CN103020623B - 交通标志检测方法和交通标志检测设备 - Google Patents
交通标志检测方法和交通标志检测设备 Download PDFInfo
- Publication number
- CN103020623B CN103020623B CN201110284766.3A CN201110284766A CN103020623B CN 103020623 B CN103020623 B CN 103020623B CN 201110284766 A CN201110284766 A CN 201110284766A CN 103020623 B CN103020623 B CN 103020623B
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- traffic
- connected domain
- candidate region
- standard
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Color Television Image Signal Generators (AREA)
Abstract
本发明提供一种交通标志检测方法,包括:颜色空间转换步骤,将输入的待处理图像转换为HSV颜色空间图像;过滤步骤,根据各个交通标志标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,基于通过过滤的图像区域而生成连通域;排除步骤,根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;识别步骤,根据交通标志候选区域的特征识别出相应的交通标志。本发明还相应地提供一种交通标志检测设备。
Description
技术领域
本发明涉及一种交通标志检测方法和交通标志检测设备。
背景技术
随着智能交通系统(ITS)技术的日益发展和广泛应用,交通标志检测技术的研究逐渐引人注目。由于世界各国所采用的交通标志的标准基本上统一,因此针对一国的交通标志所研发的交通标志检测技术可以不经过或者仅仅经过细微的调整即应用于其它国家,从而具有普遍的适用性。
当前在交通标志检测技术领域已经取得了一定进展,例如已经有诸多专利或专利申请出现。在现有技术中,大多利用交通标志的颜色、形状信息,或者几何特征,来进行交通标志的检测和识别。在交通标志被识别之后,就会以声音或视觉信息的方式提示驾驶员。
专利文件1(CN101702197A)提出了一种交通标志检测的方法。按照该方法,通过分析交通标志的基本颜色和几何形状,提出颜色形状对,据此构造了交通标志的颜色与几何形状的关系模型,利用该模型对交通标志进行检测。例如,<红色,三角形>对应于“禁止标志组”。该专利共构建7组这样的颜色形状对。在该方法中,颜色和形状的信息仅仅用来对交通标志进行检测,其用到的形状信息仅对应于交通标志的外部形状,并未涉及对内部形状信息的运用。因此,该方法仅适用于识别某一交通标志大体属于哪个交通标志组,而不能对交通标志进行精确识别。另外,仅靠颜色及外部形状信息有时不能完全将交通标志与其他类似物体区分开。
专利文件2(US2009/0074249A1)提出一种识别交通标志的方法。该方法利用旋转与尺度不变的特征进行模式匹配,然后通过计算置信度的方法来识别候选的交通标志。在该方法中,由于场景的复杂性,在某些情况下模式匹配会生成大量的候选交通标志,即待识别的交通标志。如果待识别的交通标志数量过大,则该方法的处理速度会受到影响,以至于达不到交通标志识别系统所要求的“实时性”。
专利文件3(US2008/0137908A1)提出了一种交通标志检测和识别的方法。在该方法中,图像被分割成两部分,其中一部分利用颜色和形状信息进行交通标志的检测和识别;另一部分用于实现其他的辅助驾驶功能。在该方法中,也仅仅考虑了颜色和形状信息,并且仅适用于圆形限速标志的检测。
在交通标志体系中,尽管通过设计使得其颜色和形状可以很明显地与其他物体区别开来,然而实际上在某些场景中,尤其是在仅仅利用交通标志外部轮廓信息的情况下,仅靠颜色和形状并不足以把交通标志与周围的场景很好地区分开;另一方面,因为通常一个国家的交通标志体系包含有近百个不同的交通标志,因此通用的基于颜色和形状的对象识别方法在识别具体的交通标志信息时非常耗时,难以满足交通标志检测实际应用场合下对于处理时间的要求。此外,当交通标志被识别出来之后,作为提示或警告信息呈现给驾驶员时,大部分现有的技术并没有考虑到交通标志具体的含义或警告级别。
发明内容
鉴于现有技术中存在的上述问题而做出本发明。本发明实施例属于对象检测和对象识别领域,作为一个特殊的对象群体,在道路场景中,交通标志有着自己独特的特征。通过恰当利用这些特征,不仅可以加速识别的过程,而且即使在复杂的场景中也可以有效地降低识别的误判率。
根据本发明的一个方面,提供一种交通标志检测方法,包括:颜色空间转换步骤,将输入的待处理图像转换为HSV颜色空间图像;过滤步骤,根据各个交通标志标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,基于通过过滤的图像区域而生成连通域;排除步骤,根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;识别步骤,根据交通标志候选区域的特征识别出相应的交通标志。
根据本发明的另一个方面,提供一种交通标志检测设备,包括:颜色空间转换装置,将输入的待处理图像转换为HSV颜色空间图像;过滤装置,根据各个交通标志标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,基于通过过滤的图像区域而生成连通域;排除装置,根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;识别装置,根据交通标志候选区域的特征识别出相应的交通标志。
本发明实施例的交通标志检测方法和交通标志检测设备与现有技术相比更具有灵活性及实用性,可以显著改善驾驶安全性。
通过阅读结合附图考虑的以下本发明的优选实施例的详细描述,将更好地理解本发明的以上和其他目标、特征、优点和技术及工业重要性。
附图说明
图1示意性地示出其中可以应用本发明实施例的驾驶辅助系统的应用环境。
图2示出按照本发明实施例的交通标志检测方法的总体流程图。
图3包括图3A至图3F,示出按照本发明实施例的交通标志检测方法对车载摄像机所拍摄的待处理图像的处理过程的示例。
图4示出按照本发明实施例对交通标志按照特征而分类而成的特征树。
图5示出按照本发明实施例的识别步骤的流程图。
图6示出按照本发明实施例的交通标志检测方法的总体框图。
具体实施方式
下面结合附图描述本发明实施例。
图1示意性地示出其中可以应用按照本发明实施例的交通标志检测方法和交通标志检测设备的驾驶辅助系统的应用环境。如图1所示,驾驶辅助系统2安装于车辆1,驾驶辅助系统2包括安装在车辆1上的摄像机4,该摄像机4实时获取当前环境的图像,处理器5对该图像进行交通标志检测,如果检测到交通标志3,则识别该交通标志3,并向驾驶员提示。
