CN110163153A - 用于识别交通标志牌边界的方法及装置 - Google Patents

用于识别交通标志牌边界的方法及装置 Download PDF

Info

Publication number
CN110163153A
CN110163153A CN201910435230.3A CN201910435230A CN110163153A CN 110163153 A CN110163153 A CN 110163153A CN 201910435230 A CN201910435230 A CN 201910435230A CN 110163153 A CN110163153 A CN 110163153A
Authority
CN
China
Prior art keywords
boundary point
traffic mark
mark board
image
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.)
Granted
Application number
CN201910435230.3A
Other languages
English (en)
Other versions
CN110163153B (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.)
Apollo Intelligent Technology Beijing 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 CN201910435230.3A priority Critical patent/CN110163153B/zh
Publication of CN110163153A publication Critical patent/CN110163153A/zh
Priority to EP19214818.7A priority patent/EP3742331A1/en
Priority to US16/713,297 priority patent/US11003926B2/en
Application granted granted Critical
Publication of CN110163153B publication Critical patent/CN110163153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Abstract

本公开的实施例公开了用于识别交通标志牌边界的方法及装置。该方法的一具体实施方式包括：获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；基于上述至少一个初始边界点，将上述待处理图像划分为至少一个图像分割区域，其中，上述图像分割区域包含至少一个初始边界点；对于上述至少一个图像分割区域中的图像分割区域，将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点；根据所有上述对应图像分割区域的更新边界点，确定上述交通标志牌的边界点。该实施方式提高了识别交通标志牌边界的准确性。

