CN110097600A - 用于识别交通标志牌的方法及装置 - Google Patents

用于识别交通标志牌的方法及装置 Download PDF

Info

Publication number
CN110097600A
CN110097600A CN201910412771.4A CN201910412771A CN110097600A CN 110097600 A CN110097600 A CN 110097600A CN 201910412771 A CN201910412771 A CN 201910412771A CN 110097600 A CN110097600 A CN 110097600A
Authority
CN
China
Prior art keywords
image
traffic mark
mark board
sample
processed
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
Application number
CN201910412771.4A
Other languages
English (en)
Other versions
CN110097600B (zh
Inventor
段旭
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.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910412771.4A priority Critical patent/CN110097600B/zh
Priority to CN202110748454.7A priority patent/CN113409393B/zh
Publication of CN110097600A publication Critical patent/CN110097600A/zh
Application granted granted Critical
Publication of CN110097600B publication Critical patent/CN110097600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30248Vehicle exterior or interior
    • G06T2207/30252Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本公开的实施例公开了用于识别交通标志牌的方法及装置。该方法的一具体实施方式包括:按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;对于上述至少一个缩放待处理图像中的缩放待处理图像,将上述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息,并在上述位置信息对应的图像位置提取特征信息,其中,上述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息。该实施方式提高了识别交通标志牌的准确性。

Description

用于识别交通标志牌的方法及装置
技术领域
本公开的实施例涉及图像处理技术领域,具体涉及用于识别交通标志牌的方法及装置。
背景技术
随着智能汽车以及无人驾驶技术的快速发展,交通标志牌检测的识别成为安全行驶的重要组成部分。智能汽车可以获取包含交通标志牌的图像,从图像中识别出交通标志牌,进而根据交通标志牌实现智能汽车的无人驾驶。
发明内容
本公开的实施例提出了用于识别交通标志牌的方法及装置。
第一方面,本公开的实施例提供了一种用于识别交通标志牌的方法,该方法包括:按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;对于上述至少一个缩放待处理图像中的缩放待处理图像,将上述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息,并在上述位置信息对应的图像位置提取特征信息,其中,上述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息。
在一些实施例中,上述交通标志牌位置识别模型通过以下步骤训练得到:获取多个样本图像和对应上述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息;将上述多个样本图像的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本位置信息作为输出,训练得到上述交通标志牌位置识别模型。
在一些实施例中,上述将上述多个样本图像的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本位置信息作为输出,训练得到上述交通标志牌位置识别模型,包括:执行以下训练步骤:将上述多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,得到上述多个样本图像中的每个样本图像所对应的预测位置信息,将上述多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,得到上述初始交通标志牌位置识别模型的预测准确率,确定上述预测准确率是否大于预设准确率阈值,若大于上述预设准确率阈值,则将上述初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
在一些实施例中,上述将上述多个样本图像的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本位置信息作为输出,训练得到上述交通标志牌位置识别模型,包括:响应于不大于上述预设准确率阈值,调整上述初始交通标志牌位置识别模型的参数,并继续执行上述训练步骤。
在一些实施例中,上述样本位置信息通过以下步骤获取:通过滑动窗口对上述样本图像进行图像选取,得到交通标志牌选择图像集合;计算上述交通标志牌选择图像集合中交通标志牌选择图像的选择准确度值,其中,上述选择准确度值用于表征交通标志牌选择图像中属于样本图像中交通标志牌的像素与样本图像中交通标志牌的全部像素之间的交集与并集的比值;将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像;对全部的正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息。
