CN107066933A - 一种道路标牌识别方法及系统 - Google Patents
一种道路标牌识别方法及系统 Download PDFInfo
- Publication number
- CN107066933A CN107066933A CN201710056313.2A CN201710056313A CN107066933A CN 107066933 A CN107066933 A CN 107066933A CN 201710056313 A CN201710056313 A CN 201710056313A CN 107066933 A CN107066933 A CN 107066933A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mfrac
- label
- mtd
- positioning area
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V20/50—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种道路标牌识别方法及系统,该方法包括以下步骤:S1、对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征定位得到标牌连通域;S2、计算标牌连通域的长宽比,排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;S3、截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;S4、提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序S5、通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符;S6、置信度计算。本发明识别标牌的效率高、准确率高。
Description
技术领域
本发明涉及机器视觉和人工智能领域,尤其涉及一种道路标牌识别方法及系统。
背景技术
视频图像道路标牌识别,在于判断出标牌对行车的限制信息。传统方法为:首先以图像处理方法定位标牌位置,然后分割出标牌各个数字、字符。最后采用模板匹配或者神经网络算法进行识别。
传统方法可有效判定限速标识,但无法区分限宽与限高标识。主要原因在于传统方法只着重于道路标识牌中数字和字符的识别、判定,而忽略了标识牌本身特征。
传统的模板匹配法,需对目标尺寸进行缩放,以与模板尺寸相等,再比较对应像素点并统计,以相似度最高者为输出结果。此方法计算效率偏低,且缩放过程易造成图像变形,对结果影响颇大。
而常用的神经网络算法,引入的特征过多。影响效率,且易受噪声影响。划分成九宫格,充分考虑了计算效率与准确的间的平衡。
发明内容
本发明要解决的技术问题在于针对现有技术中模板匹配法效率低,容易影响结果,常用的神经网络算法,容易受噪声影响的缺陷,提供一种道路标牌识别方法及系统。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种道路标牌识别方法,包括以下步骤:
S1、实时获取车辆行驶过程中的道路图像,对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征对其定位,得到定位的标牌连通域;
S2、根据定位到的标牌连通域的位置和尺寸信息,计算标牌连通域的长宽比,设置长宽比的阈值排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;
S3、在颜色阈值二值化的灰度图像中,根据得到的目标定位区截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;
S4、提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序,得到每个目标定位区内部的数字或字符的二值图;
S5、通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符的二值图,得到目标标牌上的数字或字符;
S6、保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,输出满足置信度要求的识别结果。
进一步地,本发明的步骤S2中排除虚假目标时设置的长宽比阈值范围为0.9-1.1。
进一步地,本发明的步骤S3中还包括识别限高标牌和限宽标牌的方法:
若圆形目标定位区的圆形轮廓处,存在上下对称的三角形标识,且三角形顶角距离与圆形轮廓直径的比值范围为0.7-0.9,表示该标牌为限高标牌;
若圆形目标定位区的圆形轮廓处,存在左右多层的三角形标识,且三角形顶角距离与圆形轮廓直径的比值范围为0.7-0.9,表示该标牌为限宽标牌。
进一步地,本发明的步骤S5中神经网络模式识别算法的具体方法为:
将待识别的目标定位区内部的数字或字符的二值图统计为9维特征矩阵,将二值图按九宫格划分,统计每个格中黑白像素比值,得到9维特征矩阵;网络隐藏层采用sigmoid激活函数,输出层采用竞争网络进行计算,得到二值图所代表的数字或字符。
进一步地,本发明的9维特征矩阵的计算方法具体为:
设截取所得到的数字或字符的二值图分辨率为m×n,由m行n列像素点构成,表示为矩阵Dm×n;则9维特征矩阵E1×9可通过如下公式计算:
E=[e1 e2 e3 e4 e5 e6 e7 e8 e9]
通过计算得到待识别的目标数字或字符的特征矩阵E。
进一步地,本发明的方法还包括根据样板统计并计算的结果对矩阵E进行优化的方法:
经样本统计,得到3个修正矩阵offset1×9,gain1×9,y1×1。
特征矩阵修正:ei=(ei-offseti)×gaini-y,i=1,2,…,9。
进一步地,本发明的步骤S6中置信度满足要求的条件为:保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,连续5帧图像分别输出的结果中有不少于3帧相同,即认为满足置信度的条件。
本发明提供一种道路标牌识别系统,包括:
图像采集单元,用于实时获取车辆行驶过程中的道路图像,对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征对其定位,得到定位的标牌连通域;
