CN106503663A - 一种基于深度学习的信号灯时长检测方法 - Google Patents

一种基于深度学习的信号灯时长检测方法 Download PDF

Info

Publication number
CN106503663A
CN106503663A CN201610940701.2A CN201610940701A CN106503663A CN 106503663 A CN106503663 A CN 106503663A CN 201610940701 A CN201610940701 A CN 201610940701A CN 106503663 A CN106503663 A CN 106503663A
Authority
CN
China
Prior art keywords
signal lighties
duration
training
layer
lighties
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
Application number
CN201610940701.2A
Other languages
English (en)
Inventor
蔡英凤
刘泽
王海
孙晓强
高力
郑正扬
何友国
陈龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201610940701.2A priority Critical patent/CN106503663A/zh
Publication of CN106503663A publication Critical patent/CN106503663A/zh
Pending legal-status Critical Current

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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
    • G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的信号灯时长检测方法，属于图像处理与模式识别领域。本发明利用车载摄像系统采集信号灯图片，对信号灯图片进行尺寸归一化，信号灯数字居中处理，固定尺寸32×32像素；利用快速特征植入的卷积结构对训练集中的样本进行训练，得到训练模型；用训练好的训练模型权值文件对车载摄像系统采集的信号灯图片进行信号灯时长预测。本发明极大地提高了信号灯检测的准确率，并能够实时地检测出信号灯时长，从而能够及时地获取交叉口信号灯信息。

