CN108681727A - 一种基于视觉的交通标示识别方法及装置 - Google Patents
一种基于视觉的交通标示识别方法及装置 Download PDFInfo
- Publication number
- CN108681727A CN108681727A CN201810755179.XA CN201810755179A CN108681727A CN 108681727 A CN108681727 A CN 108681727A CN 201810755179 A CN201810755179 A CN 201810755179A CN 108681727 A CN108681727 A CN 108681727A
- Authority
- CN
- China
- Prior art keywords
- recognition methods
- layer
- access control
- control model
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000003416 augmentation Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
- B60R11/04—Mounting of cameras operative during drive; Arrangement of controls thereof relative to the vehicle
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
一种基于视觉的交通标示识别方法及装置。一种基于视觉的交通标示识别方法,本识别方法包括六步,第一步样本的分类与标注,第二步数据的筛选与增广,第三步数据形式的统一,第四步深度卷积神经网络介绍,第五步利用神经网络进行训练,第六步利用训练模型进行分类。本发明用于交通标示识别。
Description
技术领域:
本发明涉及一种基于视觉的交通标示识别方法及装置。
背景技术:
交通标示识别(Traffic Sign Recognition,TSR)主要是通过安装在车辆上的摄像机采集道路上的交通标识信息,传送到图像处理模块进行标识检测和识别,并根据识别结果做出不同的应对措施。交通标识识别可以及时地向驾驶员传递重要的交通信息(例如限速、禁止超车等),并指导驾驶员做出合理的反应,从而减轻了驾驶压力,缓解城市交通压力,有利于道路交通安全。因此,精确高效且实时的交通标识识别是未来驾驶的趋势所在。
现有技术的缺陷和不足:交通标识分类与识别方法主要有:基于各种距离的模板匹配识别方法。基于大量数据样本的机器学习识别方法以及基于粒子群算法、遗传算法等智能算法的识别方法。交通标识的识别在规范交通行为、确保安全驾驶等方面具有重要的意义。交通标识通常处于室外复杂的环境条件下,识别的过程中容易收环境光照、方向旋转的影响。
模板匹配法是一种比较直接的方法;利用标准模板与输入图像进行互相关运算,可适应不同的光照强度。然而,模板匹配法要先将待分类图像与标准模板匹配;很多情况下,如交通标识有形变或者背景复杂时,配准十分困难。一些算法对输入图像进行距离变换,一定程度上提高了算法对小型变的适应能力。
特征提取加分类器的分类模式利用一些具有旋转、尺度、噪声甚至放射不变性的特征进行分类;在一定程度上提高了分类的准确率,但是面对复杂的真是环境,分类效果有限。
等先将待分类图像缩放至固定尺寸,再用PC A(Principal Component Analysis)算法提取待分类图像的特征值,组成特征向量送入分类器(具体分类器文中未提及),获得了较高的识别率;由于PCA对旋转敏感,导致该算法同样需要配准输入图像;此外,当交通标志被局部遮挡时,该方法的识别率下降较多。
一些算法提取待分类图像的SIFT(Scale-invariant Feature Transform)特征,并送入多层神经网络分类;SIFT特征通过多尺度分析提取输入图像中在各尺度下均显著的点作为特征点,从而具备了平移、旋转、尺度的不变性;然而,由于SIFT特征对图像的质量要求较高,当输入图像分辨率较低(如视频图像)时,SIFT特征提取的精度严重下降,影响分类正确率。
用不同分辨率的Gabor小波作为特征训练神经网络,可抵抗复杂背景和形变的情况,不仅得到了较高的分类正确率,且处理速度较快。中南大学的谷明琴等同样采用Gabor小波作为特征,但以线性支持向量机作为分类器,也取得了较好的分类结果。Maldonado等利用Dt Bs特征获得了旋转和尺度的不变性,用线性支持向量机判断待分类图形的形状,再将形状内的点组成特征向量送入一个高斯核支持向量机作最终分类。该方法具有平移、旋转及尺度的不变性,且可以抵抗一定程度的局部遮挡,但速度较慢,达不到实时处理的要求。
算法是一种分类器增强方法,通过训练多个级联分类器实现分类性能的增强。浙江大学的何耀平等融合Adaboost 算法与支持向量机分类器,实现了较高的分类正确率及较快的分类速度。
以上算法在相应的环境下能达到较高的分类准确率,在复杂的交通环境中,需要一种通用的且高效的交通标识牌分类方法。
发明内容:
本发明的目的是提供一种通用的且高效的一种基于视觉的交通标示识别方法及装置。
上述的目的通过以下的技术方案实现:
一种基于视觉的交通标示识别方法,本识别方法包括六步,第一步样本的分类与标注,第二步数据的筛选与增广,第三步数据形式的统一,第四步深度卷积神经网络介绍,第五步利用神经网络进行训练,第六步利用训练模型进行分类。
所述的一种基于视觉的交通标示识别方法,所述的第一步样本的分类与标注,首先人工收集截取汽车行驶过程中视频采集设备收集的样本信息,根据中华人民共和国国家标准道路交通标志,对截取的样本进行分类。
所述的一种基于视觉的交通标示识别方法,所述的第二步数据的筛选与广是首先将源数据集中光线过暗、收到严重遮挡、残缺不全的样本剔除;其次将数据集中每类样本随机选取相同的数量作为训练集,对于样本不够的类别使用数据增广的手段扩充样本量,通过放射变换、平移变换、横纵比例缩放、旋转和添加噪声的手段扩充样本;最后将增广过的数据样本随机选取相同的数量加入训练集。
所述的一种基于视觉的交通标示识别方法,所述的第三步数据形式的统一是将所有训练图片大小进行统一;使用双线性差值算法,将所有的样本图片缩放为36*36像素大小。
所述的一种基于视觉的交通标示识别方法,所述的第四步深度卷积神经网络介绍,第一层为卷积层,将每张大小为36*36的图片通过大小为3*3的卷积核,以步长为2卷积为96个大小为14*14的图片;第二层为激活函数层,使用线性整流函数(Rectified LinearUnit,ReLU),即f(x)=max(0,x);第三层为卷积层,将96张14*14的图片通过大小为3*3的卷积核,以步长为2卷积为128个大小为6*6的图片;第四层为激活函数层,同样适用线性整流函数;第五层为Dropout(随机抑制层)层,以0.5的概率对权重随机取样;第六层为全连接卷积层,将128张6*6的图片通过大小为6*6的卷积核对应为49个待确定的类别。
所述的一种基于视觉的交通标示识别方法,所述的第五步利用神经网络进行训练是将5000张/类的图片以7:3的比例分开,即3500张/类和1500张/类;其中3500张/类作为训练集,用来训练深度学习网络各层参数的权重,1500张/类作为测试集,用来评价和调整深度学习网络的效果;将数据集随机打乱,一次100张图片重复循环训练50万次,获得神经网络的权重模型。
所述的一种基于视觉的交通标示识别方法,所述的第六步利用训练模型进行分类是将待分类的图片缩放为36*36像素大小的图片,输入神经网络层,以训练好的权重模型为参数,即可输出图片的分类结果。
一种基于视觉的交通标示识别方法的装置,其组成包括:底部固定盘,所述的底部固定盘通过螺钉固定在货车驾驶室的顶部或汽车的顶部,所述的底部固定盘固定连接圆柱,所述的圆柱穿过中心孔,所述的中心孔开在转动盘上,所述的圆柱的顶部连接磁板,所述的磁板吸合磁盖板,所述的磁盖板扣住所述的转动盘,所述的转动盘连接4个夹角为90度的升降调节装置,所述的升降调节装置的顶部连接直角固定板,所述的直角固定板的侧板连接摄像头底座、并通过螺栓进行固定,所述的摄像头底座连接摄像头。
所述的一种基于视觉的交通标示识别方法的装置,所述的底部固定盘开有定位固定孔,所述的转动盘绕圆周开有一组对应固定孔,所述的对应固定孔为不透孔,所述的对应固定孔连接弹簧,所述的弹簧连接插杆,所述的转动盘转动到位时、所述的定位固定孔与所述的对应固定孔对接、所述的插杆弹出插入所述的定位固定孔固定。
所述的一种基于视觉的交通标示识别方法的装置,所述的升降调节装置包括反螺纹柱,所述的反螺纹柱连接所述的转动盘,所述的反螺纹柱连接正反螺纹套,所述的正反螺纹调节套连接正螺纹柱,所述的正螺纹柱连接所述的直角固定板的平板、并通过螺钉固定,所述的正反螺纹调节套连接手动控制盘。
有益效果:
1.本发明的速度快,高实时性;分类准确率高。
本发明适应图像模糊,噪声的影响,视觉角度改变等情况,鲁棒性强。
本发明的数据不是特别充足的条件下依然能够达到很好的训练效果。
本发明能够在不同的方向拍摄到需要的样本信息,在需要调整采集方向时方便、采集样本信息全面,使用效果好。
附图说明:
附图1是本产品的标识图。
附图2是本产品的扩充样本量图。
附图3是本产品的深度卷积神经网络图。
附图4是本产品的结构示意图。
具体实施方式:
下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1:
一种基于视觉的交通标示识别方法,本识别方法包括六步,第一步样本的分类与标注,第二步数据的筛选与增广,第三步数据形式的统一,第四步深度卷积神经网络介绍,第五步利用神经网络进行训练,第六步利用训练模型进行分类。
实施例2:
实施例1所述的一种基于视觉的交通标示识别方法,所述的第一步样本的分类与标注,首先人工收集截取汽车行驶过程中视频采集设备收集的样本信息,根据中华人民共和国国家标准道路交通标志,对截取的样本进行分类;以交通标识中的禁止标识为例,如附图1所示,将样本分为49类。
实施例3:
实施例1所述的一种基于视觉的交通标示识别方法,所述的第二步数据的筛选与增广由于收集到的各类数据样本数量差距较大,有些样本质量较差;需要对样本进行筛选和增广。首先将源数据集中光线过暗、收到严重遮挡、残缺不全的样本剔除;其次将数据集中每类样本随机选取相同的数量(本次训练模型使用5000张/类)作为训练集,对于样本不够的类别使用数据增广的手段扩充样本量,如附图2所示为例。第五幅为采集图像,通过放射变换、平移变换、横纵比例缩放、旋转和添加噪声的手段扩充样本;最后将增广过的数据样本随机选取相同的数量(5000张/类)加入训练集。
