CN110135301B - 交通牌识别方法、装置、设备和计算机可读介质 - Google Patents

交通牌识别方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN110135301B
CN110135301B CN201910362985.5A CN201910362985A CN110135301B CN 110135301 B CN110135301 B CN 110135301B CN 201910362985 A CN201910362985 A CN 201910362985A CN 110135301 B CN110135301 B CN 110135301B
Authority
CN
China
Prior art keywords
image
sample image
original
traffic sign
original 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
Application number
CN201910362985.5A
Other languages
English (en)
Other versions
CN110135301A (zh
Inventor
刘焱
王洋
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
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201910362985.5A priority Critical patent/CN110135301B/zh
Publication of CN110135301A publication Critical patent/CN110135301A/zh
Priority to US16/811,121 priority patent/US20200349369A1/en
Application granted granted Critical
Publication of CN110135301B publication Critical patent/CN110135301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G06V20/582—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
    • 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)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例涉及交通牌识别方法、装置、设备和计算机可读介质。在一种方法中，获取具有交通牌的原始图像；通过机器学习模型，基于原始图像生成目标图像，机器学习模型是基于多对样本图像来训练的，其中每一对样本图像包括具有交通牌的原始样本图像和对原始样本图像进行修改之后的修改样本图像；以及至少基于目标图像来训练交通牌识别模型。

Description

交通牌识别方法、装置、设备和计算机可读介质
技术领域
本公开的实施例一般地涉及自动驾驶或辅助驾驶，并且更具体地涉及交通牌识别方法、装置、设备和计算机可读介质。
背景技术
交通牌识别是自动驾驶、辅助驾驶或无人车的核心功能之一，直接关系到乘客和行人安全。然而，目前的交通牌识别通常使用神经网络来完成。然而，数据集依赖开源数据集和人工采集，数据量极其有限。由于交通牌数据严重匮乏，训练样本少容易导致神经网络发生过拟合，这严重影响了交通牌识别的效果。
因此，需要提供一种至少部分解决上述技术问题的用于训练识别交通牌的模型的方案。
发明内容
根据本公开的实施例，提供了一种与交通牌识别模型相关的方案。
在本公开的第一方面，提供了一种用于训练交通牌识别模型的方法。该方法包括：获取具有交通牌的原始图像；通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及至少基于所述目标图像来训练所述交通牌识别模型。
在本公开的第二方面，提供了一种用于识别交通牌的方法。该方法包括：获取待识别图像；以及通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据第一方面所述的方法而训练的。
在本公开的第三方面，提供了一种用于训练交通牌识别模型的装置。该装置包括：获取模块，被配置为获取具有交通牌的原始图像；生成模块，被配置为通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及训练模块，被配置为至少基于所述目标图像来训练所述交通牌识别模型。
在本公开的第四方面，提供了一种用于识别交通牌的装置。该装置包括：待识别图像获取模块，被配置为获取待识别图像；以及识别模块，被配置为通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据第一方面所述的方法而训练的。
在本公开的第五方面，提供了一种电子设备。该电子设备包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现根据第一方面所述的方法。
在本公开的第六方面，提供了一种电子设备。该电子设备包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现根据第二方面所述的方法。
在本公开的第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据第一方面所述的方法。
在本公开的第八方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据第二方面所述的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了能够在其中实现本公开的实施例的示例性环境的示意图；
图2A示出了根据本公开的一些实施例的用于训练交通牌识别模型的方法的流程图；
图2B示出了根据本公开的一些实施例的用于识别交通牌的方法的流程图；
图3示出了根据本公开的一些实施例的对抗生成网络的训练的示意图；
图4示出了根据本公开的一些实施例的对抗生成网络的训练的示意图；
图5A示出了根据本公开的一些实施例的用于训练交通牌识别模型的装置的方框图；
图5B示出了根据本公开的一些实施例的用于识别交通牌的装置的方框图；以及
图6示出了能够实施本公开的一些实施例的电子设备的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
如上所述，目前由于数据集较少，导致交通牌识别模型容易出现过拟合的问题。另外，尽管国家对交通的样式规格有统一规定，但是各地执行情况不一，交通牌的样式多样，现有数据集难以穷尽。此外，实际环境与理想的交通牌也会出现各种各样的偏差，从而对识别效果造成严重的影响。
针对上述问题以及其他可能的潜在问题，本公开的实施例提供了一种用于训练交通牌识别模型的方案。在该方案中，通过机器学习模型，基于原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的。所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像。目标图像可以用于训练交通牌识别模型。以这种方式，可以获得充分的训练数据来训练交通牌识别模型，从而避免过拟合的现象。在这里，“交通牌”也称交通标志牌，其可以是道路两侧或者道路上等各个位置处的指示交通规则的标志牌等，例如左转、右转、直行、限速等。
以下结合图1-图4来具体描述本公开的实施例。图1示出了能够在其中实现本公开的实施例的示意性环境100的示意图。如图1所示，原始样本图像102可以是交通牌的真实拍摄图像，也可以是交通牌的设计图像。可以对原始样本图像102进行修改，以生成修改样本图像104。例如，可以修改原始样本图像102的光照、拍摄角度、拍摄距离、清晰度以及遮挡等一个或者多个方面，以生成修改样本图像104。在一些实施例中，可以通过计算机程序来自动修改原始样本图像102，例如，可以借助于OpenCV来进行修改。备选地，也可以手动修改原始样本图像102，以增加灵活性。
原始样本图像102和修改样本图像104可以提供给机器学习模型106，以对其进行训练。训练后的机器学习模型106可以知晓从原始样本图像102到修改样本图像104之间的映射关系。以这种方式，将交通牌的原始图像110提供给机器学习模型106。机器学习模型106获取与原始图像110对应的修改图像，也称为目标图像。目标图像提供给识别模型108，对识别模型108进行训练。识别模型108可以是多分类模型，其对接收的图像进行识别，以确定交通牌的类型。原始图像110也可以与目标图像一起提供给识别模型108，对识别模型108进行训练。
图2A示出了根据本公开的一些实施例的用于训练交通牌识别模型的方法200的流程图。以下将结合图1的示例性环境100来描述方法200，然而，应当理解，方法200也可以应用于如图1所示的示例性环境100之外的任何其他合适的环境。
在框202，获取具有交通牌的原始图像110。原始图像可以是通过各种方法来获得的，例如，在车辆行驶过程中拍摄的道路周围的包含交通牌的图像，例如，视频的一帧。
在框204，通过机器学习模型106，基于原始图像110来生成目标图像。机器学习模型106是基于多对样本图像来训练的，每一对样本图像包括具有交通牌的原始样本图像102和对原始样本图像102进行修改之后的修改样本图像104。通过对机器学习模型106的训练，机器学习模型106可以表示从原始样本图像102到修改样本图像104之间的映射关系。通过将这一映射关系应用于原始图像110可以获得目标图像。可以在一个或多个方面对原始样本图像102进行修改以获得修改样本图像104。下面将根据若干实施例对其进行详细描述。
在一个实施例中，修改样本图像104是对原始样本图像102的拍摄角度进行修改而获得的。例如，可以将原始样本图像102的拍摄角度移动一定角度，以反映在各种不同角度下拍摄其中的交通牌所获得的图像。
在一个实施例中，修改样本图像104是对原始样本图像102的光照进行修改而获得的。例如，原始样本图像102可以是在光照较好的条件下拍摄的，从而可以将原始样本图像102的光照条件修改为较差的光照条件，以获得修改样本图像104。
在一个实施例中，修改样本图像104是对原始样本图像102的拍摄距离进行修改而获得的。例如，原始样本图像102的拍摄距离可能较近，然而，期望在较远的情况下进行识别，从而自动驾驶车辆能够给出更好的判断，特别是车辆行驶速度较大的情况下。
在一个实施例中，修改样本图像104是对原始样本图像102的清晰度进行修改而获得的。例如，原始样本图像102可能是清晰度较高的图像，可以将原始样本图像102的清晰度进行降低，从而获得修改样本图像104。
在一个实施例中，修改样本图像104是对原始样本图像102随机施加遮挡而获得的。例如，可以通过将原始样本图像102中的一些像素调整为黑色来模拟遮挡效应。交通牌可能出现各种遮挡情况，例如，小广告、雨水侵蚀等。修改样本图像104可以模拟这些遮挡情况，以增加样本的多样性。
以上介绍了在一个或多个方面的修改原始样本图像102的若干实施例。应当理解，这些实施例并非互斥的，而是可以彼此进行结合，以产生进一步的新的实施例。
在一些实施例中，机器学习模型106可以是对抗生成网络，例如，深度卷积对抗生成网络。对抗生成网络包括生成器和判别器，生成器可以基于深度反卷积网络，而判别器可以基于深度卷积网络。在对抗生成网络的实施例中，可以通过生成器304从原始图像110来生成目标图像。
在对抗生成网络中，将生成器生成的样本称为假样本，将真实样本称为真样本。判别器负责判断输入的样本是真样本还是假样本。生成器的训练目标是生成的样本越来越逼真，直到可以以假乱真欺骗判别器。判别器的训练目标是可以尽量正确区分真假。对抗生成网络训练后的结果是，生成器能够生成大量极其接近修改样本图像的样本，甚至可以欺骗过判别器。
以下将结合图3-图4来介绍对抗生成网络的实施例，其中图3示出了真样本的情况，图4示出了假样本的情况。
如图3所示，判别器302接收原始样本图像102和修改样本图像104，并确定两者之间是否对应。在这种真样本的情况下，判别器302的训练目标是判断两者存在对应关系。
如图4所示，生成器304基于原始样本图像102来生成假修改图像306。判别器302接收假修改样本图像306和原始样本图像102，并确定两者之间是否对应。在这种假样本的情况下，判别器302的训练目标是判断两者不存在对应关系，而生成器304的训练目标是生成尽可能使判别器302错误判断两者存在对应关系。
在框206，至少基于目标图像来训练交通牌识别模型108。例如，可以将目标图像加入到交通牌识别模型108的训练集中，将其与其他图像一起来训练交通牌识别模型108。交通牌识别模型108可以是神经网络模型，例如，深度神经网络模型。可以使用目前已知的或者将来开发的任何合适的方法来训练交通牌识别模型108，例如，随机梯度下降法(SGD)等。
图2B示出了根据本公开的一些实施例的用于识别交通牌的方法250的流程图。以下将结合图1的示例性环境100来描述方法250，然而，应当理解，方法250也可以应用于如图1所示的示例性环境100之外的任何其他合适的环境。
在框252，获取待识别图像。待识别图像可以是自动驾驶车辆实时采集的图像或者视频帧。待识别图像可以在车辆本地被处理，或者也可以传送到云端，以在云端进行处理。
在框254，通过交通牌识别模型108来识别待识别图像。交通牌识别模型108可以是根据如图2A所示的方法200来训练的。以这种方式，可以确定待识别图像中的交通牌的类型。
本公开的实施例能够有效克服交通牌数据严重匮乏，训练样本少导致网络过拟合的缺点，有效地增强了数据样本，而且使得交通牌识别网络的泛化能力和鲁棒性更强，克服不同角度、不同光照、不同距离、不同清晰度以及雨水侵蚀、小广告等遮盖对识别的影响，提高了交通牌识别率，具有较高的实用价值。
图5A示出了根据本公开的一些实施例的用于训练交通牌识别模型的装置500的方框图。装置500可以用来实现如图2A所示的方法200。
装置500包括获取模块502，被配置为获取具有交通牌的原始图像。
装置500包括生成模块504，被配置为通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像。
在一些实施例中，执行以下至少一项，以获得与所述原始样本图像成对的修改样本图像：修改所述原始样本图像的拍摄角度；修改所述原始样本图像的光照；修改所述原始样本图像的拍摄距离；修改所述原始样本图像的清晰度；以及对所述原始样本图像随机施加遮挡。
在一些实施例中，所述机器学习模型包括对抗生成网络。
在一些实施例中，所述对抗生成网络包括生成器和判别器，并且所述对抗生成网络是如下训练的：通过所述生成器基于所述原始样本图像来生成假修改图像；以及通过将所述多对样本图像作为真样本并将成对的所述原始样本图像和所述假修改图像作为假样本来训练所述对抗生成网络。
在一些实施例中，生成模块204包括：生成器模块，被配置为通过所述生成器从所述原始图像来生成所述目标图像。
装置500包括训练模块506，被配置为至少基于所述目标图像来训练所述交通牌识别模型。
图5B示出了根据本公开的一些实施例的用于识别交通牌的装置550的方框图。装置550可以用来实现如图2B所示的方法250。
如图5B所示，装置550包括待识别图像获取模块552，被配置为获取待识别图像。
装置550还包括识别模块554，被配置为通过交通牌识别模型来识别所述待识别图像，交通牌识别模型是通过如图2A所示的方法200而训练的。
图6示出了一个可以用来实施本公开的实施例的设备600的示意性框图。如图1所示的示例性环境100以及如图5所示的装置500可以由设备600来实现。如图6所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 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。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200，可由处理单元601执行。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
本公开可以是方法、设备、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实施例。

Claims (14)

1.一种用于训练交通牌识别模型的方法，包括：
获取具有交通牌的原始图像；
通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及
至少基于所述目标图像来训练所述交通牌识别模型，
其中所述机器学习模型包括对抗生成网络，所述对抗生成网络包括生成器和判别器，并且所述对抗生成网络是如下训练的：
通过所述生成器基于所述原始样本图像来生成假修改图像；以及
通过将所述多对样本图像作为真样本并将成对的所述原始样本图像和所述假修改图像作为假样本来训练所述对抗生成网络。
2.根据权利要求1所述的方法，其中执行以下至少一项，以获得与所述原始样本图像成对的修改样本图像：
修改所述原始样本图像的拍摄角度；
修改所述原始样本图像的光照；
修改所述原始样本图像的拍摄距离；
修改所述原始样本图像的清晰度；以及
对所述原始样本图像随机施加遮挡。
3.根据权利要求1所述的方法，其中生成所述目标图像包括：
通过所述生成器从所述原始图像来生成所述目标图像。
4.根据权利要求1-3中任一项所述的方法，其中所述机器学习模型表示从所述原始样本图像到所述修改样本图像之间的映射关系，
其中生成所述目标图像包括：通过将所述映射关系应用于所述原始图像来获得所述目标图像。
5.一种用于识别交通牌的方法，包括：
获取待识别图像；以及
通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据权利要求1-4中任一项所述的方法而训练的。
6.一种用于训练交通牌识别模型的装置，包括：
获取模块，被配置为获取具有交通牌的原始图像；
生成模块，被配置为通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及
训练模块，被配置为至少基于所述目标图像来训练所述交通牌识别模型，
其中所述机器学习模型包括对抗生成网络，所述对抗生成网络包括生成器和判别器，并且所述对抗生成网络是如下训练的：
通过所述生成器基于所述原始样本图像来生成假修改图像；以及
通过将所述多对样本图像作为真样本并将成对的所述原始样本图像和所述假修改图像作为假样本来训练所述对抗生成网络。
7.根据权利要求6所述的装置，其中执行以下至少一项，以获得与所述原始样本图像成对的修改样本图像：
修改所述原始样本图像的拍摄角度；
修改所述原始样本图像的光照；
修改所述原始样本图像的拍摄距离；
修改所述原始样本图像的清晰度；以及
对所述原始样本图像随机施加遮挡。
8.根据权利要求6所述的装置，其中所述生成模块包括：
生成器模块，被配置为通过所述生成器从所述原始图像来生成所述目标图像。
9.根据权利要求6-8中任一项所述的装置，其中所述机器学习模型表示从所述原始样本图像到所述修改样本图像之间的映射关系，
其中所述生成模块包括生成子模块，被配置为通过将所述映射关系应用于所述原始图像来获得所述目标图像。
10.一种用于识别交通牌的装置，包括：
待识别图像获取模块，被配置为获取待识别图像；以及
识别模块，被配置为通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据权利要求1-4中任一项所述的方法而训练的。
11.一种电子设备，所述电子设备包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现根据权利要求1-4中任一项所述的方法。
12.一种电子设备，所述电子设备包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现根据权利要求5所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1-4中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求5所述的方法。
CN201910362985.5A 2019-04-30 2019-04-30 交通牌识别方法、装置、设备和计算机可读介质 Active CN110135301B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910362985.5A CN110135301B (zh) 2019-04-30 2019-04-30 交通牌识别方法、装置、设备和计算机可读介质
US16/811,121 US20200349369A1 (en) 2019-04-30 2020-03-06 Method and apparatus for training traffic sign idenfication model, and method and apparatus for identifying traffic sign

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910362985.5A CN110135301B (zh) 2019-04-30 2019-04-30 交通牌识别方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN110135301A CN110135301A (zh) 2019-08-16
CN110135301B true CN110135301B (zh) 2022-02-22

Family

ID=67575964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910362985.5A Active CN110135301B (zh) 2019-04-30 2019-04-30 交通牌识别方法、装置、设备和计算机可读介质

Country Status (2)