图2示出按照本发明实施例的交通标志检测方法的总体流程图。如图2所示,交通标志检测方法可以包括:颜色空间转换步骤S100,可以将输入的待处理图像转换为HSV颜色空间图像;过滤步骤S200,可以根据各个交通标志标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,基于通过过滤的图像区域而生成连通域;排除步骤S300,可以根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;识别步骤S400,可以根据交通标志候选区域的特征识别出相应的交通标志。
图3示出按照本发明实施例的交通标志检测方法对车载摄像机所拍摄的待处理图像的处理过程的示例。图3包括图3A至图3F,其含义将随着对本发明实施例的阐述而说明。其中,图3A示出原始的待处理图像。
在每个交通标志体系中,颜色信息被标准化,因此颜色信息可以用来检测图像中交通标志可能存在的区域。然而,由于光照等条件的影响,例如恶劣天气条件、白天强光、夜晚照明不足等,造成颜色信息变得不稳定。因此,由于HSV(色度-饱和度-光强)颜色空间相比RGB(红-绿-蓝)颜色空间能够显著减少由光照所引起的对颜色的影响,因此利用上述颜色空间转换步骤S100,将摄像机所捕获的图像由RGB颜色空间转换到HSV颜色空间。
按照本发明实施例,为了有效地进行交通标志的识别,需要有效地对体系中的交通标志进行合理的组织。按照本发明实施例采用了“特征树”的组织方式。按照本发明实施例的交通标志检测方法还可以包括:交通标志特征树建立步骤,通过将标准交通标志按照外部轮廓的颜色特征分为大类,在大类之下按照标准交通标志的外部轮廓的形状特征分为小类,在小类之下按照标准交通标志的内部轮廓的形状特征分为子类,来建立交通标志特征树。
显然,此交通标志特征树建立步骤可以与交通标志检测方法的上述其它步骤并行地进行,只要在识别步骤S400之前提供所建立的特征树即可。例如,交通标志特征树建立步骤可以离线地进行,例如可以在交通标志检测方法的其它步骤执行之前作为准备工作而完成。
在各个国家的交通标志体系中,交通标志都有规范的颜色以及形状,包括外部形状,例如三角形,圆形,矩形等等;以及内部形状。通过设计而使得这些交通标志具有独特的特征,在道路场景中与周围的环境有尽可能高的对比度,以便于很容易地被驾驶员识别并理解。
这些特征可以被分解为不同的层次,以构建出如图4所示的特征树。图4示出按照本发明实施例对交通标志按照特征而分类而成的特征树。在图4中,以某国家的交通标志体系为例,在第一层,主要特征为“颜色”,在此指交通标志的外轮廓颜色。交通标志被分为三组:红色标志,蓝色标志,以及黄色标志,而每种颜色都代表着特定的含义。例如,红色标志通常表示警告和禁止信息。第一层的不同类别可以称为“大类”。
在第二层,主要特征为“外部形状”,不同颜色代表的大类具有不同的外部形状特征。例如,对红色交通标志来说,可能出现的外部形状包括圆形,三角形,以及六边形;而对于蓝色交通标志来说,仅仅包含矩形及圆形标志。据此,一旦交通标志的颜色确定下来,其可能出现的外部形状也随之确定在某个范围内,这个特点可以用于限定交通标志的检测与识别范围。第二层的不同类别可以称为“小类”。
在第三层,主要特征为“内部形状”。可以依据每个交通标志内部轮廓的数目,将交通标志进一步分成不同的组。例如“单轮廓组”,指的是在某交通标志内部,仅有单一一个轮廓。以此类推,可以有“双轮廓组”,“三轮廓组”等等。此处构建的特征树可以用来在后续的检测和识别过程中,实现渐进式的操作,逐步缩小搜索范围,精确定位,从而提高效率。第三层的不同类别可以称为“子类”。一国体系中的交通标志及子类并未在图4中全部列出,然而本领域技术人员可以根据上文描述而理解,一国交通标志体系中的所有交通标志可以基本上按照上述原则而分类,每个交通标志均可以定位在某个子类中。
在待处理图像经过颜色空间转换步骤S100的处理而转换为HSV颜色空间图像之后。在过滤步骤S200,对HSV颜色空间的待处理图像进行颜色分割及生成连通域的处理。
在过滤步骤S200中,根据各个交通标志标准颜色的色度和饱和度分别的通过范围,过滤待处理图像的HSV格式图像的各个像素,仅当该像素的色度和饱和度分别在相应的通过范围内时,该像素通过过滤。该像素过滤的过程也就是图像分割的过程,通过过滤将图像分割为两个部分。过滤规则可以是,基于交通标志体系中规定的标准颜色,并且根据不同情况下交通标志颜色的统计信息,在HSV空间中确定颜色阈值(通过范围),从而通过过滤就可以保留交通标志可能存在的区域。
阈值分割可以基于H(色度)以及S(饱和度)的值,首先可以基于大量样本图像获得各种标准颜色分别的关于色度及饱和度的集中分布范围,例如关于色度的[hL,hH]和关于饱和度的[SL,SH],分别作为关于色度和饱和度的通过范围。此颜色阈值的确定可以通过本领域惯用手段来实现。
在例如针对红色外轮廓的交通标志进行分割的情况下,可以利用红色的色度及饱和度的通过范围。对于待处理图像中的某个像素,当其色度位于红色的色度通过范围[hL,hH]并且其饱和度位于红色的饱和度通过范围[SL,SH]时,该像素通过过滤,可以认为是红色,赋予高值(例如1),否则赋予低值(例如0)。
图3B示出对图3A所示的原始的道路场景图像进行颜色分割之后的图像,其中的亮点或亮区域示出通过过滤的像素构成的区域。类似的操作可以运用于蓝色、黄色以及其他颜色的交通标志的分割。
颜色分割是在图4所示特征树的第一层,即颜色特征层进行的。经过上述处理,可以确定通过过滤的某个区域处于交通标志的某个大类,例如通过关于红色的过滤则其属于红色的大类。当然也可能最终排除作为交通标志,但是可以说,如果其是交通标志,则属于该大类。
然后,利用特征树的第二层特征,即外部形状特征,将通过颜色过滤的区域定位到某个小类。
按照本发明实施例的过滤步骤S200可以采用“连通域(connectedcomponentanalysis,CCA)分析法”,生成连通域。通过这种手段,可以生成图像中的连通域,从而提取外部形状特征。为使得生成连通域所得的结果更为精确,在CCA处理之前,可以选择对图像进行平滑处理,以去除图像中的噪声影响。图3C示出基于图3B所示的分割图像而生成连通域的图像,在图3A的原始图像之上示出各个连通域。其中,除了交通标志连通域之外,还有一些非交通标志连通域,具体地,可能由于路边花草的颜色与交通标志轮廓的颜色相同等等的原因因而通过了颜色过滤。各步骤处理的结果(像素值)均可以记录,并可以根据后续处理的需要而与之前的图像数据相结合。
然后,处理进行至排除步骤S300。在排除步骤S300,根据以下交通标志标准规则之中的任意一个或多个来排除所生成的连通域中不是交通标志的区域:
(a)连通域的长宽比;
(b)连通域在待处理图像中所在的位置;
(c)连通域的面积;
(d)连通域的颜色模式;
(e)连通域的形状复杂度;
(f)连通域的纹理复杂度。