实施例4:
实施例1所述的一种基于视觉的交通标示识别方法,所述的第三步数据形式的统一是为了实现图像的卷积运算,需要将所有训练图片大小进行统一;使用双线性插值算法,将所有的样本图片缩放为36*36像素大小。
实施例5:
实施例1所述的一种基于视觉的交通标示识别方法,所述的第四步深度卷积神经网络介绍,如附图3所示。第一层为卷积层,将每张大小为36*36的图片通过大小为3*3的卷积核,以步长为2卷积为96个大小为14*14的图片;第二层为激活函数层,使用线性整流函数(Rectified Linear Unit,ReLU),即f(x)=max(0,x);第三层为卷积层,将96张14*14的图片通过大小为3*3的卷积核,以步长为2卷积为128个大小为6*6的图片;第四层为激活函数层,同样适用线性整流函数;第五层为Dropout(随机抑制层)层,以0.5的概率对权重随机取样,可以有效的防止过拟合现象的产生;第六层为全连接卷积层,将128张6*6的图片通过大小为6*6的卷积核对应为49个待确定的类别。
实施例6:
实施例1所述的一种基于视觉的交通标示识别方法,所述的第五步利用神经网络进行训练是将5000张/类的图片以7:3的比例分开,即3500张/类和1500张/类;其中3500张/类作为训练集,用来训练深度学习网络各层参数的权重,1500张/类作为测试集,用来评价和调整深度学习网络的效果;将数据集随机打乱,一次100张图片重复循环训练50万次,获得神经网络的权重模型。
实施例7:
实施例1所述的一种基于视觉的交通标示识别方法,所述的第六步利用训练模型进行分类是将待分类的图片缩放为36*36像素大小的图片,输入神经网络层,以训练好的权重模型为参数,即可输出图片的分类结果。
实施例8:
一种基于视觉的交通标示识别方法的装置,其组成包括:底部固定盘1,所述的底部固定盘通过螺钉固定在货车驾驶室的顶部或汽车2的顶部,所述的底部固定盘固定连接圆柱3,所述的圆柱穿过中心孔4,所述的中心孔开在转动盘5上,所述的圆柱的顶部连接磁板6,所述的磁板吸合磁盖板7,所述的磁盖板扣住所述的转动盘,所述的转动盘连接4个夹角为90度的升降调节装置,所述的升降调节装置的顶部连接直角固定板,所述的直角固定板的侧板8连接摄像头底座9、并通过螺栓进行固定,所述的摄像头底座连接摄像头10。
磁盖板的直径大于中心孔的直径,磁盖板能够确保转动盘不会脱离圆柱,并且不影响转动盘的正常转动,使用既安全,效果又好。
转动盘能够转到需要的位置,无论怎么转动都能够满足4个方向同时采集样本信息,采集的信息效果好。
实施例9:
实施例8所述的一种基于视觉的交通标示识别方法的装置,所述的底部固定盘开有定位固定孔11,所述的转动盘绕圆周开有一组对应固定孔12,所述的对应固定孔为不透孔,所述的对应固定孔连接弹簧13,所述的弹簧连接插杆14,所述的转动盘转动到位时、所述的定位固定孔与所述的对应固定孔对接、所述的插杆弹出插入所述的定位固定孔固定。
插杆弹出插入定位固定孔内能够给转动到位的转动盘进行固定,能够满足采集信息的需要,使用既方便又灵活。
实施例10:
实施例8所述的一种基于视觉的交通标示识别方法的装置,所述的升降调节装置包括反螺纹柱15,所述的反螺纹柱连接所述的转动盘,所述的反螺纹柱连接正反螺纹套16,所述的正反螺纹调节套连接正螺纹柱17,所述的正螺纹柱连接所述的直角固定板的平板18、并通过螺钉固定,所述的正反螺纹调节套连接手动控制盘19。
能够根据需要调高任一个摄像头,使摄像头能够采集到需要的高度的信息,给交通标示识别方法提供需要的信息。
Claims (10)
1.一种基于视觉的交通标示识别方法,其特征是: 本识别方法包括六步,第一步样本的分类与标注,第二步数据的筛选与增广,第三步数据形式的统一,第四步深度卷积神经网络介绍,第五步利用神经网络进行训练,第六步利用训练模型进行分类。
2.根据权利要求1所述的一种基于视觉的交通标示识别方法,其特征是: 所述的第一步样本的分类与标注,首先人工收集截取汽车行驶过程中视频采集设备收集的样本信息,根据中华人民共和国国家标准道路交通标志,对截取的样本进行分类。
3.根据权利要求1所述的一种基于视觉的交通标示识别方法,其特征是: 所述的第二步数据的筛选与广是首先将源数据集中光线过暗、收到严重遮挡、残缺不全的样本剔除;其次将数据集中每类样本随机选取相同的数量作为训练集,对于样本不够的类别使用数据增广的手段扩充样本量,通过放射变换、平移变换、横纵比例缩放、旋转和添加噪声的手段扩充样本;最后将增广过的数据样本随机选取相同的数量加入训练集。
4.根据权利要求1所述的一种基于视觉的交通标示识别方法,其特征是: 所述的第三步数据形式的统一是将所有训练图片大小进行统一;使用双线性差值算法,将所有的样本图片缩放为36*36像素大小。
5.根据权利要求1所述的一种基于视觉的交通标示识别方法,其特征是: 所述的第四步深度卷积神经网络介绍,第一层为卷积层,将每张大小为36*36的图片通过大小为3*3的卷积核,以步长为2卷积为96个大小为14*14的图片;第二层为激活函数层,使用线性整流函数(Rectified Linear Unit,ReLU),即f(x)=max(0,x);第三层为卷积层,将96张14*14的图片通过大小为3*3的卷积核,以步长为2卷积为128个大小为6*6的图片;第四层为激活函数层,同样适用线性整流函数;第五层为Dropout(随机抑制层)层,以0.5的概率对权重随机取样;第六层为全连接卷积层,将128张6*6的图片通过大小为6*6的卷积核对应为49个待确定的类别。
