CN110348396A - 一种基于深度学习的道路上方文字交通标志识别方法及装置 - Google Patents
一种基于深度学习的道路上方文字交通标志识别方法及装置 Download PDFInfo
- Publication number
- CN110348396A CN110348396A CN201910635202.6A CN201910635202A CN110348396A CN 110348396 A CN110348396 A CN 110348396A CN 201910635202 A CN201910635202 A CN 201910635202A CN 110348396 A CN110348396 A CN 110348396A
- Authority
- CN
- China
- Prior art keywords
- text
- network
- road
- traffic
- traffic sign
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的道路上方文字交通标志识别方法及装置,所述方法包括如下步骤:先采集道路上方文字交通标志,并对图像进行预处理;然后基于源域已训练好的网络参数迁移到Faster‑R‑CNN网络上作为文字交通标志检测网络的初始网络参数,基于目标域样本对网络参数进行微调获得最终的网络参数;对RGB颜色空间的交通标志图像进行HSV颜色空间转换,并将转换后的HSV颜色空间图像也作为Faster‑R‑CNN网络的输入;最后利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类,并输出检测结果。实现了在自然场景下提取出交通标志中的有效信息。
Description
技术领域
本发明属于智能交通中图像识别的技术领域,具体涉及一种基于深度学习的道路上方文字交通标志识别方法及装置。
背景技术
近年来,交通标志识别被广泛运用到驾驶员辅助系统,无人驾驶智能汽车以及公路养护等方面,传统的交通标志识别方法难以实现对类别复杂的道路上方文字交通标志进行识别的要求。
基于深度学习的交通标志识别方法近两年成为研究热门,如卷积神经网络(CNN)已成功运用到交通标志识别系统中,但通常情况都是使用CNN对图形交通标志进行训练识别,而对于类别复杂、识别困难的文字交通标志普通的CNN网络难以取得较好效果。而多个深度网络的组合是一个可行的思路,检测网络用于检测道路上方文字交通标志区域,文字识别网络用于识别区域内的文字,根据文字识别结果,结合文字标志分类标准可以得到文字交通标志的识别结果。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于深度学习的道路上方文字交通标志识别方法及装置,可以在自然场景下识别道路上方文字交通标志,提取出交通标志中的有效信息,为无人驾驶智能汽车,驾驶员辅助系统以及公路养护等方面提供数据支持。
为实现上述技术目的,本发明采取的技术方案为:
一种基于深度学习的道路上方文字交通标志识别方法,所述识别方法包括如下步骤:
Step1:采集道路上方文字交通标志,并对图像进行预处理;
Step2:根据源域和目标域交通标志图像具有形状相似性,将基于源域已训练好的网络参数迁移到Faster-R-CNN网络上作为文字交通标志检测网络的初始网络参数,然后基于目标域样本对网络参数进行微调获得最终的网络参数;与此同时,对RGB颜色空间的交通标志图像进行HSV颜色空间转换,并将转换后的HSV颜色空间图像也作为Faster-R-CNN网络的输入;
Step3:将Faster-R-CNN网络输出的Bbox信息和Scores信息输出给EAST文本文字检测网络模型和ELM分类器的识别模型,利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类,并输出检测结果。
优选的,上述方法的图像预处理方法为提取图片中上部交通标志所在位置的图像内容。
优选的,上述Faster-R-CNN网络的训练方法为:
Step1:利用文字交通标志数据库,输出大量采集到的图片输入Faster-R-CNN网络进行训练;
Step2:输入文字交通标志分类标准,将道路上方交通标志中的文字交通标志分为:目标地点导向标志、车道区分标志和提示语标志三类;分别设置相对应的关键字集,所述目标地点导向标志对应的关键字集包含地点名称;所述车道区分标志对应的关键字集包含车道区分文字;所述提示语标志对应的关键字集包含提示语文字。
Step3:利用迁移学习的网络确定初始参数;利用已训练好的形状检测识别网络参数值作为Faster-R-CNN网络的参数初值,再利用Step1中所述的交通标志数据库对Faster-R-CNN网络进行微调。
优选的,上述EAST文本文字检测网络模型在对道路上方文字交通标志进行识别时,根据道路上方文字交通标志上的文字不存在旋转角度,对原有的网络模型结构进行修剪,去除了旋转角度信息的输出与相应的卷积层,以提高识别速度。
一种基于深度学习的道路上方文字交通标志识别装置,至少包括图像采集识别单元、运算单元、存储单元和输出单元,所述存储单元存储有上述算法;所述运算单元运行上述算法,并通过输出单元对外输出。
本发明具有以下有益效果:
本发明基于源域和目标域交通标志图像具有形状相似性,将基于源域已训练好的网络参数迁移到Faster-R-CNN网络上作为文字交通标志检测网络的初始网络参数,然后基于目标域样本对网络参数进行微调获得最终的网络参数。与此同时,对RGB颜色空间的交通标志图像进行HSV颜色空间转换并将转换后的HSV颜色空间图像也作为网络的训练样本,从而克服因训练样本少带来的模型欠学习问题。
本发明对传统EAST文本文字检测网络模型进行裁剪,提出一种新的基于ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类。由于ELM分类器在训练过程中不需要反复调整输入层和隐藏层之间的权值参数以及隐藏层上的偏置参数,算法的计算量与训练学习时间较于传统全连接层大幅缩减,相较于传统的全连接网络,具有更好的实时性。
本发明通过收集道路上方文字交通标志图像,建立了一个小型的道路上方文字交通标志图像数据集,并将数据集中的交通标志进行了类型划分和标注,为基于道路上方文字交通标志识别的无人驾驶或辅助驾驶的应用研究提供数据支撑。
附图说明
图1是本发明的Faster-R-CNN网络结构示意图。
图2是本发明的工作流程示意图。
图3是本发明的改进的EAST网络图。
图4是本发明的ELM分类器模型示意图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1、图2,一种基于深度学习的道路上方文字交通标志识别方法,所述识别方法包括如下步骤:
Step1:采集道路上方文字交通标志,并对图像进行预处理;
Step2:根据源域和目标域交通标志图像具有形状相似性,将基于源域已训练好的网络参数迁移到Faster-R-CNN网络上作为文字交通标志检测网络的初始网络参数,然后基于目标域样本对网络参数进行微调获得最终的网络参数;与此同时,对RGB颜色空间的交通标志图像进行HSV颜色空间转换,并将转换后的HSV颜色空间图像也作为Faster-R-CNN网络的输入;
Step3:将Faster-R-CNN网络输出的Bbox信息和Scores信息输出给EAST文本文字检测网络模型和ELM分类器的识别模型,利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类,并输出检测结果。
具体实施时,上述方法的图像预处理方法为提取图片中上部交通标志所在位置的图像内容。
具体实施时,上述Faster-R-CNN网络的训练方法为:
Step1:利用文字交通标志数据库,输出大量采集到的图片输入Faster-R-CNN网络进行训练;本发明采用的交通标志图像主要来源为Tsinghua-Tencent 100K和在长沙理工大学综合交通运输大数据智能处理湖南省重点实验室制作的中国交通数据集(CCTSDB)数据集,共计300张训练样本,60张测试样本,包含3类文字交通标志。首先将图片中上部分提取出。训练样本需要携带标签,带标签的训练样本表示为(xi,ti),i=1,2,...,N,N表示训练样本的个数;xi表示第i个样本的特征向量,ti表示第i个样本的标签向量。
Step2:输入文字交通标志分类标准,将道路上方交通标志中的文字交通标志分为:目标地点导向标志、车道区分标志和提示语标志三类;分别设置相对应的关键字集,所述目标地点导向标志对应的关键字集包含地点名称;所述车道区分标志对应的关键字集包含车道区分文字;所述提示语标志对应的关键字集包含提示语文字。考虑到自然语言的词法、文法复杂性(如:“机动车道”和“注意车距”中的“车”字,前者属于车道区分标志,后者属于提示语标志),本发明建立类别强度判别机制如下,对识别的文字建立函数映射,再通过最值函数判断当前文字交通标志所属的文字交通标志类别。建立的类别强度判别机制如下。
令φi,(i=1,2,3)表示第i类交通标志对应的关键字集,表示φi中的第j个元素。由于同一个关键字可以在不同的关键字集中出现所以需要综合考虑文字交通标志上的所有关键字,才能判定该文字交通标志的类别,令β(·)表示关键字的判别强度,表示φi中的第j个元素的判别强度(关键字集中的关键字对应的值根据实验经验设定,不在关键字集中的文字的判别强度值默认设为0)。令Fk表示图像中检测出的第k个文字交通标志,表示Fk中第m个被检测识别出的文字。
建立如下符号函数:
则Fk属于第i类的判别评价M(k,i)的值可根据如下公式计算:
则Fk的类别为{i|max(M(k,i)),i=1,2,3},即将Fk判为评判强度最高的那一类。
Step3:利用迁移学习的网络确定初始参数;利用已训练好的形状检测识别网络参数值作为Faster-R-CNN网络的参数初值,再利用Step1中所述的交通标志数据库对Faster-R-CNN网络进行微调。
参见图3,具体实施时,上述EAST文本文字检测网络模型在对道路上方文字交通标志进行识别时,根据道路上方文字交通标志上的文字不存在旋转角度,对原有的网络模型结构进行修剪,去除了旋转角度信息的输出与相应的卷积层,以提高识别速度。
具体实施时,利用图像的多种色彩表示,可以做有效的数据增广,且在相同数据量的情况下,多色彩空间的样本数据可以取得更好的训练效果。对RGB颜色空间的交通标志图像进行HSV颜色空间转换过程如下:
由于交通标志的颜色往往固定,且通常为红、蓝、绿、黄四色组合,而这四种颜色在HSV色彩空间中信号强度很大,有较好的区分作用。本发明将一张图片的RGB空间表示和HSV空间表示同时输入Faster-R-CNN检测网络。
根据公式(3),本发明将一张常见的RGB空间图像转化为HSV空间的图像。若一张RGB图片三个通道的值分别为R、G、B,则此张图片RGB空间与HSV空间的转换关系如下:
其中Cmax=max(R′,G′,B′),Cmin=min(R′,G′,B′),Δ=Cmax-Cmin。
参见图4,具体实施时,ELM分类器设计过程如下:
将改进的EAST网络提取出的特征图采用多尺度池化操作后形成的3个列向量级联形成一个具有多尺度多属性的联合特征向量fi,并作为ELM模型的输入。ELM分类器输入的带标签的特征向量表示为(fi,ti),i=1,2,...,N,N表示训练样本的个数。其中,fi=[fi1,fi2,...,fin]T∈Rn表示第i个样本的联合特征向量,n为ELM模型输入神经元的个数;ti=[ti1,ti2,...,tim]T∈Rm表示第i个样本的标签向量,m为ELM模型输出神经元的个数。
ELM模型表示为:
其中M表示隐藏层神经元个数,j=1,2,...,M;βj表示连接第j个隐藏节点和输出节点的权值;wij表示连接第i个样本和第j个隐藏节点的权值向量;bj表示第j个隐藏节点的偏置;oi表示第i个样本的输出向量;ti表示第i个样本的标签向量;g(·)表示激活函数。
输入所有训练样本的联合特征向量{fi},用yi表示实际输出向量,则公式(4)进一步简化为:
Hw,b,fβ=Y (5)
其中,β为隐藏层与输出神经元间的输出权重,H为隐藏层神经元的输出矩阵,
训练的目标是最小化训练误差||T-Hβ||2和输出权值的范数||β||,因此训练过程的约束优化公式为:
st.Hβ=T-ξ (6)
其中,常数C为代价参数,表示一个正则化因子,本发明取C=2000;ξ表示引入的误差容忍参数,以确保ELM模型拟合所有训练样本。使用拉格朗日乘子法求解公式(6),解得:
参见图4,具体实施时,训练ELM分类器过程如下:
Step1:输入训练样本的联合特征(fi,ti);使用sigmoid函数作为激活函数,形式为隐藏层节点M设置为10000;
Step2:随机生成隐藏层的参数(w,b);
Step3:计算隐藏层输出矩阵H;
Step4:根据公式(7)计算输出权值β;
Step5:根据公式(4)计算出输出向量oi,oi是一个二进制的目标向量;输出神经元m表示交通标志的种类,本专利取m=43。如果第i个训练样本xi属于第k类交通标志,则oi中的第k个元素为1,其他元素为0。
一种基于深度学习的道路上方文字交通标志识别装置,至少包括图像采集识别单元、运算单元、存储单元和输出单元,所述存储单元存储有上述算法;所述运算单元运行上述算法,并通过输出单元对外输出。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.一种基于深度学习的道路上方文字交通标志识别方法,其特征在于:所述识别方法包括如下步骤:
Step1:采集道路上方文字交通标志,并对图像进行预处理;
Step2:根据源域和目标域交通标志图像具有形状相似性,将基于源域已训练好的网络参数迁移到Faster-R-CNN网络上作为文字交通标志检测网络的初始网络参数,然后基于目标域样本对网络参数进行微调获得最终的网络参数;与此同时,对RGB颜色空间的交通标志图像进行HSV颜色空间转换,并将转换后的HSV颜色空间图像也作为Faster-R-CNN网络的输入;
Step3:将Faster-R-CNN网络输出的Bbox信息和Scores信息输出给EAST文本文字检测网络模型和ELM分类器的识别模型,利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类,并输出检测结果。
2.根据权利要求1所述的一种基于深度学习的道路上方文字交通标志识别方法,其特征在于:所述方法的图像预处理方法为提取图片中上部交通标志所在位置的图像内容。
3.根据权利要求1所述的一种基于深度学习的道路上方文字交通标志识别方法,其特征在于:所述Faster-R-CNN网络的训练方法为:
Step1:利用文字交通标志数据库,输出大量采集到的图片输入Faster-R-CNN网络进行训练;
Step2:输入文字交通标志分类标准,将道路上方交通标志中的文字交通标志分为:目标地点导向标志、车道区分标志和提示语标志三类;分别设置相对应的关键字集,所述目标地点导向标志对应的关键字集包含地点名称;所述车道区分标志对应的关键字集包含车道区分文字;所述提示语标志对应的关键字集包含提示语文字。
Step3:利用迁移学习的网络确定初始参数;利用已训练好的形状检测识别网络参数值作为Faster-R-CNN网络的参数初值,再利用Step1中所述的交通标志数据库对Faster-R-CNN网络进行微调。
4.根据权利要求1所述的一种基于深度学习的道路上方文字交通标志识别方法,其特征在于:所述EAST文本文字检测网络模型在对道路上方文字交通标志进行识别时,根据道路上方文字交通标志上的文字不存在旋转角度,对原有的网络模型结构进行修剪,去除了旋转角度信息的输出与相应的卷积层,以提高识别速度。
5.一种基于深度学习的道路上方文字交通标志识别装置,至少包括图像采集识别单元、运算单元、存储单元和输出单元,其特征在于:所述存储单元存储有权利要求1-4任一所述算法;所述运算单元运行权利要求1-4任一所述算法,并通过输出单元对外输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635202.6A CN110348396B (zh) | 2019-07-15 | 2019-07-15 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635202.6A CN110348396B (zh) | 2019-07-15 | 2019-07-15 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348396A true CN110348396A (zh) | 2019-10-18 |
CN110348396B CN110348396B (zh) | 2022-02-11 |
Family
ID=68175279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635202.6A Active CN110348396B (zh) | 2019-07-15 | 2019-07-15 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348396B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215849A (zh) * | 2020-10-31 | 2021-01-12 | 郑州航空工业管理学院 | 一种基于色彩空间的图像无监督分割优化方法 |
CN112560670A (zh) * | 2020-12-15 | 2021-03-26 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
CN113076800A (zh) * | 2021-03-03 | 2021-07-06 | 惠州市博实结科技有限公司 | 一种道路标志牌检测方法及装置 |
CN113657364A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 用于识别文字标志的方法、装置、设备以及存储介质 |
CN113947764A (zh) * | 2021-12-06 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 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 |
CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
CN106096602A (zh) * | 2016-06-21 | 2016-11-09 | 苏州大学 | 一种基于卷积神经网络的中文车牌识别方法 |
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
KR101778724B1 (ko) * | 2016-12-05 | 2017-09-14 | 동국대학교 산학협력단 | 도로 표지 인식 장치 및 방법 |
CN107679508A (zh) * | 2017-10-17 | 2018-02-09 | 广州汽车集团股份有限公司 | 交通标志检测识别方法、装置及系统 |
CN108319924A (zh) * | 2018-02-07 | 2018-07-24 | 武汉理工大学 | 一种基于融合特征和elm算法的交通标志识别方法 |
CN109948692A (zh) * | 2019-03-16 | 2019-06-28 | 四川大学 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
-
2019
- 2019-07-15 CN CN201910635202.6A patent/CN110348396B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 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 |
CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
CN106096602A (zh) * | 2016-06-21 | 2016-11-09 | 苏州大学 | 一种基于卷积神经网络的中文车牌识别方法 |
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
KR101778724B1 (ko) * | 2016-12-05 | 2017-09-14 | 동국대학교 산학협력단 | 도로 표지 인식 장치 및 방법 |
CN107679508A (zh) * | 2017-10-17 | 2018-02-09 | 广州汽车集团股份有限公司 | 交通标志检测识别方法、装置及系统 |
CN108319924A (zh) * | 2018-02-07 | 2018-07-24 | 武汉理工大学 | 一种基于融合特征和elm算法的交通标志识别方法 |
CN109948692A (zh) * | 2019-03-16 | 2019-06-28 | 四川大学 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
Non-Patent Citations (2)
Title |
---|
孙伟 等: "基于CNN多层特征和ELM的交通标志识别", 《电子科技大学学报》 * |