过滤步骤S200生成的连通域的数据与场景的复杂度相关,但在图像中,仅有一小部分连通域是真正的交通标志,其他均为“噪声”,即“非交通标志”区域。将这些“非交通标志”区域去除,可以减少在后续步骤中需要处理的候选项(待检测和识别的交通标志)的数目,还可以降低后续的误检率。
在排除步骤S300,可以根据交通标志本身特有的特征,建立交通标志标准规则,利用上述(a)-(f)规则来排除明显不是交通标志的连通域。下面逐一介绍规则(a)-(f)的应用。
(a)连通域的长宽比
交通标志在设计时有标准的形状及尺寸,其长宽比应符合某个特定的范围,如果检测到连通域长宽比超出该范围,则该连通域可以排除。
(b)连通域在待处理图像中所在的位置
考虑实际的道路场景,出现在图像中的交通标志,其位置应限定在某些区域内。因此,通过检查连通域在待处理图像中的位置,如果某连通域处于几乎不会出现交通标志的位置,则该连通域可以排除。例如,如果某连通域处于图像的最下方的位置,则可以排除。在例如车载摄像机的情况下,摄像机拍摄的是车辆前面的场景,距离车辆一定距离且有一定高度的交通标志对驾驶员才有意义。图像最下方的位置距离车辆非常近,不应该是交通标志出现的位置。
(c)连通域的面积
图像中面积过大或过小的连通域不应该是交通标志,可以根据样本或经验确定一个面积范围,如果检查出某连通域的面积在该面积范围之外,则该连通域可以排除。
(d)连通域的颜色模式
交通标志有标准的颜色、图案设计,检查到不符合此设计的连通域则不属于交通标志,可以排除。在此所述的颜色模式指交通标志的内部颜色模式,假设与交通标志的红色接近的其它红色物体经过了颜色过滤,然而其内部不具有红色交通标志所应具有的诸如白色、黑色等等的标准颜色,因此将无法通过利用颜色模式的判断。类似地,也可以通过连通域的颜色模式来排除虽然具有诸如蓝色、黄色等等其它的交通标志标准外轮廓颜色但明显不是交通标志的连通域。
例如,可能发生“红色的砖或墙”也因为其颜色类似红色交通标志而在颜色过滤后被保留下来。然而,相比于交通标志,这种区域内部颜色也完全是红色,而不像交通标志内部是以其他颜色和外轮廓区分来的,例如白色,黑色等。所以利用内部出现的颜色可以排除部分“非交通标志”区域。
(e)连通域的形状复杂度
交通标志通常设计成简单易懂的形状,例如圆形、矩形、三角形等,不会出现过于复杂的形状结构。因此,通过利用如下公式(1)计算连通域的形状复杂度,可以排除形状不规则且过于复杂的连通域。
其中,R表示连通域面积,L表示连通域周长,如果连通域的形状复杂度contour_Complexity大于形状复杂度阈值contour_threshold,则排除该连通域,该形状复杂度阈值contour_threshold可以通过样本训练得到。
(f)连通域的纹理复杂度
交通标志的图案通常设计得简单易懂,纹理不会过于复杂。通过如下公式(2)计算灰度共生矩阵,可以获得连通域的纹理复杂度,排除纹理过于复杂的连通域。
P(i,j)是灰度共生矩阵中的一个元素,如果原图像f(x,y)灰度级别为N,则该灰度共生矩阵P的大小为N*N;#(x)表示集合x中元素的数目,#S表示图像f中元素的数目,分子#{[(x1,y1),(x2,y2)]∈S|f(x1,y1)=i&f(x2,y2)=j}表示图像f中一个像素(x1,y1)的灰度级为i,另一个像素(x2,y2)的灰度级为j,这样的像素对的总数目。
可以选择以上规则(a)-(f)中的任意一个或多个来检查连通域并排除明显不是交通标志的连通域,并且同一图像中的不同连通域也可以采用不同的规则或规则组合,在选用多个规则的情况下,不同规则的检查可以按照任意顺序进行。未被排除的其余连通域作为交通标志候选区域。
图3D示出图3C所示包含连通域的图像经过排除步骤S300排除“非交通标志”之后的结果。通过此步骤,不属于交通标志的连通域(诸如实际为路边花草的连通域)被去除掉,仅仅保留可能是交通标志的连通域。在实施过程中,规则检查的实现优选按照由低复杂度到高复杂度的顺序进行,例如按照上述规则(a)至(f)的顺序,一旦发现违反某个规则,即可以退出检查过程,丢弃当前连通域。通过此方法,大部分的“误判”结果被去除,从而可以显著提升后续过程的处理效率。
经过排除步骤S300的处理之后,由识别步骤S400把交通标志候选区域识别为具体的交通标志。图5示出按照本发明实施例的识别步骤S400的流程图。如图5所示,识别步骤S400可以具体包括:大类确定步骤S420,可以根据与该交通标志候选区域相应的交通标志标准颜色,确定该交通标志候选区域所属的大类;小类确定步骤S440,可以利用事先训练的分类器,根据该交通标志候选区域的外部轮廓的形状特征确定该交通标志候选区域所属的小类;子类确定步骤S460,可以根据该交通标志候选区域的内部轮廓的数目确定该交通标志候选区域的子类;标志匹配步骤S480,可以通过将该交通标志候选区域与确定所属的子类中的所有标准交通标志进行匹配,将该交通标志候选区域确定为其中最匹配的标准交通标志。
由于交通标志候选区域属于在过滤步骤S200中通过关于某个交通标志标准颜色的色度及饱和度的通过范围的连通域,因此可以在大类确定步骤S420容易地确定其外轮廓颜色,即其大类。
然后,在所确定的大类之下,由小类确定步骤S440确定交通标志候选区域所处的小类。此步骤的操作在特征树的“外部形状”层上进行,基于交通标志候选区域的外部形状特征,将其分类到不同的组。每个外轮廓颜色,都包含几个特定的形状。因此对于不同颜色的区域来说,仅仅在限定的若干形状上进行分类即可。
为了能够精确地识别场景中出现的交通标志,可以事先、离线地,利用旋转及尺度不变的样本交通标志的特征训练分类器。其中,一维傅立叶特征(1-dFD)是一种可以选择的特征,但本发明实施例可以选用的特征不限于此,例如也可以采用诸如轮廓矩之类的其它特征。
对由大类确定步骤S420确定大类的交通标志候选区域,提取其一维傅立叶特征,然后由预先训练的分类器判断其是否为交通标志。例如,以某蓝色的交通标志候选区域为例,只需运用圆形及矩形分类器来进行判断,因为只有这两种形状可能出现在蓝色外轮廓的交通标志中。如果检测到红色六角形的交通标志候选区域,则在此情况下实际上可以具体识别出该交通标志候选区域,即该交通标志候选区域为“停止”标志,因为在红色六角形中仅有这一种交通标志。然而,这属于特例,基于普遍性的考虑,总体上处理继续进行。
图3E示出对图3D所示图像进一步确定其所含交通标志候选区域的颜色和形状之后的结果。图3E中所含交通标志候选区域的颜色和形状在此确定为红色三角形。通过特征树的辅助,实现了渐进式地操作,可以将需要检测和识别的范围逐步缩小,从而提高处理效率。
然后,在小类确定步骤S440确定交通标志候选区域的外部形状之后,通过子类确定步骤S460来进一步确定交通标志候选区域所属子类,即基于内部轮廓数目的交通标志组。此识别过程在特征树的最底层,即“内部形状”层进行。在确定小类之后,本步骤中的识别工作只需在限定的若干子类中进行。具体可以是,通过连通域分析方法来确定内部轮廓数目,获取待识别的交通标志候选区域中内部轮廓的数目,以便将其定位到相应的子类:单轮廓、双轮廓、三轮廓等等。
