CN107316010A - 一种识别前方车辆尾灯及判断其状态的方法 - Google Patents

一种识别前方车辆尾灯及判断其状态的方法 Download PDF

Info

Publication number
CN107316010A
CN107316010A CN201710443283.0A CN201710443283A CN107316010A CN 107316010 A CN107316010 A CN 107316010A CN 201710443283 A CN201710443283 A CN 201710443283A CN 107316010 A CN107316010 A CN 107316010A
Authority
CN
China
Prior art keywords
mrow
msub
msup
yolo
vehicle
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
CN201710443283.0A
Other languages
English (en)
Inventor
王宇宁
庞智恒
严先亮
徐乐
方舟
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201710443283.0A priority Critical patent/CN107316010A/zh
Publication of CN107316010A publication Critical patent/CN107316010A/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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

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

Abstract

本发明公开了一种识别前方车辆尾灯及判断其状态的方法，步骤一，将车载摄像头视频输入经过训练的YOLO神经网络1，识别出视频中的车辆；步骤二，将YOLO神经网络1识别出的车辆输入YOLO神经网络2，识别出车辆的尾灯；步骤三，每间隔多个帧图片获取一次尾灯的HSV值，计算相邻两次HSV值的差值是否大于阈值，若差值大于阈值，则车辆尾灯的转向信号灯闪烁或刹车信号灯点亮，进而判断前车将进行刹车或换道操作，若差值小于阈值，则车辆尾灯的转向信号灯不闪烁且刹车信号灯不亮，进而判断前车没有进行刹车及换道操作。本发明能够实现道路中的车辆识别并判断其是否刹车或变道。