目标定位区计算单元,用于根据定位到的标牌连通域的位置和尺寸信息,计算标牌连通域的长宽比,设置长宽比的阈值排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;
二值图计算单元,用于在颜色阈值二值化的灰度图像中,根据得到的目标定位区截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;
待识别二值图提取单元,用于提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序,得到每个目标定位区内部的数字或字符的二值图;
神经网络算法识别单元,用于通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符的二值图,得到目标标牌上的数字或字符;
识别结果验证单元,用于保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,输出满足置信度要求的识别结果。
本发明产生的有益效果是:本发明的道路标牌识别方法,通过判断目标图像的轮廓,过滤出道路标牌图像,识别效率高,且能够识别限高和限宽标牌;通过改进的神经网络算法对道路标牌上的数字或字符进行识别,与传统的模板匹配法相比,提供了计算效率,且识别精度大幅提高;与现有的神经网络算法相比,减少了引入的特征量,计算效率不容易受到影响,计算准确率高;通过将待识别的图像划分为九宫格的方式,充分考虑了计算效率与准确度之间的平衡。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的道路视频某帧图像;
图2是本发明实施例的对图像进行HSV阈值二值化后图像;
图3是本发明实施例的目标二值化图;
图4是本发明实施例的限高标识二值化图;
图5是本发明实施例的标识判定图;
图6是本发明实施例的神经网络计算流程图;
图7是本发明实施例的9维特征矩阵图;
图8是本发明实施例的道路视频某帧图像;
图9是本发明事事顺利的对图像进行HSV阈值二值化后图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的道路标牌识别方法,包括以下步骤:
S1、实时获取车辆行驶过程中的道路图像,对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征对其定位,得到定位的标牌连通域;
S2、根据定位到的标牌连通域的位置和尺寸信息,计算标牌连通域的长宽比,设置长宽比的阈值排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;
S3、在颜色阈值二值化的灰度图像中,根据得到的目标定位区截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;
S4、提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序,得到每个目标定位区内部的数字或字符的二值图;
S5、通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符的二值图,得到目标标牌上的数字或字符;
S6、保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,输出满足置信度要求的识别结果。
步骤S2中排除虚假目标时设置的长宽比阈值范围为0.9-1.1。
步骤S3中还包括识别限高标牌和限宽标牌的方法:
若圆形目标定位区的圆形轮廓处,存在上下对称的三角形标识,且三角形顶角距离与圆形轮廓直径的比值范围为0.7-0.9,表示该标牌为限高标牌;
若圆形目标定位区的圆形轮廓处,存在左右多层的三角形标识,且三角形顶角距离与圆形轮廓直径的比值范围为0.7-0.9,表示该标牌为限宽标牌。
步骤S5中神经网络模式识别算法的具体方法为:
将待识别的目标定位区内部的数字或字符的二值图统计为9维特征矩阵,将二值图按九宫格划分,统计每个格中黑白像素比值,得到9维特征矩阵;网络隐藏层采用sigmoid激活函数,输出层采用竞争网络进行计算,得到二值图所代表的数字或字符。
9维特征矩阵的计算方法具体为:
设截取所得到的数字或字符的二值图分辨率为m×n,由m行n列像素点构成,表示为矩阵Dm×n;则9维特征矩阵E1×9可通过如下公式计算:
E=[e1 e2 e3 e4 e5 e6 e7 e8 e9]
通过计算得到待识别的目标数字或字符的特征矩阵E。
该方法还包括根据样板统计并计算的结果对矩阵E进行优化的方法:
经样本统计,得到3个修正矩阵offset1×9,gain1×9,y1×1
特征矩阵修正:ei=(ei-offseti)×gaini-y,i=1,2,…,9。
步骤S6中置信度满足要求的条件为:保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,连续5帧图像分别输出的结果中有不少于3帧相同,即认为满足置信度的条件。
本发明实施例的道路标牌识别系统,用于实现本发明实施例的道路标牌识别方法,包括:
图像采集单元,用于实时获取车辆行驶过程中的道路图像,对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征对其定位,得到定位的标牌连通域;
目标定位区计算单元,用于根据定位到的标牌连通域的位置和尺寸信息,计算标牌连通域的长宽比,设置长宽比的阈值排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;
二值图计算单元,用于在颜色阈值二值化的灰度图像中,根据得到的目标定位区截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;
待识别二值图提取单元,用于提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序,得到每个目标定位区内部的数字或字符的二值图;
神经网络算法识别单元,用于通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符的二值图,得到目标标牌上的数字或字符;
识别结果验证单元,用于保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,输出满足置信度要求的识别结果。
在本发明的另一个具体实施例中:
(1)对于单帧图像,在HSV空间进行颜色阈值二值化,针对标牌颜色特征对其定位。图1为单帧图像,图2针对限速牌红色外圈进行的红色阈值二值化图像,在其上可定位待识别目标。对于不同标牌的颜色特征,可设置不同的颜色阈值,有针对性进行定位。
基于连通域进行定位标记,可定位到目标轮廓在图像中的位置和尺寸信息。以长宽比作为判断条件,设置阈值排除虚假目标。道路标牌多呈圆形,轮廓外框长宽比接近1。如图2中可定位到目标位置。
(2)进一步缩小候选目标范围,排除虚假目标。方法简述:计算连通域内轮廓边缘至目标中心位置距离,统计结果。保留圆形轮廓目标。
图3中,包围数字70的外层白圈即代表连通域内轮廓。候选目标的内轮廓呈圆形(类圆形)。
(3)在灰度图像中,按照候选目标定位区,截取候选目标灰度图并计算其平均灰度。以平均灰度值为阈值对候选目标灰度图进行二值化操作。
图4为某帧中限高标牌二值化后图像。为区分限高标牌和限宽标牌,针对其内轮廓特征,计算如图5中横向宽度与纵向宽度比值,以此判定限制种类。(仅常见标牌,特殊标牌不在此列,比如用汉字书写“限高三米”则无法识别)。
(4)提取二值图中连通域,并排序(依据坐标排序)。如图3中,按此步骤操作,即可得到数字7和0的二值图。
(5)以神经网络模式识别算法计算并判定目标数字、字符。
将目标(数字、字符二值图)统计为9维特征矩阵,网络隐藏层采用sigmoid激活函数(双曲函数)、输出层采用竞争网络进行计算。最后得到结果,还原二值图所代表的数字或字符。
9维特征矩阵:将数字的二值图,按九宫格划分,统计每个格中黑白像素比值,得到9维特征矩阵。
设截取所得到的数字或字符的二值图分辨率为m×n,由m行n列像素点构成,表示为矩阵Dm×n;则9维特征矩阵E1×9可通过如下公式计算:
E=[e1 e2 e3 e4 e5 e6 e7 e8 e9]
通过计算得到待识别的目标数字或字符的特征矩阵E,但是矩阵E还不能直接进行计算识别。根据样本统计并计算的结果,对矩阵E进行优化。
优化方法为:
经样本统计,得到3个修正矩阵offset1×9,gain1×9,y1×1
特征矩阵修正:ei=(ei-offseti)×gaini-y,i=1,2,…,9。
进行神经网络计算,网络隐藏层参数矩阵WH 9X10,bH 1X10;
隐藏层参数参与计算RES1=ExWH+BH
通过sigmoid函数得到隐藏层输出outputH 1X10;
上式中e为自然对数。
隐藏层输出outputH 1X10再经过输出层网络计算便可得到最终输出结果如下:
网络输出层参数矩阵Wo10x10,bo1x10;
通过参数矩阵计算输出层中间矩阵RES2=outputH x Wo+bo;
中间矩阵RES2维度为1x10。
通过竞争网络计算得到最终输出矩阵outputo1x10。
计算过程如下:
RES2(i)=e(RES2(i)-max(RES2))
outputo=RES2/sum
i=1,2,…,10 e≈2.71828
本例通过此算法识别0-9共10个数字,故结果矩阵outputo1x10维度为10维。
矩阵中元素的值代表对应识别结果的置信度,故此矩阵中最大值元素下标减1即为识别结果。
(6)置信判断:当前帧结果保存,与其后连续帧结果对比,计算置信度。将置信度高的结果输出。5帧分别输出的结果中有3帧相同,即认为置信度高。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种道路标牌识别方法,其特征在于,包括以下步骤:
S1、实时获取车辆行驶过程中的道路图像,对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征对其定位,得到定位的标牌连通域;
S2、根据定位到的标牌连通域的位置和尺寸信息,计算标牌连通域的长宽比,设置长宽比的阈值排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;
S3、在颜色阈值二值化的灰度图像中,根据得到的目标定位区截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;
S4、提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序,得到每个目标定位区内部的数字或字符的二值图;
S5、通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符的二值图,得到目标标牌上的数字或字符;
S6、保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,输出满足置信度要求的识别结果。
2.根据权利要求1所述的道路标牌识别方法,其特征在于,步骤S2中排除虚假目标时设置的长宽比阈值范围为0.9-1.1。
3.根据权利要求1所述的道路标牌识别方法,其特征在于,步骤S3中还包括识别限高标牌和限宽标牌的方法:
若圆形目标定位区的圆形轮廓处,存在上下对称的三角形标识,且三角形顶角距离与圆形轮廓直径的比值范围为0.7-0.9,表示该标牌为限高标牌;
若圆形目标定位区的圆形轮廓处,存在左右多层的三角形标识,且三角形顶角距离与圆形轮廓直径的比值范围为0.7-0.9,表示该标牌为限宽标牌。
4.根据权利要求1所述的道路标牌识别方法,其特征在于,步骤S5中神经网络模式识别算法的具体方法为:
将待识别的目标定位区内部的数字或字符的二值图统计为9维特征矩阵,将二值图按九宫格划分,统计每个格中黑白像素比值,得到9维特征矩阵;网络隐藏层采用sigmoid激活函数,输出层采用竞争网络进行计算,得到二值图所代表的数字或字符。
5.根据权利要求4所述的道路标牌识别方法,其特征在于,9维特征矩阵的计算方法具体为:
设截取所得到的数字或字符的二值图分辨率为m×n,由m行n列像素点构成,表示为矩阵Dm×n;则9维特征矩阵E1×5可通过如下公式计算:
E=[e1 e2 e3 e4 e5 e6 e7 e8 e9]
<mrow>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
</munderover>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
1
<mrow>
