CN108304785A - 基于自建神经网络的交通标志检测与识别方法 - Google Patents
基于自建神经网络的交通标志检测与识别方法 Download PDFInfo
- Publication number
- CN108304785A CN108304785A CN201810040243.6A CN201810040243A CN108304785A CN 108304785 A CN108304785 A CN 108304785A CN 201810040243 A CN201810040243 A CN 201810040243A CN 108304785 A CN108304785 A CN 108304785A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- network
- self
- color
- interest
- 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
- G06V20/582—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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于自建神经网络的交通标志检测与识别方法,属于机器学习及深度学习技术领域,该方法根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域,使用SVM分类器得到真实感兴趣区域,再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类。采用本发明的技术方案能对交通标志使用状态进行快速准确识别和分类,达到快速、可靠和识别准确的实时要求,并且省时省力。
Description
技术领域
本发明涉及机器学习及深度学习技术领域,尤其涉及一种基于自建神经网络的交通标志检测与识别方法。
背景技术
截至2017年5月底,全国机动车的保有量已达到了3亿量,机动车驾驶员总数达3.5亿之多。汽车给人们带来便利并推动着道路交通发展的同时,频发的交通事故也给当今社会带来极大的危害。导致交通事故发生的原因有很多,其中很重要的一项就是驾驶员不规范操作,例如疲劳驾驶,自身疏忽等。为了提高驾驶安全性,帮助驾驶员规范操作乃至代替驾驶员执行正确的操作,高级驾驶员辅助系统(Advanced Driver Assistance Systems,ADAS)应运而生,自动交通标志牌检测和识别系统(Automatic traffic sign detectionand recognition,TSDR)正是其重要组成部分。ADAS系统的主要目的是通过实时分析道路交通标志来提醒司机当前路况,确保驾驶员安全驾驶。该系统主要利用计算机视觉技术,将车载摄像头拍摄的道路场景画面作为输入源来分析影像,将分析结果反馈给驾驶员,如:驾驶适当的车道,限速,避开障碍物等,以帮助驾驶员做出正确决定,或者根据反馈结果直接做出正确操作。除了可以辅助驾驶之外,标志牌识别系统也可应用于自动化道路标志牌使用状态维护。由于每一条道路都必须定期检查标志牌缺失损毁情况,以往这些工作都是采用沿着道路驾驶一辆汽车,手动记录观察到的信息这种方式来完成的,费时费力,且容易出现人为错误。
发明内容
针对现有技术的不足,本发明所解决的问题是如何对交通标志使用状态进行快速准确识别和分类以辅助驾驶,并且省时省力。
为解决上述技术问题,本发明采用的技术方案是一种基于自建神经网络的交通标志检测与识别方法,根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域,使用SVM分类器得到真实感兴趣区域,再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类,包括如下步骤:
(1)车载系统会对道路标志进行拍摄或录像,如果拍摄的是图片,那就直接进行彩色转换,如果是视频格式,那就对视频抽帧,将RGB图像转换为HSI颜色模型,HSI分别表示色调、饱和度及亮度,其过程如下:
给定RGB彩色格式图像,对任何三个归一化到[0,1]范围内的R,G,B值,其对应的H,S,I分量由公式(1)至公式(4)表示:
色调:
饱和分量:
亮度分量:
(2)设定阈值范围,判断像素是否为目标像素即交通标志区域的像素,提取目标像素颜色信息,进行初步颜色分割获得感兴趣区域,其过程如下:
对彩色图像即红、黄、蓝进行分割时,依靠H、S、I三个分量相互独立,同时考虑到自然环境下交通标志图像色彩的波动性,可以对彩色图像的各个分量进行适当地组合进行阈值分割,输出掩摸由公式(5)至公式(7)所示:
