CN109657614B - 航拍道路交通事故现场勘查中道路自动识别方法 - Google Patents

航拍道路交通事故现场勘查中道路自动识别方法 Download PDF

Info

Publication number
CN109657614B
CN109657614B CN201811556585.XA CN201811556585A CN109657614B CN 109657614 B CN109657614 B CN 109657614B CN 201811556585 A CN201811556585 A CN 201811556585A CN 109657614 B CN109657614 B CN 109657614B
Authority
CN
China
Prior art keywords
road
image
line
new model
contour
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
CN201811556585.XA
Other languages
English (en)
Other versions
CN109657614A (zh
Inventor
高骞
高志鑫
戴赫
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.)
Shenyang Tianze Intelligent Traffic Engineering Co ltd
Original Assignee
Shenyang Tianze Intelligent Traffic Engineering Co ltd
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 Shenyang Tianze Intelligent Traffic Engineering Co ltd filed Critical Shenyang Tianze Intelligent Traffic Engineering Co ltd
Priority to CN201811556585.XA priority Critical patent/CN109657614B/zh
Publication of CN109657614A publication Critical patent/CN109657614A/zh
Application granted granted Critical
Publication of CN109657614B publication Critical patent/CN109657614B/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
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属城市道路识别领域，尤其涉及一种航拍道路交通事故现场勘查中道路自动识别方法，包括如下步骤：（1）通过labelme软件对图像进行多边形，矩形，线，点和图像级进行道路语义标注；（2）采用沙漏型深度神经网络进行训练；（3）转成成IOS支持的新模型；（4）新模型语义预测；（5）新模型语义去噪处理；（6）新模型矢量化。本发明能快速准确并且高效实现对道路情况实时把控，为自动化城市道路分析与理解提供支撑。

