CN109241893B - 基于人工智能技术的道路选择方法、装置及可读存储介质 - Google Patents

基于人工智能技术的道路选择方法、装置及可读存储介质 Download PDF

Info

Publication number
CN109241893B
CN109241893B CN201810982619.5A CN201810982619A CN109241893B CN 109241893 B CN109241893 B CN 109241893B CN 201810982619 A CN201810982619 A CN 201810982619A CN 109241893 B CN109241893 B CN 109241893B
Authority
CN
China
Prior art keywords
road
image
neural network
branch
deep neural
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.)
Active
Application number
CN201810982619.5A
Other languages
English (en)
Other versions
CN109241893A (zh
Inventor
黄文恺
余伟霖
黄俊锋
王冬
陈杰勇
陈朝政
吴羽
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.)
China Southern Power Grid Internet Service Co ltd
Ourchem Information Consulting Co ltd
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN201810982619.5A priority Critical patent/CN109241893B/zh
Publication of CN109241893A publication Critical patent/CN109241893A/zh
Application granted granted Critical
Publication of CN109241893B publication Critical patent/CN109241893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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

本发明公开了基于人工智能技术的道路选择方法、装置及可读存储介质，包括：采集道路图像，对图像处理得目标图像；调用神经网络对目标图像进行特征提取，得到道路特征；根据道路特征，判断道路是否分岔，若否，重复上述步骤，若是，执行下一步骤；对目标图像中的岔口一次标注，计算一次标注岔口与地图信息的匹配度；若匹配度大于或等于第一阈值，对该岔口二次标注；若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用神经网络对岔口分类；若岔口符合分类标准，对该岔口二次标注，若岔口不符分类结果，提示岔口与地图不符。本发明基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息，实现了准确识别道路分岔的目的。