Description

用于识别交通标志牌边界的方法及装置
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边界的方法及装置。
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。但现有技术对交通标志牌的识别不够准确。
发明内容
本公开的实施例提出了用于识别交通标志牌边界的方法及装置。
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边界的方法，该方法包括：获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；基于上述至少一个初始边界点，将上述待处理图像划分为至少一个图像分割区域，其中，上述图像分割区域包含至少一个初始边界点；对于上述至少一个图像分割区域中的图像分割区域，将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点，其中，上述交通标志牌边界点识别模型用于基于初始边界点得到交通标志牌的更新边界点；根据所有上述对应图像分割区域的更新边界点，确定上述交通标志牌的边界点。
在一些实施例中，上述交通标志牌边界点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更新边界点，其中，样本图像包含交通标志牌图像分割区域和对应交通标志牌图像分割区域的样本初始边界点；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更新边界点作为输出，训练得到上述交通标志牌边界点识别模型。
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更新边界点作为输出，训练得到上述交通标志牌边界点识别模型，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的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，得到上述多个样本图像中的每个样本图像所对应的预测更新边界点，将上述多个样本图像中的每个样本图像所对应的预测更新边界点与该样本图像所对应的样本更新边界点进行比较，得到上述初始交通标志牌边界点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边界点识别模型作为训练完成的交通标志牌边界点识别模型。
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更新边界点作为输出，训练得到上述交通标志牌边界点识别模型，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边界点识别模型的参数，并继续执行上述训练步骤。
在一些实施例中，上述调整上述初始交通标志牌边界点识别模型的参数，包括：根据预测更新边界点和样本更新边界点计算初始交通标志牌边界点识别模型的损失函数值；通过上述损失函数值调整上述初始交通标志牌边界点识别模型的参数。
在一些实施例中，上述样本更新边界点通过以下步骤获取：从样本图像中选择设定数量的初始随机点；从上述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点；计算上述至少一个更新随机点中更新随机点与样本初始边界点之间的距离，并将距离最小的更新随机点设置为样本更新边界点。
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边界的装置，该装置包括：初始边界点获取单元，被配置成获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；图像分割区域划分单元，基于上述至少一个初始边界点，被配置成将上述待处理图像划分为至少一个图像分割区域，其中，上述图像分割区域包含至少一个初始边界点；交通标志牌识别单元，对于上述至少一个图像分割区域中的图像分割区域，被配置成将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点，其中，上述交通标志牌边界点识别模型用于基于初始边界点得到交通标志牌的更新边界点；边界点确定单元，被配置成根据所有上述对应图像分割区域的更新边界点，确定上述交通标志牌的边界点。
在一些实施例中，上述装置包括交通标志牌边界点识别模型训练单元，被配置成训练交通标志牌边界点识别模型，上述交通标志牌边界点识别模型训练单元包括：样本获取子单元，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更新边界点，其中，样本图像包含交通标志牌图像分割区域和对应交通标志牌图像分割区域的样本初始边界点；交通标志牌边界点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更新边界点作为输出，训练得到上述交通标志牌边界点识别模型。
在一些实施例中，上述交通标志牌边界点识别模型训练子单元包括：交通标志牌边界点识别模型训练模块，被配置成将上述多个样本图像中的每个样本图像的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，得到上述多个样本图像中的每个样本图像所对应的预测更新边界点，将上述多个样本图像中的每个样本图像所对应的预测更新边界点与该样本图像所对应的样本更新边界点进行比较，得到上述初始交通标志牌边界点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边界点识别模型作为训练完成的交通标志牌边界点识别模型。
在一些实施例中，上述交通标志牌边界点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边界点识别模型的参数，并返回交通标志牌边界点识别模型训练模块。
在一些实施例中，上述参数调整模块包括：损失函数值计算子模块，被配置成根据预测更新边界点和样本更新边界点计算初始交通标志牌边界点识别模型的损失函数值；参数调整子模块，被配置成通过上述损失函数值调整上述初始交通标志牌边界点识别模型的参数。
在一些实施例中，上述装置包括样本更新边界点获取单元，被配置成获取样本更新边界点，上述样本更新边界点获取单元包括：初始随机点选择子单元，被配置成从样本图像中选择设定数量的初始随机点；更新随机点选择子单元，被配置成从上述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点；样本更新边界点设置子单元，被配置成计算上述至少一个更新随机点中更新随机点与样本初始边界点之间的距离，并将距离最小的更新随机点设置为样本更新边界点。