Description

航拍道路交通事故现场勘查中道路自动识别方法
技术领域
本发明属城市道路识别领域，尤其涉及一种航拍道路交通事故现场勘查中道路自动识别方法。
背景技术
随着科技不断进步，所获得的航拍图像分辨率不断提升，传统面向中低分辨率的道路识别方法不再适用，考虑面向高分辨率航拍图像的道路提取方法势在必行。航拍技术在快速发展，识别及智能识别技术在发展，大数据挖掘、机器人、区块链等技术都在飞速进步。利用这些技术为人们生活和相关行业提供支持，已经成为国内外企业不断创新研究的努力方向。随着航拍技术的进步，航拍图像分辨率不断提升。分辨率的提升带来了好处，也带来了新的问题。应用在城市道路识别和提取中，可以为人们出行导航提供服务，好处是可以更精准的识别城市道路；新问题是如何高效、准确识别和提取道路，服务即时准确的导航需求。相关需求领域包括民用和军用等。城市道路识别和提取最复杂，因为其周边有大量建筑物，随着光谱的不同，图像不同；因为道路可能发生拥堵，乃至交通事故，图像会发生变化；因为道路可能发生断裂，要尽快识别和提取，提示道路路况。所以研究城市道路识别方法的理论、模型及利用知识判断一直是重要的研究课题。基于高分辨率的航拍图像利用计算机展示更加丰富的细节信息（低层，多特征融合识别），结合高层语义知识，在面对计算量呈指数上升的情况下，高分辨率航拍图像中的城市道路作为研究对象，重点研究城市道路低层特征提取与自动识别方法，研究高层语义指导下的城市道路遮挡及断裂连接问题，从而生成完整的道路网，实现城市道路的自动识别，具有重要意义。
国内外对航拍图像中城市道路识别和提取问题进行了大量研究，不同方法面向不同的对象，并且适用于不同的场合。根据面向的对象，道路识别包括城市主干道、道路路况、车道线、人行横道、天桥、绿化带、交叉路口等关键处的算法；根据是否需要人工参与，可以分为自动提取方法和半自动提取方法；根据选用的道路特征，可以分为基于边缘和线特征的方法和基于面与形状特征的方法。随机抽样一致性（RANdom SAmple Consensus）则是一种快速的直线拟合方法，该方法优点在于计算简单快捷，在应对大样本数据的时候表现良好，但最终得到的结果不一定是最优解。数学形态学算子则采用化整为零的思想，逐步采用多组不同长度、角度的直线模板对图像进行卷积，从而提取出指定长度和角度的道路目标。城市道路识别和提取应用的方法主要包括：图像预处理、低层特征提取、基于低层特征的道路提取与识别、道路网断裂及遮挡处理等。
现有城市道路识别方法对道路情况尚不能做到实时把控，对事故现场的检测速度也不是很理想。
发明内容
本发明旨在克服现有技术的不足之处而提供一种能快速准确并且高效实现对道路情况实时把控，为自动化城市道路分析与理解提供支撑的航拍道路交通事故现场勘查中道路自动识别方法。
为解决上述技术问题，本发明是这样实现的：
航拍道路交通事故现场勘查中道路自动识别方法，它包括如下步骤：
（1）道路语义标记；
（2）深度神经网络训练；
（3）转成成IOS支持的新模型；
（4）新模型语义预测；
（5）新模型语义去噪处理；
（6）新模型矢量化。
作为一种优选方案，本发明所述步骤（1）通过labelme软件对图像进行多边形，矩形，线，点和图像级标注。
进一步地，本发明所述步骤（2）采用沙漏型深度神经网络；所述沙漏型深度神经网络包括前后两部分；前半部分为特征提取，每经过一个池化层特征图像尺寸缩小一半；后半部分为特征融合，使用上采样和跳接的方式将提取的特征汇集到一起。
进一步地，本发明将训练好的模型借助 Core ML集成到自己的应用当中。
进一步地，本发明所述步骤（4）中，首先将原图像缩小原来的四分之一大小，再在缩小的图像上使用交叉覆盖的方式截取图像，直到将缩小的图像全部覆盖。之后对数据进行融合处理。
进一步地，本发明所述步骤（5）中，通过两部分对数据进行优化处理；第一部分为线条线型，将线条线型进行拉伸和收缩，以及曲线的斜率进行预测，通过两条线型的垂直距离是否在可选范围内，符合条件的进行膨胀处理，使之线型融合，不符合条件的线条，采用腐蚀处理，通过使用膨胀与腐蚀的方法,还原图像；第二部分为区域型，使用边缘检测方法，检测出图像中所有灰度值变化较大的点，将这些点连接起来，形成轮廓和区域，将轮廓内部的线型进行拉伸和收缩，通过曲率和两条线型的垂直距离判断是否符合融合条件。
进一步地，本发明所述步骤（6）中，将航拍照片中的道路轮廓和道路元素识别后，以矢量化的方式将道路轮廓和道路元素进行绘制。
本发明能准确快速并且高效实现对道路情况的实时把控，与现有技术相比，本发明具有如下特点：
（1）准确的识别航拍图像上道路的各种线型。如停止线、等待让行线、双实线、绿化带、人行横道、双虚线、中心超车线、左转待转区、导流线、网格区等，为自动化城市道路分析与理解提供支撑。
