CN105930830A - 一种基于卷积神经网络的路面交通标志识别方法 - Google Patents
一种基于卷积神经网络的路面交通标志识别方法 Download PDFInfo
- Publication number
- CN105930830A CN105930830A CN201610330600.3A CN201610330600A CN105930830A CN 105930830 A CN105930830 A CN 105930830A CN 201610330600 A CN201610330600 A CN 201610330600A CN 105930830 A CN105930830 A CN 105930830A
- Authority
- CN
- China
- Prior art keywords
- layer
- neuron
- image
- convolutional
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Abstract
本发明公开了一种基于卷积神经网络的路面交通标志识别方法,包括以下步骤:图像采集和预处理;卷积神经网络结构的设计及训练。本发明采用V‑视差法从原始图像中获取路面区域,能够降低非路面干扰造成的影响,使得提取路面区域的精度提高。本发明采用俯视图重构路面区域,将视觉图像里由于视角的原因,呈现出的不平行的线,重构为近似的平行线,更有利于路面交通标志的识别,提高了对视角倾斜的适应能力。本发明采用卷积神经网络这一深度学习方法,能够从大量的训练样本中提取到反映数据本质的隐性特征。相比于浅层学习分类器,它具有更高的学习效率和识别精度。
Description
技术领域
本发明属于汽车安全辅助驾驶领域,特别涉及到一种路面交通标志识别方法。
背景技术
路面交通标志识别是汽车安全辅助驾驶系统研究中一项重要的研究内容,是保证汽车安全驾驶、减少交通事故的一种有效途径。
目前,路面交通标志识别的方法大致可以分为基于形状的识别方法、基于颜色的识别方法和基于机器学习的识别方法。基于形状的识别方法对视角倾斜的适应能力比较差。基于颜色的识别方法对于外界干扰比较多的环境无法取得令人足够满意的效果。基于机器学习的识别方法主要是应用分类器对目标进行分类,一般有人工神经网络、支持向量机等浅层学习模型。但是,这些方法需要提取目标的显式特征,容易造成重要信息的丢失,环境适应能力比较差;而且,有限的学习深度使其难以在参数和样本巨大的情况下,保证学习结构的效率。相比浅层学习,深度学习能够直接对原始图像进行识别,提取反映数据本质的隐性特征,具有足够的学习深度。卷积神经网络隐式地从训练数据中进行学习,具有局部权值共享的特性,对于环境复杂、多角度变化等情况都具有一定的实时性和鲁棒性。因此,需要设计一种能够精确获取道路场景中路面交通标志的识别方法。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种能够精确获取道路场景中路面交通标志的基于卷积神经网络的路面交通标志识别方法,以便有助于辅助驾驶员在复杂的条件下更好地感知车外环境,预防交通事故的发生。
为了实现上述目的,本发明的技术方案如下:
一种基于卷积神经网络的路面交通标志识别方法,包括以下步骤:
A、图像采集和预处理
首先,通过安装在车辆前方的相机采集车辆行驶环境的RGB-D图像,即包含颜色RGB信息的彩色图像和深度Depth信息的深度图像;其次,采用V-视差法从深度图像中检测路面区域,将获取的路面区域作为路面交通标志识别的感兴趣区域;然后,通过计算得到相机的内部参数以及外部参数,对感兴趣区域进行俯视图重构;最后,从俯视图重构的路面区域中提取图像样本,即从图像左下角开始,在横向方向和纵向方向上,每间隔3个像素值,截取像素值大小为64×64的图像样本。
B、卷积神经网络结构的设计及训练