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边界的方法。
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边界的方法。
本公开的实施例提供的用于识别交通标志牌边界的方法及装置，首先获取待处理图像中交通标志牌的至少一个初始边界点；然后，基于上述至少一个初始边界点，将上述待处理图像划分为至少一个图像分割区域；之后，将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点；最后，根据所有对应图像分割区域的更新边界点，确定交通标志牌的边界点。本申请提高了识别交通标志牌边界的准确性。
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边界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边界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边界点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边界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边界的方法或用于识别交通标志牌边界的装置的示例性系统架构100。
如图1所示，系统架构100可以包括图像获取装置101、102，网络103和服务器104。网络103用以在图像获取装置101、102和服务器104之间提供通信链路的介质。网络103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。
图像获取装置101、102通过网络103与服务器104交互，以接收或发送消息等。图像获取装置101、102上可以安装有各种数据处理应用，例如图像采集应用、交通标志牌识别应用、数据传输应用、告警应用等。
图像获取装置101、102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，包括但不限于监控镜头、车载镜头等等。
服务器104可以是提供各种服务的服务器，例如对图像获取装置101、102发来的包含交通标志牌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，并得到处理结果(例如交通标志牌的更新边界点)。
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边界的方法可以由图像获取装置101、102单独执行，或者也可以由图像获取装置101、102和服务器104共同执行。相应地，用于识别交通标志牌边界的装置可以设置于图像获取装置101、102中，也可以设置于服务器104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中的图像获取装置、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图像获取装置、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边界的方法的一个实施例的流程200。该用于识别交通标志牌边界的方法包括以下步骤：
步骤201，获取待处理图像中交通标志牌的至少一个初始边界点。
在本实施例中，用于识别交通标志牌边界的方法的执行主体(例如图1所示的图像获取装置101、102和/或服务器104)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。待处理图像可以是图像获取装置101、102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。
现有技术对交通标志牌进行识别时，通常收到光线等因素的影响，不易获取到交通标志牌的准确边界点。为此，本申请的执行主体可以通过多种方式(例如可以是各种现有的图像识别网络)获取待处理图像中交通标志牌的至少一个初始边界点。其中，初始边界点标记在待处理图像上，用于标记交通标志牌的边界。初始边界点通常属于交通标志牌图像之外的图像点。初始边界点与交通标志牌的实际边界点之间通常存在误差。
步骤202，基于上述至少一个初始边界点，将上述待处理图像划分为至少一个图像分割区域。
对于不同结构的交通标志牌，初始边界点的数量可以不同。执行主体可以根据交通标志牌的结构将待处理图像划分为至少一个图像分割区域。其中，上述图像分割区域可以包含至少一个初始边界点。图像分割区域可以是矩形、三角形或其他形状，具体视实际需要而定。
步骤203，对于上述至少一个图像分割区域中的图像分割区域，将图像分割区域导入预先训练的预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点。之后，根据更新边界点可以确定交通标志牌的准确边界。
之后，执行主体可以将图像分割区域导入交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点。其中，上述交通标志牌边界点识别模型可以用于基于初始边界点得到交通标志牌的更新边界点。
在本实施例的一些可选的实现方式中，上述交通标志牌边界点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更新边界点。
为了训练交通标志牌边界点识别模型，执行主体可以首先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更新边界点。其中，样本图像可以包含交通标志牌图像分割区域和对应交通标志牌图像分割区域的样本初始边界点。
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更新边界点作为输出，训练得到上述交通标志牌边界点识别模型。
为了训练交通标志牌边界点识别模型，执行主体可以将多个样本图像的每个样本图像作为输入，将多个样本图像中的每个样本图像所对应的上述样本更新边界点作为输出，进而可以训练得到交通标志牌边界点识别模型。
在本实施例的一些可选的实现方式中，上述样本更新边界点通过以下步骤获取：
第一步，从样本图像中选择设定数量的初始随机点。