Description

一种识别前方车辆尾灯及判断其状态的方法
技术领域
本发明涉及图像识别技术领域，更具体地说，涉及一种识别前方车辆尾灯 及判断其状态的方法。
背景技术
近年来随着车辆的增多，交通道路的驾驶情况越来越复杂，人们对高级辅 助驾驶系统的需要也随之上升。其中，就包括汽车能够自主识别出前车是否将 进行变道或刹车操作，从而为汽车自身减速或避让做好准备。由于车辆的尾灯 有转向信号灯和刹车信号灯，因此可以通过自主识别出转向信号灯是否闪烁或 刹车信号灯是否点亮来判断前车是否将变道或刹车。因此，对车道尾灯的识别 以及其状态判断极其重要。当前主流的卷积神经网络识别方法仅在静态图片中 有较好性能表现，而在动态视频中因为检查速度过慢而导致性能表现不能满足 技术需求。YOLO神经网络将整张图片分割成若干网格，然后每个单独的网格 直接预测车辆所在位置的边界框和物体为车辆的概率。YOLO神经网络法具有 较快的识别速率和对大目标具有较高的识别率，适用于视频识别。
发明内容
本发明要解决的技术问题在于，提供一种识别前方车辆尾灯及判断其状态 的方法。
本发明解决其技术问题所采用的技术方案是：构造一种识别前方车辆尾灯 及判断其状态的方法，包括以下步骤：
步骤S010，将车载摄像头视频输入经过训练的YOLO神经网络1，识别 出视频中的车辆；
步骤S020，将YOLO神经网络1识别出的车辆输入YOLO神经网络2， 识别出车辆的尾灯；
步骤S030，每间隔多个帧图片获取一次尾灯的HSV值，计算相邻两次 HSV值的差值是否大于阈值，若差值大于阈值，则车辆尾灯的转向信号灯闪 烁或刹车信号灯点亮，进而判断前车将进行刹车或换道操作，若差值小于阈值， 则车辆尾灯的转向信号灯不闪烁且刹车信号灯不亮，进而判断前车没有进行刹 车及换道操作。
在上述步骤S010和步骤S020中，所述YOLO神经网络1和YOLO神经 网络2的训练方法包括以下步骤：首先在完整的车载摄像头图片上标注出其中 的车辆，组成训练样本集1；然后将训练样本集1中标注的汽车分别剪切出来， 并在其中标注出尾灯，组成训练样本集2；采用随机梯度下降法训练所述YOLO 神经网络1和YOLO神经网络2，并将训练样本集1用于所述YOLO神经网 络1的训练，将训练样本集2用于所述YOLO神经网络2的训练，训练完成 后得到用于测试的图片。
从车载摄像头图片上标注出车辆以及从训练样本集1中标注尾灯的过程 如下：输入图像被YOLO神经网络划分为S×S的网格，每个网络预测是否有 物体的中心落入其内部，若预测结果为是，则该网格预测出B个检测边界框 以及每个检测边界框的置信度，置信度反映预测边界框对其框选出物体的自信 程度，置信度的计算公式为：
Pr(Object)*IOU (1)
(1)式和(2)式中，Pr(Object)为边界框包含目标物体的概率，BBgt为基于训练标签的参考标准框；BBdt为检测边界框；area表示边界面积；
每个检测边界框包含5个参数：x，y，w，h以及confidence，(x，y)代表 检测边界框的中心相对其母网格的位置，(w，h)为检测边界框中心相对于整张 图像的位置；
每个网格还预测C个类别概率，即Pr(Classi|Object)，其表示第i类物体 中心落入该网格的概率，C为类别数量且与B无关，输出层输出S×S(B×5+C) 维的张量；
YOLO神经网络采用误差平方和作为损失函数，在输出层S×S个网格中， 每个网格输出(B×5+C)维数据，其中包含检测边界框坐标位置信息B×4维， 检测边界框置信度B×1维，类别数量C维，YOLO神经网络将B×4维的定位 误差和B×1维的置信度误差设定更大的权重λcoord＝5，将不包含物体中心的网 格的置信度误差设定更小的权重λnoobj＝0.5，C维分类误差和包含物体中心的网 格的置信度误差则保持不变；
YOLO神经网络规定每个检测边界框只负责框选一个物体，计算当前检测 边界框与所有参考标准框的IOU值，其中最大IOU值对应的物体即当前检测 边界框负责框选的物体；
YOLO神经网络的损失函数形式为：
(3)式中，Ii表示是否有物体中心落入网格i中，若有则Ii＝1，反之为0， Iij表示判断网格i中第j个检测边界框是否负责该物体，若是则为1，反之为0。
实施本发明一种识别前方车辆尾灯及判断其状态的方法，具有以下有益效 果：
本发明能够实现道路中的车辆识别并判断其是否刹车或变道，识别速率和 准确率较高，既适用于图片，也适用于视频，因而具有广阔的应用前景。
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是一种识别前方车辆尾灯及判断其状态的方法的流程示意图；
图2为本发明实施例中用于训练YOLO神经网络1的训练样本集1的例 图；
图3为本发明实施例中用于训练YOLO神经网络2的训练样本集2的例 图；