Description

基于人工智能技术的道路选择方法、装置及可读存储介质
技术领域
本发明涉及神经网络领域，尤其涉及基于人工智能技术的道路选择方法、装置及可读存储介质。
背景技术
卷积神经网络是神经网络技术的一个分支，是一种前馈神经网络，其特点是通过模拟单个神经元对视觉刺激的反应，响应一部分范围内的像素，因而对大型图像处理有出色表现。通过对神经网络的训练，可以让神经网络识别道路，区域等。由于近年来神经网络技术的发展，对物体与区域识别准确率逐渐增高。
道路识别，是指驾驶人使用终端设备，通过对道路的识别，检测自己是不是在道路上。当前，现有的道路识别方法一般为利用摄像头或者定位系统对驾驶者所在的道路进行识别。但是，在对现有技术的研究和实践过程中，本发明的发明人发现，现有的利用道路识别问题的技术，存在道路识别率低与道路识别错误，不能根据已有的地图信息选择或判断相对应的道路的问题。
发明内容
本发明所要解决的技术问题在于，提供基于人工智能技术的道路选择方法、装置及可读存储介质，通过结合地图信息与现实的环境信息，实现准确识别道路分岔的目的。
为了解决上述技术问题，一方面，本发明的一个实施例提供了一种基于人工智能技术的道路选择方法、装置及可读存储介质，适于在计算设备中执行，至少包括如下步骤：
采集当前道路的待处理图像，并对所述待处理图像进行预处理得到目标图像。
调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征。
根据所述道路特征，判断当前道路是否出现道路分岔，若否，则重复执行上述步骤，若是，则执行下一步骤。
对所述目标图像中的每一个分岔路口进行一次标注，并计算每个一次标注的分岔路口与地图信息的匹配度。
若所述匹配度大于或等于第一阈值，则对该分岔路口进行二次标注。
若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用所述深度神经网络对该分岔路口进行分类。若该分岔路口符合分类标准，则对该分岔路口进行二次标注，若该分岔路口不符合分类结果，则提示该分岔路口与所述地图信息不符。
若所述匹配度小于所述第二阈值，则提示该分岔路口与所述地图信息不符。
进一步地，所述对所述待处理图像进行预处理得到目标图像，具体为：
对所述待处理图像进行降噪处理，并对降噪处理后的待处理图像进行压缩，以使该待处理图像的大小适应所述深度神经网络，从而得到目标图像。
进一步地，所述道路特征包括道路的方向、分岔路口的数量，以及道路的经纬度。
进一步地，所述深度神经网络的训练步骤如下：
对采集的道路视频图像进行道路的分岔路口框选，得到若干样本图像，同时，获取非分岔路口的负样本图像。
设定深度神经网路的训练层数和训练函数。
分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练，得到分岔路口的分类标准。
对道路环境参数中的道路路口数据进行选择以提供正确的样本。提供所述样本相对照的负样本，利用深度神经网络确定深度神经网络的训练层数与训练函数。在计算设备中运行训练函数，得出分类的标准。
另一方面，本发明的一个实施例还提供了基于人工智能技术的道路选择装置，包括：
预处理模块，用于采集当前道路的待处理图像，并对所述待处理图像进行预处理得到目标图像；
特征提取模块，用于调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征；
分岔判断模块，用于根据所述道路特征，判断当前道路是否出现道路分岔，若否，则重复执行上述步骤，若是，则执行下一步骤；
标注模块，用于对所述目标图像中的每一个分岔路口进行一次标注，并计算每个一次标注的分岔路口与地图信息的匹配度；
所述标注模块，还用于若所述匹配度大于或等于第一阈值，则对该分岔路口进行二次标注；
所述标注模块，还用于若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用所述深度神经网络对该分岔路口进行分类；若该分岔路口符合分类标准，则对该分岔路口进行二次标注，若该分岔路口不符合分类结果，则提示该分岔路口与所述地图信息不符；
所述标注模块，还用于若所述匹配度小于所述第二阈值，则提示该分岔路口与所述地图信息不符。
进一步地，所述对所述待处理图像进行预处理得到目标图像，具体为：
对所述待处理图像进行降噪处理，并对降噪处理后的待处理图像进行压缩，以使该待处理图像的大小适应所述深度神经网络，从而得到目标图像。
进一步地，所述道路特征包括道路的方向、分岔路口的数量，以及道路的经纬度。
进一步地，所述深度神经网络的训练步骤如下：
对采集的道路视频图像进行道路的分岔路口框选，得到若干样本图像，同时，获取非分岔路口的负样本图像；
设定深度神经网路的训练层数和训练函数；
分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练，得到分岔路口的分类标准。
对道路环境参数中的道路路口数据进行选择以提供正确的样本；提供所述样本相对照的负样本，利用深度神经网络确定深度神经网络的训练层数与训练函数；在计算设备中运行训练函数，得出分类的标准。