然后,在标志匹配步骤S480,通过计算该交通标志候选区域的内部轮廓特征与所属的子类中的所有标准交通标志的内部轮廓特征之间的特征距离,其中与该交通标志候选区域的该特征距离最小的标准交通标志为最匹配的标准交通标志。
此步骤的处理在已经确定子类的基础上进行,提取交通标志候选区域的内部轮廓特征,与该子类中的各个交通标志的标准内部轮廓特征进行匹配。一种可以采用的手段是计算特征之间的距离,在此仍以上述傅立叶特征(FD)为例,通过以下公式(3)识别该交通标志候选区域:
FDcandidate表示待识别的交通标志候选区域candidate的FD特征,表示该子类中各个交通标志signi的FD特征,其中i为索引量,且i∈[1,n],n表示该子类(例如,单轮廓子类)中交通标志的数目,d()表示计算candidate的FD特征与交通标志signi的FD特征之间的距离的函数。在此,d()可以用来计算欧氏距离,也可以计算诸如巴氏距离等等的其它距离,上述距离均可以体现其所计算的特征之间的匹配程度。在通过d()函数计算出的n个距离之中,距离最小的交通标志signi为识别该交通标志候选区域candidate的结果result。
如何计算两个特征之间的上述距离(诸如欧氏距离、巴氏距离等等)属于常用数学手段。不论通过何种手段,具有与交通标志候选区域的特征最为匹配的特征的交通标志可以识别为该交通标志候选区域的交通标志。图3F示出对于图3E所示的已经确定颜色和形状的交通标志候选区域的识别结果。
交通标志被识别后,传统的做法是以声音或视觉信息的方式提示驾驶员。在现有技术中,所有的交通标志被同等对待,并未考虑每个标志不同的含义。然而,在实际情况中,不同的标志具有不同的意义,因此对于驾驶员也具有不同的重要程度。例如,“禁止”标志或限速标志等警示标志相比于“前方有加油站”等信息提示标志对驾驶员而言更关键更重要。对于前者,如果被忽视,将导致驾驶员陷入危险;而对于后者,其所产生的危险性要低得多。
在具体识别出摄像机所捕获的图像中的交通标志之后,可选地,本发明实施例还可以进一步根据交通标志的重要程度及距离摄像机的距离来确定向驾驶员进行提示的方式,并通过该方式向驾驶员进行提示。如果在此所述的摄像机是车载摄像机,则所提及的摄像机距交通标志的距离可以大体上视作车辆距交通标志的距离,或者也可以选择通过进一步测量摄像机与车辆前端的距离,在确定车辆距交通标志的距离中考虑此因素。
按照本发明实施例的交通标志检测方法还可以进一步包括距离计算步骤,在识别出交通标志之后,根据拍摄该待处理图像的摄像机焦距、该交通标志在摄像机图像传感器上的尺寸、该交通标志的实际尺寸,来计算该摄像机距该交通标志的实际距离。
具体地,可以通过以下公式(4)计算出摄像机(车辆)距交通标志的距离d。
其中,f为摄像机的焦距,li为呈现在摄像机图像传感器(诸如CCD或者C-MOS)上的交通标志的尺寸,L为所识别的交通标志在物理世界中的实际尺寸,可以计算出当前摄像机(车辆)与交通标志之间的距离d。
按照本发明实施例的交通标志检测方法还可以进一步包括提示步骤,即可以根据所识别的交通标志的含义及距该交通标志的实际距离来确定向驾驶员的提示方式,并以该方式向驾驶员提示。
在识别出交通标志之后,其所表示的含义亦可得到。可以基于两者的组合而提供一种灵活的警示方式。
具体地,基于交通标志的重要程度将其分类为:
(α)低重要度交通标志;
(β)中重要度交通标志;
(γ)高重要度交通标志。
将摄像机(车辆)与交通标志之间的距离进行分类:
(i)低危险度距离;
(ii)高危险度距离。
基于二者的组合来规定警示方式如下,例如:
情况(α--i)及(α--ii)
在此情况下,可以通过视觉信息提示驾驶员。例如,如果检测到“前方有加油站”标志,考虑到该标志对驾驶员安全性的影响属于低重要度,仅仅视觉提醒即可。
情况(γ--i)及(α--ii)
在此情况下,可以通过视觉及声音(例如,蜂鸣声)两种形式同时警示驾驶员。例如,如果检测到远距离处有“停止”标志,此时这种既能警示驾驶员又不对其造成过多干扰的提示最为合适。
情况(γ--ii)及(β--ii)
在此情况下,可以通过控制车辆的方式来警示驾驶员,例如强行令车辆减速甚至刹车,以避免潜在的危险。例如,在前方检测到“停止”标志,并且距离当前车辆足够近,若此时发现驾驶员仍未采取任何措施,可以强行控制车辆以避免发生危险。
本发明还可以实施为一种交通标志检测设备,用以执行所述按照本发明实施例的交通标志检测方法。图6示出按照本发明实施例的交通标志检测设备的总体框图。如图6所示,交通标志检测设备可以包括:颜色空间转换装置100,可以执行前述颜色空间转换步骤S100,用以将输入的待处理图像转换为HSV颜色空间图像;过滤装置200,可以执行前述过滤步骤S200,用以根据各个交通标志标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,基于通过过滤的图像区域而生成连通域;排除装置300,可以执行前述排除步骤S300,用以根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;识别装置400,可以执行前述识别步骤S400,用以根据交通标志候选区域的特征识别出相应的交通标志。
上述交通标志检测设备还可以包括交通标志特征树建立装置,可以执行前述交通标志特征树建立步骤,用以通过将标准交通标志按照外部轮廓的颜色特征分为大类,在大类之下按照标准交通标志的外部轮廓的形状特征分为小类,在小类之下按照标准交通标志的内部轮廓的形状特征分为子类,来建立交通标志特征树。
上述识别装置400可以包括:大类确定装置,可以执行前述大类确定步骤S420,用以根据与该交通标志候选区域相应的交通标志标准颜色,确定该交通标志候选区域所属的大类;小类确定装置,可以执行前述小类确定步骤S440,用以利用事先训练的分类器,根据该交通标志候选区域的外部轮廓的形状特征确定该交通标志候选区域所属的小类;子类确定装置,可以执行前述子类确定步骤S460,用以根据该交通标志候选区域的内部轮廓的数目确定该交通标志候选区域的子类;标志匹配装置,可以执行前述标志匹配步骤S480,用以通过将该交通标志候选区域与确定所属的子类中的所有标准交通标志进行匹配,将该交通标志候选区域确定为其中最匹配的标准交通标志。
所述标志匹配装置可以通过计算该交通标志候选区域的内部轮廓特征与所属的子类中的所有标准交通标志的内部轮廓特征之间的特征距离,其中与该交通标志候选区域的该特征距离最小的标准交通标志为最匹配的标准交通标志。
所述分类器可以利用旋转及尺度不变的样本交通标志的特征训练。
所述交通标志检测设备还可以包括距离计算装置,可以执行前述距离计算步骤,用以在识别出交通标志之后,根据拍摄该待处理图像的摄像机焦距、该交通标志在摄像机图像传感器上的尺寸、该交通标志的实际尺寸,来计算该摄像机距该交通标志的实际距离。
所述交通标志检测设备还可以包括提示装置,可以执行前述提示步骤,根据所识别的交通标志的含义及距该交通标志的实际距离来确定向驾驶员的提示方式,并以该方式向驾驶员提示。
所述过滤装置200可以根据各个交通标志标准颜色的色度和饱和度分别的通过范围,过滤待处理图像的HSV格式图像的各个像素,仅当该像素的色度和饱和度分别在相应的通过范围内时,该像素通过过滤。