图4为YOLO神经网络的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详 细说明本发明的具体实施方式。
如图1所示，本发明提供一种识别前方车辆尾灯及判断其状态的方法，包 括以下步骤：
步骤S010，将车载摄像头视频输入经过训练的YOLO神经网络1，识别 出视频中的车辆。
步骤S020，将YOLO神经网络1识别出的车辆输入YOLO神经网络2， 识别出车辆的尾灯。在步骤S010和步骤S020中，YOLO神经网络1和YOLO 神经网络2的训练方法包括以下步骤：首先在完整的车载摄像头图片上标注出 其中的车辆，组成训练样本集1；然后将训练样本集1中标注的汽车分别剪切 出来，并在其中标注出尾灯，组成训练样本集2；采用随机梯度下降法训练 YOLO神经网络1和YOLO神经网络2，并将训练样本集1用于YOLO神经 网络1的训练，将训练样本集2用于YOLO神经网络2的训练，训练完成后 得到用于测试的图片。
步骤S030，每间隔多个帧图片获取一次尾灯的HSV值，计算相邻两次 HSV值的差值是否大于阈值，若差值大于阈值，则车辆尾灯的转向信号灯闪 烁或刹车信号灯点亮，进而判断前车将进行刹车或换道操作，若差值小于阈值， 则车辆尾灯的转向信号灯不闪烁且刹车信号灯不亮，进而判断前车没有进行刹 车及换道操作。
YOLO神经网络属于卷积神经网络CNN，由卷积层、池化层和全连接层 组成。与CNN不同的是，本发明实施例中，我们用车载摄像头图像作为YOLO 神经网络的训练样本。值得注意的是，YOLO神经网络的训练样本和样本标签 与CNN存在不同之处，即YOLO神经网络的训练样本无需单独将每类样本从 图像中裁剪出，而可以直接将整张图像用于训练。同时，YOLO神经网络的样 本标签不仅注释样本类别信息还注释样本在图像中的位置信息。从车载摄像头 图片上标注出车辆以及从训练样本集1中标注尾灯的过程如下：输入图像被YOLO神经网络划分为S×S的网格，每个网络预测是否有物体的中心落入其 内部。若某网格预测为是，则该网格再预测出B个检测边界框以及每个框的 置信度。其中，置信度反映了预测边界框对其框选出物体的自信程度。计算公 式为：
Pr(Object)*IOU (1)
(1)式和(2)式中，Pr(Object)为边界框包含目标物体的概率；BBgt 为基于训练标签的参考标准框；BBdt为检测边界框；area表示边界面积。
每个检测边界框包含5个参数：x，y，w，h以及confidence。(x，y)代表 检测边界框的中心相对其母网格的位置。(w，h)为检测边界框中心相对于整张 图像的位置。同时，每个网格还预测C个类别概率，即Pr(Classi|Object)。该 概率表示第i类物体中心落入该网格的概率。C为类别数量，与B无关。最终， 输出层输出S×S(B×5+C)维的张量。
YOLO神经网络采用误差平方和作为损失函数。在输出层S×S个网格中， 每个网格输出(B×5+C)维数据，其中包含检测边界框坐标位置信息B×4维， 检测边界框置信度B×1维，类别数量C维。显然，将B×4维的定位误差、B×1 维的置信度误差和C维的分类误差同等对待是不合理的。另外，图像中存在 很多没有物体中心落入的网格，该类网格预测B个置信度为0检测边界框。 通常，这类网格在训练过程中的梯度会远大于包含物体中心的网格的梯度，导 致训练不稳定甚至发散。针对这两个问题，YOLO神经网络将B×4维的定位 误差和B×1维的置信度误差设定更大的权重λcoord＝5，将不包含物体中心的网 格的置信度误差设定更小的权重λnoobj＝0.5，C维分类误差和包含物体中心的网 格的置信度误差则保持不变。
关于定位误差，检测边界框对图像的定位误差比对母网格的定位误差更敏 感。因此，YOLO神经网络用和代替w和h。最后，YOLO神经网络规 定每个检测边界框只负责框选一个物体。具体做法是计算当前检测边界框与所 有参考标准框的IOU值，其中最大IOU值对应的物体即当前检测边界框负责 框选的物体。YOLO的损失函数形式具体如下：
(3)式中，Ii表示是否有物体中心落入网格i中，若有则Ii＝1，反之为0。 Iij表示判断网格i中第j个检测边界框是否负责该物体，若是则为1，反之为0。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述 的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本 领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保 护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (3)

