息，用以判断该交通标志相关的车道。该模型可以配置为隔帧调用以节省算力，同时如果对于属性的投票总数超过阈值，则可以不再调用该模型。辅助牌识别模型逻辑如下所示：
如图5所示，上侧框(框住“40”标志的框)为当前帧中的检测框，基于该检测框进行扩充，得到框住整个标识牌的最外侧的框(即ROI区域框)，在该ROI区域内调用辅助牌检测模型获得下侧框(框住“匝道”标志的框)及其中的辅助牌信息。
随后，维护预测框数组，删除其中连续多帧未建立匹配关系的对象，同时对两个重叠度很高的预测框进行合并。最终对数组中全部对象调用卡尔曼滤波算法，以当前框预测的宽、高作为输入，以当前帧检出框的宽、高作为观测值，通过卡尔曼增益，将两者结合，并得到最终的检测框尺寸信息。其中，调用卡尔曼滤波算法可以让检测框的宽和高更稳定，拿预测框的大小和当前检测框的大小做一个加权处理，对本次检测框的边界做一个微调。
具体的卡尔曼滤波器流程如下：
Pk|k＝(I-KkHh)Pk|k-1(更新的协方差估计)
至此，完成全部交通标志处理流程，并最终输出交通标志的检测结果。
整体检测流程如下图所示：
步骤S1，对历史帧中的历史检测框进行位置预测，预测其在当前的目标帧中的位置，得到在目标帧中的ROI区域；
步骤S2，扩展ROI区域，调用检测模型，根据先验信息先剔除部分无效检测框，例如已位于目标帧的图像边缘的检测框；
步骤S3，利用MHT树结构对预测框与检测框之间建立粗略匹配；
步骤S4，选取高优先级的检测框作为识别候选框；
步骤S5，调用分类模型对检测框中的内容进行识别；
步骤S6，通过匈牙利算法对预测框与检测框建立一一对应的匹配关系；
步骤S7，将未实现匹配的检测框建立为新的预测框目标，表示该预测框内的交通标志可能为在历史帧中没有出现过的交通标志；
步骤S8，调用辅助牌模型进行检测；
步骤S9，通过卡尔曼滤波矫正交通标志检测框的位置与大小；
步骤S10，输出交通标志检测框的位置。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的标志检测方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
根据本发明实施例，还提供了一种用于实施上述标志检测方法的标志检测装置，图6是根据本发明实施例提供的标志检测装置的结构框图，如图6所示，该标志检测装置包括：获取模块62，确定模块64和生成模块66，下面对该标志检测装置进行说明。
获取模块62，用于获取历史帧、目标帧和车辆的运动信息，其中，历史帧和目标帧为车辆的摄像头拍摄得到的图像；
确定模块64，用于根据运动信息和历史帧中的历史检测框，确定目标区域，其中，历史检测框用于标注历史帧中的交通标志；
生成模块66，用于根据目标区域和目标帧，生成目标检测框，其中，目标检测框用于标注目标帧中位于目标区域内的交通标志。
此处需要说明的是，上述获取模块62，确定模块64和生成模块66对应于实施例中的步骤S202至步骤S206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例提供的计算机终端10中。
本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的标志检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的标志检测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取历史帧、目标帧和车辆的运动信息，其中，历史帧和目标帧为车辆的摄像头拍摄得到的图像；根据运动信息和历史帧中的历史检测框，确定目标区域，其中，历史检测框用于标注历史帧中的交通标志；根据目标区域和目标帧，生成目标检测框，其中，目标检测框用于标注目标帧中位于目标区域内的目标交通标志。
可选的，上述处理器还可以执行如下步骤的程序代码：识别目标交通标志，得到目标交通标志的分类结果；根据目标区域和目标检测框，识别目标交通标志对应的交通辅助牌信息；根据分类结果和交通辅助牌信息，输出目标交通标志对应的标志检测结果。
可选的，上述处理器还可以执行如下步骤的程序代码：根据运动信息和历史帧中的历史检测框，确定目标区域，包括：根据历史帧，确定历史检测框标注的交通标志在世界坐标系中的第一坐标；根据运动信息，预测在目标帧对应的时刻下历史检测框标注的交通标志在世界坐标系中的第二坐标；根据第二坐标，生成历史检测框在目标帧中对应的预测框；根据预测框，生成包括预测框的目标区域。
可选的，上述处理器还可以执行如下步骤的程序代码：根据目标区域和目标帧，生成目标检测框，包括：将目标帧中与目标区域对应的图像剪切下来，得到目标图像；对目标图像中进行图像识别，得到目标检测框。
可选的，上述处理器还可以执行如下步骤的程序代码：对目标图像中进行图像识别，得到目标检测框，包括：对目标图像中进行图像识别，得到初始检测框；基于历史检测框和初始检测框，建立MHT树结构，其中，MHT树结构用于表征历史检测框和初始检测框之间的弱匹配关系；基于MHT树结构，从初始检测框中筛选得到目标检测框。
可选的，上述处理器还可以执行如下步骤的程序代码：基于MHT树结构，从初始检测框中筛选得到目标检测框，包括：基于匈牙利算法，从初始检测框中筛选得到目标检测框，其中，匈牙利算法用于将MHT树结构中的弱匹配关系修正为历史检测框和目标检测框之间的一一对应关系。
可选的，上述处理器还可以执行如下步骤的程序代码：基于匈牙利算法，从初始检测框中筛选得到目标检测框，包括：获取历史检测框分别对应的第一纹理和初始检测框分别对应的第二纹理；根据第一纹理、第二纹理和基于匈牙利算法构建的代价函数，将初始检测框中全局最优的检测框与历史检测框进行一一对应的匹配，得到目标检测框，其中，代价函数基于纹理的纹理特征以及特征相似度构建。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的标志检测方法所执行的程序代码。