为了获取交通标志牌准确的边界点，执行主体可以通过随机选取等方式，从样本图像中选择设定数量的初始随机点。初始随机点可以通过样本图像上的坐标点来表示。
第二步，从上述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点。
样本图像可以包括交通标志牌图像分割区域和非交通标志牌图像分割区域。因此，初始随机点可以属于样本图像中的交通标志牌图像分割区域，也可以不属于交通标志牌图像分割区域。为了确定交通标志牌的边界，执行主体可以从上述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点。执行主体可以通过初始随机点对应的像素颜色是否属于交通标志牌图像分割区域等方式来确定更新随机点。
第三步，计算上述至少一个更新随机点中更新随机点与样本初始边界点之间的距离，并将距离最小的更新随机点设置为样本更新边界点。
执行主体可以通过坐标差值等方式，计算上述至少一个更新随机点中更新随机点与样本初始边界点之间的距离。由于更新随机点属于交通标志牌图像分割区域，并且。初始边界点通常属于交通标志牌图像之外的图像点。通过更新随机点与样本初始边界点之间的距离就可以获取交通标志牌图像中更加靠近交通标志牌图像的点。因此，执行主体可以将距离最小的更新随机点设置为样本更新边界点。
为了获取更加精确的样本更新边界点，执行主体可以以样本更新边界点为边界，在样本更新边界点和样本初始边界点之间进一步获取初始随机点，多次执行上述步骤，以提高样本更新边界点的精度。
步骤204，根据所有上述对应图像分割区域的更新边界点，确定上述交通标志牌的边界点。
执行主体可以根据更新边界点在图像分割区域的位置，并将更新边界点在待处理图像上对应的点作为交通标志牌的边界点，进而实现了对交通标志牌的准确识别。
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边界的方法的应用场景的一个示意图。在图3的应用场景中，执行主体(例如可以是图1所示的图像获取装置101)首先获取待处理图像中交通标志牌的四个初始边界点(如图3中的空心圆点)；然后，执行主体可以通过图3中的虚线将待处理图像划分为上下两个图像分割区域；之后，执行主体可以分别将上下两个图像分割区域分别输入交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点；最后，将更新边界点标记到待处理图像中(如图3中的实心圆点)。
本公开的上述实施例提供的方法首先获取待处理图像中交通标志牌的至少一个初始边界点；然后，基于上述至少一个初始边界点，将上述待处理图像划分为至少一个图像分割区域；之后，将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点；最后，根据所有对应图像分割区域的更新边界点，确定交通标志牌的边界点。本申请提高了识别交通标志牌边界的准确性。
进一步参考图4，其示出了交通标志牌边界点识别模型训练方法的一个实施例的流程400。该交通标志牌边界点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更新边界点。
在本实施例中，交通标志牌边界点识别模型训练方法的执行主体(例如图1所示的服务器104)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交通标志牌的样本更新边界点。
步骤402，将上述多个样本图像中的每个样本图像的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，得到上述多个样本图像中的每个样本图像所对应的预测更新边界点。
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的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，从而得到多个样本图像中的每个样本图像所对应的预测更新边界点。这里，执行主体可以将每个样本图像从初始交通标志牌边界点识别模型的输入侧输入，依次经过初始交通标志牌边界点识别模型中的各层的参数的处理，并从初始交通标志牌边界点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更新边界点。其中，初始交通标志牌边界点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更新边界点与该样本图像所对应的样本更新边界点进行比较，得到上述初始交通标志牌边界点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更新边界点，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更新边界点与该样本图像所对应的样本更新边界点进行比较，从而得到初始交通标志牌边界点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更新边界点与该样本图像所对应的样本更新边界点相同或相近，则初始交通标志牌边界点识别模型预测正确；若一个样本图像所对应的预测更新边界点与该样本图像所对应的样本更新边界点不同或不相近，则初始交通标志牌边界点识别模型预测错误。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边界点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边界点识别模型的预测准确率，执行主体可以将初始交通标志牌边界点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边界点识别模型作为训练完成的交通标志牌边界点识别模型。
在本实施例中，在初始交通标志牌边界点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边界点识别模型训练完成，此时，执行主体可以将初始交通标志牌边界点识别模型作为训练完成的交通标志牌边界点识别模型。
步骤406，调整上述初始交通标志牌边界点识别模型的参数。
在本实施例中，在初始交通标志牌边界点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边界点识别模型的参数，并返回执行步骤402，直至训练出能够获取准确交通标志牌边界点的交通标志牌边界点识别模型。
在本实施例的一些可选的实现方式中，上述调整上述初始交通标志牌边界点识别模型的参数，可以包括以下步骤：