又一方面，本发明的一个实施例还提供了基于人工智能技术的道路选择装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于人工智能技术的道路选择方法。
又一方面，本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于人工智能技术的道路选择方法。
相比于现有技术，本发明实施例的有益效果在于：
本发明的实施例提供的基于人工智能技术的道路选择方法、装置及可读存储介质，所述方法适于在计算设备中执行，至少包括如下步骤：采集道路图像，对图像处理得目标图像；调用神经网络对目标图像进行特征提取，得到道路特征；根据道路特征，判断道路是否分岔，若否，重复上述步骤，若是，执行下一步骤；对目标图像中的岔口一次标注，计算一次标注岔口与地图信息的匹配度；若匹配度大于或等于第一阈值，对该岔口二次标注；若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用神经网络对岔口分类；若岔口符合分类标准，对该岔口二次标注，若岔口不符分类结果，提示岔口与地图不符。本发明基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息，实现了准确识别道路分岔的目的。
附图说明
图1是本发明的一个实施例提供的基于人工智能技术的道路选择方法的流程示意图；
图2是本发明的一个实施例提供的基于人工智能技术的道路选择方法的另一流程示意图；
图3是本发明的一个实施例提供的基于人工智能技术的道路选择方法中深度神经网络的训练步骤的流程示意图；
图4是本发明的另一实施例提供的基于人工智能技术的道路选择方法装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，以使本发明的优点和特征能更易于被本领域技术人员理解，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
本发明第一实施例：
请参阅图1-3。
如图1-3所示，本实施例提供的一种基于人工智能技术的道路选择方法，适于在计算设备中执行，至少包括如下步骤：
S101、采集当前道路的待处理图像，并对所述待处理图像进行预处理得到目标图像。
其中，所述对所述待处理图像进行预处理得到目标图像，具体为：对所述待处理图像进行降噪处理，并对降噪处理后的待处理图像进行压缩，以使该待处理图像的大小适应所述深度神经网络，从而得到目标图像。
S102、调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征。
其中，所述道路特征，包括道路的方向、分岔路口的数量，以及道路的经纬度。所述深度神经网络的训练步骤如图3所示：对采集的道路视频图像进行道路的分岔路口框选，得到若干样本图像，同时，获取非分岔路口的负样本图像。设定深度神经网路的训练层数和训练函数。分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练，得到分岔路口的分类标准。
S103、根据所述道路特征，判断当前道路是否出现道路分岔，若否，则重复执行上述步骤，若是，则执行下一步骤。
需要说明的是，所述道路分岔的判断过程，需要收集的信息有：现实之中和地图之中路口的所在区域，所在区域的参数包括但不限于经纬度，路口的数目，路口的朝向，各个路口之间的距离与位置关系。
S104、对所述目标图像中的每一个分岔路口进行一次标注，并计算每个一次标注的分岔路口与地图信息的匹配度。
需要说明的是，用于计算所述匹配度的参数包含：道路四周的景色与环境，道路的取向，道路的分叉区域。
S104a、若所述匹配度大于或等于第一阈值，则对该分岔路口进行二次标注。
需要说明的是，所述二次标注的数据与所述一次标注的数据会经由处理器进行处理，所述处理器使用英特尔的CPU，包括但不限于I7系列，经由处理器进行处理的数据继续经由所述深度神经网络进行处理。
S104b、若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用所述深度神经网络对该分岔路口进行分类。若该分岔路口符合分类标准，则对该分岔路口进行二次标注，若该分岔路口不符合分类结果，则提示该分岔路口与所述地图信息不符。
需要说明的是，所述提示该分岔路口与所述地图信息不符的提醒方式包括通过声音信号或者光信号进行提醒，所述声音信号采用铃声的方式，由驾驶人选择在数据系统铃声库的铃声进行确定，所述光信号的亮度与颜色有驾驶人选择在数据系统样式库的样式类型进行确定。
S104c、若所述匹配度小于所述第二阈值，则提示该分岔路口与所述地图信息不符。
需要说明的是，所述提示方式与所述提示该分岔路口与所述地图信息不符的提醒方式类似，包括通过声音信号或者光信号进行提醒，但是驾驶人不允许采用与所述提示该分岔路口与所述地图信息不符的提醒方式相同的声音信号或者光信号作为提示该分岔路口与所述地图信息不符的提示方式。