在一些实施例中,上述对全部的正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息,包括:对于上述全部的正样本交通标志牌选择图像中的正样本交通标志牌选择图像,通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到上述正样本交通标志牌选择图像中交通标志牌的初始位置信息,其中,上述位置滑动窗口包括以下至少一项:九宫格滑动窗口、六宫格滑动窗口、四宫格滑动窗口;对上述全部的正样本交通标志牌选择图像对应的全部初始位置信息进行融合,得到上述样本图像的样本位置信息。
在一些实施例中,上述特征信息包括以下至少一项:颜色特征信息、形状特征信息、纹理特征信息。以及,上述对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息,包括:对融合后的特征信息进行降维操作,得到降维特征信息;对上述降维特征信息进行拟合,得到上述待处理图像中交通标志牌的最终位置信息。
第二方面,本公开的实施例提供了一种用于识别交通标志牌的装置,该装置包括:缩放待处理图像获取单元,被配置成按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;特征信息获取单元,对于上述至少一个缩放待处理图像中的缩放待处理图像,被配置成将上述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息,并在上述位置信息对应的图像位置提取特征信息,其中,上述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;交通标志牌位置识别单元,被配置成对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息。
在一些实施例中,上述装置包括交通标志牌位置识别模型训练单元,被配置成训练交通标志牌位置识别模型,上述交通标志牌位置识别模型训练单元包括:样本信息获取子单元,被配置成获取多个样本图像和对应上述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息;交通标志牌位置识别模型训练子单元,被配置成将上述多个样本图像的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本位置信息作为输出,训练得到上述交通标志牌位置识别模型。
在一些实施例中,上述交通标志牌位置识别模型训练子单元包括:交通标志牌位置识别模型训练模块,被配置成将上述多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,得到上述多个样本图像中的每个样本图像所对应的预测位置信息,将上述多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,得到上述初始交通标志牌位置识别模型的预测准确率,确定上述预测准确率是否大于预设准确率阈值,若大于上述预设准确率阈值,则将上述初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
在一些实施例中,上述交通标志牌位置识别模型训练子单元包括:参数调整模块,响应于不大于上述预设准确率阈值,被配置成调整上述初始交通标志牌位置识别模型的参数,并返回上述交通标志牌位置识别模型训练模块。
在一些实施例中,上述装置还包括样本位置信息获取单元,被配置成获取样本位置信息,上述样本位置信息获取单元包括:交通标志牌选择图像集合获取子单元,被配置成通过滑动窗口对上述样本图像进行图像选取,得到交通标志牌选择图像集合;选择准确度值计算子单元,被配置成计算上述交通标志牌选择图像集合中交通标志牌选择图像的选择准确度值,其中,上述选择准确度值用于表征交通标志牌选择图像中属于样本图像中交通标志牌的像素与样本图像中交通标志牌的全部像素之间的交集与并集的比值;正样本选择子单元,被配置成将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像;样本位置信息获取子单元,被配置成对全部的正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息。
在一些实施例中,上述样本位置信息获取子单元包括:特征提取模块,对于上述全部的正样本交通标志牌选择图像中的正样本交通标志牌选择图像,被配置成通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到上述正样本交通标志牌选择图像中交通标志牌的初始位置信息,其中,上述位置滑动窗口包括以下至少一项:九宫格滑动窗口、六宫格滑动窗口、四宫格滑动窗口;样本位置信息获取模块,被配置成对上述全部的正样本交通标志牌选择图像对应的全部初始位置信息进行融合,得到上述样本图像的样本位置信息。
在一些实施例中,上述特征信息包括以下至少一项:颜色特征信息、形状特征信息、纹理特征信息。以及,上述交通标志牌位置识别单元包括:降维子单元,被配置成对融合后的特征信息进行降维操作,得到降维特征信息;最终位置信息获取子单元,被配置成对上述降维特征信息进行拟合,得到上述待处理图像中交通标志牌的最终位置信息。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于识别交通标志牌的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的用于识别交通标志牌的方法。
本公开的实施例提供的用于识别交通标志牌的方法及装置,首先按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;然后,将缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应缩放待处理图像中交通标志牌的位置信息,并在位置信息对应的图像位置提取特征信息;最后,对至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定待处理图像中交通标志牌的最终位置信息。本申请提高了识别交通标志牌的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于识别交通标志牌的方法的一个实施例的流程图;
图3是根据本公开的用于识别交通标志牌的方法的一个应用场景的示意图;
图4是根据本公开的交通标志牌位置识别模型训练方法的一个实施例的流程图;
图5是根据本公开的用于识别交通标志牌的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于识别交通标志牌的方法或用于识别交通标志牌的装置的示例性系统架构100。
