CN109255279A - 一种交通标志检测识别的方法及系统 - Google Patents
一种交通标志检测识别的方法及系统 Download PDFInfo
- Publication number
- CN109255279A CN109255279A CN201710568041.4A CN201710568041A CN109255279A CN 109255279 A CN109255279 A CN 109255279A CN 201710568041 A CN201710568041 A CN 201710568041A CN 109255279 A CN109255279 A CN 109255279A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- road
- sign
- traffic
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 abstract description 26
- 230000008569 process Effects 0.000 abstract description 12
- 238000013461 design Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 239000010432 diamond Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通标志检测识别的方法及系统,涉及地图数据采集与处理领域。一种交通标志检测识别的方法,包括:确定待检测图像的目标区域;通过预先建立的交通标志检测模型对所述目标区域上的交通标志进行分类;通过预先建立的交通标志识别模型,对分类后的交通标志进行识别,获取交通标志信息。本发明通过样本的整理和训练,以及对算法模型的优化设计,提高了交通标志检测与识别的效率和准确度。
Description
技术领域
本发明涉及地图数据采集与处理领域,特别涉及交通标志的检测与识别。
背景技术
电子地图(英语:Electronic map),即数字地图,是利用计算机技术,以数字方式存储和查阅的地图。 电子地图储存资讯的方法,一般使用向量式图像储存,地图比例可放大、缩小或旋转而不影响显示效果,早期使用位图式储存,地图比例不能放大或缩小,现代电子地图软件一般利用地理信息系统来储存和传送地图数据,也有其他的信息系统。
电子地图的开发流程一般分为以下几个步骤:
(1)多元信息收集,变更信息收集主要有两个途径,一是从国家权威部门获取;二是从市场收集。此类公共信息作为导航电子地图数据库采集开发、更新过程中的参考信息,并不直接成为公司开发的导航电子地图数据库的组成部分。
(2)信息综合与情报分析,经过对收集的公共信息进行整理,形成导航电子地图实地采集确认的参考信息并制定采集计划。
(3)实地数据采集,通过外业专业人员利用专业设备,对地图数据相关信息(如:交通标志,新增道路的形状、变化道路的形状、道路网络连接方式、道路属性、兴趣点等)进行实地采集,采集的数据成果经过相应检测后用于制作产品图稿和电子信息库,反馈到内业进行加工处理。
(4)内业数据加工,内业数据处理中心根据外业提供的调查结果(产品图稿和电子信息库等),进行相应的加工处理,同时对制作的内业数据进行检查,准确无误后,进行相应的保密处理,最后制作成电子地图数据库。
交通标志主要包括警告标志,禁令标志和指示标志。通过摄录、笔录、拍照等方式实地采集交通标志图像,再对交通标志图像的内容进行识别,提取有价值的交通标志信息作为地图数据信息,以用于导航、指示、诱导等相关功能的应用。然而,现有技术过多的依赖于人工寻找交通标志并提取交通标志特征,研发周期长,准确度低、效率低下。未来智能驾驶非常依赖于高精度电子地图,而高精度电子地图需要精准的交通标志信息,提高交通标志检测与识别的效率和准确度是目前急需解决的技术问题。
发明内容
本发明的目的是提供一种交通标志检测识别的方法及装置,提高交通标志检测与识别的效率和准确度。
本发明提供一种交通标志检测识别的方法,包括:
确定待检测图像的目标区域;
通过预先建立的交通标志检测模型对所述目标区域上的交通标志进行分类;
通过预先建立的交通标志识别模型,对分类后的交通标志进行识别,获取交通标志信息。
本发明还提供一种交通标志检测识别的系统,包括:
交通标志检测单元和交通标志识别单元;
所述交通标志检测单元用于确定待检测图像的目标区域,通过交通标志检测模型对目标区域的交通标志进行分类;
所述交通标志识别单元用于通过交通标志识别模型对分类后的交通标志进行识别,获取交通标志信息。
本发明通过样本的整理和训练,以及对算法模型的优化设计,提高了交通标志检测与识别的效率和准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种交通标志检测识别方法的流程示意图;
图2为本发明实施例提供的一种交通标志检测识别系统的架构示意图。
具体实施方式
下面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,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,都属于本发明的保护范围。
交通标志检测识别包括交通标志检测和交通标志识别。交通标志检测是指从当前视野下的图像中寻找到交通标志的具体位置。交通标志主要包括警告标志,禁令标志和指示标志。交通标志颜色、形状特征明显,与外界背景有所区别。颜色根据底色可分为彩色底(红、黄、蓝)和白色底两种,白色底的交通标志又分为红色边缘白色底交通标志和消色交通标志(全为黑、白、灰色)。交通标志的形状分为圆形(包括八边形)、三角形、倒三角形和菱形四种。交通标志识别是指从检测到的交通标志图像中识别具体的信息(如限速、禁止停车、掉头等)。