<mi>d</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>3</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mi>m</mi>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>6</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mi>m</mi>
<mo>,</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>7</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mi>m</mi>
<mo>,</mo>
<mfrac>
<mi>n</mi>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>8</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mi>m</mi>
<mo>,</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mn>3</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>:</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mn>9</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
通过计算得到待识别的目标数字或字符的特征矩阵E。
6.根据权利要求5所述的道路标牌识别方法,其特征在于,该方法还包括根据样板统计并计算的结果对矩阵E进行优化的方法:
经样本统计,得到3个修正矩阵offset1×9,gain1×9,y1×1
特征矩阵修正:ei=(ei-offseti)×gaini-y,i=1,2,…,9。
7.根据权利要求1所述的道路标牌识别方法,其特征在于,步骤S6中置信度满足要求的条件为:保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,连续5帧图像分别输出的结果中有不少于3帧相同,即认为满足置信度的条件。
8.一种道路标牌识别系统,其特征在于,包括:
图像采集单元,用于实时获取车辆行驶过程中的道路图像,对道路图像中的单帧图像在HSV空间进行颜色阈值二值化,根据标牌颜色特征对其定位,得到定位的标牌连通域;
目标定位区计算单元,用于根据定位到的标牌连通域的位置和尺寸信息,计算标牌连通域的长宽比,设置长宽比的阈值排除虚假目标;计算标牌连通域中轮廓边缘至目标中心位置距离,得到标牌连通域的轮廓为圆形的目标定位区;
二值图计算单元,用于在颜色阈值二值化的灰度图像中,根据得到的目标定位区截取对应的灰度图像并计算其平均灰度,以平均灰度值为阈值对目标定位区的灰度图进行二值化操作,得到各个目标定位区的二值图;
待识别二值图提取单元,用于提取目标定位区的二值图中的连通域,并按照坐标对连通域进行排序,得到每个目标定位区内部的数字或字符的二值图;
神经网络算法识别单元,用于通过神经网络模式识别算法计算并判定目标定位区内部的数字或字符的二值图,得到目标标牌上的数字或字符;
识别结果验证单元,用于保存当前帧图像的计算结果,与其后连续帧图像的计算结果进行对比,计算置信度,输出满足置信度要求的识别结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710056313.2A CN107066933B (zh) | 2017-01-25 | 2017-01-25 | 一种道路标牌识别方法及系统 |
PCT/CN2018/073800 WO2018137612A1 (zh) | 2017-01-25 | 2018-01-23 | 一种道路标牌识别方法及系统 |
US16/519,346 US10990835B2 (en) | 2017-01-25 | 2019-07-23 | Road sign recognition method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710056313.2A CN107066933B (zh) | 2017-01-25 | 2017-01-25 | 一种道路标牌识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107066933A true CN107066933A (zh) | 2017-08-18 |
CN107066933B CN107066933B (zh) | 2020-06-05 |
Family
ID=59598353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710056313.2A Active CN107066933B (zh) | 2017-01-25 | 2017-01-25 | 一种道路标牌识别方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10990835B2 (zh) |
CN (1) | CN107066933B (zh) |
WO (1) | WO2018137612A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886093A (zh) * | 2017-11-07 | 2018-04-06 | 广东工业大学 | 一种字符检测方法、系统、设备及计算机存储介质 |
CN108182691A (zh) * | 2018-01-02 | 2018-06-19 | 北京汽车集团有限公司 | 识别限速标志的方法、装置及车辆 |
WO2018137612A1 (zh) * | 2017-01-25 | 2018-08-02 | 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 |
CN110956180A (zh) * | 2019-07-04 | 2020-04-03 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
CN111310776A (zh) * | 2018-12-11 | 2020-06-19 | 航天信息股份有限公司 | 识别虚拟数字键盘的方法、装置和存储介质 |