Description

一种基于深度学习的信号灯时长检测方法
技术领域
本发明属于图像处理与模式识别领域，尤其涉及一种基于深度学习的信号灯时长检测方法。
技术背景
近年来，随着数据的获得、先进理论的发现，以及高性能并行计算技术的发展，以深度学习为载体的特征学习技术相继在视觉、语音、语言等很多研究领域中取得突破性的成果，在工业界和学术界得到广泛认可。
深度学习是由多个处理层组成的计算模型，可以通过学习获得数据的多抽象层表示。这种方法提高了视觉目标识别和检测效果，很多领域从中受益。深度学习只需要少量人工干预，非常适合当前大规模计算系统和海量数据。
信号灯检测在辅助驾驶系统和无人驾驶系统中占有重要地位。信号灯检测在无人驾驶车辆通过交叉路口提供导航信息、辅助疲劳驾驶的驾驶员安全驾驶方面发挥着重要作用。近年来国内外虽然对信号灯检测技术已有很多的研究，但实时地、准确地视频信号灯检测仍然面临巨大挑战。
中国专利(CN105608417A)公开了一种交通信号灯检测方法及装置。该方法首先根据分布信息搜索交通信号灯，得到交通信号灯的粗估计位置，以所述交通信号灯的粗估计位置为中心生成一个全局坐标系下的坐标网格，将坐标网格投影到摄像机图像平面，根据摄像机采集的实时图像信息通过坐标系定位转换后在坐标网格中计算交通信号灯的位置概率分布，根据所述位置概率分布划分精估计位置。该方法存在的不足之处是根据分布信息和坐标网络搜索交通信号灯的过程实时性差，计算效率低，不适用于真实环境中交通信号灯的检测。
中国专利(CN105489035A)公开了一种应用在主动驾驶技术中检测交通信号灯的方法。该方法首先：利用车载GPS对车身位置进行“粗”定位，以获取车身位置信息，再通过地图信息、车载雷达系统对车身位置进行校正，获取到车身实时的精确位置后，控制模块将精确位置信息传给地图模块，查询当前位置距离前方路口的距离，在以车身为中心的世界坐标系中，得到信号灯的坐标，通过世界坐标系转换为图像坐标系，确定信号灯的图像坐标区域，在图像坐标系中锁定信号灯的图像坐标区域来检测信号灯。该方法存在的不足之处是受车载传感器影响大，且实现复杂，不适用于对交通信号灯精准快速地检测。
发明内容
为了解决现有技术的不足，本发明提出了一种基于深度学习的信号灯时长检测方法，适合用于自然环境中变化多端的自然数据，具有非常优良的泛化能力和鲁棒性。
本发明是通过以下技术方案实现上述技术目的的。
一种基于深度学习的信号灯时长检测方法，包括以下步骤：
S1，硬件准备：一台安装Linux/Windows/MacOS的计算机以及车载摄像系统；
S2，在图形处理器上搭建基于快速特征植入的卷积结构框架的深度学习信号灯时长检测的平台；
S3，通过车载摄像系统获取用于信号灯时长检测的信号灯训练样本数据集；
S3.1，车载摄像系统以不同角度、不同距离采集若干张信号灯训练样本图像；
S3.2，对训练样本图像进行信号灯时长的定位、校正、二值化和数字字符分割；
S3.3，对于训练样本图像中的几何畸变样本图像进行校正；
S3.4，将信号灯训练样本图片尺寸归一化、数字居中处理、统一格式；
S4，创建一种基于快速特征植入的卷积结构的深度学习信号灯时长检测的网络结构TL；
S4.1，定义用于信号灯时长数字训练的训练网络描述文件；
S4.2，预测信号灯时长数字训练网络的迭代次数和输入样本组大小；
S4.3，创建信号灯时长检测的训练网络结构TL，输出训练模型；
S5，利用训练好的信号灯时长数字训练模型对信号灯时长数字进行识别；
S5.1，指定训练模型的描述文本文件；
S5.2，指定训练模型训练好的权值文件；
S5.3，指定车载摄像系统采集的信号灯图片在训练模型中的迭代次数；
S5.4，得到信号灯时长数字。
进一步，所述信号灯为红灯和绿灯。
进一步，所述S2中的检测的平台包括中央处理器、操作系统、图形处理器及快速特征植入的卷积结构框架，所述中央处理器用于信号灯时长检测整个过程的基础运算，所述图形处理器用于加快中央处理器的运算速度，所述操作系统用于管理和控制中央处理器和图形处理器，所述快速特征植入的卷积结构框架用于信号灯时长检测。
进一步，所述车载摄像系统包括车载摄像机、车载控制计算机、置于车载控制计算机中的图像采集卡、网络硬盘录像机NVR、网络交换机及车载输出显示器，所述网络交换机通过非屏蔽双绞线分别与车载摄像机、车载控制计算机及网络硬盘录像机NVR相连，所述网络硬盘录像机NVR与车载输出显示器相连。