B1、卷积神经网络结构由9层组成,包括1个输入层、1个输出层、1个全连接层、6个隐含层,隐含层由3层卷积层和3层采样层交替组成。输入层的像素值大小为64×64的图像样本。输出层的神经元个数为5个,分别用于识别车道线、停止线、斑马线、行车方向箭头和限速数字。
大小为64×64的图像样本经输入层进入卷积层C1中。卷积层C1有32个大小为56×56的特征图,特征图的每个神经元与输入层中的一个大小为9×9的局部感受野相连接,卷积层C1具有的可训练参数为2624个,连接数为8228864个。采样层S2有32个大小为28×28的特征图,特征图的每个神经元与卷积层C1中的一个大小为2×2的邻域相连,采样层S2具有的可训练参数为64个,连接数为50176个。卷积层C3有64个大小为20×20的特征图,特征图的每个神经元与采样层S2中的一个大小为9×9的局部感受野相连,卷积层C3具有的可训练参数为5248个,连接数为2099200个。采样层S4有64个大小为10×10的特征图,特征图的每个神经元与卷积层C3的一个大小为2×2的邻域相连接,采样层S4具有的可训练参数为128个,连接数为12800个。卷积层C5有96个大小为2×2的特征图,特征图的每个神经元与采样层S4的一个9×9的局部感受野相连,卷积层C5具有的可训练参数为7872个,连接数为31488个。采样层S6有96个大小为1×1的特征图,特征图的每个神经元与卷积层C5的一个大小为2×2的邻域相连接,采样层S6具有的可训练参数为192个,连接数为192个。全连接层F7与采样层S6进行全连接,全连接层F7具有1440个神经元,139680个可训练参数。输出层由径向基函数单元组成。
卷积神经网络第l个卷积层中第j个神经元表示为:
式中:f(·)表示卷积层的激活函数,是当前层的输入神经元,w是卷积核,Mj代表输入特征图的一个选择,b代表偏置。其中,上标l∈{1,3,5}表示层数索引号;下标i=1,2,3,……,表示第l层的神经元索引号;下标j=1,2,3,……,表示第l-1层的神经元索引号。
卷积神经网络第l个采样层中第j个神经元表示为:
式中:g(·)表示采样层的激活函数,β表示采样层的权值,down(·)代表采样函数,是对前一层图像的一个方形的区域求和,是当前层的输入神经元,k代表偏置。其中,上标l∈{2,4,6}表示层数索引号;下标i=1,2,3,……,表示第l-1层的神经元索引号;下标j=1,2,3,……,表示第l层的神经元索引号。
激活函数采用线性修正激活函数ReLU,其具体形式为:f=max(0;x),其能够使卷积神经网络的训练速度加快,并且能够较好的传递误差梯度。
B2、根据实际应用环境,将上述卷积神经网络的输出神经元的个数设定为5个,分别用于识别车道线、停止线、斑马线、行车方向箭头和限速数字。然后采用步骤A获得的图像样本进行训练。卷积神经网络采用离线训练的方式,卷积神经网络训练的样本集为10000张像素值大小为64×64的图像样本,且保证不同类别的样本数目相同。卷积神经网络初始权值的选取采用随机法产生。当卷积神经网络的输出值与期望值的误差在可接受范围内时,便得到用于路面交通标志识别的卷积神经网络。
与现有技术相比,本发明的益处是:
1、本发明采用V-视差法从原始图像中获取路面区域,能够降低非路面干扰造成的影响,使得提取路面区域的精度提高。
2、本发明采用俯视图重构路面区域,将视觉图像里由于视角的原因,呈现出的不平行的线,重构为近似的平行线,更有利于路面交通标志的识别,提高了对视角倾斜的适应能力。
3、本发明采用卷积神经网络这一深度学习方法,能够从大量的训练样本中提取到反映数据本质的隐性特征。相比于浅层学习分类器,它具有更高的学习效率和识别精度。
附图说明
本发明共有附图9张,其中:
图1是卷积神经网络的结构示意图。
图2是基于卷积神经网络的路面交通标志识别方法流程图。
图3是原始采集图像的彩色图。
图4是原始采集图像的深度图。
图5是基于V视差法检测到的路面区域示意图。
图6是获取的路面区域示意图。
图7俯视图重构后的路面区域示意图.
