CN110119725B - 用于检测信号灯的方法及装置 - Google Patents
用于检测信号灯的方法及装置 Download PDFInfo
- Publication number
- CN110119725B CN110119725B CN201910419433.3A CN201910419433A CN110119725B CN 110119725 B CN110119725 B CN 110119725B CN 201910419433 A CN201910419433 A CN 201910419433A CN 110119725 B CN110119725 B CN 110119725B
- Authority
- CN
- China
- Prior art keywords
- signal lamp
- image
- sample signal
- candidate area
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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
本公开的实施例公开了用于检测信号灯的方法及装置。该方法的一具体实施方式包括:将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像;响应于存在至少一个信号灯候选区域图像,将上述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像。该实施方式提高了获取信号灯的准确性。
Description
技术领域
本公开的实施例涉及图像处理技术领域,具体涉及用于检测信号灯的方法及装置。
背景技术
交通信号灯检测技术作为智能交通系统的重要组成部分,在城市交通安全及道路通行效率等问题中,有着不可估量的作用。交通信号灯检测不仅是无人驾驶和辅助驾驶必不可少的一部分,也是色觉障碍人群和安全驾驶的重要保证。
发明内容
本公开的实施例提出了用于检测信号灯的方法及装置。
第一方面,本公开的实施例提供了一种用于检测信号灯的方法,该方法包括:将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像,其中,上述第一信号灯识别模型用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像;响应于存在至少一个信号灯候选区域图像,将上述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像,其中,上述第二信号灯识别模型用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像。
在一些实施例中,上述第一信号灯识别模型通过以下步骤训练得到:获取多个样本信号灯图像和对应上述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像,其中,上述样本信号灯图像包含对应实际信号灯的图像;将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
在一些实施例中,上述将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型,包括:执行以下训练步骤:将上述多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,得到上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,得到上述初始第一信号灯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,则将上述初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
在一些实施例中,上述将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型,包括:响应于不大于上述预设准确率阈值,调整上述初始第一信号灯识别模型的参数,并继续执行上述训练步骤。
在一些实施例中,上述样本信号灯候选区域图像包括至少一个负样本信号灯候选区域图像和至少一个正样本信号灯候选区域图像,以及,上述样本信号灯候选区域图像通过以下步骤得到:对于上述多个样本信号灯图像中的样本信号灯图像,按照多种尺寸的窗口对上述样本信号灯图像进行图像选取,得到信号灯选择图像集合;计算上述信号灯选择图像集合中信号灯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信号灯选择图像中属于样本信号灯图像中信号灯的像素与样本信号灯图像中信号灯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第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于上述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
在一些实施例中,上述将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型,包括:将上述多个样本信号灯图像的每个样本信号灯图像的信号灯选择图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
在一些实施例中,上述第二信号灯识别模型通过以下步骤训练得到:获取多个样本信号灯候选区域图像和对应上述多个样本信号灯候选区域图像中每个样本信号灯候选区域图像对应的样本信号灯区域图像;将上述多个样本信号灯候选区域图像的每个样本信号灯候选区域图像作为输入,将上述多个样本信号灯候选区域图像中的每个样本信号灯候选区域图像所对应的上述样本信号灯区域图像作为输出,训练得到上述第二信号灯识别模型。
在一些实施例中,上述样本信号灯区域图像通过以下步骤得到:计算样本信号灯候选区域图像与对应该样本信号灯候选区域图像的样本基准信号灯图像之间的位置差,其中,上述样本基准信号灯图像为样本信号灯候选区域图像对应的样本信号灯图像中对应实际信号灯的图像;从样本信号灯候选区域图像中获取至少一条特征信息,并将上述至少一条特征信息的数量与上述样本基准信号灯图像对应的基准特征信息的数量进行比较,得到样本信号灯候选区域图像对应的置信度比值,其中,上述特征信息用于表征信号灯图像,上述执行度比值用于表征样本信号灯候选区域图像包含上述样本基准信号灯图像的概率;根据置信度比值从样本信号灯候选区域图像中筛选出目标样本信号灯候选区域图像,并根据上述目标样本信号灯候选区域图像和目标样本信号灯候选区域图像对应的位置差来调整目标样本信号灯候选区域图像对应的窗口的位置,将位置调整后窗口对应的图像设置为样本信号灯区域图像。