（2）快速的对事故现场的检测。因为航拍图片采集会造成道路或者空中的堵塞与干扰， 所以快速的分析与处理至关重要， 所以本发明以达到秒级的处理速度，完成道路线型和感兴趣区域的检测与分析。道路 同时对道路信息的识别对城市交通指挥调度和人们出行道路的导航需要都具有很高的利用价值，实现对城市管理者以及其他决策者和个人用户对道路和城市建设规划提供参考。
（3）系统使用便捷。无人机与Ipad连接，实现了外观小巧，占用空间小，方便携带，并且操纵简单快捷。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。
图1为本发明航拍嵌入道路识别流程框图；
图2A及图2B为本发明道路标记图片；
图3为本发明深度神经网络训练示意图；
图4A、图4B、图4C及图4D为本发明训练测试结果图。
具体实施方式
如图所示，航拍道路交通事故现场勘查中道路自动识别方法，包括如下步骤：
（1）道路语义标记；
（2）深度神经网络训练；
（3）转成成IOS支持的新模型；
（4）新模型语义预测；
（5）新模型语义去噪处理；
（6）新模型矢量化。
本发明所述步骤（1）通过labelme软件对图像进行多边形，矩形，线，点和图像级标注。本发明所述步骤（2）采用沙漏型深度神经网络；所述沙漏型深度神经网络包括前后两部分；前半部分为特征提取，每经过一个池化层特征图像尺寸缩小一半；后半部分为特征融合，使用上采样和跳接的方式将提取的特征汇集到一起。本发明将训练好的模型借助 CoreML集成到自己的应用当中。本发明所述步骤（4）中，首先将原图像缩小原来的四分之一大小，再在缩小的图像上使用交叉覆盖的方式截取图像，直到将缩小的图像全部覆盖。之后对数据进行融合处理。本发明所述步骤（5）中，通过两部分对数据进行优化处理；第一部分为线条线型，将线条线型进行拉伸和收缩，以及曲线的斜率进行预测，通过两条线型的垂直距离是否在可选范围内，符合条件的进行膨胀处理，使之线型融合，不符合条件的线条，采用腐蚀处理，通过使用膨胀与腐蚀的方法,还原图像；第二部分为区域型，使用边缘检测方法，检测出图像中所有灰度值变化较大的点，将这些点连接起来，形成轮廓和区域，将轮廓内部的线型进行拉伸和收缩，通过曲率和两条线型的垂直距离判断是否符合融合条件。本发明所述步骤（6）中，将航拍照片中的道路轮廓和道路元素识别后，以矢量化的方式将道路轮廓和道路元素进行绘制。
本发明采用训练-移植-识别的方法完成嵌入式航拍道路识别功能，在训练阶段首先由行业内技术专家人工标记大量航拍道路图片，然后使用深度卷积神经网络（CNN）训练形成参数化模型。概括如以下六点：
A、道路语义标记
道路标识系统的数据集非常重要，好的数据集直接影响到最后的测试效果，所以本发明的数据集来自专业技术人员使用无人机航拍的河北的街景图像，并从大量图片中挑选出清晰度好的300张图像作为本发明的数据集。为了达到数据的可靠性以及科学性，训练使用的图像的分辨率分别有2k,3k,4k和5k四种尺寸不同的图片，对不同尺寸的图片进行了全面的覆盖。同时监督学习离不开对数据的标注，由于道路的多样性，因此选择一款的好标记软件显得尤其重要，本发明选用了可以对图像进行多边形，矩形，线，点和图像级标注的并且效率高效简单易用的labelme软件，对训练的图片进行标注。参见图2A及图2B。
B、深度神经网络训练
标记完数据集后，就可以对数据集进行训练了，本发明使用的是沙漏型的深度神经网络，该网络可分为前后两部分。前半部分作用是特征提取，每经过一个池化层特征图像尺寸缩小一半。后半部分的作用是特征融合，使用上采样和跳接的方式将提取的特征汇集到一起，以最后一个上采样为例，它的特征既来自第一个卷积block的输出(同尺度特征)，也来自上采样的输出(大尺度特征)，这样的连接是贯穿整个网络的，你可以看到上图的网络中有四次融合过程，相对应的FCN网络只在最后一层进行融合。本网络训练中我们使用随机截取法和填充法对数据进行处理和比对。借此以达到还原数据的本质。通过这两种方式使训练出来的图片更加可靠，科学性更高。测试结果参见图4A、图4B、图4C及图4D。
C、模型转换
训练好的模型借助 Core ML，可以集成到自己的应用当中。同时Core ML 还为Vision提供了图像处理的支持，为Foundation提供了自然语言处理的支持，为GameplayKit提供了对学习决策树 (learned decision tree) 进行分析的支持。并且mlmodel可以在Xcode中轻松的构建机器学习模型，并且可以使用视觉和自然语言技术，创建和针对苹果生态系统的各种任务（包括回归、图像分类、单词标记和句子分类）的优化模型。
D、语义预测
模型转换后为了保证最终结果的可靠性，同时考虑到IOS的内存有限，预测图像大小采用640 * 480，所以在不影响最终结果的科学性情况下。首先先将原图像缩小原来的四分之一大小。再在缩小的图像上使用交叉覆盖的方式截取图像。直到将缩小的图像全部覆盖。之后对数据进行融合处理。