图8是部分图像样本集示意图。
图9是检测结果示意图。
具体实施方式
下面结合附图和技术方案对本发明作详细说明。
如附图2所示为基于卷积神经网络的路面交通标志识别的流程图,本发明的具体实施方式包括以下步骤:
A、图像采集和预处理
首先,通过安装在车辆前方的相机采集车辆行驶环境的RGB-D图像,即包含颜色RGB信息的彩色图像(如图3所示)和深度Depth信息的深度图像(如图4所示);其次,采用V-视差法从深度图像中检测路面区域(如图5所示),将获取的路面区域作为路面交通标志识别的感兴趣区域(如图6所示);然后,通过计算得到相机的内部参数以及外部参数,对感兴趣区域进行俯视图重构(如图7所示);最后,从俯视图重构的路面区域中提取图像样本,即从图像左下角开始,在横向方向和纵向方向上,每间隔3个像素值,截取像素值大小唯一的64×64的图像样本。部分样本集如图8所示。
B、CNN网络结构的设计及训练
B1、卷积神经网络结构示意图如图1所示。此卷积神经网络由9个层组成,1个输入层,1个输出层,1个全连接层,隐含层是由3层卷积层和3层采样层交替组成的。网络的输入层为像素值大小为64×64的图像样本。输出层的神经元个数为5个,用于识别车道线、停止线、斑马线、行车方向箭头和限速数字。
大小为64×64的图像样本经输入层进入卷积层C1中。卷积层C1有32个大小为56×56的特征图,特征图的每个神经元与输入层中的一个大小为9×9的局部感受野相连接,卷积层C1具有的可训练参数为2624个,连接数为8228864。采样层S2有32个大小为28×28的特征图,特征图的每个神经元与卷积层C1中的一个大小为2×2的邻域相连,采样层S2具有的可训练参数为64个,连接数为50176个。卷积层C3有64个大小为20×20的特征图,特征图的每个神经元与采样层S2中的一个大小为9×9的局部感受野相连,卷积层C3具有的可训练参数为5248个,连接数为2099200个。采样层S4有64个大小为10×10的特征图,特征图的每个神经元与卷积层C3的一个大小为2×2的邻域相连接,采样层S4具有的可训练参数为128个,连接数为12800个。卷积层C5有96个大小为2×2的特征图,特征图的每个神经元与采样层S4的一个9×9的局部感受野相连,卷积层C5具有的可训练参数为7872个,连接数为31488个。采样层S6有96个大小为1×1的特征图,特征图的每个神经元与卷积层C5的一个大小为2×2的邻域相连接,采样层S6具有的可训练参数为192个,连接数为192个。网络层F7与采样层S6进行全连接,全连接层F7具有1440个神经元,139680个可训练参数。输出层是由径向基函数单元组成。
卷积神经网络第l个卷积层中第j个神经元可表示为:
式中:f(·)表示卷积层的激活函数,是当前层的输入神经元,w是卷积核,Mj代表输入特征图的一个选择,b代表偏置。其中,上标l∈{1,3,5}表示层数索引号;下标i=1,2,3,……,表示第l层的神经元索引号;下标j=1,2,3,……,表示第l-1层的神经元索引号。
卷积神经网络第l个采样层中第j个神经元可表示为:
式中:g(·)表示采样层的激活函数,β表示采样层的权值,down(·)代表采样函数,是对前一层图像的一个方形的区域求和,是当前层的输入神经元,k代表偏置。其中,上标l∈{2,4,6}表示层数索引号;下标i=1,2,3,……,表示第l-1层的神经元索引号;下标j=1,2,3,……,表示第l层的神经元索引号。
激活函数采用线性修正激活函数(ReLU),其具体形式为:f=max(0;x),其能够使网络的训练速度加快,并且能够较好的传递误差梯度。
B2、根据实际应用环境,将上述卷积神经网络的输出神经元的个数设定为5个,用于识别车道线、停止线、斑马线、行车方向箭头和限速数字。然后采用步骤A获得的图像样本进行训练。卷积神经网络采用的是离线训练的方式,卷积神经网络训练的样本集为10000张像素值大小为64×64的图像样本,且保证不同类别的样本数目相同。网络初始权值的选取采用随机法产生。当卷积神经网络的输出值与期望值的误差在可接受范围内时,便得到可用于路面交通标志识别的卷积神经网络。
最后,对训练完的卷积神经网络进行测试,以检测行车方向箭头为例,输入一张原始采集图像后,检测结果如图9所示。
Claims (1)
1.一种基于卷积神经网络的路面交通标志识别方法,其特征在于:包括以下步骤:
A、图像采集和预处理
首先,通过安装在车辆前方的相机采集车辆行驶环境的RGB-D图像,即包含颜色RGB信息的彩色图像和深度Depth信息的深度图像;其次,采用V-视差法从深度图像中检测路面区域,将获取的路面区域作为路面交通标志识别的感兴趣区域;然后,通过计算得到相机的内部参数以及外部参数,对感兴趣区域进行俯视图重构;最后,从俯视图重构的路面区域中提取图像样本,即从图像左下角开始,在横向方向和纵向方向上,每间隔3个像素值,截取像素值大小为64×64的图像样本;
B、卷积神经网络结构的设计及训练
B1、卷积神经网络结构由9层组成,包括1个输入层、1个输出层、1个全连接层、6个隐含层,隐含层由3层卷积层和3层采样层交替组成;输入层的像素值大小为64×64的图像样本;输出层的神经元个数为5个,分别用于识别车道线、停止线、斑马线、行车方向箭头和限速数字;
大小为64×64的图像样本经输入层进入卷积层C1中;卷积层C1有32个大小为56×56的特征图,特征图的每个神经元与输入层中的一个大小为9×9的局部感受野相连接,卷积层C1具有的可训练参数为2624个,连接数为8228864个;采样层S2有32个大小为28×28的特征图,特征图的每个神经元与卷积层C1中的一个大小为2×2的邻域相连,采样层S2具有的可训练参数为64个,连接数为50176个;卷积层C3有64个大小为20×20的特征图,特征图的每个神经元与采样层S2中的一个大小为9×9的局部感受野相连,卷积层C3具有的可训练参数为5248个,连接数为2099200个;采样层S4有64个大小为10×10的特征图,特征图的每个神经元与卷积层C3的一个大小为2×2的邻域相连接,采样层S4具有的可训练参数为128个,连接数为12800个;卷积层C5有96个大小为2×2的特征图,特征图的每个神经元与采样层S4的一个9×9的局部感受野相连,卷积层C5具有的可训练参数为7872个,连接数为31488个;采样层S6有96个大小为1×1的特征图,特征图的每个神经元与卷积层C5的一个大小为2×2的邻域相连接,采样层S6具有的可训练参数为192个,连接数为192个;全连接层F7与采样层S6进行全连接,全连接层F7具有1440个神经元,139680个可训练参数;输出层由径向基函数单元组成;