下面将结合附图对本发明实施例作进一步地详细描述。
实施例一
本发明实施例提供一种交通标志检测识别的方法,其具体实现过程如图1所示,包括以下步骤:
101、样本图像采集。具体的,可以步行或利用采集车采集实地交通标志图像数据,为了便于应用,可将摄像头安装在车顶部或者后视镜旁。
102、提取样本图像交通标志特征,建立交通标志检测模型。由于图像中非交通标志的干扰信息太多,检查出来的结果会有大量的干扰图像,因此可以建立正负样本集,示例性的,正样本集20000+张,负样本集100000+张。将正负样本集作为训练集,提取每张样本图像的LBP(局部二值模式)特征,利用adaboost算法(迭代算法)进行训练,获得交通标志检测模型,该交通标志检测模型可用于对图像的分类。
LBP(局部二值模式)是一种用来描述图像局部纹理特征的算子,它具有旋转不变性和灰度不变性等显著的优点。原始的LBP算子定义在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素 点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像 素点的LBP值,并用这个值来反映该区域的纹理信息。LBP算法在应用中,一般都不将LBP图谱作为特征向量用于分类识别,而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。例如:一幅100*100像素大小的图像,划分为10*10=100个子区域(可以通过多种方式来划分区域),每个子区域的大小为10*10像素;在每个子区域内的每个像素点,提取其LBP特征,然后建立统计直方图;这样,这幅图像就有10*10个子区域,也就有了10*10个统计直方图,利用这10*10个统计直方图,就可以描述这幅图像。之后利用各种相似性度量函数,就可以判断两幅图像之间的相似性。
Adaboost算法(迭代算法)是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。整个Adaboost 迭代算法就3步,首先初始化训练数据的权值分布。如果有N个样本,则每一个训练样本最开始时都被赋予相同的权值:1/N。然后是训练弱分类器。具体训练过程中,如果某个样本点已经被准确地分类,那么在构造下一个训练集中,它的权值就被降低;相反,如果某个样本点没有被准确地分类,那么它的权值就得到提高。然后,权值更新过的样本集被用于训练下一个分类器,整个训练过程如此迭代地进行下去。最后将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后,加大分类误差率小的弱分类器的权重,使其在最终的分类函数中起着较大的决定作用,而降低分类误差率大的弱分类器的权重,使其在最终的分类函数中起着较小的决定作用。
103、根据交通标志分类生成交通标志识别模型。识别模型包括警告标志识别(包括红绿灯颜色,方向,具体限速信息等)、禁令标志识别模型(包括禁止停车,禁止通行等)和指示标志识别模型(包括方向指示,道路名称等)。具体的,可以通过卷积神经网络生成交通标志识别模型。卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。卷积神经网络的算法,输入图像通过和三个可训练的滤波器和可加偏置进行卷积,卷积后在C1层产生三个特征映射图,然后特征映射图中每组的四个像素再进行求和,加权值,加偏置,通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再经过滤波得到C3层。这个层级结构再和S2一样产生S4。最终,这些像素值被光栅化,并连接成一个向量输入到传统的神经网络,得到输出,这样就可以建立不同模块的识别模型。
104、确定待检测图像的目标区域,具体包括:
(一)确定待检测图像的初始目标区域。具体的,接收输入的待检测图像,并确定待检测图像的初始目标区域。所述待检测的图像可以是外业采集的图像,也可以是用户上传的图像。可以通过MSER算法(Maximally stable extremal regions最大限度地稳定极值区域)等多种检测算法得到。
(二)根据交通标志固有的颜色、长宽比及形状对初始目标区域进行筛选,得到最终目标区域。一般来说,交通标志有警告标志、禁令标志和指示标志。颜色根据底色可分为彩色底(红、黄、蓝)和白色底两种,白色底的交通标志又分为红色边缘白色底交通标志和消色交通标志(全为黑、白、灰色)。长宽比例可以包括:长宽比1:1(适合限速牌、警告牌和监控等),长宽比3:1(适合红绿灯、里程碑和某些方向指示牌等),长宽比1:3(适合机动车车道标志、路名指示牌和路段提示牌等)。交通标志的形状分为圆形(包括八边形)、三角形、倒三角形和菱形四种。
105、通过交通标志检测模型对最终目标区域的交通标志进行分类。
106、通过交通标志识别模型对分类后的交通标志进行识别,获得交通标志信息。
本发明实施例所述交通标志包括以下至少一种:警告标志,禁令标志,或指示标志;
所述交通标志信息包括以下至少一种:
警告标志交通标志信息,包括:红绿灯颜色、方向和/或限速信息;
禁令标志交通标志信息,包括:禁止停车和/或禁止通行;
指示标志交通标志信息,包括:方向指示和/或道路名称。
本发明实施例提供的交通标志检测识别的方法,适用于电子地图,尤其是高精度电子地图的制作。本发明实施例通过样本的整理和训练,以及对算法模型的优化设计,提高了交通标志检测与识别的效率和准确度。
实施例二
本发明实施例还提供一种交通标志检测识别的系统,如图2所示,所述交通标志检测识别的系统201包括:
交通标志检测单元202和交通标志识别单元203;
所述交通标志检测单元202用于确定待检测图像的目标区域,通过交通标志检测模型对目标区域的交通标志进行分类;