本实施例公开了基于人工智能技术的道路选择方法，包括：采集道路图像，对图像处理得目标图像。调用神经网络对目标图像进行特征提取，得到道路特征。根据道路特征，判断道路是否分岔，若否，重复上述步骤，若是，执行下一步骤。对目标图像中的岔口一次标注，计算一次标注岔口与地图信息的匹配度。若匹配度大于或等于第一阈值，对该岔口二次标注。若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用神经网络对岔口分类。若岔口符合分类标准，对该岔口二次标注，若岔口不符分类结果，提示岔口与地图不符。本实施例基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息，实现了准确识别道路分岔的目的。
本发明第二实施例：
请参阅图4，本实施例提供的一种基于人工智能技术的道路选择装置，包括以下模块：
预处理模块401，用于采集当前道路的待处理图像，并对所述待处理图像进行预处理得到目标图像。
其中，所述对所述待处理图像进行预处理得到目标图像，具体为：对所述待处理图像进行降噪处理，并对降噪处理后的待处理图像进行压缩，以使该待处理图像的大小适应所述深度神经网络，从而得到目标图像。
特征提取模块402，用于调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征。
其中，所述道路特征包括道路的方向、分岔路口的数量，以及道路的经纬度。所述深度神经网络的训练步骤如下：对采集的道路视频图像进行道路的分岔路口框选，得到若干样本图像，同时，获取非分岔路口的负样本图像。设定深度神经网路的训练层数和训练函数。分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练，得到分岔路口的分类标准。
分岔判断模块403，用于根据所述道路特征，判断当前道路是否出现道路分岔，若否，则重复执行上述步骤，若是，则执行下一步骤。
需要说明的是，所述道路分岔的判断过程，需要收集的信息有：现实之中和地图之中路口的所在区域，所在区域的参数包括但不限于经纬度，路口的数目，路口的朝向，各个路口之间的距离与位置关系。
标注模块404，用于对所述目标图像中的每一个分岔路口进行一次标注，并计算每个一次标注的分岔路口与地图信息的匹配度。
需要说明的是，用于计算所述匹配度的参数包含：道路四周的景色与环境，道路的取向，道路的分叉区域。
所述标注模块，还用于若所述匹配度大于或等于第一阈值，则对该分岔路口进行二次标注。
需要说明的是，所述二次标注的数据与所述一次标注的数据会经由处理器进行处理，所述处理器使用英特尔的CPU，包括但不限于I7系列，经由处理器进行处理的数据继续经由所述深度神经网络进行处理。
所述标注模块，还用于若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用所述深度神经网络对该分岔路口进行分类。若该分岔路口符合分类标准，则对该分岔路口进行二次标注，若该分岔路口不符合分类结果，则提示该分岔路口与所述地图信息不符。
需要说明的是，所述提示该分岔路口与所述地图信息不符的提醒方式包括通过声音信号或者光信号进行提醒，所述声音信号采用铃声的方式，由驾驶人选择在数据系统铃声库的铃声进行确定，所述光信号的亮度与颜色有驾驶人选择在数据系统样式库的样式类型进行确定。
所述标注模块，还用于若所述匹配度小于所述第二阈值，则提示该分岔路口与所述地图信息不符。
需要说明的是，所述提示方式与所述提示该分岔路口与所述地图信息不符的提醒方式类似，包括通过声音信号或者光信号进行提醒，但是驾驶人不允许采用与所述提示该分岔路口与所述地图信息不符的提醒方式相同的声音信号或者光信号作为提示该分岔路口与所述地图信息不符的提示方式。
本实施例公开了基于人工智能技术的道路选择装置，包括：采集道路图像，对图像处理得目标图像。调用神经网络对目标图像进行特征提取，得到道路特征。根据道路特征，判断道路是否分岔，若否，重复上述步骤，若是，执行下一步骤。对目标图像中的岔口一次标注，计算一次标注岔口与地图信息的匹配度。若匹配度大于或等于第一阈值，对该岔口二次标注。若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用神经网络对岔口分类。若岔口符合分类标准，对该岔口二次标注，若岔口不符分类结果，提示岔口与地图不符。本发明基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息，实现了准确识别道路分岔的目的。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于人工智能技术的道路选择方法，适于在计算设备中执行，其特征在于，至少包括如下步骤：
采集当前道路的待处理图像，并对所述待处理图像进行预处理得到目标图像；
调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征；
根据所述道路特征，判断当前道路是否出现道路分岔，若否，则重复执行所述调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征的步骤；若是，则执行下一步骤；其中，根据实际路口所在区域与地图中的路口所在区域判断所述道路是否分岔，所在区域的参数包括经纬度，路口的数目，路口的朝向，各个路口之间的距离与位置关系；
对所述目标图像中的每一个分岔路口进行一次标注，并计算每个一次标注的分岔路口与地图信息的匹配度；