E、去噪处理
在去噪处理中，我们通过两部分对数据进行优化处理，把预测的结果分为两个部分，第一部分为线条线型，将线条线型进行拉伸和收缩，以及曲线的斜率进行预测，通过两条线型的垂直距离是否在可选范围内，符合条件的进行膨胀处理，使之线型融合。反之，不符合条件的线条，一些干扰线条采用腐蚀处理，通过使用膨胀与腐蚀的方法,还原图像最真实的效果。第二部分为区域部分。比如绿化带、人行横道等。首先先使用边缘检测方法，检测出图像中所有灰度值变化较大的点，而且这些点连接起来，就形成了轮廓和区域。将轮廓内部的线型进行拉伸和收缩，通过曲率和两条线型的垂直距离判断是否符合融合条件。
F、矢量化
最终将航拍照片中的道路轮廓和道路元素识别后，以矢量化的方式将道路轮廓和道路元素进行绘制。以此为依据，开始对识别结果的矢量化过程。首先将识别结果中的每类像素点以相同位置分别保存至各子图中，即30个子图对应30种类别的结果，这样不仅避免了像素点之间的干扰，而且降低了时间复杂度，再调用本发明的边缘检测方法，以此便将同种像素分开得到多个道路轮廓或道路元素，继而再对每个轮廓进行骨架点提取，便可以骨架点为依据绘制道路轮廓和道路元素，至此完成道路轮廓和道路元素的矢量化过程。
线段拟合。首先对于每个像素区域做8邻域区域检测，得到邻接区域像素坐标集合，然后对该坐标集合做二次曲线拟合，得到曲线，以最小二乘距离作为拟合代价函数，如式（1）所示。
Figure 12478DEST_PATH_IMAGE002
（1）
由于道路检测的间断性，所以在得到各区域曲线断并不是连续的，所以还需要进一步的小线段合并处理，该过程的主要参考个线段的方向一致性和距离相近性。假定曲线断
Figure 336143DEST_PATH_IMAGE004
其中一个端点
Figure 647039DEST_PATH_IMAGE006
与另外一个线段
Figure 196575DEST_PATH_IMAGE008
的端点
Figure 542106DEST_PATH_IMAGE010
在空间阈值
Figure 98989DEST_PATH_IMAGE012
内存在共同区域时，如果
Figure 38127DEST_PATH_IMAGE008
与
Figure 971447DEST_PATH_IMAGE004
临近的区域与
Figure 437064DEST_PATH_IMAGE004
所代表曲线一致，同时反向判别成立，则认为二者可以合并，合并代价函数如式（2）所示：
Figure 164848DEST_PATH_IMAGE014
（2）
最后使用端点与一阶导数一致性约束创建连接弧线，形成连续的道路曲线线型。
本发明任意尺寸的图像都可以作为本发明的数据集而进行训练，而且可以实时性的快速的识别道路上的各种线型并反映出道路的实时情况。实时分析道路状态，给管理者以及使用者路线规划及城市建设提供参考。本发明适应各种机型，方便携带而且操作简单。
本发明采用训练-移植-识别的方法完成嵌入式航拍道路识别功能，在训练阶段首先由行业内技术专家人工标记大量航拍道路图片，然后使用深度卷积神经网络（CNN）训练形成参数化模型。得到模型后还需要转换成ios系统兼容的mlmodle格式。在识别阶段，首先将图片输入到mlmodel之内，得到30维度的道路语义图，预处理和去噪之后再通过矢量化模块得到最终的道路标线矢量图。
本发明的图片来自业内专业人士使用无人机拍摄，高度在20～50米之间，采用自动曝光保持图片清晰度。图像为彩色图像。图像格式为jpg。挑选出一部分清晰的图像作为训练的数据集。然后使用labelme软件，给数据集中的图片进行标记：如实线，直线，虚线，停止线，等待让行线，双实线，路肩，绿化带，人行横道，人行道，护栏，双虚线，不规则绿化带，中心超车线，左转待转，左转待转区，左转待行区，导流渠，导流线，桥梁，单实线，停车位，网格区，直行待行区，实虚线，减速让行，右转，直行，直行右转，直行左转，人行道预告，左转，左转掉头，掉头，左右转弯，中心线，直行左右转弯等道路标线。每标记完一张图片就会对应生成一个.json文件。数据集标记完成后，将数据集和生成的.json文件在paycharm下生成语义图。完成之后再调用ubuntu下的模块进行训练。数据集训练完成之后调用相应的预测模块，生成model,再将生成的model转换成IOS支持的mlmodel。之后再调用IOS的Xcode开发软件将mlmodel生成可执行的app文件。将mlmodel转化之后的数据进行语义预测，语义去噪和矢量化处理，生成新的图形。
以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案。本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果。只要满足使用需要，都在发明的保护范围内。