所述交通标志识别单元203用于通过交通标志识别模型对分类后的交通标志进行识别,获取交通标志信息。
所述交通标志检测模型和交通标志识别模型的建立具体包括:
(一)样本图像采集。具体的,可以步行或利用采集车采集实地交通标志图像数据,为了便于应用,可将摄像头安装在车顶部或者后视镜旁。
(二)提取样本图像交通标志特征,建立交通标志检测模型。由于图像中非交通标志的干扰信息太多,检查出来的结果会有大量的干扰图像,因此可以建立正负样本集,示例性的,正样本集20000+张,负样本集100000+张。将正负样本集作为训练集,提取每张样本图像的LBP(局部二值模式)特征,利用adaboost算法(迭代算法)进行训练,获得交通标志检测模型,该交通标志检测模型可用于对图像的分类。
LBP(局部二值模式)是一种用来描述图像局部纹理特征的算子,它具有旋转不变性和灰度不变性等显著的优点。原始的LBP算子定义在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素 点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像 素点的LBP值,并用这个值来反映该区域的纹理信息。LBP算法在应用中,一般都不将LBP图谱作为特征向量用于分类识别,而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。例如:一幅100*100像素大小的图像,划分为10*10=100个子区域(可以通过多种方式来划分区域),每个子区域的大小为10*10像素;在每个子区域内的每个像素点,提取其LBP特征,然后建立统计直方图;这样,这幅图像就有10*10个子区域,也就有了10*10个统计直方图,利用这10*10个统计直方图,就可以描述这幅图像。之后利用各种相似性度量函数,就可以判断两幅图像之间的相似性。
Adaboost算法(迭代算法)是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。整个Adaboost 迭代算法就3步,首先初始化训练数据的权值分布。如果有N个样本,则每一个训练样本最开始时都被赋予相同的权值:1/N。然后是训练弱分类器。具体训练过程中,如果某个样本点已经被准确地分类,那么在构造下一个训练集中,它的权值就被降低;相反,如果某个样本点没有被准确地分类,那么它的权值就得到提高。然后,权值更新过的样本集被用于训练下一个分类器,整个训练过程如此迭代地进行下去。最后将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后,加大分类误差率小的弱分类器的权重,使其在最终的分类函数中起着较大的决定作用,而降低分类误差率大的弱分类器的权重,使其在最终的分类函数中起着较小的决定作用。
(三)根据交通标志分类生成交通标志识别模型。识别模型包括警告标志识别(包括红绿灯颜色,方向,具体限速信息等)、禁令标志识别模型(包括禁止停车,禁止通行等)和指示标志识别模型(包括方向指示,道路名称等)。具体的,可以通过卷积神经网络生成交通标志识别模型。卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。卷积神经网络的算法,输入图像通过和三个可训练的滤波器和可加偏置进行卷积,卷积后在C1层产生三个特征映射图,然后特征映射图中每组的四个像素再进行求和,加权值,加偏置,通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再经过滤波得到C3层。这个层级结构再和S2一样产生S4。最终,这些像素值被光栅化,并连接成一个向量输入到传统的神经网络,得到输出,这样就可以建立不同模块的识别模型。
所述确定待检测图像的目标区域具体包括:
(一)确定待检测图像的初始目标区域。具体的,接收输入的待检测图像,并确定待检测图像的初始目标区域。所述待检测的图像可以是外业采集的图像,也可以是用户上传的图像。可以通过MSER算法(Maximally stable extremal regions最大限度地稳定极值区域)等多种检测算法得到。
(二)根据交通标志固有的颜色、长宽比及形状对初始目标区域进行筛选,得到最终目标区域。一般来说,交通标志有警告标志、禁令标志和指示标志。颜色根据底色可分为彩色底(红、黄、蓝)和白色底两种,白色底的交通标志又分为红色边缘白色底交通标志和消色交通标志(全为黑、白、灰色)。长宽比例可以包括:长宽比1:1(适合限速牌、警告牌和监控等),长宽比3:1(适合红绿灯、里程碑和某些方向指示牌等),长宽比1:3(适合机动车车道标志、路名指示牌和路段提示牌等)。交通标志的形状分为圆形(包括八边形)、三角形、倒三角形和菱形四种。
本发明实施例所述交通标志包括以下至少一种:警告标志,禁令标志,或指示标志;
所述交通标志信息包括以下至少一种:
警告标志交通标志信息,包括:红绿灯颜色、方向和/或限速信息;
禁令标志交通标志信息,包括:禁止停车和/或禁止通行;
指示标志交通标志信息,包括:方向指示和/或道路名称。
本发明实施例提供的交通标志检测识别的方法,适用于电子地图,尤其是高精度电子地图的制作。本发明实施例通过样本的整理和训练,以及对算法模型的优化设计,提高了交通标志检测与识别的效率和准确度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种交通标志检测识别的方法,其特征在于,包括:
确定待检测图像的目标区域;
通过预先建立的交通标志检测模型对所述目标区域上的交通标志进行分类;
通过预先建立的交通标志识别模型,对分类后的交通标志进行识别,获取交通标志信息。
2.根据权利要求1所述的方法,其特征在于,所述确定待检测图像的目标区域包括:
通过MSER算法确定待检测图像的初始目标区域;
根据交通标志固有的颜色、长宽比及形状对初始目标区域进行筛选,得到最终目标区域。