卷积神经网络第l个卷积层中第j个神经元表示为:
式中:f(·)表示卷积层的激活函数,是当前层的输入神经元,w是卷积核,Mj代表输入特征图的一个选择,b代表偏置;其中,上标l∈{1,3,5}表示层数索引号;下标i=1,2,3,……,表示第l层的神经元索引号;下标j=1,2,3,……,表示第l-1层的神经元索引号;
卷积神经网络第l个采样层中第j个神经元表示为:
式中:g(·)表示采样层的激活函数,β表示采样层的权值,down(·)代表采样函数,是对前一层图像的一个方形的区域求和,是当前层的输入神经元,k代表偏置;其中,上标l∈{2,4,6}表示层数索引号;下标i=1,2,3,……,表示第l-1层的神经元索引号;下标j=1,2,3,……,表示第l层的神经元索引号;
激活函数采用线性修正激活函数ReLU,其具体形式为:f=max(0;x),其能够使卷积神经网络的训练速度加快,并且能够较好的传递误差梯度;
B2、根据实际应用环境,将上述卷积神经网络的输出神经元的个数设定为5个,分别用于识别车道线、停止线、斑马线、行车方向箭头和限速数字;然后采用步骤A获得的图像样本进行训练;卷积神经网络采用离线训练的方式,卷积神经网络训练的样本集为10000张像素值大小为64×64的图像样本,且保证不同类别的样本数目相同;卷积神经网络初始权值的选取采用随机法产生;当卷积神经网络的输出值与期望值的误差在可接受范围内时,便得到用于路面交通标志识别的卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610330600.3A CN105930830B (zh) | 2016-05-18 | 一种基于卷积神经网络的路面交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610330600.3A CN105930830B (zh) | 2016-05-18 | 一种基于卷积神经网络的路面交通标志识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930830A true CN105930830A (zh) | 2016-09-07 |
CN105930830B CN105930830B (zh) | 2019-07-16 |
Family
ID=
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355210A (zh) * | 2016-09-14 | 2017-01-25 | 华北电力大学(保定) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN106647758A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市盛世智能装备有限公司 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
CN106909886A (zh) * | 2017-01-20 | 2017-06-30 | 中国石油大学(华东) | 一种基于深度学习的高精度交通标志检测方法及系统 |
CN107066965A (zh) * | 2017-04-11 | 2017-08-18 | 北京汽车集团有限公司 | 检测交通标识的方法及装置 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN107301773A (zh) * | 2017-06-16 | 2017-10-27 | 上海肇观电子科技有限公司 | 一种向目标对象提示信息的方法及装置 |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN107644221A (zh) * | 2017-10-31 | 2018-01-30 | 南京航空航天大学 | 基于参数压缩的卷积神经网络交通标志识别方法 |
CN107689157A (zh) * | 2017-08-30 | 2018-02-13 | 电子科技大学 | 基于深度学习的交通路口可通行道路规划方法 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
CN108545021A (zh) * | 2018-04-17 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种识别特殊目标的辅助驾驶方法及系统 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN108734123A (zh) * | 2018-05-18 | 2018-11-02 | 武昌理工学院 | 高速公路标志识别方法、电子设备、存储介质及系统 |
CN109002886A (zh) * | 2018-09-21 | 2018-12-14 | 杭州谛瞳科技有限公司 | 图像处理方法和电子设备 |