Claims (2)

1.航拍道路交通事故现场勘查中道路自动识别方法，其特征在于，包括如下步骤：
（1）道路语义标记；通过labelme软件对图像进行多边形、线、点和图像级标注；
（2）深度神经网络训练；采用沙漏型深度神经网络；所述沙漏型深度神经网络包括前后两部分；前半部分为特征提取，每经过一个池化层特征图像尺寸缩小一半；后半部分为特征融合，使用上采样和跳接的方式将提取的特征汇集到一起；将训练好的模型借助 Core ML集成到自己的应用当中；
（3）转成IOS支持的新模型；
（4）新模型语义预测；首先将原图像缩小原来的四分之一大小，再在缩小的图像上使用交叉覆盖的方式截取图像，直到将缩小的图像全部覆盖，之后对数据进行融合处理；
（5）新模型语义去噪处理；在去噪处理中，通过两部分对数据进行优化处理，把预测的结果分为两个部分，第一部分为线条线型，将线条线型进行拉伸和收缩，以及曲线的斜率进行预测，通过两条线型的垂直距离是否在可选范围内，符合条件的进行膨胀处理，使之线型融合；反之，不符合条件的线条，一些干扰线条采用腐蚀处理，通过使用膨胀与腐蚀的方法,还原图像最真实的效果；第二部分为区域部分；首先先使用边缘检测方法，检测出图像中所有灰度值变化较大的点，而且这些点连接起来，就形成了轮廓和区域；将轮廓内部的线型进行拉伸和收缩，通过曲率和两条线型的垂直距离判断是否符合融合条件；
（6）新模型矢量化；将航拍照片中的道路轮廓和道路元素识别后，以矢量化的方式将道路轮廓和道路元素进行绘制。
2.根据权利要求1所述的航拍道路交通事故现场勘查中道路自动识别方法，其特征在于：所述步骤（6）中，将航拍照片中的道路轮廓和道路元素识别后，以矢量化的方式将道路轮廓和道路元素进行绘制。
CN201811556585.XA 2018-12-19 2018-12-19 航拍道路交通事故现场勘查中道路自动识别方法 Active CN109657614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811556585.XA CN109657614B (zh) 2018-12-19 2018-12-19 航拍道路交通事故现场勘查中道路自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811556585.XA CN109657614B (zh) 2018-12-19 2018-12-19 航拍道路交通事故现场勘查中道路自动识别方法

Publications (2)

Publication Number Publication Date
CN109657614A CN109657614A (zh) 2019-04-19
CN109657614B true CN109657614B (zh) 2023-02-03

Family

ID=66115206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811556585.XA Active CN109657614B (zh) 2018-12-19 2018-12-19 航拍道路交通事故现场勘查中道路自动识别方法

Country Status (1)

Country Link
CN (1) CN109657614B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060251A (zh) * 2019-04-26 2019-07-26 福州大学 一种基于U-Net的建筑物表面裂纹检测方法
CN110795514B (zh) * 2019-04-29 2020-06-09 当家移动绿色互联网技术集团有限公司 道路元素的识别和路网构建方法，装置，存储介质及电子设备
CN113743163A (zh) * 2020-05-29 2021-12-03 中移(上海)信息通信科技有限公司 交通目标识别模型训练方法、交通目标定位方法、装置
CN111815741B (zh) * 2020-08-27 2021-01-05 杭州今奥信息科技股份有限公司 一种基于影像纹理识别的道路绘制方法及其系统
CN112287876B (zh) * 2020-11-18 2021-07-30 广东新禾道信息科技有限公司 基于区块链的无人机环境污染遥测数据处理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488534A (zh) * 2015-12-04 2016-04-13 中国科学院深圳先进技术研究院 交通场景深度解析方法、装置及系统
CN206173826U (zh) * 2016-10-12 2017-05-17 揭阳市公安局交通警察支队 道路交通事故勘查现场多级防护系统
CN106845324A (zh) * 2015-12-03 2017-06-13 高德软件有限公司 路牌信息的处理方法和装置
CN106997466A (zh) * 2017-04-12 2017-08-01 百度在线网络技术（北京）有限公司 用于检测道路的方法和装置
CN108171220A (zh) * 2018-01-31 2018-06-15 南京云思创智信息科技有限公司 基于全卷积神经网络与crf技术的道路自动识别方法
CN108831161A (zh) * 2018-06-27 2018-11-16 深圳大学 一种基于无人机的交通流量监测方法、智能系统及数据集