6.根据权利要求1所述的一种基于视觉的交通标示识别方法,其特征是: 所述的第五步利用神经网络进行训练是将5000张/类的图片以7:3的比例分开,即3500张/类和1500张/类;其中3500张/类作为训练集,用来训练深度学习网络各层参数的权重,1500张/类作为测试集,用来评价和调整深度学习网络的效果;将数据集随机打乱,一次100张图片重复循环训练50万次,获得神经网络的权重模型。
7.根据权利要求1所述的一种基于视觉的交通标示识别方法,其特征是: 所述的第六步利用训练模型进行分类是将待分类的图片缩放为36*36像素大小的图片,输入神经网络层,以训练好的权重模型为参数,即可输出图片的分类结果。
8.一种基于视觉的交通标示识别方法的装置,其组成包括:底部固定盘,其特征是: 所述的底部固定盘通过螺钉固定在货车驾驶室的顶部或汽车的顶部,所述的底部固定盘固定连接圆柱,所述的圆柱穿过中心孔,所述的中心孔开在转动盘上,所述的圆柱的顶部连接磁板,所述的磁板吸合磁盖板,所述的磁盖板扣住所述的转动盘,所述的转动盘连接4个夹角为90度的升降调节装置,所述的升降调节装置的顶部连接直角固定板,所述的直角固定板的侧板连接摄像头底座、并通过螺栓进行固定,所述的摄像头底座连接摄像头。
9.根据权利要求8所述的一种基于视觉的交通标示识别方法的装置,其特征是: 所述的底部固定盘开有定位固定孔,所述的转动盘绕圆周开有一组对应固定孔,所述的对应固定孔为不透孔,所述的对应固定孔连接弹簧,所述的弹簧连接插杆,所述的转动盘转动到位时、所述的定位固定孔与所述的对应固定孔对接、所述的插杆弹出插入所述的定位固定孔固定。
10.根据权利要求8所述的一种基于视觉的交通标示识别方法的装置,其特征是: 所述的升降调节装置包括反螺纹柱,所述的反螺纹柱连接所述的转动盘,所述的反螺纹柱连接正反螺纹套,所述的正反螺纹调节套连接正螺纹柱,所述的正螺纹柱连接所述的直角固定板的平板、并通过螺钉固定,所述的正反螺纹调节套连接手动控制盘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810755179.XA CN108681727B (zh) | 2018-07-11 | 2018-07-11 | 一种基于视觉的交通标示识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810755179.XA CN108681727B (zh) | 2018-07-11 | 2018-07-11 | 一种基于视觉的交通标示识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681727A true CN108681727A (zh) | 2018-10-19 |
CN108681727B CN108681727B (zh) | 2024-06-11 |
Family
ID=63813862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810755179.XA Active CN108681727B (zh) | 2018-07-11 | 2018-07-11 | 一种基于视觉的交通标示识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681727B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781911A (zh) * | 2019-08-15 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
CN111401466A (zh) * | 2020-03-26 | 2020-07-10 | 广州紫为云科技有限公司 | 一种交通标志检测与识别标注方法、装置和计算机设备 |
CN112446886A (zh) * | 2019-08-30 | 2021-03-05 | 上海商汤临港智能科技有限公司 | 图像处理方法及相关产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
CN107220643A (zh) * | 2017-04-12 | 2017-09-29 | 广东工业大学 | 基于紧凑型神经网络的深度学习模型的交通标志识别系统 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
-
2018
- 2018-07-11 CN CN201810755179.XA patent/CN108681727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
CN107220643A (zh) * | 2017-04-12 | 2017-09-29 | 广东工业大学 | 基于紧凑型神经网络的深度学习模型的交通标志识别系统 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781911A (zh) * | 2019-08-15 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