3.根据权利要求1所述的方法,其特征在于,所述交通标志检测模型的建立包括:
样本图像采集,提取样本图像的局部二值模式特征,利用adaboost算法进行训练,获得交通标志检测模型。
4.根据权利要求1所述的方法,其特征在于,所述交通标志识别模型的建立包括:
根据交通标志分类,通过卷积神经网络生成交通标志识别模型。
5.根据权利要求1所述的方法,其特征在于,
所述交通标志包括以下至少一种:警告标志,禁令标志,或指示标志;
所述交通标志信息包括以下至少一种:
警告标志交通标志信息,包括:红绿灯颜色、方向和/或限速信息;
禁令标志交通标志信息,包括:禁止停车和/或禁止通行;
指示标志交通标志信息,包括:方向指示和/或道路名称。
6.一种交通标志检测识别的系统,其特征在于,包括:
交通标志检测单元和交通标志识别单元;
所述交通标志检测单元用于确定待检测图像的目标区域,通过交通标志检测模型对目标区域的交通标志进行分类;
所述交通标志识别单元用于通过交通标志识别模型对分类后的交通标志进行识别,获取交通标志信息。
7.根据权利要求6所述的系统,其特征在于,所述确定待检测图像的目标区域包括:
通过MSER算法确定待检测图像的初始目标区域;
根据交通标志固有的颜色、长宽比及形状对初始目标区域进行筛选,得到最终目标区域。
8.根据权利要求6所述的系统,其特征在于,所述交通标志检测模型的建立包括:
样本图像采集,提取样本图像的局部二值模式特征,利用adaboost算法进行训练,获得交通标志检测模型。
9.根据权利要求6所述的系统,其特征在于,所述交通标志识别模型的建立包括:
根据交通标志分类,通过卷积神经网络生成交通标志识别模型。
10.根据权利要求6所述的系统,其特征在于,
所述交通标志包括以下至少一种:警告标志,禁令标志,或指示标志;
所述交通标志信息包括以下至少一种:
警告标志交通标志信息,包括:红绿灯颜色、方向和/或限速信息;
禁令标志交通标志信息,包括:禁止停车和/或禁止通行;
指示标志交通标志信息,包括:方向指示和/或道路名称。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568041.4A CN109255279A (zh) | 2017-07-13 | 2017-07-13 | 一种交通标志检测识别的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568041.4A CN109255279A (zh) | 2017-07-13 | 2017-07-13 | 一种交通标志检测识别的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255279A true CN109255279A (zh) | 2019-01-22 |
Family
ID=65051662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710568041.4A Pending CN109255279A (zh) | 2017-07-13 | 2017-07-13 | 一种交通标志检测识别的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255279A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348317A (zh) * | 2019-06-17 | 2019-10-18 | 北京工业大学 | 一种基于mser区域的城市道路鲁棒检测方法 |
CN110501018A (zh) * | 2019-08-13 | 2019-11-26 | 广东星舆科技有限公司 | 一种服务于高精度地图生产的交通标志牌信息采集方法 |
CN110909674A (zh) * | 2019-11-21 | 2020-03-24 | 清华大学苏州汽车研究院(吴江) | 一种交通标志识别方法、装置、设备和存储介质 |
CN111753592A (zh) * | 2019-03-29 | 2020-10-09 | 长沙智能驾驶研究院有限公司 | 交通标志识别方法、装置、计算机设备和存储介质 |
CN113673281A (zh) * | 2020-05-14 | 2021-11-19 | 百度在线网络技术(北京)有限公司 | 限速信息确定方法、装置、设备以及存储介质 |
CN117765127A (zh) * | 2023-11-28 | 2024-03-26 | 中微物创智能科技(上海)有限公司 | 一种基于目标检测算法构建高精地图交通标志元素的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559507A (zh) * | 2013-11-18 | 2014-02-05 | 沈阳工业大学 | 基于颜色与形状特征相结合的交通标志检测方法 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
CN104616021A (zh) * | 2014-12-24 | 2015-05-13 | 深圳市腾讯计算机系统有限公司 | 交通标志图像处理方法及装置 |
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 |
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
-
2017
- 2017-07-13 CN CN201710568041.4A patent/CN109255279A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559507A (zh) * | 2013-11-18 | 2014-02-05 | 沈阳工业大学 | 基于颜色与形状特征相结合的交通标志检测方法 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