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205144B (zh) * 2016-09-07 2018-06-19 东南大学 高速公路应急车道占用监督处罚方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845324A (zh) * 2015-12-03 2017-06-13 高德软件有限公司 路牌信息的处理方法和装置
CN105488534A (zh) * 2015-12-04 2016-04-13 中国科学院深圳先进技术研究院 交通场景深度解析方法、装置及系统
CN206173826U (zh) * 2016-10-12 2017-05-17 揭阳市公安局交通警察支队 道路交通事故勘查现场多级防护系统
CN106997466A (zh) * 2017-04-12 2017-08-01 百度在线网络技术（北京）有限公司 用于检测道路的方法和装置
CN108171220A (zh) * 2018-01-31 2018-06-15 南京云思创智信息科技有限公司 基于全卷积神经网络与crf技术的道路自动识别方法
CN108831161A (zh) * 2018-06-27 2018-11-16 深圳大学 一种基于无人机的交通流量监测方法、智能系统及数据集

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Inferring 3D Layout of Building Facades from a Single Image;Jiyan Pan et al;《2015 IEEE Conference on Computer Vision and Pattern Recognition 》;20151015;第2918-2926页 *
深度学习在目标视觉检测中的应用进展与展望;张慧 等;《自动化学报》;20170201;第43卷(第8期);第1289-1305页 *
电力大数据驱动的新能源项目投资效益;高骞 等;《现代图书情报技术》;20161225(第12期);第57-65页 *
结合深度特征与多标记分类的图像语义标注;李志欣 等;《计算机辅助设计与图形学学报》;20180215;第30卷(第2期);第318-326页 *
视频和图像文本提取方法综述;蒋梦迪 等;《计算机科学》;20171130;第44卷(第11A期);第8-18页 *

Also Published As

Publication number Publication date
CN109657614A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109657614B (zh) 航拍道路交通事故现场勘查中道路自动识别方法
Biswas et al. An automatic traffic density estimation using Single Shot Detection (SSD) and MobileNet-SSD
CN109190481B (zh) 一种遥感影像道路材质提取方法和系统
CN104392212B (zh) 一种基于视觉的道路信息检测及前方车辆识别方法
Hinz et al. Automatic extraction of urban road networks from multi-view aerial imagery
CN108830171B (zh) 一种基于深度学习的智能物流仓库引导线视觉检测方法
US11718324B2 (en) Instance segmentation imaging system
Kong et al. Enhanced facade parsing for street-level images using convolutional neural networks
CN109948707A (zh) 模型训练方法、装置、终端及存储介质
Li et al. Parking slot detection on around-view images using DCNN
Balaska et al. Enhancing satellite semantic maps with ground-level imagery
Cai et al. A comparative study of deep learning approaches to rooftop detection in aerial images
CN114519819A (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN111931683A (zh) 图像识别方法、装置及计算机可读存储介质
Tran et al. Pp-linknet: Improving semantic segmentation of high resolution satellite imagery with multi-stage training
CN117690107B (zh) 一种车道边线识别方法和装置
CN110909656A (zh) 一种雷达与摄像机融合的行人检测方法和系统
Iparraguirre et al. Road marking damage detection based on deep learning for infrastructure evaluation in emerging autonomous driving
Ng et al. Scalable Feature Extraction with Aerial and Satellite Imagery.
Wang et al. Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation
CN117011413A (zh) 道路图像重建方法、装置、计算机设备和存储介质
CN115294545A (zh) 一种基于深度学习的复杂路面车道识别方法及芯片
CN114419338A (zh) 图像处理方法、装置、计算机设备和存储介质
Sai et al. Detection of Lanes and Objects Using Deep Learning Techniques
Yao et al. Lane marking detection algorithm based on high‐precision map and multisensor fusion

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