CN112446886A (zh) * | 2019-08-30 | 2021-03-05 | 上海商汤临港智能科技有限公司 | 图像处理方法及相关产品 |
CN111401466A (zh) * | 2020-03-26 | 2020-07-10 | 广州紫为云科技有限公司 | 一种交通标志检测与识别标注方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108681727B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Puranic et al. | Vehicle number plate recognition system: a literature review and implementation using template matching | |
Zhang et al. | Study on traffic sign recognition by optimized Lenet-5 algorithm | |
Dlagnekov | License plate detection using adaboost | |
Danti et al. | An image processing approach to detect lanes, pot holes and recognize road signs in Indian roads | |
CN105740886B (zh) | 一种基于机器学习的车标识别方法 | |
CN108681727A (zh) | 一种基于视觉的交通标示识别方法及装置 | |
CN111695514A (zh) | 一种基于深度学习的雾天下车辆检测方法 | |
Erlik Nowruzi et al. | In-vehicle occupancy detection with convolutional networks on thermal images | |
Masita et al. | Pedestrian detection using R-CNN object detector | |
CN109800762A (zh) | 一种基于动态匹配因子的模糊车牌识别算法 | |
CN109117838A (zh) | 应用于无人船感知系统的目标检测方法及装置 | |
CN104050684A (zh) | 一种基于在线训练的视频运动目标分类方法与系统 | |
Chumuang et al. | Face detection system for public transport service based on scale-invariant feature transform | |
CN105404868A (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
CN106919939A (zh) | 一种交通标识牌跟踪识别方法及系统 | |
Madan et al. | Traffic Sign Classification using Hybrid HOG-SURF Features and Convolutional Neural Networks. | |
CN105975949A (zh) | 一种基于视觉信息的汽车识别方法 | |
Yaseen et al. | An efficient model for automatic number plate detection using HOG feature from new north Iraq vehicle images dataset | |
CN104268557A (zh) | 基于协同训练和深度svm的极化sar分类方法 | |
He et al. | Combining global and local features for detection of license plates in video | |
Zhang et al. | Real-time license plate detection under various conditions | |
Bellam et al. | A Practical Approach of Recognizing and Detecting Traffic Signs using Deep Neural Network Model | |
Satyawan et al. | HOG Based Pedestrian Detection System for Autonomous Vehicle Operated in Limited Area | |
CN110309870A (zh) | 一种图像分类的方法 | |
Huang et al. | Color Classification of Vehicles Based on Two-Layer Salincy, Illumination-Invariant Transformation, and Adaptive KNN. |
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 |