所述排除装置300可以根据以下交通标志标准规则之中的任意一个或多个来排除所生成的连通域中不是交通标志的区域:
(a)连通域的长宽比;
(b)连通域在待处理图像中所在的位置;
(c)连通域的面积;
(d)连通域的颜色模式;
(e)连通域的形状复杂度;
(f)连通域的纹理复杂度。
本发明实施例的交通标志检测方法和交通标志检测设备充分利用了交通标志独有的特性,去除检测出的“非交通标志”的候选项,极大地减少了噪声信息的影响,在加速后续的检测和识别过程的同时,降低误检率。
而且,本发明实施例的交通标志检测方法和交通标志检测设备将交通标志的特征层级化,实现渐进式的检测和识别。通过特征树的建立,在特征树的每个层次上,检测或识别工作都被限定在特定的范围内,使得在每个阶段仅需要部分交通标志模型的参与,而不是传统上的“全覆盖”式的模型匹配。如此不仅有助于更加精确地定位和识别交通标志,而且由于限定了范围,使得操作时间大大减少,效率得以提高。
此外,本发明实施例的交通标志检测方法和交通标志检测设备基于交通标志的意义及其与当前车辆的距离来警示驾驶员,这种方式更加灵活实用,同时也尽可能地减少了给驾驶带来的干扰。
在说明书中说明的一系列操作能够通过硬件、软件、或者硬件与软件的组合来执行。当由软件执行该一系列操作时,可以把其中的计算机程序安装到内置于专用硬件的计算机中的存储器中,使得计算机执行该计算机程序。或者,可以把计算机程序安装到能够执行各种类型的处理的通用计算机中,使得计算机执行该计算机程序。
例如,可以把计算机程序预先存储到作为记录介质的硬盘或者ROM(只读存储器)中。或者,可以临时或者永久地存储(记录)计算机程序到可移动记录介质中,诸如软盘、CD-ROM(光盘只读存储器)、MO(磁光)盘、DVD(数字多功能盘)、磁盘、或半导体存储器。可以把这样的可移动记录介质作为封装软件提供。
本发明已经参考具体实施例进行了详细说明。然而,很明显,在不背离本发明的精神的情况下,本领域技术人员能够对实施例执行更改和替换。换句话说,本发明用说明的形式公开,而不是被限制地解释。要判断本发明的要旨,应该考虑所附的权利要求。
Claims (10)
1.一种交通标志检测方法,包括:
颜色空间转换步骤,将输入的待处理图像转换为HSV颜色空间图像;
过滤步骤,根据各个交通标志的标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,生成连通域,所述连通域是通过过滤的图像的与所述标准颜色对应的区域;
排除步骤,根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;
识别步骤,根据交通标志候选区域的特征识别出相应的交通标志。
2.按照权利要求1所述的交通标志检测方法,还包括:
交通标志特征树建立步骤,通过将标准交通标志按照外部轮廓的颜色特征分为大类,在大类之下按照标准交通标志的外部轮廓的形状特征分为小类,在小类之下按照标准交通标志的内部轮廓的形状特征分为子类,来建立交通标志特征树。
3.按照权利要求2所述的交通标志检测方法,其中,所述识别步骤包括:
大类确定步骤,根据与该交通标志候选区域相应的交通标志标准颜色,确定该交通标志候选区域所属的大类;
小类确定步骤,利用事先训练的分类器,根据该交通标志候选区域的外部轮廓的形状特征确定该交通标志候选区域所属的小类;
子类确定步骤,根据该交通标志候选区域的内部轮廓的数目确定该交通标志候选区域的子类;
标志匹配步骤,通过将该交通标志候选区域与确定所属的子类中的所有标准交通标志进行匹配,将该交通标志候选区域确定为其中最匹配的标准交通标志。
4.按照权利要求3所述的交通标志检测方法,其中,在所述标志匹配步骤中,通过计算该交通标志候选区域的内部轮廓特征与所属的子类中的所有标准交通标志的内部轮廓特征之间的特征距离,其中与该交通标志候选区域的该特征距离最小的标准交通标志为最匹配的标准交通标志。
5.按照权利要求3所述的交通标志检测方法,其中,所述分类器利用旋转及尺度不变的样本交通标志的特征训练。
6.按照权利要求1所述的交通标志检测方法,还包括:
距离计算步骤,在识别出交通标志之后,根据拍摄该待处理图像的摄像机焦距、该交通标志在摄像机图像传感器上的尺寸、该交通标志的实际尺寸,来计算该摄像机距该交通标志的实际距离。
7.按照权利要求6所述的交通标志检测方法,还包括:
提示步骤,根据所识别的交通标志的含义及距该交通标志的实际距离来确定向驾驶员的提示方式,并以该方式向驾驶员提示。
8.按照权利要求1所述的交通标志检测方法,其中,在所述过滤步骤中,根据各个交通标志标准颜色的色度和饱和度分别的通过范围,过滤待处理图像的HSV格式图像的各个像素,仅当该像素的色度和饱和度分别在相应的通过范围内时,该像素通过过滤。
9.按照权利要求1所述的交通标志检测方法,其中,在所述排除步骤中,根据以下交通标志标准规则之中的任意一个或多个来排除所生成的连通域中不是交通标志的区域:
(a)连通域的长宽比;
(b)连通域在待处理图像中所在的位置;
(c)连通域的面积;
(d)连通域的颜色模式;
(e)连通域的形状复杂度;
(f)连通域的纹理复杂度。
10.一种交通标志检测设备,包括:
颜色空间转换装置,将输入的待处理图像转换为HSV颜色空间图像;
过滤装置,根据各个交通标志标准颜色的通过范围,过滤待处理图像的HSV颜色空间图像,生成连通域,所述连通域是通过过滤的图像的与所述标准颜色对应的区域;
排除装置,根据交通标志标准规则排除所生成的连通域中不是交通标志的区域,其余连通域作为交通标志候选区域;
识别装置,根据交通标志候选区域的特征识别出相应的交通标志。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110284766.3A CN103020623B (zh) | 2011-09-23 | 2011-09-23 | 交通标志检测方法和交通标志检测设备 |
US13/608,401 US8983136B2 (en) | 2011-09-23 | 2012-09-10 | Traffic sign detecting method and traffic sign detecting device |
JP2012202883A JP6024328B2 (ja) | 2011-09-23 | 2012-09-14 | 交通標識検知方法及び交通標識検知装置 |
EP12184369.2A EP2573711A3 (en) | 2011-09-23 | 2012-09-14 | Traffic sign detecting method and traffic sign detecing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110284766.3A CN103020623B (zh) | 2011-09-23 | 2011-09-23 | 交通标志检测方法和交通标志检测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020623A CN103020623A (zh) | 2013-04-03 |