如图1所示,系统架构100可以包括车辆101、102、103,网络104和服务器105。网络104用以在车辆101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
车辆101、102、103通过网络104与服务器105交互,以接收或发送消息等。车辆101、102、103上可以安装有各种数据处理应用,例如图像采集应用、交通信号灯识别应用、数据传输应用、告警应用等。
车辆101、102、103可以是具有多个数据采集单元和数据处理单元的各种车辆,包括但不限于无人驾驶汽车、有人驾驶汽车、电动汽车、油电混合汽车和内燃机汽车等等。
服务器105可以是提供各种服务的服务器,例如对车辆101、102、103发来的包含交通信号灯的待处理图像进行图像处理的服务器。服务器可以对接收到的待处理图像等数据进行分析等处理,并将处理结果(例如交通标志牌的位置信息)反馈给车辆101、102、103。
需要说明的是,本公开的实施例所提供的用于识别交通标志牌的方法可以由车辆101、102、103单独执行,或者也可以由车辆101、102、103和服务器105共同执行。相应地,用于识别交通标志牌的装置可以设置于车辆101、102、103中,也可以设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
应该理解,图1中的车辆、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的车辆、网络和服务器。
继续参考图2,示出了根据本公开的用于识别交通标志牌的方法的一个实施例的流程200。该用于识别交通标志牌的方法包括以下步骤:
步骤201,按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像。
在本实施例中,用于识别交通标志牌的方法的执行主体(例如图1所示的车辆101、102、103和/或服务器105)可以通过有线连接方式或者无线连接方式获取待处理图像。其中,待处理图像可以是包含交通标志牌的道路图像。待处理图像可以是车辆101、102、103上的摄像头获取的,也可以是从其他终端设备(例如可以是交通监控镜头)接收的。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
实际中,交通标志牌的形状多种多样。现有技术对交通标志牌识别时,容易受到多种环境因素的影响,通常对指定形状的交通标志牌具有较好的识别效果,而对其他形状的交通标识牌的识别准确性不高。
为了提高识别交通标识牌的准确性,本申请的执行主体在获取到待处理图像后,可以按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像。
步骤202,对于上述至少一个缩放待处理图像中的缩放待处理图像,将上述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息,并在上述位置信息对应的图像位置提取特征信息。
执行主体可以将缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息。位置信息可以通过交通标志牌在缩放待处理图像上的坐标值来表示。其中,上述交通标志牌位置识别模型可以用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息。其中,位置信息可以用于标记交通标志牌的结构。之后,执行主体可以在位置信息对应的图像位置提取特征信息。类似的,特征信息能够表征交通标志牌的结构特征。
在本实施例的一些可选的实现方式中,上述交通标志牌位置识别模型通过以下步骤训练得到:
第一步,获取多个样本图像和对应上述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息。
在训练交通标志牌位置识别模型时,执行主体可以首先获取样本图像和样本图像对应的样本位置信息。其中,样本图像包括交通标志牌图像;上述样本位置信息可以用于标记交通标志牌的形状。
第二步,将上述多个样本图像的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本位置信息作为输出,训练得到上述交通标志牌位置识别模型。
执行主体可以通过多种网络(例如可以是卷积神经网络、深度学习网络等)对交通标志牌位置识别模型进行训练。执行主体可以将样本图像作为网络输入,将与样本图像对应的样本位置信息作为网络输出,训练得到上述交通标志牌位置识别模型。
在本实施例的一些可选的实现方式中,上述样本位置信息可以通过以下步骤获取:
第一步,通过滑动窗口对上述样本图像进行图像选取,得到交通标志牌选择图像集合。
执行主体可以通过滑动窗口在样本图像上进行图像选取,得到对应样本图像的交通标志牌选择图像集合。
第二步,计算上述交通标志牌选择图像集合中交通标志牌选择图像的选择准确度值。
交通标志牌选择图像可以包含全部的交通标志牌图像,也可以包含一部分交通标志牌图像。为了表征交通标志牌选择图像内交通标志牌图像与样本图像中实际交通标志牌的图像之间的准确性。执行主体可以计算交通标志牌选择图像的选择准确度值。其中,上述上述选择准确度值用于表征交通标志牌选择图像中属于样本图像中交通标志牌的像素与样本图像中交通标志牌的全部像素之间的交集与并集的比值。选择准确度值还可以按照交通标志牌选择图像中属于样本图像中交通标志牌的像素与交通标志牌选择图像中全部像素之间的百分比等方式计算,具体视实际需要而定。
第三步,将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像。
之后,执行主体可以对按照选择准确度值对交通标志牌选择图像进行筛选。执行主体可以将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像。
第四步,对全部的正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息。
正样本交通标志牌选择图像包含了较多的交通标志牌的信息。执行主体可以根据正样本交通标志牌选择图像包含的交通标志牌的信息对正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息。
在本实施例的一些可选的实现方式中,上述对全部的正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息可以包括以下步骤:
第一步,对于上述全部的正样本交通标志牌选择图像中的正样本交通标志牌选择图像,通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到上述正样本交通标志牌选择图像中交通标志牌的初始位置信息。