进一步，所述S4.3具体为：
S4.3.1，在信号灯时长数字训练网络输入层创建一个数据层，产生两个输出；
S4.3.2，在训练网络中创建第一层卷积层、卷积核、第一层下采样层；
S4.3.3，创建第二层卷积层、卷积核、第二层下采样层；
S4.3.4，创建第一层全连接层、激活层、第二层全连接层；
S4.3.5，最后创建SoftMax层，得到输出层；
S4.3.6，训练完毕，输出训练模型。
更进一步，所述S4.3.1产生的两个输出为图片数据和标签数据。
本发明的有益效果为：本发明通过对基于深度学习的大量交通信号灯样本的训练，首先使用车载摄像系统对其所采集的图片是否含有交通信号灯能够精确的、实时的进行判定，进而识别信号灯时长。本发明的信号灯时长检测装系统具备学习的能力，仅通过接收系统输入的训练样本，不需要人工设计特征提取器，自动实现该系统内部算法，并具有非常优良的泛化能力和鲁棒性；对不在训练样本中的信号灯图片，也能够产生正确的输出。
附图说明
为了更清楚地说明本发明的实施例中的技术方案，下面对实施例描述中所需要使用的附图做简要介绍。
图1为车载摄像系统的结构示意图；
图2为基于深度学习的信号灯时长检测方法的流程图；
图3为训练网络结构示意图。
具体实施方式
本发明实施例提供了一种基于深度学习的信号灯时长检测方法，其中基于本发明的实施例，本领域的其他技术人员在没有做出创造性劳动的前提下所获得的实施例，都属于本发明所保护的范围。
如图2所示，一种基于深度学习的信号灯时长检测方法，包括步骤：
S1，硬件准备：
S1.1，准备一台安装Linux/Windows/MacOS操作系统的计算机，中央处理器内存≥2G，优选为8G；
S1.2，组装车载摄像系统，如图1所示，车载摄像系统包括车载摄像机、车载控制计算机、置于车载控制计算机中的图像采集卡、网络硬盘录像机NVR、网络交换机及车载输出显示器，网络交换机通过非屏蔽双绞线分别与车载摄像机、车载控制计算机及网络硬盘录像机NVR相连，网络硬盘录像机NVR与车载输出显示器相连。
S2，在图形处理器上搭建基于快速特征植入的卷积结构框架的深度学习信号灯(红灯和绿灯)时长检测平台，检测的平台包括中央处理器、操作系统、图形处理器及快速特征植入的卷积结构框架，中央处理器用于信号灯时长检测整个过程的基础运算，图形处理器用于加快中央处理器的运算速度，操作系统用于管理和控制中央处理器和图形处理器，快速特征植入的卷积结构框架用于信号灯时长检测；本发明的操作系统可选择32位或64位，优选64位Ubuntu 16.04LTS版本的操作系统；图形处理器选择支持CUDA编程的N卡；显卡内存＞2GB，本发明优选GTX970显卡；
S2.1，快速特征植入的卷积结构框架的安装与配置，安装基础依赖项-首先是安装OpenCV，然后再安装CUDA(先装CUDA可能会出现OpenCV无法安装的情形)，最后安装cuDNN；
S2.2，测试安装结果，测试快速特征植入的卷积结构环境，具体指令为：makeruntest，无错误提示表示快速特征植入的卷积结构框架安装成功。
S3，通过车载摄像系统获取用于信号灯时长检测的信号灯训练样本数据集；
信号灯训练样本数据集用于信号灯时长检测的样本，带标签的信号灯训练样本数据集用于预测车载摄像系统采集的信号灯图片的评估得分和损失是否达到预期要求；信号灯训练样本数据集的制作：信号灯时长数字由阿拉伯数字0～9十个数字构成，共十类。
本实施例中，为了保证信号灯时长检测精度，在车辆通过信号控制交叉口时，车载摄像系统以不同角度、不同距离采集视频，并且把视频转换为图像帧，帧率为5帧/s，共采集64300张信号灯训练样本图像；对这些信号灯训练样本图像进行信号灯时长的定位、校正、二值化和数字字符分割；对于几何畸变样本图像，首先利用Otsu算法对畸变图像进行自动阈值分割，利用区域填充和边界提取获得信号灯时长数字与背景完全分离的图像，进一步利用Radon变换进行自动轮廓提取；最后，将信号灯训练样本图片尺寸归一化、信号灯时长数字居中处理，固定尺寸为32像素×32像素；为了简化数据读取层的实现，且提高磁盘I/O利用率，将信号灯训练样本数据集的数据类型进行格式转换，统一采用LMDB格式，即完成对信号灯样本图像的预处理，获取二值化信号灯时长数字训练样本数据集，并命名为：traffic light_train_lmdb。