CN103020623B true CN103020623B (zh) | 2016-04-06 |
Family
ID=47257376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110284766.3A Expired - Fee Related CN103020623B (zh) | 2011-09-23 | 2011-09-23 | 交通标志检测方法和交通标志检测设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8983136B2 (zh) |
EP (1) | EP2573711A3 (zh) |
JP (1) | JP6024328B2 (zh) |
CN (1) | CN103020623B (zh) |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092696B2 (en) * | 2013-03-26 | 2015-07-28 | Hewlett-Packard Development Company, L.P. | Image sign classifier |
CN103413124B (zh) * | 2013-08-19 | 2016-09-21 | 中国科学院自动化研究所 | 一种圆形交通标志检测方法 |
CN103440671B (zh) * | 2013-08-23 | 2016-12-28 | 方正国际软件有限公司 | 一种印章检测方法及系统 |
US9767371B2 (en) * | 2014-03-27 | 2017-09-19 | Georgia Tech Research Corporation | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same |
JP6354316B2 (ja) * | 2014-05-16 | 2018-07-11 | 株式会社デンソー | 画像検出装置及びプログラム |
KR102233391B1 (ko) * | 2014-06-16 | 2021-03-29 | 팅크웨어(주) | 전자 장치, 전자 장치의 제어 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN105590309B (zh) | 2014-10-23 | 2018-06-15 | 株式会社理光 | 前景图像分割方法和装置 |
KR101737791B1 (ko) * | 2014-10-23 | 2017-05-19 | 현대모비스 주식회사 | 교통 표지판 인식 장치 및 그 동작 방법 |
GB2531811B (en) * | 2014-11-03 | 2021-02-17 | Sony Europe Bv | A method, system and apparatus for providing improved audience participation |
CN104463105B (zh) * | 2014-11-19 | 2017-11-03 | 清华大学 | 路牌识别方法及装置 |
US9586585B2 (en) * | 2014-11-20 | 2017-03-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autonomous vehicle detection of and response to traffic officer presence |
JP6375911B2 (ja) * | 2014-12-05 | 2018-08-22 | 株式会社デンソー | カーブミラー検出装置 |
CN104616021B (zh) * | 2014-12-24 | 2020-05-05 | 清华大学 | 交通标志图像处理方法及装置 |
CN104574960B (zh) * | 2014-12-25 | 2016-08-24 | 宁波中国科学院信息技术应用研究院 | 一种交通灯识别方法 |
KR102506561B1 (ko) * | 2014-12-30 | 2023-03-06 | 쓰리엠 이노베이티브 프로퍼티즈 캄파니 | 차량용 표지판 식별 시스템 |
CN104766046B (zh) * | 2015-02-06 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种利用交通标识颜色及形状特征进行检测与识别方法 |
CN111380545A (zh) | 2015-02-10 | 2020-07-07 | 御眼视觉技术有限公司 | 用于自主车辆导航的方法、服务器、自主车辆以及介质 |
DE102015205502A1 (de) | 2015-03-26 | 2016-09-29 | Mando Corporation | Bildverarbeitungsverfahren und Bildverarbeitungssystem zum Extrahieren verzerrter kreisförmiger Bildelemente |
CN105118287A (zh) * | 2015-09-01 | 2015-12-02 | 南京理工大学 | 道路交通标志信息普查系统 |
US10371637B1 (en) * | 2015-09-18 | 2019-08-06 | Kejr, Inc. | Soil imaging probe and method of processing soil image to detect hydrocarbon contamination |
JP6688090B2 (ja) * | 2016-01-22 | 2020-04-28 | 株式会社デンソーテン | 物体認識装置および物体認識方法 |
JP6631690B2 (ja) | 2016-03-01 | 2020-01-15 | 株式会社リコー | 移動体管理装置、移動体管理方法、及び記憶媒体 |
CN105787475A (zh) * | 2016-03-29 | 2016-07-20 | 西南交通大学 | 一种复杂环境下的交通标志检测与识别方法 |
DE102016208025B4 (de) * | 2016-05-10 | 2019-06-27 | Continental Automotive Gmbh | Verfahren zur Erfassung von Verkehrszeichen |
US10185881B2 (en) * | 2016-11-23 | 2019-01-22 | Ford Global Technologies, Llc | Traffic-light detection and classification using computer vision and deep learning |