宋灵杰: "基于卷积神经网络的交通标志分类与识别研究", 《中国优秀硕士学位论文全文数据库 工程科技第II辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215849A (zh) * | 2020-10-31 | 2021-01-12 | 郑州航空工业管理学院 | 一种基于色彩空间的图像无监督分割优化方法 |
CN112215849B (zh) * | 2020-10-31 | 2023-07-07 | 郑州航空工业管理学院 | 一种基于色彩空间的图像无监督分割优化方法 |
CN112560670A (zh) * | 2020-12-15 | 2021-03-26 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
CN112560670B (zh) * | 2020-12-15 | 2022-08-16 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
CN113076800A (zh) * | 2021-03-03 | 2021-07-06 | 惠州市博实结科技有限公司 | 一种道路标志牌检测方法及装置 |
CN113657364A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 用于识别文字标志的方法、装置、设备以及存储介质 |
CN113657364B (zh) * | 2021-08-13 | 2023-07-25 | 北京百度网讯科技有限公司 | 用于识别文字标志的方法、装置、设备以及存储介质 |
CN113947764A (zh) * | 2021-12-06 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110348396B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348396A (zh) | 一种基于深度学习的道路上方文字交通标志识别方法及装置 | |
CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN106022300B (zh) | 基于级联深度学习的交通标志识别方法和系统 | |
CN105069481B (zh) | 基于空间金字塔稀疏编码的自然场景多标记分类方法 | |
CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
CN110097109A (zh) | 一种基于深度学习的道路环境障碍物检测系统及方法 | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN104992142A (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
CN106650690A (zh) | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 | |
CN110163236A (zh) | 模型的训练方法和装置、存储介质、电子装置 | |
Yu et al. | Traffic sign detection and recognition in multiimages using a fusion model with YOLO and VGG network | |
CN104517103A (zh) | 一种基于深度神经网络的交通标志分类方法 | |
CN107239730A (zh) | 智能汽车交通标志识别的四元数深度神经网络模型方法 | |
CN109886161A (zh) | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 | |
CN108647700A (zh) | 基于深度学习的多任务车辆部件识别模型、方法和系统 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN108416270A (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
Fleyeh | Traffic and road sign recognition | |
CN108549901A (zh) | 一种基于深度学习的快速迭代目标检测方法 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN112818175A (zh) | 一种厂区工作人员搜索方法及人员识别模型的训练方法 | |
CN106650798A (zh) | 一种结合深度学习与稀疏表示的室内场景识别方法 | |
CN112750128B (zh) | 图像语义分割方法、装置、终端及可读存储介质 | |
Fu et al. | License plate detection using deep cascaded convolutional neural networks in complex scenes |
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 |