第一步，根据预测更新边界点和样本更新边界点计算初始交通标志牌边界点识别模型的损失函数值。
为了获取较为精确的结果，初始交通标志牌边界点识别模型设置有损失函数。执行主体可以计算预测更新边界点和样本更新边界点之间的位置差，并将位置差设置为损失函数的损失函数值。
第二步，通过上述损失函数值调整上述初始交通标志牌边界点识别模型的参数。
执行主体可以根据损失函数值还调整初始交通标志牌边界点识别模型的参数，以提高初始交通标志牌边界点识别模型的输出结果精度。
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边界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边界的装置500可以包括：初始边界点获取单元501、图像分割区域划分单元502、交通标志牌识别单元503和边界点确定单元504。其中，初始边界点获取单元501被配置成获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；图像分割区域划分单元502，基于上述至少一个初始边界点，被配置成将上述待处理图像划分为至少一个图像分割区域，其中，上述图像分割区域包含至少一个初始边界点；交通标志牌识别单元503，对于上述至少一个图像分割区域中的图像分割区域，被配置成将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点，其中，上述交通标志牌边界点识别模型用于基于初始边界点得到交通标志牌的更新边界点；边界点确定单元504，被配置成根据所有上述对应图像分割区域的更新边界点，确定上述交通标志牌的边界点。
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边界的装置500可以包括交通标志牌边界点识别模型训练单元(图中未示出)，被配置成训练交通标志牌边界点识别模型，上述交通标志牌边界点识别模型训练单元可以包括：样本获取子单元(图中未示出)和交通标志牌边界点识别模型训练子单元(图中未示出)。其中，样本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更新边界点，其中，样本图像包含交通标志牌图像分割区域和对应交通标志牌图像分割区域的样本初始边界点；交通标志牌边界点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更新边界点作为输出，训练得到上述交通标志牌边界点识别模型。
在本实施例的一些可选的实现方式中，上述交通标志牌边界点识别模型训练子单元可以包括：交通标志牌边界点识别模型训练模块(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的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，得到上述多个样本图像中的每个样本图像所对应的预测更新边界点，将上述多个样本图像中的每个样本图像所对应的预测更新边界点与该样本图像所对应的样本更新边界点进行比较，得到上述初始交通标志牌边界点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边界点识别模型作为训练完成的交通标志牌边界点识别模型。
在本实施例的一些可选的实现方式中，上述交通标志牌边界点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边界点识别模型的参数，并返回交通标志牌边界点识别模型训练模块。
在本实施例的一些可选的实现方式中，上述参数调整模块可以包括：损失函数值计算子模块(图中未示出)和参数调整子模块(图中未示出)。其中，损失函数值计算子模块被配置成根据预测更新边界点和样本更新边界点计算初始交通标志牌边界点识别模型的损失函数值；参数调整子模块被配置成通过上述损失函数值调整上述初始交通标志牌边界点识别模型的参数。
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边界的装置500可以包括样本更新边界点获取单元(图中未示出)，被配置成获取样本更新边界点。上述样本更新边界点获取单元可以包括：初始随机点选择子单元(图中未示出)、更新随机点选择子单元(图中未示出)和样本更新边界点设置子单元(图中未示出)。其中，初始随机点选择子单元被配置成从样本图像中选择设定数量的初始随机点；更新随机点选择子单元被配置成从上述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点；样本更新边界点设置子单元被配置成计算上述至少一个更新随机点中更新随机点与样本初始边界点之间的距离，并将距离最小的更新随机点设置为样本更新边界点。
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边界的方法。
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边界的方法。
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RAM603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：获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；基于上述至少一个初始边界点，将上述待处理图像划分为至少一个图像分割区域，其中，上述图像分割区域包含至少一个初始边界点；对于上述至少一个图像分割区域中的图像分割区域，将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点，其中，上述交通标志牌边界点识别模型用于基于初始边界点得到交通标志牌的更新边界点；根据所有上述对应图像分割区域的更新边界点，确定上述交通标志牌的边界点。
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：一种处理器包括初始边界点获取单元、图像分割区域划分单元、交通标志牌识别单元和边界点确定单元。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，交通标志牌识别单元还可以被描述为“用于通过图像分割区域确定更新边界点的单元”。
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)