1.一种识别前方车辆尾灯及判断其状态的方法，其特征在于，包括以下步骤：
步骤S010，将车载摄像头视频输入经过训练的YOLO神经网络1，识别出视频中的车辆；
步骤S020，将YOLO神经网络1识别出的车辆输入YOLO神经网络2，识别出车辆的尾灯；
步骤S030，每间隔多个帧图片获取一次尾灯的HSV值，计算相邻两次HSV值的差值是否大于阈值，若差值大于阈值，则车辆尾灯的转向信号灯闪烁或刹车信号灯点亮，进而判断前车将进行刹车或换道操作，若差值小于阈值，则车辆尾灯的转向信号灯不闪烁且刹车信号灯不亮，进而判断前车没有进行刹车及换道操作。
2.根据权利要求1所述的一种识别前方车辆尾灯及判断其状态的方法，其特征在于，在所述步骤S010和步骤S020中，所述YOLO神经网络1和YOLO神经网络2的训练方法包括以下步骤：首先在完整的车载摄像头图片上标注出其中的车辆，组成训练样本集1；然后将训练样本集1中标注的汽车分别剪切出来，并在其中标注出尾灯，组成训练样本集2；采用随机梯度下降法训练所述YOLO神经网络1和YOLO神经网络2，并将训练样本集1用于所述YOLO神经网络1的训练，将训练样本集2用于所述YOLO神经网络2的训练，训练完成后得到用于测试的图片。
3.根据权利要求2所述的一种识别前方车辆尾灯及判断其状态的方法，其特征在于，从车载摄像头图片上标注出车辆以及从训练样本集1中标注尾灯的过程如下：输入图像被YOLO神经网络划分为S×S的网格，每个网络预测是否有物体的中心落入其内部，若预测结果为是，则该网格预测出B个检测边界框以及每个检测边界框的置信度，置信度反映预测边界框对其框选出物体的自信程度，置信度的计算公式为：
Pr(Object)*IOU (1)
<mrow> <mi>I</mi> <mi>O</mi> <mi>U</mi> <mo>=</mo> <mfrac> <mrow> <mi>a</mi> <mi>r</mi> <mi>e</mi> <mi>a</mi> <mrow> <mo>(</mo> <msub> <mi>BB</mi> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </msub> <mo>&amp;cap;</mo> <msub> <mi>BB</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>a</mi> <mi>r</mi> <mi>e</mi> <mi>a</mi> <mrow> <mo>(</mo> <msub> <mi>BB</mi> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </msub> <mo>&amp;cup;</mo> <msub> <mi>BB</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
(1)式和(2)式中，Pr(Object)为边界框包含目标物体的概率，BBgt为基于训练标签的参考标准框；BBdt为检测边界框；area表示边界面积；
每个检测边界框包含5个参数：x，y，w，h以及confidence，(x，y)代表检测边界框的中心相对其母网格的位置，(w，h)为检测边界框中心相对于整张图像的位置；
每个网格还预测C个类别概率，即Pr(Classi|Object)，其表示第i类物体中心落入该网格的概率，C为类别数量且与B无关，输出层输出S×S(B×5+C)维的张量；
YOLO神经网络采用误差平方和作为损失函数，在输出层S×S个网格中，每个网格输出(B×5+C)维数据，其中包含检测边界框坐标位置信息B×4维，检测边界框置信度B×1维，类别数量C维，YOLO神经网络将B×4维的定位误差和B×1维的置信度误差设定更大的权重λcoord＝5，将不包含物体中心的网格的置信度误差设定更小的权重λnoobj＝0.5，C维分类误差和包含物体中心的网格的置信度误差则保持不变；
YOLO神经网络规定每个检测边界框只负责框选一个物体，计算当前检测边界框与所有参考标准框的IOU值，其中最大IOU值对应的物体即当前检测边界框负责框选的物体；
YOLO神经网络的损失函数形式为：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>o</mi> <mi>r</mi> <mi>d</mi> </mrow> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>B</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>y</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>o</mi> <mi>r</mi> <mi>d</mi> </mrow> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>B</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <msup> <mrow> <mo>(</mo> <msqrt> <msub> <mi>w</mi> <mi>i</mi> </msub> </msqrt> <mo>-</mo> <msqrt> <msub> <mover> <mi>w</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> </msqrt> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msqrt> <msub> <mi>h</mi> <mi>i</mi> </msub> </msqrt> <mo>-</mo> <msqrt> <msub> <mover> <mi>h</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> </msqrt> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>B</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>C</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>n</mi> <mi>o</mi> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>B</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>n</mi> <mi>o</mi> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>C</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> </munderover> <msubsup> <mi>I</mi> <mi>i</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>j</mi> </mrow> </msubsup> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mi>c</mi> <mi>l</mi> <mi>a</mi> <mi>s</mi> <mi>s</mi> <mi>e</mi> <mi>s</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>c</mi> <mo>)</mo> <mo>-</mo> <msub> <mover> <mi>p</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>(</mo> <mi>c</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
(3)式中，Ii表示是否有物体中心落入网格i中，若有则Ii＝1，反之为0，Iij表示判断网格i中第j个检测边界框是否负责该物体，若是则为1，反之为0。
CN201710443283.0A 2017-06-13 2017-06-13 一种识别前方车辆尾灯及判断其状态的方法 Pending CN107316010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710443283.0A CN107316010A (zh) 2017-06-13 2017-06-13 一种识别前方车辆尾灯及判断其状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710443283.0A CN107316010A (zh) 2017-06-13 2017-06-13 一种识别前方车辆尾灯及判断其状态的方法