CN104616021A (zh) * | 2014-12-24 | 2015-05-13 | 深圳市腾讯计算机系统有限公司 | 交通标志图像处理方法及装置 |
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753592A (zh) * | 2019-03-29 | 2020-10-09 | 长沙智能驾驶研究院有限公司 | 交通标志识别方法、装置、计算机设备和存储介质 |
CN110348317A (zh) * | 2019-06-17 | 2019-10-18 | 北京工业大学 | 一种基于mser区域的城市道路鲁棒检测方法 |
CN110501018A (zh) * | 2019-08-13 | 2019-11-26 | 广东星舆科技有限公司 | 一种服务于高精度地图生产的交通标志牌信息采集方法 |
CN110501018B (zh) * | 2019-08-13 | 2021-11-02 | 广东星舆科技有限公司 | 一种服务于高精度地图生产的交通标志牌信息采集方法 |
CN110909674A (zh) * | 2019-11-21 | 2020-03-24 | 清华大学苏州汽车研究院(吴江) | 一种交通标志识别方法、装置、设备和存储介质 |
CN110909674B (zh) * | 2019-11-21 | 2024-01-05 | 清华大学苏州汽车研究院(吴江) | 一种交通标志识别方法、装置、设备和存储介质 |
CN113673281A (zh) * | 2020-05-14 | 2021-11-19 | 百度在线网络技术(北京)有限公司 | 限速信息确定方法、装置、设备以及存储介质 |
CN113673281B (zh) * | 2020-05-14 | 2023-10-03 | 百度在线网络技术(北京)有限公司 | 限速信息确定方法、装置、设备以及存储介质 |
CN117765127A (zh) * | 2023-11-28 | 2024-03-26 | 中微物创智能科技(上海)有限公司 | 一种基于目标检测算法构建高精地图交通标志元素的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255279A (zh) | 一种交通标志检测识别的方法及系统 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN107506763B (zh) | 一种基于卷积神经网络的多尺度车牌精准定位方法 | |
Ünsalan et al. | A system to detect houses and residential street networks in multispectral satellite images | |
CN109271991B (zh) | 一种基于深度学习的车牌检测方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN110660222B (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
Kim et al. | Multi-task convolutional neural network system for license plate recognition | |
Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN105844257A (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 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN110532961B (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN106709412B (zh) | 交通标志检测方法和装置 | |
CN105718912B (zh) | 一种基于深度学习的车辆特征物检测方法 | |
CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
CN110188606B (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
CN112241692B (zh) | 基于航拍图超像素纹理的渠道异物智能检测与分类方法 | |
CN110096981A (zh) | 一种基于深度学习的视频大数据交通场景分析方法 | |
CN108629286A (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
CN106295605A (zh) | 红绿灯检测与识别方法 | |
Fleyeh | Traffic and road sign recognition | |
Zang et al. | Traffic lane detection using fully convolutional neural network | |
CN110070012A (zh) | 一种应用于遥感影像道路网络提取的细化和全局连接方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |
|
RJ01 | Rejection of invention patent application after publication |