由上述描述可知,实际中的交通标志牌形状各异。为了尽量准确得到交通标志牌的位置信息,执行主体可以通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到上述正样本交通标志牌选择图像中交通标志牌的初始位置信息。其中,上述位置滑动窗口可以包括以下至少一项:九宫格滑动窗口、六宫格滑动窗口(例如可以是两行三列的六宫格、三行两列的六宫格)、四宫格滑动窗口。此外,位置滑动窗口还可以是其他类型的窗口(例如可以是正六边形滑动窗口、三角形滑动窗口),此处不再一一赘述。初始位置信息可以通过正样本交通标志牌选择图像中交通标志牌在样本图像中的坐标等方式来表示。
第二步,对上述全部的正样本交通标志牌选择图像对应的全部初始位置信息进行融合,得到上述样本图像的样本位置信息。
得到初始位置信息后,执行主体可以多种方式(例如可以是对初始位置信息对应的交通标志牌的坐标点进行拟合等)对初始位置信息进行融合,得到上述样本图像的样本位置信息。
步骤203,对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息。
得到特征信息后,执行主体可以对特征信息进行融合,得到交通标志牌的最终位置信息。由于特征信息是基于位置信息得到的,因此,融合后的特征信息就可以表征交通标志牌的准确位置。得到交通标志牌的最终位置信息后,就可以实现对交通标志牌的准确识别。
在本实施例的一些可选的实现方式中,上述对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息,可以包括以下步骤:
第一步,对融合后的特征信息进行降维操作,得到降维特征信息。
特征信息可以包括以下至少一项:颜色特征信息、形状特征信息、纹理特征信息等。因此,融合后的特征信息的信息量很大。为了快速进行数据处理,执行主体可以对融合后的特征信息进行降维操作,得到降维特征信息。其中,降维操作可以用于提取融合和的特征信息中具有代表性的特征信息,得到降维特征信息。具体的,降维操作可以包括:删除数量小于设定数量的特征信息;并从大量相同或相近的特征信息中选择一条特征信息,删除其他相同或相近的特征信息。降维操作还可以是其他方式,此处不再一一赘述。
第二步,对上述降维特征信息进行拟合,得到上述待处理图像中交通标志牌的最终位置信息。
执行主体可以对降维特征信息进行拟合,得到上述待处理图像中交通标志牌的最终位置信息。如此,既可以实现数据的快速处理,又可以获取准确的交通标志牌的位置信息,提高了识别交通标志牌的效率。
继续参见图3,图3是根据本实施例的用于识别交通标志牌的方法的应用场景的一个示意图。在图3的应用场景中,车辆可以首先按照设定比例将图3中的待处理图像进行缩放,得到至少一个缩放待处理图像;然后,车辆可以将每个缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应缩放待处理图像中交通标志牌的位置信息,并在位置信息对应的图像位置提取特征信息;最后,车辆对得到的全部的特征信息进行融合,得到交通标志牌的最终位置信息(如图3中虚线框所示)。
本公开的上述实施例提供的方法首先按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;然后,将缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应缩放待处理图像中交通标志牌的位置信息,并在位置信息对应的图像位置提取特征信息;最后,对至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定待处理图像中交通标志牌的最终位置信息。本申请提高了识别交通标志牌的准确性。
进一步参考图4,其示出了交通标志牌位置识别模型训练方法的一个实施例的流程400。该交通标志牌位置识别模型训练方法的流程400,包括以下步骤:
步骤401,获取多个样本图像和对应上述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息。
在本实施例中,交通标志牌位置识别模型训练方法的执行主体(例如图1所示的服务器105)可以获取多个样本图像和对应上述多个样本图像中每个样本图像对应的样本位置信息。
步骤402,将上述多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,得到上述多个样本图像中的每个样本图像所对应的预测位置信息。
在本实施例中,基于步骤401所获取的多个样本图像,执行主体可以将多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,从而得到多个样本图像中的每个样本图像所对应的预测位置信息。这里,执行主体可以将每个样本图像从初始交通标志牌位置识别模型的输入侧输入,依次经过初始交通标志牌位置识别模型中的各层的参数的处理,并从初始交通标志牌位置识别模型的输出侧输出,输出侧输出的信息即为该样本图像所对应的预测位置信息。其中,初始交通标志牌位置识别模型可以是未经训练的模型(例如可以是深度学习模型等)或未训练完成的模型,其各层设置有初始化参数,初始化参数在模型的训练过程中可以被不断地调整。
步骤403,将上述多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,得到上述初始交通标志牌位置识别模型的预测准确率。
基于步骤402所得到的多个样本图像中的每个样本图像所对应的预测位置信息,执行主体可以将多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,从而得到初始交通标志牌位置识别模型的预测准确率。具体地,若一个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息相同或相近,则初始交通标志牌位置识别模型预测正确;若一个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息不同或不相近,则初始交通标志牌位置识别模型预测错误。这里,执行主体可以计算预测正确的数目与样本总数的比值,并将该比值作为初始交通标志牌位置识别模型的预测准确率。
步骤404,确定上述预测准确率是否大于预设准确率阈值。
基于步骤403所得到的初始交通标志牌位置识别模型的预测准确率,执行主体可以将初始交通标志牌位置识别模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值,则执行步骤405;若不大于预设准确率阈值,则执行步骤406。
步骤405,将上述初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