CN109165579A (zh) * | 2018-08-08 | 2019-01-08 | 奇瑞汽车股份有限公司 | 检测停止线的方法和装置 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109472272A (zh) * | 2018-11-05 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于自编码卷积网络的线条检测方法 |
CN109902637A (zh) * | 2019-03-05 | 2019-06-18 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
WO2019114991A1 (en) * | 2017-12-15 | 2019-06-20 | Continental Automotive Gmbh | Method and system for training and updating a classifier |
CN110008848A (zh) * | 2019-03-13 | 2019-07-12 | 华南理工大学 | 一种基于双目立体视觉的道路可行驶区域识别方法 |
CN110108285A (zh) * | 2019-05-31 | 2019-08-09 | 大连交通大学 | 高速列车行车定位系统及其定位方法 |
CN110390228A (zh) * | 2018-04-20 | 2019-10-29 | 北京四维图新科技股份有限公司 | 基于神经网络的交通标志图片识别方法、装置及存储介质 |
US10460179B2 (en) | 2017-03-10 | 2019-10-29 | Mando Hella Electronics Corporation | System and method for recognizing a lane |
CN110799982A (zh) * | 2017-06-06 | 2020-02-14 | 智加科技公司 | 用于自动驾驶车辆中的以物体为中心的立体视觉的方法和系统 |
CN111191611A (zh) * | 2019-12-31 | 2020-05-22 | 同济大学 | 基于深度学习的交通标志标号识别方法 |
CN112329684A (zh) * | 2020-11-16 | 2021-02-05 | 常州大学 | 一种基于注视检测和交通场景识别的行人穿越马路意图识别方法 |
CN113536942A (zh) * | 2021-06-21 | 2021-10-22 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110109476A1 (en) * | 2009-03-31 | 2011-05-12 | Porikli Fatih M | Method for Recognizing Traffic Signs |
CN104517103A (zh) * | 2014-12-26 | 2015-04-15 | 广州中国科学院先进技术研究所 | 一种基于深度神经网络的交通标志分类方法 |
CN104537393A (zh) * | 2015-01-04 | 2015-04-22 | 大连理工大学 | 一种基于多分辨率卷积神经网络的交通标志识别方法 |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
US20150220796A1 (en) * | 2014-02-03 | 2015-08-06 | Denso Corporation | Sign recognition apparatus and method for determining left- or right-hand traffic division and distance unit |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110109476A1 (en) * | 2009-03-31 | 2011-05-12 | Porikli Fatih M | Method for Recognizing Traffic Signs |
US20150220796A1 (en) * | 2014-02-03 | 2015-08-06 | Denso Corporation | Sign recognition apparatus and method for determining left- or right-hand traffic division and distance unit |
CN104517103A (zh) * | 2014-12-26 | 2015-04-15 | 广州中国科学院先进技术研究所 | 一种基于深度神经网络的交通标志分类方法 |
CN104537393A (zh) * | 2015-01-04 | 2015-04-22 | 大连理工大学 | 一种基于多分辨率卷积神经网络的交通标志识别方法 |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
Non-Patent Citations (2)
Title |
---|
MATTHEW D. ZEILER ET AL.: ""Visualizing and understanding convolutional networks"", 《EUR. CONF. COMPUT. VIS. (ECCV)》 * |
SAURABH GUPTA ET AL.: ""Learning rich features from RGB-D images for object detection and segmentation"", 《EUR. CONF. COMPUT. VIS. (ECCV)》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355210A (zh) * | 2016-09-14 | 2017-01-25 | 华北电力大学(保定) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 |