CN114511770A (zh) * | 2021-12-21 | 2022-05-17 | 武汉光谷卓越科技股份有限公司 | 道路标识标牌识别方法 |
CN115715994A (zh) * | 2022-11-18 | 2023-02-28 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
CN116151993A (zh) * | 2022-10-13 | 2023-05-23 | 大河(深圳)信息有限公司 | 一种基于双校验保险机制的整合通用投保流程系统及方法 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102545105B1 (ko) * | 2018-10-10 | 2023-06-19 | 현대자동차주식회사 | 차량용 허위 타겟 판별 장치 및 그의 허위 타겟 판별 방법과 그를 포함하는 차량 |
CN109816650B (zh) * | 2019-01-24 | 2022-11-25 | 强联智创(北京)科技有限公司 | 一种基于二维dsa图像的目标区域识别方法及其系统 |
US11113838B2 (en) * | 2019-03-26 | 2021-09-07 | Nec Corporation | Deep learning based tattoo detection system with optimized data labeling for offline and real-time processing |
CN110245538A (zh) * | 2019-06-26 | 2019-09-17 | 北京慧眼智行科技有限公司 | 一种点阵码定位方法及系统 |
CN110490207B (zh) * | 2019-08-27 | 2023-07-18 | 河北科技大学 | 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法 |
US11783587B2 (en) * | 2020-03-04 | 2023-10-10 | Nec Corporation | Deep learning tattoo match system based |
CN112070087B (zh) * | 2020-09-14 | 2023-06-02 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN112132083B (zh) * | 2020-09-29 | 2024-06-04 | 广西信路威科技发展有限公司 | 一种基于多通道频域匹配的车身标志图像识别定位方法 |
CN112613509A (zh) * | 2020-12-25 | 2021-04-06 | 杭州智诺科技股份有限公司 | 一种铁路货车车厢号识别抓拍方法及系统 |
CN113034573A (zh) * | 2021-04-01 | 2021-06-25 | 大连锐视达科技有限公司 | 一种球团粒径检测方法及系统 |
CN113469980B (zh) * | 2021-07-09 | 2023-11-21 | 连云港远洋流体装卸设备有限公司 | 一种基于图像处理的法兰识别方法 |
GB2609483A (en) * | 2021-08-05 | 2023-02-08 | Continental Automotive Gmbh | Method and system for recognizing and classifying restricted road signs for a vehicle automation system |
CN113792611A (zh) * | 2021-08-20 | 2021-12-14 | 昆明理工大学 | 一种运行在辅助驾驶边缘设备上的道路限速标志识别方法 |
CN113763379B (zh) * | 2021-09-23 | 2023-07-18 | 成都唐源电气股份有限公司 | 吊弦断股检测方法、装置、计算机设备及存储介质 |
CN115456868B (zh) * | 2022-11-14 | 2023-01-31 | 南京金易众和信息科技有限公司 | 一种消防演练系统数据管理方法 |
CN116935586B (zh) * | 2023-03-29 | 2024-06-04 | 福建天甫电子材料有限公司 | 用于硝酸的制备的智能化有毒有害气体报警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873A (zh) * | 2009-11-27 | 2010-05-12 | 东软集团股份有限公司 | 数字类限制标志的识别方法和装置 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
CN105654073A (zh) * | 2016-03-25 | 2016-06-08 | 中国科学院信息工程研究所 | 一种基于视觉检测的速度自动控制方法 |
KR101778724B1 (ko) * | 2016-12-05 | 2017-09-14 | 동국대학교 산학협력단 | 도로 표지 인식 장치 및 방법 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638116A (en) * | 1993-09-08 | 1997-06-10 | Sumitomo Electric Industries, Ltd. | Object recognition apparatus and method |
DE19852631C2 (de) * | 1998-11-14 | 2001-09-06 | Daimler Chrysler Ag | Vorrichtung und Verfahren zur Verkehrszeichenerkennung |
EP1220182A3 (en) * | 2000-12-25 | 2005-08-17 | Matsushita Electric Industrial Co., Ltd. | Image detection apparatus, program, and recording medium |