EP3336745B1 (en) * | 2016-12-15 | 2022-08-24 | Continental Autonomous Mobility Germany GmbH | Device for determining the presence of a road sign |
US10296794B2 (en) | 2016-12-20 | 2019-05-21 | Jayant Rtti | On-demand artificial intelligence and roadway stewardship system |
CN107066933B (zh) * | 2017-01-25 | 2020-06-05 | 武汉极目智能技术有限公司 | 一种道路标牌识别方法及系统 |
US10325166B2 (en) * | 2017-04-13 | 2019-06-18 | Here Global B.V. | Method, apparatus, and system for a parametric representation of signs |
US10643084B2 (en) * | 2017-04-18 | 2020-05-05 | nuTonomy Inc. | Automatically perceiving travel signals |
CN107301367B (zh) * | 2017-05-31 | 2021-08-03 | 深圳Tcl数字技术有限公司 | 距离检测与显示方法、终端、显示装置及存储介质 |
CN107316001A (zh) * | 2017-05-31 | 2017-11-03 | 天津大学 | 一种自动驾驶场景中小且密集的交通标志检测方法 |
CN109961643A (zh) * | 2017-12-25 | 2019-07-02 | 博世汽车部件(苏州)有限公司 | 提醒方法、提醒装置和车载设备 |
CN108304785A (zh) * | 2018-01-16 | 2018-07-20 | 桂林电子科技大学 | 基于自建神经网络的交通标志检测与识别方法 |
KR102118783B1 (ko) * | 2018-03-05 | 2020-06-03 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 조명환경에 강인한 색상 필터링을 위한 전처리 방법 및 그 시스템 |
AU2019235551B2 (en) | 2018-03-12 | 2022-02-03 | Jayant RATTI | On-demand artificial intelligence and roadway stewardship system |
CN109029339B (zh) * | 2018-05-09 | 2023-10-13 | 苏州天瞳威视电子科技有限公司 | 一种基于视觉的交通标志测距方法以及装置 |
CN108918532B (zh) * | 2018-06-15 | 2021-06-11 | 长安大学 | 一种快速道路交通标志破损检测系统及其检测方法 |
CN110879950A (zh) * | 2018-09-06 | 2020-03-13 | 北京市商汤科技开发有限公司 | 多级目标分类及交通标志检测方法和装置、设备、介质 |
US10928828B2 (en) | 2018-12-14 | 2021-02-23 | Waymo Llc | Detecting unfamiliar signs |
KR102505717B1 (ko) | 2019-01-29 | 2023-03-02 | 모셔널 에이디 엘엘씨 | 교통 신호등 추정 |
CN109886210B (zh) * | 2019-02-25 | 2022-07-19 | 百度在线网络技术(北京)有限公司 | 一种交通图像识别方法、装置、计算机设备和介质 |
CN111027580B (zh) * | 2019-04-03 | 2020-11-03 | 诸暨良嘉环保科技咨询有限公司 | 多参数现场采集系统 |
CN110633635A (zh) * | 2019-08-08 | 2019-12-31 | 北京联合大学 | 一种基于roi的交通标志牌实时检测方法及系统 |
CN111062414A (zh) * | 2019-11-11 | 2020-04-24 | 北京京邦达贸易有限公司 | 目标识别方法和装置 |
US12073632B2 (en) * | 2020-05-11 | 2024-08-27 | Toyota Research Institute, Inc. | Structural object detector for hierarchical ontology for traffic light handling |
CN114353819B (zh) * | 2022-01-04 | 2024-08-16 | 腾讯科技(深圳)有限公司 | 车辆的导航方法、装置、设备、存储介质及程序产品 |
CN115205825B (zh) * | 2022-07-15 | 2023-06-09 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404117A (zh) * | 2008-10-21 | 2009-04-08 | 东软集团股份有限公司 | 交通标志识别方法及装置 |
CN101702197A (zh) * | 2009-10-26 | 2010-05-05 | 宁波大学 | 一种道路交通标志的检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08219775A (ja) * | 1995-02-16 | 1996-08-30 | Mitsubishi Heavy Ind Ltd | 距離計測装置 |
JP3006471B2 (ja) * | 1996-01-08 | 2000-02-07 | 三菱自動車工業株式会社 | 標識の認識方法 |
US6266442B1 (en) | 1998-10-23 | 2001-07-24 | Facet Technology Corp. | Method and apparatus for identifying objects depicted in a videostream |
US7068844B1 (en) * | 2001-11-15 | 2006-06-27 | The University Of Connecticut | Method and system for image processing for automatic road sign recognition |
JP4587038B2 (ja) * | 2005-05-25 | 2010-11-24 | 住友電気工業株式会社 | 車両位置検出方法、並びに車両速度検出方法及び装置 |