设定一组颜色经验阈值,即每种颜色分量的色调阈值上下限值和饱和度阈值,然后通过判断阈值范围将各个颜色分割出来,最后得到分割后的图像;优选地,设定颜色经验阈值如下表:
颜色 | 红色R | 黄色Y | 蓝色B |
色度H | |H|<45or|360-H|<45 | |H-60|<30 | |H-240|<50 |
饱和度S | 0.1-1 | 0.3-1 | 0.3-1 |
亮度I | 0.06-0.96 | 0.06-0.96 | 0.06-0.96 |
如果像素值在阈值范围内即为目标像素,否则为背景像素;
(3)区分交通标志与非交通标志的SVM分类器,以此来判断感兴趣区域是否为交通标志,其过程如下:
根据SVM的基本原理,最优分类面既要能将两类样本正确分开,又要使得分类间隔最大;SVM的学习可以看作一个最优化问题,可以表示为:
其中,xi∈RD,i=1,…,N为训练数据,训练数据集中样本个数为N;yi∈{-1,1}为样本标签,也即分类结果;<xi,xj>表示两个向量之间的点积运算;C为惩罚因子;K<xi,xj>为核函数;ai为待学习的参数。通过最优化学习,得到最优解:
然后,可以得到最优分类面的权向量和偏移量,表示为:
于是,最优分类面函数可以表示为:
(4)确定真实感兴趣区域后,把此区域归一化处理,其过程如下:使用双三次插值法采用公式(12)至(16)将图像归一化到28*28;
f(i+u,j+v)=ABC (13)
A=[S(1+u) S(u) S(1-u) S(2-u)] (14)
C=[S(1+v) S(v) S(1-v) S(2-v)]T (16)
其中,A、B、C均为矩阵,u,v均为[0,1]区间的浮点数。u表示最近邻像素点和待插值点水平方向的距离。u与v对应,表示垂直方向的距离。f(i,j)表示源图像(i,j)处的灰度值,f(i+u,j+v)表示待插值点的灰度值。S(w)为双三次插值基函数。
(5)归一化处理得到交通标志的位置后,使用自建神经网络结构,提交交通标志牌分类算法,分类算法所需设置的参数包括网络权值初始化方式、卷积核初始化方式、卷积神经网络的层数、特征图数量在内的参数,通过训练样本来学习网络中的参数,进而识别不同位置的交通标志的类别,具体分步骤如下:
1)利用变形增量的GTSRB数据集训练网络;
2)将检测结果为标志牌区域的感兴趣区域,输入到上一步训练好的网络中,判断其所属的小类。
所述网络权值初始化方式设置为xavier,激励函数采用ReLU,并使用一种正则化方法DropOut,避免在全连接层出现过拟合,使得网络在训练收敛速度,分类时间上都优于传统网络,且具有极高的分类准确率,满足标志牌识别系统实时准确的要求,具体过程如下:
1)网络权值初始化方式:
定义参数所在层的输入维度为n,输出维度为m,那么参数将以均匀分布的方式在的范围内进行初始化;
2)激活函数采用ReLU函数,由公式(17)所示:
3)防止过拟合方式,由公式(18)处理网络防止过拟合:
优选地,所述自建神经网络结构包含8层,第一层为输入层,中间的隐藏层为3个卷积层、2个池化层和1个全连接层,最后一层是输出层,其中卷积层的卷积核为5*5,步长为1,用relu函数激活,池化层为3*3;
为了保证本方法对不同光照、不同环境的分类识别准确性,优选地,系统需符合以下条件:
1)交通标志牌遮挡部分不得超过60%;
2)车辆行驶车速在120km/h;
3)车辆车载系统中安装NVIDIA处理模块。
采用本发明的技术方案能对交通标志使用状态进行快速准确识别和分类,达到快速、可靠和识别准确的实时要求,并且省时省力。
附图说明
图1为本发明流程示意图;
图2为检测算法流程示意图;
图3为分类算法流程图示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明,但不是对本发明的限定。
图1、图2示出了一种基于自建神经网络的交通标志检测与识别方法,根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域,使用SVM分类器得到真实感兴趣区域,再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类,包括如下步骤:
(1)车载系统会对道路标志进行拍摄或录像,如果拍摄的是图片,那就直接进行彩色转换,如果是视频格式,那就对视频抽帧,将RGB图像转换为HSI颜色模型,HSI分别表示色调、饱和度及亮度,其过程如下:
给定RGB彩色格式图像,对任何三个归一化到[0,1]范围内的R,G,B值,其对应的H,S,I分量由公式(1)至公式(4)表示:
色调:
饱和分量:
亮度分量:
(2)设定阈值范围,判断像素是否为目标像素即交通标志区域的像素,提取目标像素颜色信息,进行初步颜色分割获得感兴趣区域,其过程如下:
对彩色图像即红、黄、蓝进行分割时,依靠H、S、I三个分量相互独立,同时考虑到自然环境下交通标志图像色彩的波动性,可以对彩色图像的各个分量进行适当地组合进行阈值分割,输出掩摸由公式(5)至公式(7)所示:
设定一组颜色经验阈值,即每种颜色分量的色调阈值上下限值和饱和度阈值,然后通过判断阈值范围将各个颜色分割出来,最后得到分割后的图像;优选地,设定颜色经验阈值如下表:
颜色 | 红色R | 黄色Y | 蓝色B |
色度H | |H|<45or|360-H|<45 | |H-60|<30 | |H-240|<50 |
饱和度S | 0.1-1 | 0.3-1 | 0.3-1 |
亮度I | 0.06-0.96 | 0.06-0.96 | 0.06-0.96 |
如果像素值在阈值范围内即为目标像素,否则为背景像素;
(3)区分交通标志与非交通标志的SVM分类器,以此来判断感兴趣区域是否为交通标志,其过程如下:
根据SVM的基本原理,最优分类面既要能将两类样本正确分开,又要使得分类间隔最大;SVM的学习可以看作一个最优化问题,可以表示为:
其中,xi∈RD,i=1,…,N为训练数据,训练数据集中样本个数为N;yi∈{-1,1}为样本标签,也即分类结果;<xi,xj>表示两个向量之间的点积运算;C为惩罚因子;K<xi,xj>为核函数;ai为待学习的参数。通过最优化学习,得到最优解:
然后,可以得到最优分类面的权向量和偏移量,表示为:
于是,最优分类面函数可以表示为:
(4)确定真实感兴趣区域后,把此区域归一化处理,其过程如下:
使用双三次插值法采用公式(12)至(16)将图像归一化到28*28;
f(i+u,j+v)=ABC (13)
A=[S(1+u) S(u) S(1-u) S(2-u)] (14)
C=[S(1+v) S(v) S(1-v) S(2-v)]T (16)
其中,A、B、C均为矩阵,u,v均为[0,1]区间的浮点数。u表示最近邻像素点和待插值点水平方向的距离。u与v对应,表示垂直方向的距离。f(i,j)表示源图像(i,j)处的灰度值,f(i+u,j+v)表示待插值点的灰度值。S(w)为双三次插值基函数。
(5)归一化处理得到交通标志的位置后,使用自建神经网络结构,提交交通标志牌分类算法,分类算法所需设置的参数包括网络权值初始化方式、卷积核初始化方式、卷积神经网络的层数、特征图数量在内的参数,通过训练样本来学习网络中的参数,进而识别不同位置的交通标志的类别,具体分步骤如下(见图3):
1)利用变形增量的GTSRB数据集训练网络;
2)将检测结果为标志牌区域的感兴趣区域,输入到上一步训练好的网络中,判断其所属的小类。
所述网络权值初始化方式设置为xavier,激励函数采用ReLU,并使用一种正则化方法DropOut,避免在全连接层出现过拟合,使得网络在训练收敛速度,分类时间上都优于传统网络,且具有极高的分类准确率,满足标志牌识别系统实时准确的要求,具体过程如下:
1)网络权值初始化方式:
定义参数所在层的输入维度为n,输出维度为m,那么参数将以均匀分布的方式在的范围内进行初始化;
2)激活函数采用ReLU函数,由公式(17)所示:
3)防止过拟合方式,由公式(18)处理网络防止过拟合:
优选地,所述自建神经网络结构包含8层,第一层为输入层,中间的隐藏层为3个卷积层、2个池化层和1个全连接层,最后一层是输出层,其中卷积层的卷积核为5*5,步长为1,用relu函数激活,池化层为3*3;
为了保证本方法对不同光照、不同环境的分类识别准确性,优选地,系统需符合以下条件:
1)交通标志牌遮挡部分不得超过60%;
2)车辆行驶车速在120km/h;
3)车辆车载系统中安装NVIDIA处理模块。
采用本发明的技术方案能对交通标志使用状态进行快速准确识别和分类,达到快速、可靠和识别准确的实时要求,并且省时省力。以上结合附图对本发明的实施方式做出了详细说明,但本发明不局限于所描述的实施方式。对于本领域技术人员而言,在不脱离本发明的原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (5)
1.一种基于自建神经网络的交通标志检测与识别方法,其特征在于:
根据拍摄到的图像运用数字图像理论中的颜色分割获取交通标志在图片中的非真实感兴趣区域,使用SVM分类器得到真实感兴趣区域,再将真实的感兴趣区域放进自建卷积神经网络中进行识别分类,包括如下步骤:
(1)车载系统会对道路标志进行拍摄或录像,如果拍摄的是图片,那就直接进行彩色转换,如果是视频格式,那就对视频抽帧,将RGB图像转换为HSI颜色模型,HSI分别表示色调、饱和度及亮度,其过程如下:
给定RGB彩色格式图像,对任何三个归一化到[0,1]范围内的R,G,B值,其对应的H,S,I分量由公式(1)至公式(4)表示:
色调:
饱和分量:
亮度分量:
(2)设定阈值范围,判断像素是否为目标像素即交通标志区域的像素,提取目标像素颜色信息,进行初步颜色分割获得感兴趣区域,其过程如下:
对彩色图像即红、黄、蓝进行分割时,依靠H、S、I三个分量相互独立,同时考虑到自然环境下交通标志图像色彩的波动性,可以对彩色图像的各个分量进行适当地组合进行阈值分割,输出掩摸由公式(5)至公式(7)所示:
设定一组颜色经验阈值,即每种颜色分量的色调阈值上下限值和饱和度阈值,然后通过判断阈值范围将各个颜色分割出来,最后得到分割后的图像;
(3)区分交通标志与非交通标志的SVM分类器,以此来判断感兴趣区域是否为交通标志,其过程如下:
根据SVM的基本原理,最优分类面既要能将两类样本正确分开,又要使得分类间隔最大;SVM的学习可以看作一个最优化问题,可以表示为:
其中,xi∈RD,i=1,…,N为训练数据,训练数据集中样本个数为N;yi∈{-1,1}为样本标签,也即分类结果;<xi,xj>表示两个向量之间的点积运算;C为惩罚因子;K<xi,xj>为核函数;ai为待学习的参数,通过最优化学习,得到最优解:
然后,可以得到最优分类面的权向量和偏移量,表示为:
于是,最优分类面函数可以表示为:
(4)确定真实感兴趣区域后,把此区域归一化处理,其过程如下:
使用双三次插值法采用公式(12)至(16)将图像归一化到28*28;
f(i+u,j+v)=ABC (13)
A=[S(1+u) S(u) S(1-u) S(2-u)] (14)
C=[S(1+v) S(v) S(1-v) S(2-v)]T (16)
其中,A、B、C均为矩阵,u,v均为[0,1]区间的浮点数,u表示最近邻像素点和待插值点水平方向的距离,u与v对应,表示垂直方向的距离,f(i,j)表示源图像(i,j)处的灰度值,f(i+u,j+v)表示待插值点的灰度值,S(w)为双三次插值基函数;
(5)归一化处理得到交通标志的位置后,使用自建神经网络结构,提交交通标志牌分类算法,分类算法所需设置的参数包括网络权值初始化方式、卷积核初始化方式、卷积神经网络的层数、特征图数量在内的参数,通过训练样本来学习网络中的参数,进而识别不同位置的交通标志的类别,具体分步骤如下:
1)利用变形增量的GTSRB数据集训练网络;
2)将检测结果为标志牌区域的感兴趣区域,输入到上一步训练好的网络中,判断其所属的小类。
2.根据权利要求1所述的基于自建神经网络的交通标志检测与识别方法,其特征在于:在步骤(2)中,设定颜色经验阈值如下表:
如果像素值在阈值范围内即为目标像素,否则为背景像素。
3.根据权利要求1所述的基于自建神经网络的交通标志检测与识别方法,其特征在于:在步骤(5)中,所述网络权值初始化方式设置为xavier,激励函数采用ReLU,并使用一种正则化方法DropOut,避免在全连接层出现过拟合,使得网络在训练收敛速度,分类时间上都优于传统网络,且具有极高的分类准确率,满足标志牌识别系统实时准确的要求,具体过程如下:
1)网络权值初始化方式:
定义参数所在层的输入维度为n,输出维度为m,那么参数将以均匀分布的方式在的范围内进行初始化;
2)激活函数采用ReLU函数,由公式(17)所示:
3)防止过拟合方式,由公式(18)处理网络防止过拟合:
4.根据权利要求1至3任一项所述的基于自建神经网络的交通标志检测与识别方法,其特征在于:所述自建神经网络结构包含8层,第一层为输入层,中间的隐藏层为3个卷积层、2个池化层和1个全连接层,最后一层是输出层,其中卷积层的卷积核为5*5,步长为1,用relu函数激活,池化层为3*3。
5.根据权利要求1至3任一项所述的基于自建神经网络的交通标志检测与识别方法,其特征在于:系统需符合以下条件:
1)交通标志牌遮挡部分不得超过60%;
2)车辆行驶车速在120km/h;
3)车辆车载系统中安装NVIDIA处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040243.6A CN108304785A (zh) | 2018-01-16 | 2018-01-16 | 基于自建神经网络的交通标志检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040243.6A CN108304785A (zh) | 2018-01-16 | 2018-01-16 | 基于自建神经网络的交通标志检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304785A true CN108304785A (zh) | 2018-07-20 |
Family