CN106355210B (zh) * | 2016-09-14 | 2019-03-19 | 华北电力大学(保定) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
CN106407931B (zh) * | 2016-09-19 | 2019-11-22 | 杭州电子科技大学 | 一种深度卷积神经网络运动车辆检测方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
CN106647758A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市盛世智能装备有限公司 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
CN106909886A (zh) * | 2017-01-20 | 2017-06-30 | 中国石油大学(华东) | 一种基于深度学习的高精度交通标志检测方法及系统 |
CN106909886B (zh) * | 2017-01-20 | 2019-05-03 | 中国石油大学(华东) | 一种基于深度学习的高精度交通标志检测方法及系统 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
US10460179B2 (en) | 2017-03-10 | 2019-10-29 | Mando Hella Electronics Corporation | System and method for recognizing a lane |
CN107066965A (zh) * | 2017-04-11 | 2017-08-18 | 北京汽车集团有限公司 | 检测交通标识的方法及装置 |
CN107203134B (zh) * | 2017-06-02 | 2020-08-18 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
US11790551B2 (en) | 2017-06-06 | 2023-10-17 | Plusai, Inc. | Method and system for object centric stereo in autonomous driving vehicles |
CN110799982A (zh) * | 2017-06-06 | 2020-02-14 | 智加科技公司 | 用于自动驾驶车辆中的以物体为中心的立体视觉的方法和系统 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN107301383B (zh) * | 2017-06-07 | 2020-11-24 | 华南理工大学 | 一种基于Fast R-CNN的路面交通标志识别方法 |
CN107301773A (zh) * | 2017-06-16 | 2017-10-27 | 上海肇观电子科技有限公司 | 一种向目标对象提示信息的方法及装置 |
CN107689157B (zh) * | 2017-08-30 | 2021-04-30 | 电子科技大学 | 基于深度学习的交通路口可通行道路规划方法 |
CN107689157A (zh) * | 2017-08-30 | 2018-02-13 | 电子科技大学 | 基于深度学习的交通路口可通行道路规划方法 |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN107644221A (zh) * | 2017-10-31 | 2018-01-30 | 南京航空航天大学 | 基于参数压缩的卷积神经网络交通标志识别方法 |
US11301721B2 (en) | 2017-12-15 | 2022-04-12 | Continental Automotive Gmbh | Method and system for training and updating a classifier |
WO2019114991A1 (en) * | 2017-12-15 | 2019-06-20 | Continental Automotive Gmbh | Method and system for training and updating a classifier |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN108545021A (zh) * | 2018-04-17 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种识别特殊目标的辅助驾驶方法及系统 |
CN108537197B (zh) * | 2018-04-18 | 2021-04-16 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
CN108537197A (zh) * | 2018-04-18 | 2018-09-14 | 吉林大学 | 一种基于深度学习的车道线检测预警装置及预警方法 |
CN110390228B (zh) * | 2018-04-20 | 2022-05-10 | 北京四维图新科技股份有限公司 | 基于神经网络的交通标志图片识别方法、装置及存储介质 |
CN110390228A (zh) * | 2018-04-20 | 2019-10-29 | 北京四维图新科技股份有限公司 | 基于神经网络的交通标志图片识别方法、装置及存储介质 |
CN108734123A (zh) * | 2018-05-18 | 2018-11-02 | 武昌理工学院 | 高速公路标志识别方法、电子设备、存储介质及系统 |