S4，创建一种基于快速特征植入的卷积结构的深度学习信号灯时长检测的网络结构TL；
快速特征植入的卷积结构求解模式为中央处理器或图形处理器均可，图形处理器拥有可编程着色器，能够协助中央处理器完成采样、插值、色彩空间变换等计算任务，能极大地缩短信号灯数字样本的训练时间；快速特征植入的卷积结构包括一组由卷积层conv(1,2)+下采样层pool(1,2)交替形成的特征层、两个全连接层ip1和ip2，以及输入(input)、输出层(output)、激活层和SoftMax层，综上，信号灯时长数字网络结构共10层，具体连接顺序为：输入层-卷积层-下采样层-卷积层-下采样层-全连接层-激活层-全连接层-SoftMax层-输出层，输出层包括准确率accuracy和损失值loss。
具体过程如下：
S4.1，定义用于信号灯时长数字训练的训练网络描述文件，具体地训练网络描述文件为ProtoBuffer文本格式，并创建训练网络TL(图3)；
S4.2，预测信号灯时长数字训练网络的迭代次数和输入样本组(test batch)大小，输入样本组(test batch)大小为100，设置信号灯时长数字训练阶段迭代次数为643，以覆盖64300个信号灯时长数字训练样本集；训练时，每迭代500次，进行一次预测，每经过1000次迭代，在屏幕上打印一次运行log；设定最大迭代次数为10000；
S4.3，打开信号灯时长数字训练样本数据集traffic light_train_lmdb，在信号灯时长数字训练网络输入层创建一个数据层(data layer)，产生两个输出：四位数组图片数据data和标签数据label；利用训练网络中数据层输出的四维数组图片数据data，创建第一层卷积层conv1，同时统计内存占用情况，创建卷积核1(kernel1)，第一次卷积时，卷积核1大小为5×5(kernel_w＝kernel_h＝5)，步长(stride)为1，将第一层卷积层的输出作为第一层下采样层的输入，创建新的下采样层pool1；创建卷积核2(kernel2)，第一次下采样时，卷积核2大小为2×2(kernel_w＝kernel_h＝2)，步长(stride)为2，继续创建第二层卷积层、第二层下采样层，其中卷积核1、卷积核2的大小和步长不变；继续创建第一层全连接层ip1、激活层和第二层全连接层ip2；最后创建SoftMax层，SoftMax层主要是对全连接后的数据进行归一化操作，使其控制在[0-1]之间，损失函数采用SoftmaxLoss，将第二个全连接层ip2的输出与标签数据label对比，可计算分类准确率accuracy和损失值loss，得到输出层output；至此，信号灯时长数字网络结构创建完成；信号灯时长数字网络结构训练完毕，输出训练模型traffic light_64300.model，信号灯时长数字网络结构训练状态保存在traffic light_64300.solverstate文件中，两个文件都是ProtoBuffer二进制格式文件(binary proto file)。
S5，利用训练好的信号灯时长数字训练模型traffic light_64300.model对信号灯时长数字进行识别。
S5.1，指定训练模型的描述文本文件，即在终端输入：-model traffic light_test.prototxt；
S5.2，指定训练模型训练好的权值文件(traffic light_64300.model)，即在终端继续输入：-weights traffic light_64300.model；
S5.3，指定车载摄像系统采集的信号灯图片在训练模型中的迭代次数，即在终端继续输入：-iterations 643；
S5.4，得到信号灯时长数字。
本发明随机选用了车载摄像系统采集的2000张信号灯时长数字图片，用训练好的信号灯时长数字训练模型traffic light_64300.model对其进行识别，识别结果如表1所示：
表1信号灯时长检测效果
从表1结果可以看出，利用快速特征植入的卷积结构框架的深度学习方法对信号灯时长数字的检测精度达到96％以上，检测效果非常准确。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (6)