第二方面,本公开的实施例提供了一种用于检测信号灯的装置,该装置包括:信号灯候选区域图像获取单元,被配置成将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像,其中,上述第一信号灯识别模型用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像;信号灯图像获取单元,响应于存在至少一个信号灯候选区域图像,被配置成将上述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像,其中,上述第二信号灯识别模型用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像。
在一些实施例中,上述装置还包括第一信号灯识别模型训练单元,被配置成训练第一信号灯识别模型,上述第一信号灯识别模型训练单元包括:第一样本信息获取子单元,被配置成获取多个样本信号灯图像和对应上述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像,其中,上述样本信号灯图像包含对应实际信号灯的图像;第一信号灯识别模型训练子单元,被配置成将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
在一些实施例中,上述第一信号灯识别模型训练子单元,包括:第一信号灯识别模型训练模块,被配置成将上述多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,得到上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,得到上述初始第一信号灯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,则将上述初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
在一些实施例中,上述第一信号灯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第一信号灯识别模型的参数,并继续返回第一信号灯识别模型训练模块。
在一些实施例中,上述样本信号灯候选区域图像包括至少一个负样本信号灯候选区域图像和至少一个正样本信号灯候选区域图像,以及,上述装置还包括样本信号灯候选区域图像获取单元,被配置成获取样本信号灯候选区域图像,上述样本信号灯候选区域图像获取单元包括:信号灯选择图像集合获取子单元,对于上述多个样本信号灯图像中的样本信号灯图像,被配置成按照多种尺寸的窗口对上述样本信号灯图像进行图像选取,得到信号灯选择图像集合;选择准确度值计算子单元,被配置成计算上述信号灯选择图像集合中信号灯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信号灯选择图像中属于样本信号灯图像中信号灯的像素与样本信号灯图像中信号灯的全部像素之间的交集与并集的比值;正负样本获取子单元,被配置成将选择准确度值大于第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于上述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
在一些实施例中,上述第一信号灯识别模型训练子单元包括:训练模块,被配置成将上述多个样本信号灯图像的每个样本信号灯图像的信号灯选择图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
在一些实施例中,上述装置还包括第二信号灯识别模型训练单元,被配置成训练第二信号灯识别模型,上述第二信号灯识别模型训练单元包括:第二样本信息获取子单元,被配置成获取多个样本信号灯候选区域图像和对应上述多个样本信号灯候选区域图像中每个样本信号灯候选区域图像对应的样本信号灯区域图像;第二信号灯识别模型训练子单元,被配置成将上述多个样本信号灯候选区域图像的每个样本信号灯候选区域图像作为输入,将上述多个样本信号灯候选区域图像中的每个样本信号灯候选区域图像所对应的上述样本信号灯区域图像作为输出,训练得到上述第二信号灯识别模型。
在一些实施例中,上述装置还包括样本信号灯区域图像获取单元,被配置成获取样本信号灯区域图像,上述样本信号灯区域图像获取单元包括:位置差计算子单元,被配置成计算样本信号灯候选区域图像与对应该样本信号灯候选区域图像的样本基准信号灯图像之间的位置差,其中,上述样本基准信号灯图像为样本信号灯候选区域图像对应的样本信号灯图像中对应实际信号灯的图像;置信度比值获取子单元,被配置成从样本信号灯候选区域图像中获取至少一条特征信息,并将上述至少一条特征信息的数量与上述样本基准信号灯图像对应的基准特征信息的数量进行比较,得到样本信号灯候选区域图像对应的置信度比值,其中,上述特征信息用于表征信号灯图像,上述执行度比值用于表征样本信号灯候选区域图像包含上述样本基准信号灯图像的概率;样本信号灯区域图像获取子单元,被配置成根据置信度比值从样本信号灯候选区域图像中筛选出目标样本信号灯候选区域图像,并根据上述目标样本信号灯候选区域图像和目标样本信号灯候选区域图像对应的位置差来调整目标样本信号灯候选区域图像对应的窗口的位置,将位置调整后窗口对应的图像设置为样本信号灯区域图像。
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检测信号灯的方法。
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检测信号灯的方法。
本公开的实施例提供的用于检测信号灯的方法及装置,首先将待处理图像导入预先训练的第一信号灯识别模型,检测待处理图像的信号灯候选区域图像;然后,在存在至少一个信号灯候选区域图像时,将至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到待处理图像中的信号灯图像。本申请技术方案首先检测信号灯候选区域图像,再从信号灯候选区域图像中得到信号灯图像,提高了获取信号灯的准确性。
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检测信号灯的方法的一个实施例的流程图;
图3是根据本公开的用于检测信号灯的方法的一个应用场景的示意图;