若所述匹配度大于或等于第一阈值，则对该分岔路口进行二次标注；
若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用所述深度神经网络对该分岔路口进行分类；若该分岔路口符合分类标准，则对该分岔路口进行二次标注，若该分岔路口不符合分类结果，则利用第一声信号或第一光信号进行提示该分岔路口与所述地图信息不符；若所述匹配度小于所述第二阈值，则利用第二声信号或第二光信号进行提示该分岔路口与所述地图信息不符。
2.根据权利要求1所述的基于人工智能技术的道路选择方法，其特征在于，所述对所述待处理图像进行预处理得到目标图像，具体为：
对所述待处理图像进行降噪处理，并对降噪处理后的待处理图像进行压缩，以使该待处理图像的大小适应所述深度神经网络，从而得到目标图像。
3.根据权利要求1所述的基于人工智能技术的道路选择方法，其特征在于，所述道路特征包括道路的方向、分岔路口的数量，以及道路的经纬度。
4.根据权利要求1所述的基于人工智能技术的道路选择方法，其特征在于，所述深度神经网络的训练步骤如下：
对采集的道路视频图像进行道路的分岔路口框选，得到若干样本图像，同时，获取非分岔路口的负样本图像；
设定深度神经网路的训练层数和训练函数；
分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练，得到分岔路口的分类标准。
5.一种基于人工智能技术的道路选择装置，其特征在于，包括：
预处理模块，用于采集当前道路的待处理图像，并对所述待处理图像进行预处理得到目标图像；
特征提取模块，用于调用预先训练的深度神经网络对所述目标图像进行特征提取，得到道路特征；
分岔判断模块，用于根据所述道路特征，判断当前道路是否出现道路分岔，若否，则重复调用特征提取模块；若是，则调用标注模块；其中，根据实际路口所在区域与地图中的路口所在区域判断所述道路是否分岔，所在区域的参数包括经纬度，路口的数目，路口的朝向，各个路口之间的距离与位置关系；
标注模块，用于对所述目标图像中的每一个分岔路口进行一次标注，并计算每个一次标注的分岔路口与地图信息的匹配度；
所述标注模块，还用于若所述匹配度大于或等于第一阈值，则对该分岔路口进行二次标注；
所述标注模块，还用于若所述匹配度大于或等于第二阈值，且小于所述第一阈值，则调用所述深度神经网络对该分岔路口进行分类；若该分岔路口符合分类标准，则对该分岔路口进行二次标注，若该分岔路口不符合分类结果，则利用第一声信号或第一光信号进行提示该分岔路口与所述地图信息不符；
所述标注模块，还用于若所述匹配度小于所述第二阈值，则利用第二声信号或第二光信号进行提示该分岔路口与所述地图信息不符。
6.根据权利要求5所述的基于人工智能技术的道路选择装置，其特征在于，所述对所述待处理图像进行预处理得到目标图像，具体为：
对所述待处理图像进行降噪处理，并对降噪处理后的待处理图像进行压缩，以使该待处理图像的大小适应所述深度神经网络，从而得到目标图像。
7.根据权利要求5所述的基于人工智能技术的道路选择装置，其特征在于，所述道路特征包括道路的方向、分岔路口的数量，以及道路的经纬度。
8.根据权利要求5所述的基于人工智能技术的道路选择装置，其特征在于，所述深度神经网络的训练步骤如下：
对采集的道路视频图像进行道路的分岔路口框选，得到若干样本图像，同时，获取非分岔路口的负样本图像；
设定深度神经网路的训练层数和训练函数；
分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练，得到分岔路口的分类标准；
对道路环境参数中的道路路口数据进行选择以提供正确的样本；提供所述样本相对照的负样本，利用深度神经网络确定深度神经网络的训练层数与训练函数；在计算设备中运行训练函数，得出分类的标准。
9.一种基于人工智能技术的道路选择装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的基于人工智能技术的道路选择方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的基于人工智能技术的道路选择方法。
CN201810982619.5A 2018-08-27 2018-08-27 基于人工智能技术的道路选择方法、装置及可读存储介质 Active CN109241893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810982619.5A CN109241893B (zh) 2018-08-27 2018-08-27 基于人工智能技术的道路选择方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810982619.5A CN109241893B (zh) 2018-08-27 2018-08-27 基于人工智能技术的道路选择方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN109241893A CN109241893A (zh) 2019-01-18
CN109241893B true CN109241893B (zh) 2021-08-06