1.一种基于深度学习的信号灯时长检测方法，其特征在于，包括以下步骤：
S1，硬件准备：一台安装Linux/Windows/MacOS的计算机以及车载摄像系统；
S2，在图形处理器上搭建基于快速特征植入的卷积结构框架的深度学习信号灯时长检测的平台；
S3，通过车载摄像系统获取用于信号灯时长检测的信号灯训练样本数据集；
S3.1，车载摄像系统以不同角度、不同距离采集若干张信号灯训练样本图像；
S3.2，对训练样本图像进行信号灯时长的定位、校正、二值化和数字字符分割；
S3.3，对于训练样本图像中的几何畸变样本图像进行校正；
S3.4，将信号灯训练样本图片尺寸归一化、数字居中处理、统一格式；
S4，创建一种基于快速特征植入的卷积结构的深度学习信号灯时长检测的网络结构TL；
S4.1，定义用于信号灯时长数字训练的训练网络描述文件；
S4.2，预测信号灯时长数字训练网络的迭代次数和输入样本组大小；
S4.3，创建信号灯时长检测的训练网络结构TL，输出训练模型；
S5，利用训练好的信号灯时长数字训练模型对信号灯时长数字进行识别；
S5.1，指定训练模型的描述文本文件；
S5.2，指定训练模型训练好的权值文件；
S5.3，指定车载摄像系统采集的信号灯图片在训练模型中的迭代次数；
S5.4，得到信号灯时长数字。
2.根据权利要求1所述的一种基于深度学习的信号灯时长检测方法，其特征在于，所述信号灯为红灯和绿灯。
3.根据权利要求1所述的一种基于深度学习的信号灯时长检测方法，其特征在于，所述S2中的检测平台包括中央处理器、操作系统、图形处理器及快速特征植入的卷积结构框架，所述中央处理器用于信号灯时长检测整个过程的基础运算，所述图形处理器用于加快中央处理器的运算速度，所述操作系统用于管理和控制中央处理器和图形处理器，所述快速特征植入的卷积结构框架用于信号灯时长检测。
4.根据权利要求1所述的一种基于深度学习的信号灯时长检测方法，其特征在于，所述车载摄像系统包括车载摄像机、车载控制计算机、置于车载控制计算机中的图像采集卡、网络硬盘录像机NVR、网络交换机及车载输出显示器，所述网络交换机通过非屏蔽双绞线分别与车载摄像机、车载控制计算机及网络硬盘录像机NVR相连，所述网络硬盘录像机NVR与车载输出显示器相连。
5.根据权利要求1所述的一种基于深度学习的信号灯时长检测方法，其特征在于，所述S4.3具体为：
S4.3.1，在信号灯时长数字训练网络输入层创建一个数据层，产生两个输出；
S4.3.2，在训练网络中创建第一层卷积层、卷积核、第一层下采样层；
S4.3.3，创建第二层卷积层、卷积核、第二层下采样层；
S4.3.4，创建第一层全连接层、激活层、第二层全连接层；
S4.3.5，最后创建SoftMax层，得到输出层；
S4.3.6，训练完毕，输出训练模型。
6.根据权利要求5所述的一种基于深度学习的信号灯时长检测方法，其特征在于，所述S4.3.1产生的两个输出为图片数据和标签数据。
CN201610940701.2A 2016-11-01 2016-11-01 一种基于深度学习的信号灯时长检测方法 Pending CN106503663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610940701.2A CN106503663A (zh) 2016-11-01 2016-11-01 一种基于深度学习的信号灯时长检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610940701.2A CN106503663A (zh) 2016-11-01 2016-11-01 一种基于深度学习的信号灯时长检测方法