图4是根据本公开的第一信号灯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检测信号灯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检测信号灯的方法或用于检测信号灯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(例如信号灯图像)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检测信号灯的方法可以由车辆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,用于检测信号灯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检测信号灯的方法的一个实施例的流程200。该用于检测信号灯的方法包括以下步骤:
步骤201,将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像。
在本实施例中,用于检测信号灯的方法的执行主体(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信号灯(例如可以是各种交通信号灯、信息提示信号灯等)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,在采集待处理图像时,图像采集设备通常会收到光照的影响。并且,信号灯通常设置在交通繁忙的位置,这就导致图像采集设备在获取包含信号灯的待处理图像时,会同时将信号灯的各种背景图像一同采集。因此,导致现有技术对待处理图像进行信号灯检测时的检测准确性不高。
本实施例的执行主体在获取到待处理图像后,可以将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像。其中,上述第一信号灯识别模型可以用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像。
在本实施例的一些可选的实现方式中,上述第一信号灯识别模型通过以下步骤训练得到:
第一步,获取多个样本信号灯图像和对应上述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像。
在训练第一信号灯识别模型时,执行主体可以首先获取样本信号灯图像和样本信号灯图像对应的样本信号灯候选区域图像。其中,上述样本信号灯图像包含对应实际信号灯的图像。样本信号灯候选区域图像为标记样本信号灯图像中实际信号灯得到的图像。
第二步,将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
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)对第一信号灯识别模型进行训练。执行主体可以将样本信号灯图像作为网络输入,将与样本信号灯图像对应的样本信号灯候选区域图像作为网络输出,训练得到上述第一信号灯识别模型。
在本实施例的一些可选的实现方式中,上述样本信号灯候选区域图像包括至少一个负样本信号灯候选区域图像和至少一个正样本信号灯候选区域图像,以及,上述样本信号灯候选区域图像可以通过以下步骤获取:
第一步,对于上述多个样本信号灯图像中的样本信号灯图像,按照多种尺寸的窗口对上述样本信号灯图像进行图像选取,得到信号灯选择图像集合。
实际中,信号灯的大小、结构各有不同。在采集样本信号灯图像时,获取信号灯图像的设备与信号灯之间的距离通常随机。因此,执行主体获取到的样本信号灯图像中信号灯的尺寸通常各不相同。为了获取较为准确的信号灯图像,执行主体可以按照多种尺寸的窗口对样本信号灯图像进行图像选取,得到信号灯选择图像集合。此外,执行主体还可以对样本信号灯图像进行不同比例的缩放,得到多种尺寸的多个缩放后的样本信号灯图像。然后,按照某一固定尺寸的窗口分别从缩放后的样本信号灯图像中获取信号灯选择图像。具体的,执行主体可以通过窗口从样本信号灯图像选取图像。当选取到的图像包含信号灯的图像时,可以将此时得到的包含了信号灯的图像设置为信号灯选择图像。
第二步,计算上述信号灯选择图像集合中信号灯选择图像的选择准确度值。
信号灯选择图像可以包含全部的信号灯图像,也可以包含一部分信号灯图像。为了表征信号灯选择图像内信号灯图像与样本信号灯图像中实际信号灯的图像之间的准确性。执行主体可以计算信号灯选择图像的选择准确度值。其中,上述选择准确度值可以用于表征信号灯选择图像中属于样本信号灯图像中信号灯的像素与样本信号灯图像中信号灯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信号灯选择图像中属于样本信号灯图像中信号灯的像素与信号灯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第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于上述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
为了提高训练第一信号灯识别模型的准确性,执行主体可以将选择准确度值大于第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于上述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
在本实施例的一些可选的实现方式中,上述将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型,包括:将上述多个样本信号灯图像的每个样本信号灯图像的信号灯选择图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
执行主体可以将信号灯选择图像作为输入作为网络的输入,将对应的上述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为网络的输出,训练得到上述第一信号灯识别模型。如此,有利于提高从待处理图像中识别信号灯图像的准确性。
步骤202,响应于存在至少一个信号灯候选区域图像,将上述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像。
执行主体获取的待处理图像内可以包含信号灯图像,也可以不包含信号灯图像。当待处理图像不包含信号灯图像时,第一信号灯识别模型无法输出信号灯候选区域图像。此时,执行主体可以结束对待处理图像的信号灯检测。当第一信号灯识别模型输出信号灯候选区域图像时,说明待处理图像包含信号灯图像。此时,执行主体可以将第一信号灯识别模型输出的信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像。其中,上述第二信号灯识别模型可以用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像。