CN108734123B (zh) * | 2018-05-18 | 2021-09-17 | 武昌理工学院 | 高速公路标志识别方法、电子设备、存储介质及系统 |
CN109165579A (zh) * | 2018-08-08 | 2019-01-08 | 奇瑞汽车股份有限公司 | 检测停止线的方法和装置 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109325438B (zh) * | 2018-09-18 | 2021-06-15 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109002886A (zh) * | 2018-09-21 | 2018-12-14 | 杭州谛瞳科技有限公司 | 图像处理方法和电子设备 |
CN109472272A (zh) * | 2018-11-05 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于自编码卷积网络的线条检测方法 |
CN109902637B (zh) * | 2019-03-05 | 2021-03-19 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN109902637A (zh) * | 2019-03-05 | 2019-06-18 | 长沙智能驾驶研究院有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
CN110008848A (zh) * | 2019-03-13 | 2019-07-12 | 华南理工大学 | 一种基于双目立体视觉的道路可行驶区域识别方法 |
CN110108285A (zh) * | 2019-05-31 | 2019-08-09 | 大连交通大学 | 高速列车行车定位系统及其定位方法 |
CN111191611A (zh) * | 2019-12-31 | 2020-05-22 | 同济大学 | 基于深度学习的交通标志标号识别方法 |
CN111191611B (zh) * | 2019-12-31 | 2023-10-13 | 同济大学 | 基于深度学习的交通标志标号识别方法 |
CN112329684A (zh) * | 2020-11-16 | 2021-02-05 | 常州大学 | 一种基于注视检测和交通场景识别的行人穿越马路意图识别方法 |
CN113536942A (zh) * | 2021-06-21 | 2021-10-22 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
CN113536942B (zh) * | 2021-06-21 | 2024-04-12 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985194B (zh) | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 | |
CN107576960B (zh) | 视觉雷达时空信息融合的目标检测方法及系统 | |
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
CN105260712B (zh) | 一种车辆前方行人检测方法及系统 | |
CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
CN110766098A (zh) | 基于改进YOLOv3的交通场景小目标检测方法 | |
CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN110008848A (zh) | 一种基于双目立体视觉的道路可行驶区域识别方法 | |
CN106599832A (zh) | 一种基于卷积神经网络的多类障碍物检测与识别方法 | |
CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
CN107392019A (zh) | 一种恶意代码家族的训练和检测方法及装置 | |
CN110910378B (zh) | 一种基于深度融合网络的双模态图像能见度检测方法 | |
CN106096607A (zh) | 一种车牌识别方法 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
CN112183203A (zh) | 一种基于多尺度像素特征融合的实时交通标志检测方法 | |
CN110599497A (zh) | 一种基于深度神经网络的可行驶区域分割方法 | |
CN105989334A (zh) | 基于单目视觉的道路检测方法 | |
Nukano et al. | Vehicle license plate character recognition by neural networks | |
CN106529417A (zh) | 一种视觉激光数据融合的道路检测方法 | |
US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 | |
CN108399398A (zh) | 一种基于深度学习的无人驾驶汽车障碍物识别检测方法 | |
CN106919939A (zh) | 一种交通标识牌跟踪识别方法及系统 | |
CN114241458A (zh) | 一种基于姿态估计特征融合的驾驶员行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190716 Termination date: 20210518 |