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取历史帧、目标帧和车辆的运动信息，其中，历史帧和目标帧为车辆的摄像头拍摄得到的图像；根据运动信息和历史帧中的历史检测框，确定目标区域，其中，历史检测框用于标注历史帧中的交通标志；根据目标区域和目标帧，生成目标检测框，其中，目标检测框用于标注目标帧中位于目标区域内的目标交通标志。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：识别目标交通标志，得到目标交通标志的分类结果；根据目标区域和目标检测框，识别目标交通标志对应的交通辅助牌信息；根据分类结果和交通辅助牌信息，输出目标交通标志对应的标志检测结果。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：根据运动信息和历史帧中的历史检测框，确定目标区域，包括：根据历史帧，确定历史检测框标注的交通标志在世界坐标系中的第一坐标；根据运动信息，预测在目标帧对应的时刻下历史检测框标注的交通标志在世界坐标系中的第二坐标；根据第二坐标，生成历史检测框在目标帧中对应的预测框；根据预测框，生成包括预测框的目标区域。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：根据目标区域和目标帧，生成目标检测框，包括：将目标帧中与目标区域对应的图像剪切下来，得到目标图像；对目标图像中进行图像识别，得到目标检测框。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：对目标图像中进行图像识别，得到目标检测框，包括：对目标图像中进行图像识别，得到初始检测框；基于历史检测框和初始检测框，建立MHT树结构，其中，MHT树结构用于表征历史检测框和初始检测框之间的弱匹配关系；基于MHT树结构，从初始检测框中筛选得到目标检测框。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：基于MHT树结构，从初始检测框中筛选得到目标检测框，包括：基于匈牙利算法，从初始检测框中筛选得到目标检测框，其中，匈牙利算法用于将MHT树结构中的弱匹配关系修正为历史检测框和目标检测框之间的一一对应关系。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：基于匈牙利算法，从初始检测框中筛选得到目标检测框，包括：获取历史检测框分别对应的第一纹理和初始检测框分别对应的第二纹理；根据第一纹理、第二纹理和基于匈牙利算法构建的代价函数，将初始检测框中全局最优的检测框与历史检测框进行一一对应的匹配，得到目标检测框，其中，代价函数基于纹理的纹理特征以及特征相似度构建。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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，也可以采用软件功能单元的形式实现。
所述集成的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，可以存储在一个非易失性取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种标志检测方法，其特征在于，包括：
获取历史帧、目标帧和车辆的运动信息，其中，所述历史帧和所述目标帧为所述车辆的摄像头拍摄得到的图像；
根据所述运动信息和所述历史帧中的历史检测框，确定目标区域，其中，所述历史检测框用于标注所述历史帧中的交通标志；
根据所述目标区域和所述目标帧，生成目标检测框，其中，所述目标检测框用于标注所述目标帧中位于所述目标区域内的目标交通标志。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
识别所述目标交通标志，得到所述目标交通标志的分类结果；
根据所述目标区域和所述目标检测框，识别所述目标交通标志对应的交通辅助牌信息；
根据所述分类结果和所述交通辅助牌信息，输出所述目标交通标志对应的标志检测结果。
3.根据权利要求1所述的方法，其特征在于，所述根据所述运动信息和所述历史帧中的历史检测框，确定目标区域，包括：
根据所述历史帧，确定所述历史检测框标注的交通标志在世界坐标系中的第一坐标；
根据所述运动信息，预测在目标帧对应的时刻下所述历史检测框标注的交通标志在所述世界坐标系中的第二坐标；
根据所述第二坐标，生成所述历史检测框在所述目标帧中对应的预测框；
根据所述预测框，生成包括所述预测框的所述目标区域。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域和所述目标帧，生成目标检测框，包括：
将所述目标帧中与所述目标区域对应的图像剪切下来，得到目标图像；
对所述目标图像中进行图像识别，得到所述目标检测框。
5.根据权利要求4所述的方法，其特征在于，所述对所述目标图像中进行图像识别，得到所述目标检测框，包括：
对所述目标图像中进行图像识别，得到初始检测框；
基于所述历史检测框和所述初始检测框，建立MHT树结构，其中，所述MHT树结构用于表征所述历史检测框和所述初始检测框之间的弱匹配关系；
基于所述MHT树结构，从所述初始检测框中筛选得到所述目标检测框。
6.根据权利要求5所述的方法，其特征在于，所述基于所述MHT树结构，从所述初始检测框中筛选得到所述目标检测框，包括：
基于匈牙利算法，从所述初始检测框中筛选得到所述目标检测框，其中，所述匈牙利算法用于将所述MHT树结构中的弱匹配关系修正为所述历史检测框和所述目标检测框之间的一一对应关系。
7.根据权利要求6所述的方法，其特征在于，所述基于匈牙利算法，从所述初始检测框中筛选得到所述目标检测框，包括：
获取所述历史检测框分别对应的第一纹理和所述初始检测框分别对应的第二纹理；
根据所述第一纹理、第二纹理和基于所述匈牙利算法构建的代价函数，将所述初始检测框中全局最优的检测框与所述历史检测框进行一一对应的匹配，得到所述目标检测框，其中，所述代价函数基于纹理的纹理特征以及特征相似度构建。
8.一种标志检测装置，其特征在于，包括：
获取模块，用于获取历史帧、目标帧和车辆的运动信息，其中，所述历史帧和所述目标帧为所述车辆的摄像头拍摄得到的图像；