Publications (1)

Publication Number Publication Date
CN107316010A true CN107316010A (zh) 2017-11-03

Family

ID=60182244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710443283.0A Pending CN107316010A (zh) 2017-06-13 2017-06-13 一种识别前方车辆尾灯及判断其状态的方法

Country Status (1)

Country Link
CN (1) CN107316010A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108357418A (zh) * 2018-01-26 2018-08-03 河北科技大学 一种基于尾灯识别的前车驾驶意图分析方法
CN108509907A (zh) * 2018-03-30 2018-09-07 北京市商汤科技开发有限公司 车灯检测方法、实现智能驾驶的方法、装置、介质及设备
CN108805064A (zh) * 2018-05-31 2018-11-13 中国农业大学 一种基于深度学习的鱼类定位检测和识别方法及系统
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN109033939A (zh) * 2018-06-04 2018-12-18 上海理工大学 一种杂乱环境下改进的YOLOv2物体检测方法
CN109029363A (zh) * 2018-06-04 2018-12-18 泉州装备制造研究所 一种基于深度学习的目标测距方法
CN109190488A (zh) * 2018-08-03 2019-01-11 广州大学 基于深度学习YOLOv3算法的前车车门打开检测方法及装置
CN109255298A (zh) * 2018-08-07 2019-01-22 南京工业大学 一种动态背景中的安全帽检测方法与系统
CN109299674A (zh) * 2018-09-05 2019-02-01 重庆大学 一种基于车灯的隧道违章变道检测方法
CN109461146A (zh) * 2018-10-23 2019-03-12 河北省科学院应用数学研究所 一种滴灌带滴孔的检测方法、终端设备及存储介质
CN109886295A (zh) * 2019-01-11 2019-06-14 平安科技（深圳）有限公司 一种基于神经网络的蝴蝶识别方法及相关设备
CN109993138A (zh) * 2019-04-08 2019-07-09 北京易华录信息技术股份有限公司 一种车牌检测与识别方法及装置
CN110533042A (zh) * 2019-09-06 2019-12-03 北京慧智数据科技有限公司 一种基于yolo-v3的货车车尾放大号识别方法
CN110780164A (zh) * 2019-11-04 2020-02-11 华北电力大学（保定） 基于yolo的绝缘子红外故障定位诊断方法及装置
CN110909666A (zh) * 2019-11-20 2020-03-24 西安交通大学 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法
CN111191482A (zh) * 2018-11-14 2020-05-22 杭州海康威视数字技术股份有限公司 一种刹车灯识别方法、装置及电子设备
CN111724566A (zh) * 2020-05-20 2020-09-29 同济大学 基于智慧灯杆视频监控系统的行人跌倒检测方法和装置
CN111967468A (zh) * 2020-08-10 2020-11-20 东南大学 一种基于fpga的轻量级目标检测神经网络的实现方法
CN112101101A (zh) * 2020-08-07 2020-12-18 东南大学 基于yolov3神经网络的车尾灯识别方法及系统
CN112307833A (zh) * 2019-07-31 2021-02-02 浙江商汤科技开发有限公司 识别智能行驶设备的行驶状态的方法及装置、设备
CN114364100A (zh) * 2022-01-12 2022-04-15 摩登汽车有限公司 车辆的后尾灯的控制方法、整车控制器及车辆
CN114820676A (zh) * 2022-05-30 2022-07-29 深圳市科荣软件股份有限公司 一种设备运行状态识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557754A (zh) * 2016-11-21 2017-04-05 南宁市浩发科技有限公司 一种夜间车辆检测和状态判断方法
CN106845453A (zh) * 2017-02-24 2017-06-13 太原理工大学 基于图像的尾灯检测与识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557754A (zh) * 2016-11-21 2017-04-05 南宁市浩发科技有限公司 一种夜间车辆检测和状态判断方法
CN106845453A (zh) * 2017-02-24 2017-06-13 太原理工大学 基于图像的尾灯检测与识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王宇宁等: "基于YOLO算法的车辆实时检测", 《武汉理工大学学报》 *
田强等: "车辆尾灯灯语的检测与识别", 《计算机系统应用》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108357418A (zh) * 2018-01-26 2018-08-03 河北科技大学 一种基于尾灯识别的前车驾驶意图分析方法
WO2019184825A1 (zh) * 2018-03-30 2019-10-03 北京市商汤科技开发有限公司 车灯检测方法、实现智能驾驶的方法、装置、介质及设备
CN108509907A (zh) * 2018-03-30 2018-09-07 北京市商汤科技开发有限公司 车灯检测方法、实现智能驾驶的方法、装置、介质及设备
CN108509907B (zh) * 2018-03-30 2022-03-15 北京市商汤科技开发有限公司 车灯检测方法、实现智能驾驶的方法、装置、介质及设备
US10984266B2 (en) 2018-03-30 2021-04-20 Beijing Sensetime Technology Development Co., Ltd. Vehicle lamp detection methods and apparatuses, methods and apparatuses for implementing intelligent driving, media and devices
CN108805064A (zh) * 2018-05-31 2018-11-13 中国农业大学 一种基于深度学习的鱼类定位检测和识别方法及系统
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN109033939A (zh) * 2018-06-04 2018-12-18 上海理工大学 一种杂乱环境下改进的YOLOv2物体检测方法
CN109029363A (zh) * 2018-06-04 2018-12-18 泉州装备制造研究所 一种基于深度学习的目标测距方法
CN109190488A (zh) * 2018-08-03 2019-01-11 广州大学 基于深度学习YOLOv3算法的前车车门打开检测方法及装置
CN109190488B (zh) * 2018-08-03 2022-02-18 广州大学 基于深度学习YOLOv3算法的前车车门打开检测方法及装置
CN109255298A (zh) * 2018-08-07 2019-01-22 南京工业大学 一种动态背景中的安全帽检测方法与系统
CN109299674B (zh) * 2018-09-05 2022-03-18 重庆大学 一种基于车灯的隧道违章变道检测方法
CN109299674A (zh) * 2018-09-05 2019-02-01 重庆大学 一种基于车灯的隧道违章变道检测方法
CN109461146A (zh) * 2018-10-23 2019-03-12 河北省科学院应用数学研究所 一种滴灌带滴孔的检测方法、终端设备及存储介质
CN111191482A (zh) * 2018-11-14 2020-05-22 杭州海康威视数字技术股份有限公司 一种刹车灯识别方法、装置及电子设备
CN111191482B (zh) * 2018-11-14 2023-04-28 杭州海康威视数字技术股份有限公司 一种刹车灯识别方法、装置及电子设备
CN109886295A (zh) * 2019-01-11 2019-06-14 平安科技（深圳）有限公司 一种基于神经网络的蝴蝶识别方法及相关设备
CN109993138A (zh) * 2019-04-08 2019-07-09 北京易华录信息技术股份有限公司 一种车牌检测与识别方法及装置
CN112307833A (zh) * 2019-07-31 2021-02-02 浙江商汤科技开发有限公司 识别智能行驶设备的行驶状态的方法及装置、设备
CN110533042A (zh) * 2019-09-06 2019-12-03 北京慧智数据科技有限公司 一种基于yolo-v3的货车车尾放大号识别方法
CN110780164A (zh) * 2019-11-04 2020-02-11 华北电力大学（保定） 基于yolo的绝缘子红外故障定位诊断方法及装置
CN110909666B (zh) * 2019-11-20 2022-10-25 西安交通大学 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法
CN110909666A (zh) * 2019-11-20 2020-03-24 西安交通大学 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法
CN111724566A (zh) * 2020-05-20 2020-09-29 同济大学 基于智慧灯杆视频监控系统的行人跌倒检测方法和装置
CN112101101A (zh) * 2020-08-07 2020-12-18 东南大学 基于yolov3神经网络的车尾灯识别方法及系统
CN112101101B (zh) * 2020-08-07 2024-05-03 东南大学 基于yolov3神经网络的车尾灯识别方法及系统
CN111967468A (zh) * 2020-08-10 2020-11-20 东南大学 一种基于fpga的轻量级目标检测神经网络的实现方法
CN111967468B (zh) * 2020-08-10 2024-06-14 东南大学 一种基于fpga的轻量级目标检测神经网络的实现方法
CN114364100A (zh) * 2022-01-12 2022-04-15 摩登汽车有限公司 车辆的后尾灯的控制方法、整车控制器及车辆
CN114820676A (zh) * 2022-05-30 2022-07-29 深圳市科荣软件股份有限公司 一种设备运行状态识别方法及装置