Publications (1)

Publication Number Publication Date
CN106503663A true CN106503663A (zh) 2017-03-15

Family

ID=58321794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610940701.2A Pending CN106503663A (zh) 2016-11-01 2016-11-01 一种基于深度学习的信号灯时长检测方法

Country Status (1)

Country Link
CN (1) CN106503663A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107195186A (zh) * 2017-06-07 2017-09-22 千寻位置网络有限公司 自动优化路口车辆通行速度的方法和系统
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN110598516A (zh) * 2019-06-19 2019-12-20 华南农业大学 基于随机森林的多方位分层采集组合稻田杂草识别方法
CN110827552A (zh) * 2019-11-19 2020-02-21 北京小马慧行科技有限公司 车辆行驶的控制方法及装置、车辆
CN111309035A (zh) * 2020-05-14 2020-06-19 浙江远传信息技术股份有限公司 多机器人协同移动与动态避障方法、装置、设备及介质
CN111666876A (zh) * 2020-06-05 2020-09-15 北京百度网讯科技有限公司 用于检测障碍物的方法、装置、电子设备和路侧设备
CN112673396A (zh) * 2018-07-13 2021-04-16 皇家飞利浦有限公司 检测医学成像中的对象运动

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568242A (zh) * 2012-01-17 2012-07-11 杭州海康威视系统技术有限公司 基于视频处理的信号灯状态检测方法及其系统
CN103345766A (zh) * 2013-06-21 2013-10-09 东软集团股份有限公司 一种信号灯识别方法及装置
CN205017456U (zh) * 2015-08-15 2016-02-03 上海鲁安电子有限公司 一种远距离传输信号的网络监控系统
CN105303860A (zh) * 2015-10-22 2016-02-03 四川膨旭科技有限公司 车辆行驶过程中对红绿灯进行识别的系统
CN105528593A (zh) * 2016-01-22 2016-04-27 江苏大学 一种前向车辆驾驶人驾驶行为预测系统及预测方法
CN105913041A (zh) * 2016-04-27 2016-08-31 浙江工业大学 一种基于预先标定的信号灯识别方法
CN105956524A (zh) * 2016-04-22 2016-09-21 北京智芯原动科技有限公司 一种交通标识识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568242A (zh) * 2012-01-17 2012-07-11 杭州海康威视系统技术有限公司 基于视频处理的信号灯状态检测方法及其系统
CN103345766A (zh) * 2013-06-21 2013-10-09 东软集团股份有限公司 一种信号灯识别方法及装置
CN205017456U (zh) * 2015-08-15 2016-02-03 上海鲁安电子有限公司 一种远距离传输信号的网络监控系统
CN105303860A (zh) * 2015-10-22 2016-02-03 四川膨旭科技有限公司 车辆行驶过程中对红绿灯进行识别的系统
CN105528593A (zh) * 2016-01-22 2016-04-27 江苏大学 一种前向车辆驾驶人驾驶行为预测系统及预测方法
CN105956524A (zh) * 2016-04-22 2016-09-21 北京智芯原动科技有限公司 一种交通标识识别方法及装置
CN105913041A (zh) * 2016-04-27 2016-08-31 浙江工业大学 一种基于预先标定的信号灯识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YOUN K. KIM 等: "Real Time Traffic Light Recognition System or Color Vision Deficiencies", 《PROCEEDINGS OF THE 2007 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 *
ZHANG NING 等: "Traffic light detection and recognition in intersections based on intelligent vehicle", 《JOURNAL OF SOUTHEAST UNIVERSITY(ENGLISH EDITION)》 *
任勇，彭静玉: "基于 BP 神经网络的交通信号数字指示灯识别", 《计算机与现代化》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107195186A (zh) * 2017-06-07 2017-09-22 千寻位置网络有限公司 自动优化路口车辆通行速度的方法和系统
CN112673396A (zh) * 2018-07-13 2021-04-16 皇家飞利浦有限公司 检测医学成像中的对象运动
CN112673396B (zh) * 2018-07-13 2024-05-14 皇家飞利浦有限公司 检测医学成像中的对象运动
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN108960190B (zh) * 2018-07-23 2021-11-30 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN110598516A (zh) * 2019-06-19 2019-12-20 华南农业大学 基于随机森林的多方位分层采集组合稻田杂草识别方法
CN110827552A (zh) * 2019-11-19 2020-02-21 北京小马慧行科技有限公司 车辆行驶的控制方法及装置、车辆
CN111309035A (zh) * 2020-05-14 2020-06-19 浙江远传信息技术股份有限公司 多机器人协同移动与动态避障方法、装置、设备及介质
CN111666876A (zh) * 2020-06-05 2020-09-15 北京百度网讯科技有限公司 用于检测障碍物的方法、装置、电子设备和路侧设备
CN111666876B (zh) * 2020-06-05 2023-06-09 阿波罗智联(北京)科技有限公司 用于检测障碍物的方法、装置、电子设备和路侧设备

Similar Documents

Publication Publication Date Title
CN106503663A (zh) 一种基于深度学习的信号灯时长检测方法
CN104392212B (zh) 一种基于视觉的道路信息检测及前方车辆识别方法
CN108710865A (zh) 一种基于神经网络的司机异常行为检测方法
CN110443208A (zh) 一种基于YOLOv2的车辆目标检测方法、系统及设备
CN113420607A (zh) 无人机多尺度目标检测识别方法
CN106326858A (zh) 一种基于深度学习的公路交通标志自动识别与管理系统
CN105354568A (zh) 基于卷积神经网络的车标识别方法
CN111598952B (zh) 一种多尺度合作靶标设计与在线检测识别方法及系统
CN111915583B (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN110659601B (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN109949593A (zh) 一种基于路口先验知识的交通信号灯识别方法及系统
CN105608417A (zh) 交通信号灯检测方法及装置
CN114519819B (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN109871789A (zh) 一种基于轻量化神经网络的复杂环境下车辆检测方法
CN110276378A (zh) 基于无人驾驶技术对实例分割的改进方法
CN114252884A (zh) 路侧雷达定位监测方法、装置、计算机设备和存储介质
CN106778540A (zh) 停车检测准确的基于双层背景的停车事件检测方法
CN109708658A (zh) 一种基于卷积神经网络的视觉里程计方法
CN111931683A (zh) 图像识别方法、装置及计算机可读存储介质
Tian et al. Road marking detection based on mask R-CNN instance segmentation model
CN105184317A (zh) 一种基于svm分类的车牌字符分割方法
CN114252883B (zh) 目标检测方法、装置、计算机设备和介质
CN114252859A (zh) 目标区域的确定方法、装置、计算机设备和存储介质
CN114252868A (zh) 激光雷达的标定方法、装置、计算机设备和存储介质
CN106780541A (zh) 一种改进的背景减除方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170315