在本实施例的一些可选的实现方式中,上述第二信号灯识别模型通过以下步骤训练得到:
第一步,获取多个样本信号灯候选区域图像和对应上述多个样本信号灯候选区域图像中每个样本信号灯候选区域图像对应的样本信号灯区域图像。
此步骤与上述的训练第一信号灯识别模型的样本信号灯图像相关。执行主体可以获取样本信号灯候选区域图像和样本信号灯候选区域图像对应的样本信号灯区域图像。
第二步,将上述多个样本信号灯候选区域图像的每个样本信号灯候选区域图像作为输入,将上述多个样本信号灯候选区域图像中的每个样本信号灯候选区域图像所对应的上述样本信号灯区域图像作为输出,训练得到上述第二信号灯识别模型。
此步骤与上述训练第一信号灯识别模型的步骤类似,此处不再一一赘述。
在本实施例的一些可选的实现方式中,上述样本信号灯区域图像通过以下步骤获取:
第一步,计算样本信号灯候选区域图像与对应该样本信号灯候选区域图像的样本基准信号灯图像之间的位置差。
为了获取更加准确的信号灯图像,执行主体可以计算样本信号灯候选区域图像与对应该样本信号灯候选区域图像的样本基准信号灯图像之间的位置差。其中,上述样本基准信号灯图像为样本信号灯候选区域图像对应的样本信号灯图像中对应实际信号灯的图像。位置差可以是样本信号灯候选区域图像在样本信号灯图像上的坐标与样本基准信号灯图像在样本信号灯图像上的坐标之间的坐标差。
第二步,从样本信号灯候选区域图像中获取至少一条特征信息,并将上述至少一条特征信息的数量与上述样本基准信号灯图像对应的基准特征信息的数量进行比较,得到样本信号灯候选区域图像对应的置信度比值。
执行主体可以对样本信号灯候选区域图像进行特征提取,从样本信号灯候选区域图像中提取出特征信息。其中,上述特征信息用于表征信号灯图像。之后,执行主体可以计算提取到的特征信息的数量与样本基准信号灯图像对应的基准特征信息的数量的比值,得到样本信号灯候选区域图像对应的置信度比值。其中,上述执行度比值可以用于表征样本信号灯候选区域图像包含上述样本基准信号灯图像的概率。
第三步,根据置信度比值从样本信号灯候选区域图像中筛选出目标样本信号灯候选区域图像,并根据上述目标样本信号灯候选区域图像和目标样本信号灯候选区域图像对应的位置差来调整目标样本信号灯候选区域图像对应的窗口的位置,将位置调整后窗口对应的图像设置为样本信号灯区域图像。
执行主体可以将置信度比值大于设定置信度阈值的样本信号灯候选区域图像作为目标样本信号灯候选区域图像。并根据目标样本信号灯候选区域图像对应的位置差来调整目标样本信号灯候选区域图像对应的窗口的位置,使得目标样本信号灯候选区域图像尽量与样本基准信号灯图像重合。之后,执行主体可以将位置调整后窗口对应的图像设置为样本信号灯区域图像。如此,大大提高了从待处理图像中识别信号灯图像的准确性。
继续参见图3,图3是根据本实施例的用于检测信号灯的方法的应用场景的一个示意图。在图3的应用场景中,车辆获取到了行驶过程中的一张待处理图像后,将该待处理图像导入第一信号灯识别模型,当第一信号灯识别模型输出信号灯候选区域图像后,将信号灯候选区域图像导入第二信号灯识别模型,得到信号灯图像(如图3中虚线框内所示)
本公开的上述实施例提供的方法首先将待处理图像导入预先训练的第一信号灯识别模型,检测待处理图像的信号灯候选区域图像;然后,在存在至少一个信号灯候选区域图像时,将至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到待处理图像中的信号灯图像。本申请技术方案首先检测信号灯候选区域图像,再从信号灯候选区域图像中得到信号灯图像,提高了获取信号灯的准确性。
进一步参考图4,其示出了第一信号灯识别模型训练方法的一个实施例的流程400。该第一信号灯识别模型训练方法的流程400,包括以下步骤:
步骤401,获取多个样本信号灯图像和对应上述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像。
在本实施例中,第一信号灯识别模型训练方法的执行主体(例如图1所示的服务器105)可以获取多个样本信号灯图像和对应上述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像。
步骤402,将上述多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,得到上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像。
在本实施例中,基于步骤401所获取的多个样本信号灯图像,执行主体可以将多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,从而得到多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像。这里,执行主体可以将每个样本信号灯图像从初始第一信号灯识别模型的输入侧输入,依次经过初始第一信号灯识别模型中的各层的参数的处理,并从初始第一信号灯识别模型的输出侧输出,输出侧输出的信息即为该样本信号灯图像所对应的预测信号灯候选区域图像。其中,初始第一信号灯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,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,得到上述初始第一信号灯识别模型的预测准确率。
基于步骤402所得到的多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像,执行主体可以将多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,从而得到初始第一信号灯识别模型的预测准确率。具体地,若一个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像相同或相近,则初始第一信号灯识别模型预测正确;若一个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像不同或不相近,则初始第一信号灯识别模型预测错误。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第一信号灯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所得到的初始第一信号灯识别模型的预测准确率,执行主体可以将初始第一信号灯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,将上述初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