EP1930863B1 (en) | 2006-12-06 | 2011-08-03 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
US8233670B2 (en) | 2007-09-13 | 2012-07-31 | Cognex Corporation | System and method for traffic sign recognition |
JP2010191505A (ja) * | 2009-02-16 | 2010-09-02 | Fujitsu Ten Ltd | 車両運転支援装置 |
-
2011
- 2011-09-23 CN CN201110284766.3A patent/CN103020623B/zh not_active Expired - Fee Related
-
2012
- 2012-09-10 US US13/608,401 patent/US8983136B2/en active Active
- 2012-09-14 JP JP2012202883A patent/JP6024328B2/ja active Active
- 2012-09-14 EP EP12184369.2A patent/EP2573711A3/en not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404117A (zh) * | 2008-10-21 | 2009-04-08 | 东软集团股份有限公司 | 交通标志识别方法及装置 |
CN101702197A (zh) * | 2009-10-26 | 2010-05-05 | 宁波大学 | 一种道路交通标志的检测方法 |
Non-Patent Citations (2)
Title |
---|
Hybrid Approach for Traffic Sign Recognition;R. Janssen等;《Intelligent Vehicles’93 Symposium》;19930716;第390-395页 * |
OAD SIGNS RECOGNITION USING A DYNAMIC PIXEL AGGREGATION TECNHIQUE IN THE HSV COLOR SPACE;S.Vitabile等;《Proceedings ICIAP 2001》;20010928;第572-577页 * |
Also Published As
Publication number | Publication date |
---|---|
JP2013069278A (ja) | 2013-04-18 |
JP6024328B2 (ja) | 2016-11-16 |
EP2573711A2 (en) | 2013-03-27 |
US20130077830A1 (en) | 2013-03-28 |
EP2573711A3 (en) | 2014-06-18 |
CN103020623A (zh) | 2013-04-03 |
US8983136B2 (en) | 2015-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020623B (zh) | 交通标志检测方法和交通标志检测设备 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN110501018B (zh) | 一种服务于高精度地图生产的交通标志牌信息采集方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN103559507B (zh) | 基于颜色与形状特征相结合的交通标志检测方法 | |
US8750567B2 (en) | Road structure detection and tracking | |
CN101702197A (zh) | 一种道路交通标志的检测方法 | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN106682597A (zh) | 一种交通信号灯识别方法 | |
CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
CN103093200A (zh) | 快速精准定位图像中车牌的算法 | |
Sallah et al. | Road sign detection and recognition system for real-time embedded applications | |
CN107886033A (zh) | 识别圆形交通灯的方法、装置及车辆 | |
Aldoski et al. | Impact of traffic sign diversity on autonomous vehicles: a literature review | |
CN117197019A (zh) | 一种车辆三维点云图像融合方法及系统 | |
Arlicot et al. | Circular Road sign extraction from street level images using colour, shape and texture databases maps. | |
Phu et al. | Traffic sign recognition system using feature points | |
CN115439836B (zh) | 一种基于计算机的健康驾驶辅助方法及系统 | |
CN105740827A (zh) | 一种基于快速标记连通的停止线检测与测距算法 | |
EP3392797B1 (en) | Device for determining vehicle navigation information | |
CN105760856A (zh) | 一种基于无向图分割的车牌定位方法及系统 | |
Butzke et al. | Automatic recognition of vehicle attributes-color classification and logo segmentation | |
Panoiu et al. | Study on road sign recognition in LabVIEW | |
Khaparde et al. | Survey on Automatic Number Plate Recognition System | |
Kazemi et al. | L* a* b* color model based road lane detection in autonomous vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160406 |