US7068844B1 (en) * | 2001-11-15 | 2006-06-27 | The University Of Connecticut | Method and system for image processing for automatic road sign recognition |
DE60211503T2 (de) * | 2002-07-09 | 2006-12-07 | Accenture Global Services Gmbh | Vorrichtung zur automatischen Erkennung von Verkehrszeichen |
JP4365352B2 (ja) * | 2005-07-06 | 2009-11-18 | 本田技研工業株式会社 | 車両及びレーンマーク認識装置 |
US8064643B2 (en) * | 2006-12-06 | 2011-11-22 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
US8894461B2 (en) * | 2008-10-20 | 2014-11-25 | Eyecue Vision Technologies Ltd. | System and method for interactive toys based on recognition and tracking of pre-programmed accessories |
JP5361541B2 (ja) * | 2009-06-02 | 2013-12-04 | 三菱電機株式会社 | 標識認識装置 |
DE102010020330A1 (de) * | 2010-05-14 | 2011-11-17 | Conti Temic Microelectronic Gmbh | Verfahren zur Erkennung von Verkehrszeichen |
EP2447884B1 (en) * | 2010-10-28 | 2014-12-17 | CycloMedia Technology B.V. | Method for detecting and recognising an object in an image, and an apparatus and a computer program therefor |
US8620032B2 (en) * | 2011-05-10 | 2013-12-31 | GM Global Technology Operations LLC | System and method for traffic signal detection |
CN103020623B (zh) * | 2011-09-23 | 2016-04-06 | 株式会社理光 | 交通标志检测方法和交通标志检测设备 |
CN103034836B (zh) * | 2011-09-29 | 2016-03-02 | 株式会社理光 | 道路标志检测方法和道路标志检测设备 |
US9056395B1 (en) * | 2012-09-05 | 2015-06-16 | Google Inc. | Construction zone sign detection using light detection and ranging |
US8977007B1 (en) * | 2013-04-23 | 2015-03-10 | Google Inc. | Detecting a vehicle signal through image differencing and filtering |
JP6237214B2 (ja) * | 2013-12-24 | 2017-11-29 | 株式会社デンソー | 逆走検出装置 |
KR101912914B1 (ko) * | 2014-01-17 | 2018-10-29 | 주식회사 만도 | 전방 카메라를 이용한 속도제한 표지판 인식 시스템 및 방법 |
EP3120293B1 (en) * | 2014-03-17 | 2019-08-14 | Agfa Nv | A decoder and encoder for a digital fingerprint code |
JP5961207B2 (ja) * | 2014-03-28 | 2016-08-02 | 富士重工業株式会社 | 車外環境認識装置 |
US9959624B2 (en) * | 2014-12-22 | 2018-05-01 | Volkswagen Ag | Early detection of turning condition identification using perception technology |
CN105279488B (zh) * | 2015-10-16 | 2018-12-25 | 西南交通大学 | 一种公路视频巡检的里程标识牌自动识别方法 |
JP6255002B2 (ja) * | 2015-12-22 | 2017-12-27 | 本田技研工業株式会社 | 車両用標識表示装置及び方法 |
CN105740860B (zh) * | 2016-01-28 | 2018-04-06 | 河南大学 | 自然场景中商铺标牌汉字区域自动检测方法 |
KR101799283B1 (ko) * | 2016-02-25 | 2017-11-21 | 가천대학교 산학협력단 | 감시카메라 기반 모바일 로봇 제어를 위한 그림자 제거 방법 및 시스템 |
CN105809138B (zh) * | 2016-03-15 | 2019-01-04 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
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 |
US10229592B1 (en) * | 2017-11-07 | 2019-03-12 | Mohamed Roshdy Elsheemy | Method on-board vehicles to predict a plurality of primary signs of driving while impaired or driving while distracted |
-
2017
- 2017-01-25 CN CN201710056313.2A patent/CN107066933B/zh active Active