在本实施例中,在初始交通标志牌位置识别模型的预测准确率大于预设准确率阈值的情况下,说明该初始交通标志牌位置识别模型训练完成,此时,执行主体可以将初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
步骤406,调整上述初始交通标志牌位置识别模型的参数。
在本实施例中,在初始交通标志牌位置识别模型的预测准确率不大于预设准确率阈值的情况下,执行主体可以调整初始交通标志牌位置识别模型的参数,并返回执行步骤402,直至训练出能够获取准确位置信息的交通标志牌位置识别模型。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于识别交通标志牌的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于识别交通标志牌的装置500可以包括:缩放待处理图像获取单元501、特征信息获取单元502和交通标志牌位置识别单元503。其中,缩放待处理图像获取单元501被配置成按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;特征信息获取单元502,对于上述至少一个缩放待处理图像中的缩放待处理图像,被配置成将上述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息,并在上述位置信息对应的图像位置提取特征信息,其中,上述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;交通标志牌位置识别单元503,被配置成对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息。
在本实施例的一些可选的实现方式中,上述用于识别交通标志牌的装置500包括交通标志牌位置识别模型训练单元(图中未示出),被配置成训练交通标志牌位置识别模型,上述交通标志牌位置识别模型训练单元包括:样本信息获取子单元(图中未示出)和交通标志牌位置识别模型训练子单元(图中未示出)。其中,样本信息获取子单元被配置成获取多个样本图像和对应上述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息;交通标志牌位置识别模型训练子单元,被配置成将上述多个样本图像的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本位置信息作为输出,训练得到上述交通标志牌位置识别模型。
在本实施例的一些可选的实现方式中,上述交通标志牌位置识别模型训练子单元包括:交通标志牌位置识别模型训练模块(图中未示出),被配置成将上述多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,得到上述多个样本图像中的每个样本图像所对应的预测位置信息,将上述多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,得到上述初始交通标志牌位置识别模型的预测准确率,确定上述预测准确率是否大于预设准确率阈值,若大于上述预设准确率阈值,则将上述初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
在本实施例的一些可选的实现方式中,上述交通标志牌位置识别模型训练子单元可以包括:参数调整模块(图中未示出),响应于不大于上述预设准确率阈值,被配置成调整上述初始交通标志牌位置识别模型的参数,并返回上述交通标志牌位置识别模型训练模块。
在本实施例的一些可选的实现方式中,上述用于识别交通标志牌的装置500还可以包括样本位置信息获取单元(图中未示出),被配置成获取样本位置信息,上述样本位置信息获取单元可以包括:交通标志牌选择图像集合获取子单元(图中未示出)、选择准确度值计算子单元(图中未示出)、正样本选择子单元(图中未示出)和样本位置信息获取子单元(图中未示出)。其中,交通标志牌选择图像集合获取子单元,被配置成通过滑动窗口对上述样本图像进行图像选取,得到交通标志牌选择图像集合;选择准确度值计算子单元,被配置成计算上述交通标志牌选择图像集合中交通标志牌选择图像的选择准确度值,其中,上述选择准确度值用于表征交通标志牌选择图像中属于样本图像中交通标志牌的像素与样本图像中交通标志牌的全部像素之间的交集与并集的比值;正样本选择子单元,被配置成将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像;样本位置信息获取子单元,被配置成对全部的正样本交通标志牌选择图像进行融合,得到上述样本图像的样本位置信息。
在本实施例的一些可选的实现方式中,上述样本位置信息获取子单元可以包括:特征提取模块(图中未示出)和样本位置信息获取模块(图中未示出)。其中,特征提取模块,对于上述全部的正样本交通标志牌选择图像中的正样本交通标志牌选择图像,被配置成通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到上述正样本交通标志牌选择图像中交通标志牌的初始位置信息,其中,上述位置滑动窗口包括以下至少一项:九宫格滑动窗口、六宫格滑动窗口、四宫格滑动窗口;样本位置信息获取模块,被配置成对上述全部的正样本交通标志牌选择图像对应的全部初始位置信息进行融合,得到上述样本图像的样本位置信息。
在本实施例的一些可选的实现方式中,上述特征信息包括以下至少一项:颜色特征信息、形状特征信息、纹理特征信息。以及上述交通标志牌位置识别单元503可以包括:降维子单元(图中未示出)和最终位置信息获取子单元(图中未示出)。其中,降维子单元被配置成对融合后的特征信息进行降维操作,得到降维特征信息;最终位置信息获取子单元被配置成对上述降维特征信息进行拟合,得到上述待处理图像中交通标志牌的最终位置信息。
本实施例还提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述的用于识别交通标志牌的方法。
本实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于识别交通标志牌的方法。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如,图1中的服务器105)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;对于上述至少一个缩放待处理图像中的缩放待处理图像,将上述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应上述缩放待处理图像中交通标志牌的位置信息,并在上述位置信息对应的图像位置提取特征信息,其中,上述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;对上述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定上述待处理图像中交通标志牌的最终位置信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括缩放待处理图像获取单元、特征信息获取单元和交通标志牌位置识别单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,交通标志牌位置识别单元还可以被描述为“用于通过特征信息得到交通标志牌的位置信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于识别交通标志牌的方法,包括:
按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;
对于所述至少一个缩放待处理图像中的缩放待处理图像,将所述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应所述缩放待处理图像中交通标志牌的位置信息,并在所述位置信息对应的图像位置提取特征信息,其中,所述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;
对所述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定所述待处理图像中交通标志牌的最终位置信息。
2.根据权利要求1所述的方法,其中,所述交通标志牌位置识别模型通过以下步骤训练得到:
获取多个样本图像和对应所述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息;
将所述多个样本图像的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本位置信息作为输出,训练得到所述交通标志牌位置识别模型。
3.根据权利要求2所述的方法,其中,所述将所述多个样本图像的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本位置信息作为输出,训练得到所述交通标志牌位置识别模型,包括:
执行以下训练步骤:将所述多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,得到所述多个样本图像中的每个样本图像所对应的预测位置信息,将所述多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,得到所述初始交通标志牌位置识别模型的预测准确率,确定所述预测准确率是否大于预设准确率阈值,若大于所述预设准确率阈值,则将所述初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
4.根据权利要求3所述的方法,其中,所述将所述多个样本图像的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本位置信息作为输出,训练得到所述交通标志牌位置识别模型,包括:
响应于不大于所述预设准确率阈值,调整所述初始交通标志牌位置识别模型的参数,并继续执行所述训练步骤。
5.根据权利要求2所述的方法,其中,所述样本位置信息通过以下步骤获取:
通过滑动窗口对所述样本图像进行图像选取,得到交通标志牌选择图像集合;
计算所述交通标志牌选择图像集合中交通标志牌选择图像的选择准确度值,其中,所述选择准确度值用于表征交通标志牌选择图像中属于样本图像中交通标志牌的像素与样本图像中交通标志牌的全部像素之间的交集与并集的比值;
将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像;
对全部的正样本交通标志牌选择图像进行融合,得到所述样本图像的样本位置信息。
6.根据权利要求5所述的方法,其中,所述对全部的正样本交通标志牌选择图像进行融合,得到所述样本图像的样本位置信息,包括:
对于所述全部的正样本交通标志牌选择图像中的正样本交通标志牌选择图像,通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到所述正样本交通标志牌选择图像中交通标志牌的初始位置信息,其中,所述位置滑动窗口包括以下至少一项:九宫格滑动窗口、六宫格滑动窗口、四宫格滑动窗口;
对所述全部的正样本交通标志牌选择图像对应的全部初始位置信息进行融合,得到所述样本图像的样本位置信息。
7.根据权利要求1至6任意一项所述的方法,其中,所述特征信息包括以下至少一项:颜色特征信息、形状特征信息、纹理特征信息。以及
所述对所述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定所述待处理图像中交通标志牌的最终位置信息,包括:
对融合后的特征信息进行降维操作,得到降维特征信息;
对所述降维特征信息进行拟合,得到所述待处理图像中交通标志牌的最终位置信息。
8.一种用于识别交通标志牌的装置,包括:
缩放待处理图像获取单元,被配置成按照设定比例将待处理图像进行缩放,得到至少一个缩放待处理图像;
特征信息获取单元,对于所述至少一个缩放待处理图像中的缩放待处理图像,被配置成将所述缩放待处理图像导入预先训练的交通标志牌位置识别模型,得到对应所述缩放待处理图像中交通标志牌的位置信息,并在所述位置信息对应的图像位置提取特征信息,其中,所述交通标志牌位置识别模型用于通过至少一种位置滑动窗口来识别缩放待处理图像交通标志牌的位置信息;
交通标志牌位置识别单元,被配置成对所述至少一个缩放待处理图像对应的至少一个特征信息进行融合,确定所述待处理图像中交通标志牌的最终位置信息。
9.根据权利要求8所述的装置,其中,所述装置包括交通标志牌位置识别模型训练单元,被配置成训练交通标志牌位置识别模型,所述交通标志牌位置识别模型训练单元包括:
样本信息获取子单元,被配置成获取多个样本图像和对应所述多个样本图像中每个样本图像对应的交通标志牌的样本位置信息;
交通标志牌位置识别模型训练子单元,被配置成将所述多个样本图像的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本位置信息作为输出,训练得到所述交通标志牌位置识别模型。
10.根据权利要求9所述的装置,其中,所述交通标志牌位置识别模型训练子单元包括:
交通标志牌位置识别模型训练模块,被配置成将所述多个样本图像中的每个样本图像依次输入至初始交通标志牌位置识别模型,得到所述多个样本图像中的每个样本图像所对应的预测位置信息,将所述多个样本图像中的每个样本图像所对应的预测位置信息与该样本图像所对应的样本位置信息进行比较,得到所述初始交通标志牌位置识别模型的预测准确率,确定所述预测准确率是否大于预设准确率阈值,若大于所述预设准确率阈值,则将所述初始交通标志牌位置识别模型作为训练完成的交通标志牌位置识别模型。
11.根据权利要求10所述的装置,其中,所述交通标志牌位置识别模型训练子单元包括:
参数调整模块,响应于不大于所述预设准确率阈值,被配置成调整所述初始交通标志牌位置识别模型的参数,并返回所述交通标志牌位置识别模型训练模块。
12.根据权利要求9所述的装置,其中,所述装置还包括样本位置信息获取单元,被配置成获取样本位置信息,所述样本位置信息获取单元包括:
交通标志牌选择图像集合获取子单元,被配置成通过滑动窗口对所述样本图像进行图像选取,得到交通标志牌选择图像集合;
选择准确度值计算子单元,被配置成计算所述交通标志牌选择图像集合中交通标志牌选择图像的选择准确度值,其中,所述选择准确度值用于表征交通标志牌选择图像中属于样本图像中交通标志牌的像素与样本图像中交通标志牌的全部像素之间的交集与并集的比值;
正样本选择子单元,被配置成将选择准确度值大于等于设定阈值的交通标志牌选择图像设置为正样本交通标志牌选择图像;
样本位置信息获取子单元,被配置成对全部的正样本交通标志牌选择图像进行融合,得到所述样本图像的样本位置信息。
13.根据权利要求12所述的装置,其中,所述样本位置信息获取子单元包括:
特征提取模块,对于所述全部的正样本交通标志牌选择图像中的正样本交通标志牌选择图像,被配置成通过预设的位置滑动窗口对正样本交通标志牌选择图像中交通标志牌的位置进行特征提取,得到所述正样本交通标志牌选择图像中交通标志牌的初始位置信息,其中,所述位置滑动窗口包括以下至少一项:九宫格滑动窗口、六宫格滑动窗口、四宫格滑动窗口;
样本位置信息获取模块,被配置成对所述全部的正样本交通标志牌选择图像对应的全部初始位置信息进行融合,得到所述样本图像的样本位置信息。
14.根据权利要求8至13任意一项所述的装置,其中,所述特征信息包括以下至少一项:颜色特征信息、形状特征信息、纹理特征信息。以及
所述交通标志牌位置识别单元包括:
降维子单元,被配置成对融合后的特征信息进行降维操作,得到降维特征信息;
最终位置信息获取子单元,被配置成对所述降维特征信息进行拟合,得到所述待处理图像中交通标志牌的最终位置信息。
15.一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求1至7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的方法。
CN201910412771.4A 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置 Active CN110097600B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910412771.4A CN110097600B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置
CN202110748454.7A CN113409393B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910412771.4A CN110097600B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110748454.7A Division CN113409393B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置

Publications (2)

Publication Number Publication Date
CN110097600A true CN110097600A (zh) 2019-08-06
CN110097600B CN110097600B (zh) 2021-08-06

Family

ID=67448476

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910412771.4A Active CN110097600B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置
CN202110748454.7A Active CN113409393B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110748454.7A Active CN113409393B (zh) 2019-05-17 2019-05-17 用于识别交通标志牌的方法及装置

Country Status (1)

Country Link
CN (2) CN110097600B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931683A (zh) * 2020-08-25 2020-11-13 腾讯科技(深圳)有限公司 图像识别方法、装置及计算机可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097600B (zh) * 2019-05-17 2021-08-06 百度在线网络技术(北京)有限公司 用于识别交通标志牌的方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120288138A1 (en) * 2011-05-10 2012-11-15 GM Global Technology Operations LLC System and method for traffic signal detection
CN103366190A (zh) * 2013-07-26 2013-10-23 中国科学院自动化研究所 一种识别交通标志的方法
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
CN106326288A (zh) * 2015-06-30 2017-01-11 阿里巴巴集团控股有限公司 图像搜索方法及装置
CN106682664A (zh) * 2016-12-07 2017-05-17 华南理工大学 基于全卷积递归神经网络的水表圆盘区域检测方法
CN108805018A (zh) * 2018-04-27 2018-11-13 淘然视界(杭州)科技有限公司 道路交通标志检测识别方法、电子设备、存储介质及系统
CN109325438A (zh) * 2018-09-18 2019-02-12 桂林电子科技大学 实况全景交通标志的实时识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100711866B1 (ko) * 2005-05-18 2007-04-25 엘지전자 주식회사 소통상태에 대한 예측정보를 제공하고 이를 이용하는 방법및 장치
US8447139B2 (en) * 2010-04-13 2013-05-21 International Business Machines Corporation Object recognition using Haar features and histograms of oriented gradients
US9904852B2 (en) * 2013-05-23 2018-02-27 Sri International Real-time object detection, tracking and occlusion reasoning
CN104700099B (zh) * 2015-03-31 2017-08-11 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
CN109508580B (zh) * 2017-09-15 2022-02-25 阿波罗智能技术(北京)有限公司 交通信号灯识别方法和装置
CN108734123B (zh) * 2018-05-18 2021-09-17 武昌理工学院 高速公路标志识别方法、电子设备、存储介质及系统
CN108985217A (zh) * 2018-07-10 2018-12-11 常州大学 一种基于深度空间网络的交通标志识别方法及系统
CN110097600B (zh) * 2019-05-17 2021-08-06 百度在线网络技术(北京)有限公司 用于识别交通标志牌的方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120288138A1 (en) * 2011-05-10 2012-11-15 GM Global Technology Operations LLC System and method for traffic signal detection
CN103366190A (zh) * 2013-07-26 2013-10-23 中国科学院自动化研究所 一种识别交通标志的方法
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
CN106326288A (zh) * 2015-06-30 2017-01-11 阿里巴巴集团控股有限公司 图像搜索方法及装置
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
CN106682664A (zh) * 2016-12-07 2017-05-17 华南理工大学 基于全卷积递归神经网络的水表圆盘区域检测方法
CN108805018A (zh) * 2018-04-27 2018-11-13 淘然视界(杭州)科技有限公司 道路交通标志检测识别方法、电子设备、存储介质及系统
CN109325438A (zh) * 2018-09-18 2019-02-12 桂林电子科技大学 实况全景交通标志的实时识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAO BO,AND ETC: "Research on the Location and Recognition Methods for Traffic Signs", 《2009 SECOND ASIA-PACIFIC CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND INDUSTRIAL APPLICATIONS》 *
陈亦欣等: "基于HSV空间和形状特征的交通标志检测识别研究", 《江汉大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931683A (zh) * 2020-08-25 2020-11-13 腾讯科技(深圳)有限公司 图像识别方法、装置及计算机可读存储介质
CN111931683B (zh) * 2020-08-25 2023-09-05 腾讯科技(深圳)有限公司 图像识别方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN113409393A (zh) 2021-09-17
CN113409393B (zh) 2023-10-03
CN110097600B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN112528977B (zh) 目标检测方法、装置、电子设备和存储介质
CN109902659B (zh) 用于处理人体图像的方法和装置
CN108985259A (zh) 人体动作识别方法和装置
CN107609502A (zh) 用于控制无人驾驶车辆的方法和装置
CN109508681A (zh) 生成人体关键点检测模型的方法和装置
CN108197623A (zh) 用于检测目标的方法和装置
CN107481292A (zh) 车载摄像头的姿态误差估计方法和装置
CN111832447B (zh) 建筑图纸构件识别方法、电子设备及相关产品
CN110163153B (zh) 用于识别交通标志牌边界的方法及装置
CN107563332A (zh) 用于确定无人车的驾驶行为的方法和装置
CN108256431A (zh) 一种手部位置标识方法及装置
CN109740018A (zh) 用于生成视频标签模型的方法和装置
CN110348463A (zh) 用于识别车辆的方法和装置
CN110119725A (zh) 用于检测信号灯的方法及装置
CN110097600A (zh) 用于识别交通标志牌的方法及装置
CN108133197A (zh) 用于生成信息的方法和装置
CN108132054A (zh) 用于生成信息的方法和装置
CN110427915A (zh) 用于输出信息的方法和装置
CN111931683A (zh) 图像识别方法、装置及计算机可读存储介质
CN111310595B (zh) 用于生成信息的方法和装置
CN108197563A (zh) 用于获取信息的方法及装置
CN108038473A (zh) 用于输出信息的方法和装置
CN112037255A (zh) 目标跟踪方法和装置
CN111353273A (zh) 一种雷达数据标注方法、装置、设备及存储介质
CN109903308B (zh) 用于获取信息的方法及装置

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