Similar Documents

Publication Publication Date Title
CN107316010A (zh) 一种识别前方车辆尾灯及判断其状态的方法
US11840239B2 (en) Multiple exposure event determination
EP3533681B1 (en) Method for detecting safety of driving behavior, apparatus and storage medium
WO2020177217A1 (zh) 基于变尺度多特征融合卷积网络的路侧图像行人分割方法
WO2020264010A1 (en) Low variance region detection for improved detection
CN112465395A (zh) 一种面向自动驾驶汽车的多维度综合评价方法及装置
Peng et al. Uncertainty evaluation of object detection algorithms for autonomous vehicles
US20170323568A1 (en) Risk prediction device and driving support system
CN103895649B (zh) 一种驾驶员安全驾驶预警方法
CN110488802A (zh) 一种网联环境下的自动驾驶车辆动态行为决策方法
CN103824081B (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
KR101395094B1 (ko) 개체 검출 방법 및 시스템
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN105654773A (zh) 一种车载伴飞无人机智能导引系统
CN109670376A (zh) 车道线识别方法及系统
CN109190444A (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
CN110182210A (zh) 车辆控制装置和车辆控制方法
CN111523415A (zh) 一种基于图像的两客一危车辆检测方法和装置
CN116957345B (zh) 用于无人驾驶系统中的数据处理方法
CN106682600A (zh) 一种目标检测方法及终端
CN106710228A (zh) 一种客货分道交通参数监测系统的实现方法
US11157754B2 (en) Road marking determining apparatus for automated driving
CN105975982A (zh) 一种前方车辆检测方法
CN106295546A (zh) 一种基于视频的交通标志检测与识别方法
CN110696828B (zh) 前向目标选择方法、装置及车载设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171103

RJ01 Rejection of invention patent application after publication