Family

ID=65068461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810982619.5A Active CN109241893B (zh) 2018-08-27 2018-08-27 基于人工智能技术的道路选择方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN109241893B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110281945B (zh) * 2019-06-28 2021-01-15 信利光电股份有限公司 一种车辆驾驶辅助监测方法、设备及系统
CN110414673B (zh) * 2019-07-31 2022-10-28 北京达佳互联信息技术有限公司 多媒体识别方法、装置、设备及存储介质
CN116129387A (zh) * 2020-03-17 2023-05-16 阿波罗智联(北京)科技有限公司 用于识别分歧路口的方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009021902A1 (de) * 2007-08-16 2009-02-19 Siemens Aktiengesellschaft Verfahren und vorrichtung zur priorisierung von sonderfahrzeugen an einem lichtsignalgesteuerten knotenpunkt
CN106408015A (zh) * 2016-09-13 2017-02-15 电子科技大学成都研究院 基于卷积神经网络的岔路口识别及深度估计方法
CN107031505A (zh) * 2015-11-20 2017-08-11 株式会社万都 车道偏离警示装置和方法
CN108151759A (zh) * 2017-10-31 2018-06-12 捷开通讯(深圳)有限公司 一种导航方法、智能终端及导航服务器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009021902A1 (de) * 2007-08-16 2009-02-19 Siemens Aktiengesellschaft Verfahren und vorrichtung zur priorisierung von sonderfahrzeugen an einem lichtsignalgesteuerten knotenpunkt
CN107031505A (zh) * 2015-11-20 2017-08-11 株式会社万都 车道偏离警示装置和方法
CN106408015A (zh) * 2016-09-13 2017-02-15 电子科技大学成都研究院 基于卷积神经网络的岔路口识别及深度估计方法
CN108151759A (zh) * 2017-10-31 2018-06-12 捷开通讯(深圳)有限公司 一种导航方法、智能终端及导航服务器

Also Published As

Publication number Publication date
CN109241893A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109426801B (zh) 一种车道线实例检测方法和装置
CN110458095B (zh) 一种有效手势的识别方法、控制方法、装置和电子设备
CN110610166B (zh) 文本区域检测模型训练方法、装置、电子设备和存储介质
CN109977921B (zh) 一种输电线路隐患检测方法
CN110781836A (zh) 人体识别方法、装置、计算机设备及存储介质
CN112837315B (zh) 一种基于深度学习的输电线路绝缘子缺陷检测方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN109460704B (zh) 一种基于深度学习的疲劳检测方法、系统和计算机设备
CN111507226B (zh) 道路图像识别模型建模方法、图像识别方法及电子设备
CN108805016B (zh) 一种头肩区域检测方法及装置
CN109241893B (zh) 基于人工智能技术的道路选择方法、装置及可读存储介质
CN111008632B (zh) 一种基于深度学习的车牌字符分割方法
CN111008576B (zh) 行人检测及其模型训练、更新方法、设备及可读存储介质
CN112381837A (zh) 一种图像处理方法及电子设备
CN111144254A (zh) 城市内涝积水程度识别方法及装置
CN110796018A (zh) 一种基于深度图像和彩色图像的手部运动识别方法
CN112037142B (zh) 一种图像去噪方法、装置、计算机及可读存储介质
CN114120289B (zh) 一种行车区域与车道线识别方法及系统
CN104915642A (zh) 前方车辆测距方法及装置
CN113487610A (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN111353429A (zh) 基于眼球转向的感兴趣度方法与系统
US20240185590A1 (en) Method for training object detection model, object detection method and apparatus
CN114998570B (zh) 一种对象检测框的确定方法、装置、存储介质及电子装置
CN114387600B (zh) 文本特征识别方法、装置、计算机设备和存储介质
CN116912872A (zh) 图纸识别方法、装置、设备及可读存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221228

Address after: Room 301, No. 235, Kexue Avenue, Huangpu District, Guangzhou, Guangdong 510000

Patentee after: OURCHEM INFORMATION CONSULTING CO.,LTD.

Address before: No. 230, Waihuan West Road, Guangzhou University City, Guangzhou 510000

Patentee before: Guangzhou University

Effective date of registration: 20221228

Address after: 510000 room 606-609, compound office complex building, No. 757, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province (not for plant use)

Patentee after: China Southern Power Grid Internet Service Co.,Ltd.

Address before: Room 301, No. 235, Kexue Avenue, Huangpu District, Guangzhou, Guangdong 510000

Patentee before: OURCHEM INFORMATION CONSULTING CO.,LTD.