1.一种用于识别交通标志牌边界的方法，包括：
获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；
基于所述至少一个初始边界点，将所述待处理图像划分为至少一个图像分割区域，其中，所述图像分割区域包含至少一个初始边界点；
对于所述至少一个图像分割区域中的图像分割区域，将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点，其中，所述交通标志牌边界点识别模型用于基于初始边界点得到交通标志牌的更新边界点；
根据所有所述对应图像分割区域的更新边界点，确定所述交通标志牌的边界点。
2.根据权利要求1所述的方法，其中，所述交通标志牌边界点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更新边界点，其中，样本图像包含交通标志牌图像分割区域和对应交通标志牌图像分割区域的样本初始边界点；
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更新边界点作为输出，训练得到所述交通标志牌边界点识别模型。
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更新边界点作为输出，训练得到所述交通标志牌边界点识别模型，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的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，得到所述多个样本图像中的每个样本图像所对应的预测更新边界点，将所述多个样本图像中的每个样本图像所对应的预测更新边界点与该样本图像所对应的样本更新边界点进行比较，得到所述初始交通标志牌边界点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边界点识别模型作为训练完成的交通标志牌边界点识别模型。
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更新边界点作为输出，训练得到所述交通标志牌边界点识别模型，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边界点识别模型的参数，并继续执行所述训练步骤。
5.根据权利要求4所述的方法，其中，所述调整所述初始交通标志牌边界点识别模型的参数，包括：
根据预测更新边界点和样本更新边界点计算初始交通标志牌边界点识别模型的损失函数值；
通过所述损失函数值调整所述初始交通标志牌边界点识别模型的参数。
6.根据权利要求2所述的方法，其中，所述样本更新边界点通过以下步骤获取：
从样本图像中选择设定数量的初始随机点；
从所述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点；
计算所述至少一个更新随机点中更新随机点与样本初始边界点之间的距离，并将距离最小的更新随机点设置为样本更新边界点。
7.一种用于识别交通标志牌边界的装置，包括：
初始边界点获取单元，被配置成获取待处理图像中交通标志牌的至少一个初始边界点，其中，初始边界点用于标记交通标志牌的边界；
图像分割区域划分单元，基于所述至少一个初始边界点，被配置成将所述待处理图像划分为至少一个图像分割区域，其中，所述图像分割区域包含至少一个初始边界点；
交通标志牌识别单元，对于所述至少一个图像分割区域中的图像分割区域，被配置成将图像分割区域导入预先训练的交通标志牌边界点识别模型，得到对应图像分割区域的更新边界点，其中，所述交通标志牌边界点识别模型用于基于初始边界点得到交通标志牌的更新边界点；
边界点确定单元，被配置成根据所有所述对应图像分割区域的更新边界点，确定所述交通标志牌的边界点。
8.根据权利要求7所述的装置，其中，所述装置包括交通标志牌边界点识别模型训练单元，被配置成训练交通标志牌边界点识别模型，所述交通标志牌边界点识别模型训练单元包括：
样本获取子单元，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更新边界点，其中，样本图像包含交通标志牌图像分割区域和对应交通标志牌图像分割区域的样本初始边界点；
交通标志牌边界点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更新边界点作为输出，训练得到所述交通标志牌边界点识别模型。
9.根据权利要求8所述的装置，其中，所述交通标志牌边界点识别模型训练子单元包括：
交通标志牌边界点识别模型训练模块，被配置成将所述多个样本图像中的每个样本图像的交通标志牌图像分割区域和样本初始边界点依次输入至初始交通标志牌边界点识别模型，得到所述多个样本图像中的每个样本图像所对应的预测更新边界点，将所述多个样本图像中的每个样本图像所对应的预测更新边界点与该样本图像所对应的样本更新边界点进行比较，得到所述初始交通标志牌边界点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边界点识别模型作为训练完成的交通标志牌边界点识别模型。
10.根据权利要求9所述的装置，其中，所述交通标志牌边界点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边界点识别模型的参数，并返回交通标志牌边界点识别模型训练模块。
11.根据权利要求10所述的装置，其中，所述参数调整模块包括：
损失函数值计算子模块，被配置成根据预测更新边界点和样本更新边界点计算初始交通标志牌边界点识别模型的损失函数值；
参数调整子模块，被配置成通过所述损失函数值调整所述初始交通标志牌边界点识别模型的参数。
12.根据权利要求8所述的装置，其中，所述装置包括样本更新边界点获取单元，被配置成获取样本更新边界点，所述样本更新边界点获取单元包括：
初始随机点选择子单元，被配置成从样本图像中选择设定数量的初始随机点；
更新随机点选择子单元，被配置成从所述初始随机点中筛选出属于交通标志牌图像分割区域的至少一个更新随机点；
样本更新边界点设置子单元，被配置成计算所述至少一个更新随机点中更新随机点与样本初始边界点之间的距离，并将距离最小的更新随机点设置为样本更新边界点。
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。
CN201910435230.3A 2019-05-23 2019-05-23 用于识别交通标志牌边界的方法及装置 Active CN110163153B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910435230.3A CN110163153B (zh) 2019-05-23 2019-05-23 用于识别交通标志牌边界的方法及装置
EP19214818.7A EP3742331A1 (en) 2019-05-23 2019-12-10 Method and apparatus for recognizing boundary of traffic sign
US16/713,297 US11003926B2 (en) 2019-05-23 2019-12-13 Method and apparatus for recognizing boundary of traffic sign