-
2018
- 2018-01-23 WO PCT/CN2018/073800 patent/WO2018137612A1/zh active Application Filing
-
2019
- 2019-07-23 US US16/519,346 patent/US10990835B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873A (zh) * | 2009-11-27 | 2010-05-12 | 东软集团股份有限公司 | 数字类限制标志的识别方法和装置 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
CN105654073A (zh) * | 2016-03-25 | 2016-06-08 | 中国科学院信息工程研究所 | 一种基于视觉检测的速度自动控制方法 |
KR101778724B1 (ko) * | 2016-12-05 | 2017-09-14 | 동국대학교 산학협력단 | 도로 표지 인식 장치 및 방법 |
Non-Patent Citations (3)
Title |
---|
刘玉洁: ""限速标志识别算法的研究与实现"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨心: ""基于卷积神经网络的交通标识识别研究与应用"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
梁瑶: ""基于机器视觉的限速标志识别技术研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137612A1 (zh) * | 2017-01-25 | 2018-08-02 | 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 |
US10990835B2 (en) | 2017-01-25 | 2021-04-27 | Wuhan Jimu Intelligent Technology Co., Ltd. | Road sign recognition method and system |
CN107886093A (zh) * | 2017-11-07 | 2018-04-06 | 广东工业大学 | 一种字符检测方法、系统、设备及计算机存储介质 |
CN108182691A (zh) * | 2018-01-02 | 2018-06-19 | 北京汽车集团有限公司 | 识别限速标志的方法、装置及车辆 |
CN111310776A (zh) * | 2018-12-11 | 2020-06-19 | 航天信息股份有限公司 | 识别虚拟数字键盘的方法、装置和存储介质 |
CN110956180A (zh) * | 2019-07-04 | 2020-04-03 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
CN114511770A (zh) * | 2021-12-21 | 2022-05-17 | 武汉光谷卓越科技股份有限公司 | 道路标识标牌识别方法 |
CN116151993A (zh) * | 2022-10-13 | 2023-05-23 | 大河(深圳)信息有限公司 | 一种基于双校验保险机制的整合通用投保流程系统及方法 |
CN116151993B (zh) * | 2022-10-13 | 2024-05-31 | 大河(深圳)信息有限公司 | 一种基于双校验保险机制的整合通用投保流程系统及方法 |
CN115715994A (zh) * | 2022-11-18 | 2023-02-28 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
CN115715994B (zh) * | 2022-11-18 | 2023-11-21 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
US20190347497A1 (en) | 2019-11-14 |
WO2018137612A1 (zh) | 2018-08-02 |
US10990835B2 (en) | 2021-04-27 |
CN107066933B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066933A (zh) | 一种道路标牌识别方法及系统 | |
CN110097044B (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
CN104298976B (zh) | 基于卷积神经网络的车牌检测方法 | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN108108761A (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN106845408A (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN107578035A (zh) | 基于超像素‑多色彩空间的人体轮廓提取方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析系统及分析方法 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN107092876A (zh) | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN103413145A (zh) | 基于深度图像的关节点定位方法 | |
CN106874902A (zh) | 一种车牌信息识别方法及装置 | |
CN110414506B (zh) | 基于数据增广和卷积神经网络的银行卡卡号自动识别方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN107315998A (zh) | 基于车道线的车辆种类划分方法和系统 |
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 |