在本实施例中,在初始第一信号灯识别模型的预测准确率大于预设准确率阈值的情况下,说明该第一信号灯识别模型训练完成,此时,执行主体可以将初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
步骤406,步骤406,调整初始第一信号灯识别模型的参数。
在本实施例中,在初始第一信号灯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第一信号灯识别模型的参数,并返回执行步骤402,直至训练出能够获取包含信号灯图像的信号灯候选区域图像的第一信号灯识别模型为止。
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检测信号灯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,本实施例的用于检测信号灯的装置500可以包括:信号灯候选区域图像获取单元501和信号灯图像获取单元502。其中,信号灯候选区域图像获取单元501被配置成将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像,其中,上述第一信号灯识别模型用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像;信号灯图像获取单元502,响应于存在至少一个信号灯候选区域图像,被配置成将上述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像,其中,上述第二信号灯识别模型用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像。
在本实施例的一些可选的实现方式中,上述用于检测信号灯的装置500还可以包括第一信号灯识别模型训练单元(图中未示出),被配置成训练第一信号灯识别模型,上述第一信号灯识别模型训练单元可以包括:第一样本信息获取子单元(图中未示出)和第一信号灯识别模型训练子单元(图中未示出)。其中,第一样本信息获取子单元被配置成获取多个样本信号灯图像和对应上述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像,其中,上述样本信号灯图像包含对应实际信号灯的图像;第一信号灯识别模型训练子单元被配置成将上述多个样本信号灯图像的每个样本信号灯图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
在本实施例的一些可选的实现方式中,上述第一信号灯识别模型训练子单元可以包括:第一信号灯识别模型训练模块(图中未示出),被配置成将上述多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,得到上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,得到上述初始第一信号灯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,则将上述初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
在本实施例的一些可选的实现方式中,上述第一信号灯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第一信号灯识别模型的参数,并继续返回上述第一信号灯识别模型训练模块。
在本实施例的一些可选的实现方式中,上述样本信号灯候选区域图像包括至少一个负样本信号灯候选区域图像和至少一个正样本信号灯候选区域图像,以及,上述用于检测信号灯的装置500还可以包括样本信号灯候选区域图像获取单元(图中未示出),被配置成获取样本信号灯候选区域图像,上述样本信号灯候选区域图像获取单元可以包括:信号灯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)和正负样本获取子单元(图中未示出)。其中,信号灯选择图像集合获取子单元,对于上述多个样本信号灯图像中的样本信号灯图像,被配置成按照多种尺寸的窗口对上述样本信号灯图像进行图像选取,得到信号灯选择图像集合;选择准确度值计算子单元被配置成计算上述信号灯选择图像集合中信号灯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信号灯选择图像中属于样本信号灯图像中信号灯的像素与样本信号灯图像中信号灯的全部像素之间的交集与并集的比值;正负样本获取子单元被配置成将选择准确度值大于第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于上述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
在本实施例的一些可选的实现方式中,上述第一信号灯识别模型训练子单元可以包括:训练模块(图中未示出),被配置成将上述多个样本信号灯图像的每个样本信号灯图像的信号灯选择图像作为输入,将上述多个样本信号灯图像中的每个样本信号灯图像所对应的上述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为输出,训练得到上述第一信号灯识别模型。
在本实施例的一些可选的实现方式中,上述用于检测信号灯的装置500还可以包括第二信号灯识别模型训练单元(图中未示出),被配置成训练第二信号灯识别模型,上述第二信号灯识别模型训练单元可以包括:第二样本信息获取子单元(图中未示出)和第二信号灯识别模型训练子单元(图中未示出)。其中,第二样本信息获取子单元被配置成获取多个样本信号灯候选区域图像和对应上述多个样本信号灯候选区域图像中每个样本信号灯候选区域图像对应的样本信号灯区域图像;第二信号灯识别模型训练子单元被配置成将上述多个样本信号灯候选区域图像的每个样本信号灯候选区域图像作为输入,将上述多个样本信号灯候选区域图像中的每个样本信号灯候选区域图像所对应的上述样本信号灯区域图像作为输出,训练得到上述第二信号灯识别模型。
在本实施例的一些可选的实现方式中,上述用于检测信号灯的装置500还可以包括样本信号灯区域图像获取单元(图中未示出),被配置成获取样本信号灯区域图像,上述样本信号灯区域图像获取单元可以包括:位置差计算子单元(图中未示出)、置信度比值获取子单元(图中未示出)和样本信号灯区域图像获取子单元(图中未示出)。其中,位置差计算子单元被配置成计算样本信号灯候选区域图像与对应该样本信号灯候选区域图像的样本基准信号灯图像之间的位置差,其中,上述样本基准信号灯图像为样本信号灯候选区域图像对应的样本信号灯图像中对应实际信号灯的图像;置信度比值获取子单元被配置成从样本信号灯候选区域图像中获取至少一条特征信息,并将上述至少一条特征信息的数量与上述样本基准信号灯图像对应的基准特征信息的数量进行比较,得到样本信号灯候选区域图像对应的置信度比值,其中,上述特征信息用于表征信号灯图像,上述执行度比值用于表征样本信号灯候选区域图像包含上述样本基准信号灯图像的概率;样本信号灯区域图像获取子单元被配置成根据置信度比值从样本信号灯候选区域图像中筛选出目标样本信号灯候选区域图像,并根据上述目标样本信号灯候选区域图像和目标样本信号灯候选区域图像对应的位置差来调整目标样本信号灯候选区域图像对应的窗口的位置,将位置调整后窗口对应的图像设置为样本信号灯区域图像。
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检测信号灯的方法。
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检测信号灯的方法。
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:将待处理图像导入预先训练的第一信号灯识别模型,检测上述待处理图像的信号灯候选区域图像,其中,上述第一信号灯识别模型用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像;响应于存在至少一个信号灯候选区域图像,将上述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到上述待处理图像中的信号灯图像,其中,上述第二信号灯识别模型用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像。
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:一种处理器包括信号灯候选区域图像获取单元和信号灯图像获取单元。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,信号灯图像获取单元还可以被描述为“从信号灯候选区域图像中识别出信号灯图像的单元”。
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 (14)
1.一种用于检测信号灯的方法,包括:
将待处理图像导入预先训练的第一信号灯识别模型,检测所述待处理图像的信号灯候选区域图像,其中,所述第一信号灯识别模型用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像,所述第一信号灯识别模型基于样本信号灯图像和对应的样本信号灯候选区域图像训练得到;
响应于存在至少一个信号灯候选区域图像,将所述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到所述待处理图像中的信号灯图像,其中,所述第二信号灯识别模型用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像,所述第二信号灯识别模型基于所述样本信号灯候选区域图像和对应的样本信号灯区域图像训练得到,所述样本信号灯区域图像为目标样本信号灯候选区域图像经根据其与对应的样本信号灯图像中对应实际信号灯的基准图像之间的位置差进行窗口位置调整后得到的图像,所述目标样本信号灯候选区域图像为置信度比值大于预设阈值的样本信号灯候选区域图像,所述置信度比值为分别所述样本信号灯候选区域图像和对应的基准图像提取出的表征信号灯的特征信息的数量比值。
2.根据权利要求1所述的方法,其中,所述第一信号灯识别模型通过以下步骤训练得到:
获取多个样本信号灯图像和对应所述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像,其中,所述样本信号灯图像包含对应实际信号灯的图像;
将所述多个样本信号灯图像的每个样本信号灯图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型。
3.根据权利要求2所述的方法,其中,所述将所述多个样本信号灯图像的每个样本信号灯图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型,包括:
执行以下训练步骤:将所述多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,得到所述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,得到所述初始第一信号灯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,则将所述初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
4.根据权利要求3所述的方法,其中,所述将所述多个样本信号灯图像的每个样本信号灯图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型,包括:
响应于不大于所述预设准确率阈值,调整所述初始第一信号灯识别模型的参数,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,所述样本信号灯候选区域图像包括至少一个负样本信号灯候选区域图像和至少一个正样本信号灯候选区域图像,以及
所述样本信号灯候选区域图像通过以下步骤得到:
对于所述多个样本信号灯图像中的样本信号灯图像,按照多种尺寸的窗口对所述样本信号灯图像进行图像选取,得到信号灯选择图像集合;
计算所述信号灯选择图像集合中信号灯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信号灯选择图像中属于样本信号灯图像中信号灯的像素与样本信号灯图像中信号灯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第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于所述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
6.根据权利要求5所述的方法,其中,所述将所述多个样本信号灯图像的每个样本信号灯图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型,包括:
将所述多个样本信号灯图像的每个样本信号灯图像的信号灯选择图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型。
7.一种用于检测信号灯的装置,包括:
信号灯候选区域图像获取单元,被配置成将待处理图像导入预先训练的第一信号灯识别模型,检测所述待处理图像的信号灯候选区域图像,其中,所述第一信号灯识别模型用于通过多种尺寸的窗口获取包含信号灯图像的信号灯候选区域图像,所述第一信号灯识别模型基于样本信号灯图像和对应的样本信号灯候选区域图像训练得到;
信号灯图像获取单元,响应于存在至少一个信号灯候选区域图像,被配置成将所述至少一个信号灯候选区域图像导入预先训练的第二信号灯识别模型,得到所述待处理图像中的信号灯图像,其中,所述第二信号灯识别模型用于通过信号灯特征信息从信号灯候选区域图像中识别出信号灯图像,所述第二信号灯识别模型基于所述样本信号灯候选区域图像和对应的样本信号灯区域图像训练得到,所述样本信号灯区域图像为目标样本信号灯候选区域图像经根据其与对应的样本信号灯图像中对应实际信号灯的基准图像之间的位置差进行窗口位置调整后得到的图像,所述目标样本信号灯候选区域图像为置信度比值大于预设阈值的样本信号灯候选区域图像,所述置信度比值为分别所述样本信号灯候选区域图像和对应的基准图像提取出的表征信号灯的特征信息的数量比值。
8.根据权利要求7所述的装置,其中,所述装置还包括第一信号灯识别模型训练单元,被配置成训练第一信号灯识别模型,所述第一信号灯识别模型训练单元包括:
第一样本信息获取子单元,被配置成获取多个样本信号灯图像和对应所述多个样本信号灯图像中每个样本信号灯图像对应的样本信号灯候选区域图像,其中,所述样本信号灯图像包含对应实际信号灯的图像;
第一信号灯识别模型训练子单元,被配置成将所述多个样本信号灯图像的每个样本信号灯图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型。
9.根据权利要求8所述的装置,其中,所述第一信号灯识别模型训练子单元,包括:
第一信号灯识别模型训练模块,被配置成将所述多个样本信号灯图像中的每个样本信号灯图像依次输入至初始第一信号灯识别模型,得到所述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的预测信号灯候选区域图像与该样本信号灯图像所对应的样本信号灯候选区域图像进行比较,得到所述初始第一信号灯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,则将所述初始第一信号灯识别模型作为训练完成的第一信号灯识别模型。
10.根据权利要求9所述的装置,其中,所述第一信号灯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第一信号灯识别模型的参数,并返回所述第一信号灯识别模型训练模块。
11.根据权利要求8所述的装置,其中,所述样本信号灯候选区域图像包括至少一个负样本信号灯候选区域图像和至少一个正样本信号灯候选区域图像,以及
所述装置还包括样本信号灯候选区域图像获取单元,被配置成获取样本信号灯候选区域图像,所述样本信号灯候选区域图像获取单元包括:
信号灯选择图像集合获取子单元,对于所述多个样本信号灯图像中的样本信号灯图像,被配置成按照多种尺寸的窗口对所述样本信号灯图像进行图像选取,得到信号灯选择图像集合;
选择准确度值计算子单元,被配置成计算所述信号灯选择图像集合中信号灯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信号灯选择图像中属于样本信号灯图像中信号灯的像素与样本信号灯图像中信号灯的全部像素之间的交集与并集的比值;
正负样本获取子单元,被配置成将选择准确度值大于第一阈值且小于第二阈值的信号灯选择图像设置为负样本信号灯候选区域图像,将选择准确度值大于等于所述第二阈值的信号灯选择图像设置为正样本信号灯候选区域图像。
12.根据权利要求11所述的装置,其中,所述第一信号灯识别模型训练子单元包括:
训练模块,被配置成将所述多个样本信号灯图像的每个样本信号灯图像的信号灯选择图像作为输入,将所述多个样本信号灯图像中的每个样本信号灯图像所对应的所述负样本信号灯候选区域图像和正样本信号灯候选区域图像作为输出,训练得到所述第一信号灯识别模型。
13.一种电子设备,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6中任一所述的方法。
14.一种计算机可读介质,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6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419433.3A CN110119725B (zh) | 2019-05-20 | 2019-05-20 | 用于检测信号灯的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419433.3A CN110119725B (zh) | 2019-05-20 | 2019-05-20 | 用于检测信号灯的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119725A CN110119725A (zh) | 2019-08-13 |
CN110119725B true CN110119725B (zh) | 2021-05-25 |
Family
ID=67522830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419433.3A Active CN110119725B (zh) | 2019-05-20 | 2019-05-20 | 用于检测信号灯的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119725B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598563A (zh) * | 2019-08-15 | 2019-12-20 | 北京致行慕远科技有限公司 | 可移动设备行进的处理方法、装置及存储介质 |
CN110619307B (zh) * | 2019-09-18 | 2020-09-18 | 广州文远知行科技有限公司 | 交通灯状态确定方法、装置、设备和存储介质 |
CN113327449B (zh) * | 2021-05-27 | 2024-01-02 | 阿波罗智联(北京)科技有限公司 | 灯态数据的检测方法和装置 |
CN113408409A (zh) * | 2021-06-17 | 2021-09-17 | 阿波罗智联(北京)科技有限公司 | 交通信号灯识别方法、设备、云控平台和车路协同系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN107704853A (zh) * | 2017-11-24 | 2018-02-16 | 重庆邮电大学 | 一种基于多分类器的交通信号灯的识别方法 |
CN108985446A (zh) * | 2018-07-24 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN109711379A (zh) * | 2019-01-02 | 2019-05-03 | 电子科技大学 | 一种复杂环境交通信号灯候选区域提取及识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616021B (zh) * | 2014-12-24 | 2020-05-05 | 清华大学 | 交通标志图像处理方法及装置 |
JP2017004295A (ja) * | 2015-06-11 | 2017-01-05 | 株式会社ミツバ | 信号機認識装置及び信号機認識方法 |
CN105528607B (zh) * | 2015-10-30 | 2019-02-15 | 小米科技有限责任公司 | 区域提取方法、模型训练方法及装置 |
US20170270378A1 (en) * | 2016-03-16 | 2017-09-21 | Haike Guan | Recognition device, recognition method of object, and computer-readable recording medium |
CN106127108B (zh) * | 2016-06-14 | 2019-07-16 | 中国科学院软件研究所 | 一种基于卷积神经网络的人手图像区域检测方法 |
CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN108363957A (zh) * | 2018-01-19 | 2018-08-03 | 成都考拉悠然科技有限公司 | 基于级联网络的交通标志检测与识别方法 |
CN108491808B (zh) * | 2018-03-28 | 2021-11-23 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
-
2019
- 2019-05-20 CN CN201910419433.3A patent/CN110119725B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN107704853A (zh) * | 2017-11-24 | 2018-02-16 | 重庆邮电大学 | 一种基于多分类器的交通信号灯的识别方法 |
CN108985446A (zh) * | 2018-07-24 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN109711379A (zh) * | 2019-01-02 | 2019-05-03 | 电子科技大学 | 一种复杂环境交通信号灯候选区域提取及识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110119725A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119725B (zh) | 用于检测信号灯的方法及装置 | |
US10229332B2 (en) | Method and apparatus for recognizing obstacle of vehicle | |
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
CN110163153B (zh) | 用于识别交通标志牌边界的方法及装置 | |
US10229330B2 (en) | Method and apparatus for detecting vehicle contour based on point cloud data | |
CN109753928B (zh) | 违章建筑物识别方法和装置 | |
EP3605394A1 (en) | Method and apparatus for recognizing body movement | |
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
US20180108146A1 (en) | Method and apparatus for annotating point cloud data | |
WO2019047656A1 (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN108230421A (zh) | 一种道路图生成方法、装置、电子设备和计算机存储介质 | |
CN110135302B (zh) | 训练车道线识别模型的方法、装置、设备和存储介质 | |
US11328518B2 (en) | Method and apparatus for outputting information | |
CN110097600B (zh) | 用于识别交通标志牌的方法及装置 | |
CN115690765B (zh) | 车牌识别方法、装置、电子设备、可读介质和程序产品 | |
CN108334085A (zh) | 智能协作方法、装置、系统、智能终端及存储介质 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN109903308B (zh) | 用于获取信息的方法及装置 | |
CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN114264310B (zh) | 定位及导航方法、装置、电子设备、计算机存储介质 | |
CN110135517B (zh) | 用于获取车辆相似度的方法及装置 | |
CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 |
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 |