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910435230.3A CN110163153B (zh) 2019-05-23 2019-05-23 用于识别交通标志牌边界的方法及装置

Publications (2)

Publication Number Publication Date
CN110163153A true CN110163153A (zh) 2019-08-23
CN110163153B CN110163153B (zh) 2022-01-04

Family

ID=67632189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910435230.3A Active CN110163153B (zh) 2019-05-23 2019-05-23 用于识别交通标志牌边界的方法及装置

Country Status (3)

Country Link
US (1) US11003926B2 (zh)
EP (1) EP3742331A1 (zh)
CN (1) CN110163153B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382695A (zh) * 2020-03-06 2020-07-07 北京百度网讯科技有限公司 用于检测目标的边界点的方法和装置
CN112078593A (zh) * 2020-07-24 2020-12-15 西安电子科技大学 基于多种网络协同模型的自动驾驶系统及方法
CN113361303A (zh) * 2020-03-05 2021-09-07 百度在线网络技术（北京）有限公司 临时交通标志牌识别方法、装置及设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11113838B2 (en) * 2019-03-26 2021-09-07 Nec Corporation Deep learning based tattoo detection system with optimized data labeling for offline and real-time processing
US11783587B2 (en) * 2020-03-04 2023-10-10 Nec Corporation Deep learning tattoo match system based
CN112434631A (zh) * 2020-12-01 2021-03-02 天冕信息技术(深圳)有限公司 目标物识别方法、装置、电子设备及可读存储介质
CN113780148A (zh) * 2021-09-06 2021-12-10 京东鲲鹏(江苏)科技有限公司 交通标志图像识别模型训练方法和交通标志图像识别方法
CN115661798B (zh) * 2022-12-23 2023-03-21 小米汽车科技有限公司 确定目标区域的方法、装置、车辆及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631880A (zh) * 2015-12-31 2016-06-01 百度在线网络技术（北京）有限公司 车道线分割方法和装置
CN106557759A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 一种标志牌信息获取方法及装置
KR101873576B1 (ko) * 2016-10-31 2018-07-03 한국전자통신연구원 자동차 번호판 정보 인식 시스템 및 방법
CN108428248A (zh) * 2018-03-14 2018-08-21 苏州科达科技股份有限公司 车窗定位方法、系统、设备及存储介质
CN108509954A (zh) * 2018-04-23 2018-09-07 合肥湛达智能科技有限公司 一种实时交通场景的多车牌动态识别方法
CN109117831A (zh) * 2018-09-30 2019-01-01 北京字节跳动网络技术有限公司 物体检测网络的训练方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7430320B2 (en) * 2004-11-15 2008-09-30 Drvision Technologies Llc Region-guided boundary refinement method
DE102010020330A1 (de) * 2010-05-14 2011-11-17 Conti Temic Microelectronic Gmbh Verfahren zur Erkennung von Verkehrszeichen
CA2910376C (en) * 2012-05-09 2020-06-30 Laboratoires Bodycad Inc. Segmentation of magnetic resonance imaging data
US9668699B2 (en) * 2013-10-17 2017-06-06 Siemens Healthcare Gmbh Method and system for anatomical object detection using marginal space deep neural networks
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
US10403037B1 (en) * 2016-03-21 2019-09-03 URC Ventures, Inc. Verifying object measurements determined from mobile device images
US10859395B2 (en) * 2016-12-30 2020-12-08 DeepMap Inc. Lane line creation for high definition maps for autonomous vehicles
US10551845B1 (en) * 2019-01-25 2020-02-04 StradVision, Inc. Method and computing device for generating image data set to be used for hazard detection and learning method and learning device using the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631880A (zh) * 2015-12-31 2016-06-01 百度在线网络技术（北京）有限公司 车道线分割方法和装置
KR101873576B1 (ko) * 2016-10-31 2018-07-03 한국전자통신연구원 자동차 번호판 정보 인식 시스템 및 방법
CN106557759A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 一种标志牌信息获取方法及装置
CN108428248A (zh) * 2018-03-14 2018-08-21 苏州科达科技股份有限公司 车窗定位方法、系统、设备及存储介质
CN108509954A (zh) * 2018-04-23 2018-09-07 合肥湛达智能科技有限公司 一种实时交通场景的多车牌动态识别方法
CN109117831A (zh) * 2018-09-30 2019-01-01 北京字节跳动网络技术有限公司 物体检测网络的训练方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361303A (zh) * 2020-03-05 2021-09-07 百度在线网络技术（北京）有限公司 临时交通标志牌识别方法、装置及设备
CN111382695A (zh) * 2020-03-06 2020-07-07 北京百度网讯科技有限公司 用于检测目标的边界点的方法和装置
CN112078593A (zh) * 2020-07-24 2020-12-15 西安电子科技大学 基于多种网络协同模型的自动驾驶系统及方法