确定模块，用于根据所述运动信息和所述历史帧中的历史检测框，确定目标区域，其中，所述历史检测框用于标注所述历史帧中的交通标志；
生成模块，用于根据所述目标区域和所述目标帧，生成目标检测框，其中，所述目标检测框用于标注所述目标帧中位于所述目标区域内的交通标志。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述标志检测方法。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器用于存储程序，所述处理器用于运行所述存储器存储的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述标志检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310287042.7A CN116363628A (zh) | 2023-03-22 | 2023-03-22 | 标志检测方法、装置、非易失性存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310287042.7A CN116363628A (zh) | 2023-03-22 | 2023-03-22 | 标志检测方法、装置、非易失性存储介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116363628A true CN116363628A (zh) | 2023-06-30 |
Family
ID=86928177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310287042.7A Pending CN116363628A (zh) | 2023-03-22 | 2023-03-22 | 标志检测方法、装置、非易失性存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363628A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523535A (zh) * | 2024-01-08 | 2024-02-06 | 浙江零跑科技股份有限公司 | 一种交通指示牌的识别方法、终端设备以及存储介质 |
-
2023
- 2023-03-22 CN CN202310287042.7A patent/CN116363628A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523535A (zh) * | 2024-01-08 | 2024-02-06 | 浙江零跑科技股份有限公司 | 一种交通指示牌的识别方法、终端设备以及存储介质 |
| CN117523535B (zh) * | 2024-01-08 | 2024-04-12 | 浙江零跑科技股份有限公司 | 一种交通指示牌的识别方法、终端设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| EP2858008A2 (en) | Target detecting method and system | |
| CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
| CN111126209B (zh) | 车道线检测方法及相关设备 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN112613387A (zh) | 一种基于YOLOv3的交通标志检测方法 | |
| Liu et al. | Vehicle detection and ranging using two different focal length cameras | |
| CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
| CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
| CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及*** | |
| CN112837384B (zh) | 车辆标记方法、装置和电子设备 | |
| CN112241963A (zh) | 基于车载视频的车道线识别方法、***和电子设备 | |
| EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
| CN109960990B (zh) | 障碍物侦测可信度评估方法 | |
| CN115115530B (zh) | 一种图像去模糊的方法、装置、终端设备及介质 | |
| CN113721240B (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
| CN115346184A (zh) | 一种车道信息检测方法、终端及计算机存储介质 | |
| CN115049731A (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
| CN115063759A (zh) | 一种三维车道线检测方法、装置、交通工具及存储介质 | |
| CN115063594B (zh) | 一种基于自动驾驶的特征提取方法及装置 | |
| CN115359460B (zh) | 用于车辆的图像识别方法、装置、车辆和存储介质 | |
| CN116228834B (zh) | 图像深度获取方法、装置、电子设备及存储介质 | |
| CN115761616B (zh) | 一种基于存储空间自适应的控制方法及*** | |
| CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 |
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 |