ID=62869109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810040243.6A Pending CN108304785A (zh) | 2018-01-16 | 2018-01-16 | 基于自建神经网络的交通标志检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304785A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815906A (zh) * | 2019-01-25 | 2019-05-28 | 华中科技大学 | 基于分步深度学习的交通标志检测方法及系统 |
CN109916829A (zh) * | 2019-03-21 | 2019-06-21 | 衢州华友钴新材料有限公司 | 溶液颜色检测系统及检测方法 |
CN110826544A (zh) * | 2019-12-23 | 2020-02-21 | 深圳市豪恩汽车电子装备股份有限公司 | 交通标志检测识别系统及方法 |
CN111242046A (zh) * | 2020-01-15 | 2020-06-05 | 江苏北斗星通汽车电子有限公司 | 一种基于图像检索的地面交通标志识别方法 |
CN111368900A (zh) * | 2020-02-28 | 2020-07-03 | 桂林电子科技大学 | 一种图像目标物识别方法 |
CN112329863A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 一种牵引变电所内隔离开关状态识别方法 |
CN112464731A (zh) * | 2020-11-03 | 2021-03-09 | 南京理工大学 | 一种基于图像处理的交通标志检测识别方法 |
CN112528881A (zh) * | 2020-12-16 | 2021-03-19 | 公安部交通管理科学研究所 | 一种公路场景识别中抑制过拟合的训练方法 |
CN113361483A (zh) * | 2021-07-07 | 2021-09-07 | 合肥英睿系统技术有限公司 | 一种交通限速标志检测方法、装置、设备及存储介质 |
CN114144813A (zh) * | 2019-04-23 | 2022-03-04 | 巴黎欧莱雅 | 机器图像颜色提取和使用提取的颜色的机器图像构造 |
CN116246265A (zh) * | 2023-05-12 | 2023-06-09 | 威海凯思信息科技有限公司 | 一种基于图像处理的物业管理方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020623A (zh) * | 2011-09-23 | 2013-04-03 | 株式会社理光 | 交通标志检测方法和交通标志检测设备 |
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN107122776A (zh) * | 2017-04-14 | 2017-09-01 | 重庆邮电大学 | 一种基于卷积神经网络的交通标志检测与识别方法 |
-
2018
- 2018-01-16 CN CN201810040243.6A patent/CN108304785A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020623A (zh) * | 2011-09-23 | 2013-04-03 | 株式会社理光 | 交通标志检测方法和交通标志检测设备 |
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN107122776A (zh) * | 2017-04-14 | 2017-09-01 | 重庆邮电大学 | 一种基于卷积神经网络的交通标志检测与识别方法 |
Non-Patent Citations (2)
Title |
---|
党倩: "《基于深度卷积神经网络的交通标志识别》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
欧阳维力: "《基于单目视觉的交通标志检测与识别算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815906B (zh) * | 2019-01-25 | 2021-04-06 | 华中科技大学 | 基于分步深度学习的交通标志检测方法及系统 |
CN109815906A (zh) * | 2019-01-25 | 2019-05-28 | 华中科技大学 | 基于分步深度学习的交通标志检测方法及系统 |
CN109916829A (zh) * | 2019-03-21 | 2019-06-21 | 衢州华友钴新材料有限公司 | 溶液颜色检测系统及检测方法 |
CN114144813A (zh) * | 2019-04-23 | 2022-03-04 | 巴黎欧莱雅 | 机器图像颜色提取和使用提取的颜色的机器图像构造 |
CN110826544A (zh) * | 2019-12-23 | 2020-02-21 | 深圳市豪恩汽车电子装备股份有限公司 | 交通标志检测识别系统及方法 |
CN111242046A (zh) * | 2020-01-15 | 2020-06-05 | 江苏北斗星通汽车电子有限公司 | 一种基于图像检索的地面交通标志识别方法 |
CN111242046B (zh) * | 2020-01-15 | 2023-08-29 | 江苏北斗星通汽车电子有限公司 | 一种基于图像检索的地面交通标志识别方法 |
CN111368900A (zh) * | 2020-02-28 | 2020-07-03 | 桂林电子科技大学 | 一种图像目标物识别方法 |
CN112464731A (zh) * | 2020-11-03 | 2021-03-09 | 南京理工大学 | 一种基于图像处理的交通标志检测识别方法 |
CN112329863B (zh) * | 2020-11-09 | 2022-04-22 | 西南交通大学 | 一种牵引变电所内隔离开关状态识别方法 |
CN112329863A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 一种牵引变电所内隔离开关状态识别方法 |
CN112528881A (zh) * | 2020-12-16 | 2021-03-19 | 公安部交通管理科学研究所 | 一种公路场景识别中抑制过拟合的训练方法 |
CN112528881B (zh) * | 2020-12-16 | 2022-05-24 | 公安部交通管理科学研究所 | 一种公路场景识别中抑制过拟合的训练方法 |
CN113361483A (zh) * | 2021-07-07 | 2021-09-07 | 合肥英睿系统技术有限公司 | 一种交通限速标志检测方法、装置、设备及存储介质 |
CN116246265A (zh) * | 2023-05-12 | 2023-06-09 | 威海凯思信息科技有限公司 | 一种基于图像处理的物业管理方法和装置 |
CN116246265B (zh) * | 2023-05-12 | 2023-08-08 | 威海凯思信息科技有限公司 | 一种基于图像处理的物业管理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304785A (zh) | 基于自建神经网络的交通标志检测与识别方法 | |
CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
CN105913041B (zh) | 一种基于预先标定的信号灯识别方法 | |
CN103366190B (zh) | 一种识别交通标志的方法 | |
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 | |
CN110969160A (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN103345766A (zh) | 一种信号灯识别方法及装置 | |
Sheikh et al. | Traffic sign detection and classification using colour feature and neural network | |
CN108334881A (zh) | 一种基于深度学习的车牌识别方法 | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN106355180B (zh) | 一种基于颜色与边缘特征相结合的车牌定位方法 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN106919910B (zh) | 一种基于hog-cth组合特征的交通标志识别方法 | |
CN104021375A (zh) | 一种基于机器学习的车型识别方法 | |
CN105741324A (zh) | 移动平台上的运动目标检测识别与跟踪方法 | |
CN112464731B (zh) | 一种基于图像处理的交通标志检测识别方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量系统及方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180720 |
|
WD01 | Invention patent application deemed withdrawn after publication |