Country Link
US (1) US20200349369A1 (zh)
CN (1) CN110135301B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222242B2 (en) * 2019-08-23 2022-01-11 International Business Machines Corporation Contrastive explanations for images with monotonic attribute functions
US11605232B2 (en) 2020-08-27 2023-03-14 Robert Bosch Gmbh System and method for road sign ground truth construction with a knowledge graph and machine learning
CN113177497B (zh) * 2021-05-10 2024-04-12 百度在线网络技术（北京）有限公司 视觉模型的训练方法、车辆识别方法及装置
CN114820870A (zh) * 2022-05-12 2022-07-29 岭澳核电有限公司 核电流程图辅助绘制方法、装置、计算机设备和存储介质
CN116188919B (zh) * 2023-04-25 2023-07-14 之江实验室 一种测试方法、装置、可读存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154023A (zh) * 2017-05-17 2017-09-12 电子科技大学 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
CN108491858A (zh) * 2018-02-11 2018-09-04 南京邮电大学 基于卷积神经网络的疲劳驾驶检测方法及系统
CN108846355A (zh) * 2018-06-11 2018-11-20 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN108875766A (zh) * 2017-11-29 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、系统及计算机存储介质
CN108875511A (zh) * 2017-12-01 2018-11-23 北京迈格威科技有限公司 图像生成的方法、装置、系统及计算机存储介质
CN108921089A (zh) * 2018-06-29 2018-11-30 驭势科技（北京）有限公司 车道线检测方法、装置和系统及存储介质
CN108932534A (zh) * 2018-07-15 2018-12-04 瞿文政 一种基于深度卷积生成对抗网络的图片生成方法
CN109241830A (zh) * 2018-07-26 2019-01-18 合肥工业大学 基于光照生成对抗网络的课堂听课异常检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10332266B2 (en) * 2014-11-18 2019-06-25 Agency For Science, Technology And Research Method and device for traffic sign recognition
US11856260B2 (en) * 2016-03-30 2023-12-26 Covenant Eyes, Inc. Applications, systems and methods to monitor, filter and/or alter output of a computing device
CN106952239A (zh) * 2017-03-28 2017-07-14 厦门幻世网络科技有限公司 图像生成方法和装置
US20190125015A1 (en) * 2017-10-31 2019-05-02 Levi Strauss & Co. Using Neural Networks in Creating Apparel Designs

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154023A (zh) * 2017-05-17 2017-09-12 电子科技大学 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
CN108875766A (zh) * 2017-11-29 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、系统及计算机存储介质
CN108875511A (zh) * 2017-12-01 2018-11-23 北京迈格威科技有限公司 图像生成的方法、装置、系统及计算机存储介质
CN108491858A (zh) * 2018-02-11 2018-09-04 南京邮电大学 基于卷积神经网络的疲劳驾驶检测方法及系统
CN108846355A (zh) * 2018-06-11 2018-11-20 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN108921089A (zh) * 2018-06-29 2018-11-30 驭势科技（北京）有限公司 车道线检测方法、装置和系统及存储介质
CN108932534A (zh) * 2018-07-15 2018-12-04 瞿文政 一种基于深度卷积生成对抗网络的图片生成方法
CN109241830A (zh) * 2018-07-26 2019-01-18 合肥工业大学 基于光照生成对抗网络的课堂听课异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于显著性与卷积神经网络的交通标志检测与识别研究;王娇娇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315;第2018年卷(第3期);第四章 *

Also Published As

Publication number Publication date
US20200349369A1 (en) 2020-11-05
CN110135301A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110135301B (zh) 交通牌识别方法、装置、设备和计算机可读介质
CN109886210B (zh) 一种交通图像识别方法、装置、计算机设备和介质
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN110120024B (zh) 图像处理的方法、装置、设备和存储介质
EP3627180A1 (en) Sensor calibration method and device, computer device, medium, and vehicle
US9213910B2 (en) Reinforcement learning approach to character level segmentation of license plate images
CN109961444B (zh) 图像处理方法、装置及电子设备
CN112560684B (zh) 车道线检测方法、装置、电子设备、存储介质以及车辆
CN113537374B (zh) 一种对抗样本生成方法
CN113326786B (zh) 数据处理方法、装置、设备、车辆和存储介质
CN111178357B (zh) 车牌识别方法、系统、设备和存储介质
EP4307219A1 (en) Three-dimensional target detection method and apparatus
CN112101272A (zh) 交通灯检测的方法、装置、计算机存储介质和路侧设备
US12092470B2 (en) Vehicle localization method and device, electronic device and storage medium
CN107527074B (zh) 用于车辆的图像处理方法和装置
CN115690765B (zh) 车牌识别方法、装置、电子设备、可读介质和程序产品
CN111191607A (zh) 确定车辆的转向信息的方法、设备和存储介质
CN113971795A (zh) 基于自驾车视觉感测的违规巡检系统及其方法
CN115891868A (zh) 自动驾驶车辆的故障检测方法、装置、电子设备和介质
CN110298302A (zh) 一种人体目标检测方法及相关设备
CN112700653A (zh) 一种车辆违法变道的判定方法、装置、设备及存储介质
CN115272896A (zh) 识别模型的自动迭代训练方法、系统、设备和存储介质
CN111507931B (zh) 一种数据处理方法和装置
CN112766370A (zh) 训练图像增强模型的方法、装置、设备及存储介质
CN112434591A (zh) 车道线确定方法、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