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 PDFInfo
- 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
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
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>&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>&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>&lambda;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>o</mi>
<mi>r</mi>
<mi>d</mi>
</mrow>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
</munderover>
<munderover>
<mi>&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>&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>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>o</mi>
<mi>r</mi>
<mi>d</mi>
</mrow>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
</munderover>
<munderover>
<mi>&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>&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>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
</munderover>
<munderover>
<mi>&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>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
</mrow>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
</munderover>
<munderover>
<mi>&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>&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>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>&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。
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)
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)
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 |
-
2017
- 2017-06-13 CN CN201710443283.0A patent/CN107316010A/zh active Pending
Patent Citations (2)
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)
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)
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 |