Also Published As

Publication number Publication date
CN110163153B (zh) 2022-01-04
US20200372268A1 (en) 2020-11-26
EP3742331A1 (en) 2020-11-25
US11003926B2 (en) 2021-05-11

Similar Documents

Publication Publication Date Title
CN110163153A (zh) 用于识别交通标志牌边界的方法及装置
CN108171274B (zh) 用于识别动物的方法和装置
CN107871129B (zh) 用于处理点云数据的方法和装置
CN109212530A (zh) 用于确定障碍物速度的方法和装置
CN108985259A (zh) 人体动作识别方法和装置
CN110689804B (zh) 用于输出信息的方法和装置
CN110119725A (zh) 用于检测信号灯的方法及装置
CN109410253B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN109359170A (zh) 用于生成信息的方法和装置
CN109815365A (zh) 用于处理视频的方法和装置
CN109947989A (zh) 用于处理视频的方法和装置
CN109858444A (zh) 人体关键点检测模型的训练方法和装置
CN110443824A (zh) 用于生成信息的方法和装置
CN108509921A (zh) 用于生成信息的方法和装置
CN109961032A (zh) 用于生成分类模型的方法和装置
CN109815964A (zh) 提取图像的特征图的方法和装置
JP2022017517A (ja) 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品
CN110163900A (zh) 用于调整点云数据方法和装置
CN110110029A (zh) 用于匹配车道的方法和装置
CN110059623A (zh) 用于生成信息的方法和装置
CN110298850A (zh) 眼底图像的分割方法和装置
CN109871385A (zh) 用于处理数据的方法和装置
CN110456798A (zh) 用于控制车辆行驶的方法及装置
CN110347875A (zh) 一种视频场景分类方法、装置、移动终端及存储介质
CN110097600A (zh) 用于识别交通标志牌的方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20211009

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co., Ltd

Address before: 100085 third floor, baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing

Applicant before: Baidu Online Network Technology (Beijing) Co., Ltd

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant