CN110619279A - 一种基于跟踪的路面交通标志实例分割方法 - Google Patents

一种基于跟踪的路面交通标志实例分割方法 Download PDF

Info

Publication number
CN110619279A
CN110619279A CN201910780907.7A CN201910780907A CN110619279A CN 110619279 A CN110619279 A CN 110619279A CN 201910780907 A CN201910780907 A CN 201910780907A CN 110619279 A CN110619279 A CN 110619279A
Authority
CN
China
Prior art keywords
mask
tracking
road traffic
cnn
tracking detector
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
CN201910780907.7A
Other languages
English (en)
Other versions
CN110619279B (zh
Inventor
褚晶辉
王学惠
吕卫
王鹏
李敏
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.)
Beijing One Ka Hang Science And Technology Ltd
Tianjin University
Original Assignee
Beijing One Ka Hang Science And Technology Ltd
Tianjin University
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 One Ka Hang Science And Technology Ltd, Tianjin University filed Critical Beijing One Ka Hang Science And Technology Ltd
Priority to CN201910780907.7A priority Critical patent/CN110619279B/zh
Publication of CN110619279A publication Critical patent/CN110619279A/zh
Application granted granted Critical
Publication of CN110619279B publication Critical patent/CN110619279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/277Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation 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
    • G06V10/267Segmentation 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/56Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582Recognition 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于跟踪的路面交通标志实例分割方法:第一步,准备数据集构建带有标注和标签的路面交通标志分割数据库:采集行车记录仪图像,挑选出含有路面交通标志的图片并对其进行标注;准备跟踪检测器所需图片数据和标签数据:第二步,分别训练Mask R‑CNN实例分割网络和KCF跟踪检测器;第三步,将训练好的Mask R‑CNN实例分割网络和跟踪检测器结合,使用跟踪检测器来提高Mask R‑CNN算法的计算效率,利用当前帧所检测到的目标的边界框位置信息来预测下一帧目标可能出现的区域,并将该信息传递给用于下一帧检测的Mask R‑CNN网络的RPN结构中,作为RPN筛选候选框的参考。

Description

一种基于跟踪的路面交通标志实例分割方法
技术领域
本发明涉及智能驾驶技术领域,特别涉及一种汽车高级辅助驾驶系统。
背景技术
近年来,随着经济的快速发展,全球人均车辆保有量逐年提高,而交通事故的高发生率也成了各国关注的热点问题。在众多交通事故原因中,除超载、超速、酒驾外,司机疲劳驾驶、吸烟、玩手机等行为也是十分常见的安全隐患。因此,ADAS(高级辅助驾驶系统)应运而生。ADAS是利用安装在车上的各种传感器,在汽车行驶过程中感应周围的环境,通过运算与分析来判断车辆是否处于安全行驶的状态,预先让驾驶者察觉到可能发生的危险。路面交通标志检测与分割算法在ADAS系统中的主要作用为:通过识别车辆前方路面上的转向箭头、人行横道等交通标志,协助驾驶人员判断车辆所在的道路环境,预防因一时疏忽造成的违章驾驶行为。
目前国内外对于基于车载摄像头的交通标志的研究多集中于道路两旁交通标志牌的识别,而在当前公布的众多论文、专利中,均很少涉及路面上的人行横道、转向箭头等交通标志的识别功能。在现有方案中,主要分为基于硬件设备或传统图像处理方法的路面交通标志检测技术、基于机器学习的路面交通标志检测技术和基于卷积神经网络的路面交通标志检测技术三种,其中,(中国,201810928014.8)使用安装在车辆内部的普通单目摄像机/摄像头和高精定位设备对路面上的交通标记进行测量,以获得交通标志记在三维空间中的位置信息;(中国,201810923215.9)提取待检测样本图像HOG特征,通过SVM分类器根据待检测样本图像HOG特征对待检测样本图像进行分类;(中国,201610693879.1)利用卷积神经网络对于训练集数据计算多个层的卷积特征并训练感兴趣区域建议网络,通过训练好的网络来提取感兴趣区域并对路面标志进行分类;(中国,201810168081.4)采用SSD这一深度学习方法来识别路面交通标志,准确率和速度均有较好的效果。
尽管路面交通标志相比于路边交通标志牌,颜色、形状、类别较为简单,但在车辆行驶过程中,光照、车速、抖动、磨损等因素都会对检测造成一定的影响,且为了能够确定标志所属车道与本车的实时位置,目标定位的准确性也尤为重要。因此本专利采用鲁棒性较强的深度学习检测算法,且考虑到路面交通标志多为白色、黄色,与深色的道路背景有较为明显的像素特性差异,因此本专利考虑采用像素级的分割技术来提高目标检测及定位的准确率。
此外,基于深度学习的检测算法由于网络结构复杂,难以满足系统的实时性要求,因此本专利提出运用跟踪算法来预测下一帧目标出现的位置,对卷积神经网络参数进行进一步改进,通过利用目标的帧间运动信息来提高系统速度。
基于车载摄像头的路面交通标志分割系统的主要问题有:公开的数据集较少,因角度不同而造成的形变、大小不一等问题为识别带来了一定的难度,系统复杂、实时性差等。
发明内容
本发明提供一种路面交通标志的分割方法,本发明运用深度学习方法实现路面标志的检测、定位与分割功能,并运用跟踪算法来提高系统的速度,充分利用像素信息,可显著提高系统的准确率,并保证了实时性。技术方案如下:
一种基于跟踪的路面交通标志实例分割方法,包括下列步骤:
第一步,准备数据集
(1)构建带有标注和标签的路面交通标志分割数据库:采集行车记录仪图像,挑选出含有路面交通标志的图片并对其进行标注,构建json格式、用于实例分割算法的分割数据集;
(2)准备跟踪检测器所需图片数据和标签数据:挑选出含有路面交通标志的连续帧图片并对其进行标注,使用透视变换算法将视图转换为俯视视角,以还原标志的原本形状,从多个行车记录仪视频中截取包含路面交通标志的连续帧图片作为跟踪检测器数据样本,构建用于训练跟踪检测器的连续帧数据集,
第二步,分别训练Mask R-CNN实例分割网络和KCF跟踪检测器:利用json格式的分割数据集对Mask R-CNN实例分割网络进行训练,并利用标注好的连续帧数据集对跟踪检测器进行训练,其中Mask R-CNN实例分割网络实现对路面上出现的目标,即交通标志进行分类、检测与分割,跟踪检测器通过分析前后帧的关联信息实现对目标下一帧位置的预测。方法如下:
第三步,将训练好的Mask R-CNN实例分割网络和跟踪检测器结合,使用跟踪检测器来提高Mask R-CNN算法的计算效率,利用当前帧所检测到的目标的边界框位置信息来预测下一帧目标可能出现的区域,并将该信息传递给用于下一帧检测的Mask R-CNN网络的RPN结构中,作为RPN筛选候选框的参考,将与跟踪检测器预测位置重合面积不符合阈值的RPN候选框筛除,从而对目标进行更为精确的分类、检测以及分割。
第二步执行下面的步骤:
(1)训练Mask R-CNN实例分割网络,其中,ROIAlign中池化的块参数允许为浮点数,通过双线性插值得到池化后的结果,以保证空间精度。使用ReLU激活函数,交叉熵损失函数,采用随机梯度下降法对损失函数进行优化,设定每次读入的图片数量和迭代次数,将分割数据集里的图片输入到Mask R-CNN实例分割网络中,最终输出三个参数:分类结果(class)、目标边界框位置(bbox)和目标像素点对应的掩模(mask);
(2)训练路面交通标志跟踪检测器:基于KCF(核相关滤波器)算法实现跟踪功能,使用已标注的样本训练判别分类器,判断跟踪到的是目标还是周围的背景信息,通过增加迭代次数来优化判别分类器的性能;
附图说明
图1数据标注结果展示图
图2逆透视变换效果对比图((a):原图;(b):逆透视变换后)
图3 Mask R-CNN网络结构图
图4连续三帧路面交通标志跟踪效果图
图5系统算法流程图
图6系统测试结果图
具体实施方式
为使本发明的技术方案更加清楚,下面结合附图对本发明做进一步阐述。
本发明提供了一种路面交通标志(包括人行横道、直行标志、左转标志、右转标志、直行加左转标志、直行加右转标志、掉头标志、禁止掉头标志)的分割方法,使用车载摄像头获取车辆正前方路面信息,可以用来提前提醒驾驶人注意转弯车道、提前减速等操作,实现对驾驶行为的实时监测和预警。按以下步骤具体实现:
第一步,准备数据集。
(1)准备实例分割网络所需图片数据和标签数据。
从多个行车记录仪视频中截取包含路面交通标志的图片,每隔3帧选取一张作为数据样本,使用labelme软件对目标(转向指示箭头、减速标志等)进行像素级的标注,目前已构建中国路面交通标志数据集共60000张,其中,10000张训练集(包括晴天、雨天、夜晚、标志残缺等多种路况),2000张测试集。数据集为易于阅读和编写的json格式,数据标注结果可视化如图1所示。
(2)准备跟踪检测器所需图片数据和标签数据。
a)逆透视变换
经前期大量实验发现,基于传统方法的跟踪算法均易受目标形变影响,导致跟踪失败。考虑到当车辆行驶时,路面交通标志在视野内的形状变化较大,因此使用透视变换算法(公知)将视图转换为俯视视角,可极大地还原标志的原本形状,十分利于跟踪。从多个行车记录仪视频中截取包含路面交通标志的连续帧图片作为跟踪检测器数据样本,逆透视变换前后的效果对比如图2所示,其中,(a)表示原图,(b)表示逆透视变换后的目标区域。
b)标注数据
用labelme软件对处理后的图像进行标注,即用矩形框标出目标(转向指示箭头、减速标志等)的位置和类别。其中2000张作为训练数据的正样本,周围区域及其他易被误检的部分(如车道线、路面坑洼等)作为负样本(1000张)。
第二步,分别训练深度卷积神经网络和跟踪检测器。
(1)采用Mask R-CNN算法(公知)对路面上出现的交通标志进行分类、检测与分割。其中,实现的分割功能为实例分割,例如,当视野内同时出现3个直行标志时,算法可将其分为straight1、straight2、straight3,从而实现精细分割,便于更好地应用到实际道路中。Mask R-CNN网络的结构如图3所示,其中,ROIAlign中池化的块参数允许为浮点数,通过双线性插值得到池化后的结果,保证了空间精度。使用ReLU激活函数,交叉熵损失函数,采用随机梯度下降法对损失函数进行优化,每次读入的图片数量为200,即batch_size=10,迭代次数为3000。将图片输入到网络中,最终输出三个参数:分类结果(class)、目标边界框位置(bbox)和目标像素点对应的掩模(mask)。
(2)训练路面交通标志跟踪检测器。基于KCF(核心相关滤波器)算法实现跟踪功能。使用HOG特征,训练目标检测器,并用目标检测器验证下一帧预测位置是否是目标,然后再用这一验证结果来对目标检测器进行优化。经过上千次训练之后,跟踪检测器达到了较高的准确率和速度。对连续三帧出现的路面交通标志跟踪效果如图4所示。
第三步,构建基于跟踪的路面交通标志分割系统。
由于Mask R-CNN网络结构复杂,难以满足系统的实时性要求,因此利用跟踪检测器对Mask R-CNN算法流程进行改进,以提高运算速度。具体实现方法是:利用当前帧所检测到的目标的边界框位置信息来预测下一帧目标可能出现的区域,并将该信息传递给用于下一帧检测的Mask R-CNN网络的RPN结构中,作为RPN筛选候选框的参考,将与跟踪检测器预测位置重合面积不符合阈值(阈值大小可视情况而定)的RPN候选框筛除。本系统将RPN中的候选框数量从2000个降到200个(可视情况而定),然后经过后续步骤对目标进行更为精确的分类、检测以及分割。系统算法流程图如图5所示。
第四步,测试本系统的检测效果
测试时,将待测试行车记录仪视频帧序列按顺序输入检测模型,系统按照以下步骤运行:
(1)第一帧图像输入时,由于跟踪检测器没有上一帧信息,因此不向RPN网络提供任何参考,图像直接通过Mask R-CNN算法进行计算。得到三个输出参数后,将目标边界框位置信息(bbox)传递给跟踪检测器。
(2)跟踪检测器预测出第二帧目标可能出现的位置,传递给RPN网络,在Mask R-CNN网络对第二帧图片进行运算时用于筛选目标候选框。
(3)重复上述步骤,直到目标从图像视野中消失。实验表明,此系统相比于传统方法的路面标志检测有更高的准确率和鲁棒性,并且经过跟踪改进后的算法速度得到了很大提升,能够满足车载系统的实时性要求。系统的测试结果如图6所示。

Claims (2)

1.一种基于跟踪的路面交通标志实例分割方法,包括下列步骤:
第一步,准备数据集
(1)构建带有标注和标签的路面交通标志分割数据库:采集行车记录仪图像,挑选出含有路面交通标志的图片并对其进行标注,构建用于实例分割算法的分割数据集;
(2)准备跟踪检测器所需图片数据和标签数据:挑选出含有路面交通标志的连续帧图片并对其进行标注,使用透视变换算法将视图转换为俯视视角,以还原标志的原本形状,从多个行车记录仪视频中截取包含路面交通标志的连续帧图片作为跟踪检测器数据样本,构建用于训练跟踪检测器的连续帧数据集,
第二步,分别训练Mask R-CNN实例分割网络和KCF(核相关滤波器)跟踪检测器:利用分割数据集对Mask R-CNN实例分割网络进行训练,并利用标注好的连续帧数据集对跟踪检测器进行训练,其中Mask R-CNN实例分割网络实现对路面上出现的目标,即交通标志进行分类、检测与分割,跟踪检测器通过分析前后帧的关联信息实现对目标下一帧位置的预测。
第三步,将训练好的Mask R-CNN实例分割网络和跟踪检测器结合,使用跟踪检测器来提高Mask R-CNN算法的计算效率,利用当前帧所检测到的目标的边界框位置信息来预测下一帧目标可能出现的区域,并将该信息传递给用于下一帧检测的Mask R-CNN网络的RPN结构中,作为RPN筛选候选框的参考,将与跟踪检测器预测位置重合面积不符合阈值的RPN候选框筛除,从而对目标进行更为精确的分类、检测以及分割。
2.根据权利要求1所述的分割方法,其特征在于,第二步的方法如下:
(1)训练Mask R-CNN实例分割网络,其中,池化的块参数允许为浮点数,通过双线性插值得到池化后的结果,以保证空间精度。使用ReLU激活函数,交叉熵损失函数,采用随机梯度下降法对损失函数进行优化,设定每次读入的图片数量和迭代次数,将分割数据集里的图片输入到Mask R-CNN实例分割网络中,最终输出三个参数:分类结果(class)、目标边界框位置(bbox)和目标像素点对应的掩模(mask);
(2)训练路面交通标志跟踪检测器:基于KCF算法实现跟踪功能,使用已标注的样本训练判别分类器,判断跟踪到的是目标还是周围的背景信息,通过增加迭代次数来优化判别分类器的性能。
CN201910780907.7A 2019-08-22 2019-08-22 一种基于跟踪的路面交通标志实例分割方法 Active CN110619279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910780907.7A CN110619279B (zh) 2019-08-22 2019-08-22 一种基于跟踪的路面交通标志实例分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910780907.7A CN110619279B (zh) 2019-08-22 2019-08-22 一种基于跟踪的路面交通标志实例分割方法

Publications (2)

Publication Number Publication Date
CN110619279A true CN110619279A (zh) 2019-12-27
CN110619279B CN110619279B (zh) 2023-03-17

Family

ID=68921960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910780907.7A Active CN110619279B (zh) 2019-08-22 2019-08-22 一种基于跟踪的路面交通标志实例分割方法

Country Status (1)

Country Link
CN (1) CN110619279B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126331A (zh) * 2019-12-30 2020-05-08 浙江中创天成科技有限公司 一种结合物体检测和物体跟踪的实时路牌检测方法
CN111368830A (zh) * 2020-03-03 2020-07-03 西北工业大学 基于多视频帧信息和核相光滤波算法的车牌检测识别方法
CN111460926A (zh) * 2020-03-16 2020-07-28 华中科技大学 一种融合多目标跟踪线索的视频行人检测方法
CN111488854A (zh) * 2020-04-23 2020-08-04 福建农林大学 一种道路交通标志自动识别与分类方法
CN111582029A (zh) * 2020-04-02 2020-08-25 天津大学 一种基于密集连接与注意力机制的交通标志识别方法
CN112989942A (zh) * 2021-02-09 2021-06-18 四川警察学院 一种基于交通监控视频的目标实例分割方法
CN112991397A (zh) * 2021-04-19 2021-06-18 深圳佑驾创新科技有限公司 交通牌跟踪方法、装置、设备和存储介质
CN113870225A (zh) * 2021-09-28 2021-12-31 广州市华颉电子科技有限公司 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法
CN113963060A (zh) * 2021-09-22 2022-01-21 腾讯科技(深圳)有限公司 基于人工智能的车信图像处理方法、装置及电子设备
WO2022205138A1 (en) * 2021-03-31 2022-10-06 Nvidia Corporation Generation of bounding boxes

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110109476A1 (en) * 2009-03-31 2011-05-12 Porikli Fatih M Method for Recognizing Traffic Signs
CN106557774A (zh) * 2015-09-29 2017-04-05 南京信息工程大学 多通道核相关滤波的实时跟踪方法
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
US20170286774A1 (en) * 2016-04-04 2017-10-05 Xerox Corporation Deep data association for online multi-class multi-object tracking
GB201804082D0 (en) * 2018-03-14 2018-04-25 Five Ai Ltd Image annotation
CN108229442A (zh) * 2018-02-07 2018-06-29 西南科技大学 基于ms-kcf的图像序列中人脸快速稳定检测方法
CN108388879A (zh) * 2018-03-15 2018-08-10 斑马网络技术有限公司 目标的检测方法、装置和存储介质
WO2018191421A1 (en) * 2017-04-11 2018-10-18 Alibaba Group Holding Limited Image-based vehicle damage determining method, apparatus, and electronic device
CN109858415A (zh) * 2019-01-21 2019-06-07 东南大学 适用于移动机器人行人跟随的核相关滤波目标跟踪方法
CN109934096A (zh) * 2019-01-22 2019-06-25 浙江零跑科技有限公司 基于特征时序相关性的自动驾驶视觉感知优化方法
CN109948488A (zh) * 2019-03-08 2019-06-28 上海达显智能科技有限公司 一种智能除烟设备及其控制方法
CN110070059A (zh) * 2019-04-25 2019-07-30 吉林大学 一种基于域迁移的非结构化道路检测方法
CN110135296A (zh) * 2019-04-30 2019-08-16 上海交通大学 基于卷积神经网络的机场跑道fod检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110109476A1 (en) * 2009-03-31 2011-05-12 Porikli Fatih M Method for Recognizing Traffic Signs
CN106557774A (zh) * 2015-09-29 2017-04-05 南京信息工程大学 多通道核相关滤波的实时跟踪方法
US20170286774A1 (en) * 2016-04-04 2017-10-05 Xerox Corporation Deep data association for online multi-class multi-object tracking
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
WO2018191421A1 (en) * 2017-04-11 2018-10-18 Alibaba Group Holding Limited Image-based vehicle damage determining method, apparatus, and electronic device
CN108229442A (zh) * 2018-02-07 2018-06-29 西南科技大学 基于ms-kcf的图像序列中人脸快速稳定检测方法
GB201804082D0 (en) * 2018-03-14 2018-04-25 Five Ai Ltd Image annotation
CN108388879A (zh) * 2018-03-15 2018-08-10 斑马网络技术有限公司 目标的检测方法、装置和存储介质
CN109858415A (zh) * 2019-01-21 2019-06-07 东南大学 适用于移动机器人行人跟随的核相关滤波目标跟踪方法
CN109934096A (zh) * 2019-01-22 2019-06-25 浙江零跑科技有限公司 基于特征时序相关性的自动驾驶视觉感知优化方法
CN109948488A (zh) * 2019-03-08 2019-06-28 上海达显智能科技有限公司 一种智能除烟设备及其控制方法
CN110070059A (zh) * 2019-04-25 2019-07-30 吉林大学 一种基于域迁移的非结构化道路检测方法
CN110135296A (zh) * 2019-04-30 2019-08-16 上海交通大学 基于卷积神经网络的机场跑道fod检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DONGHUI LI ET AL.: "On feature selection in network flow based traffic sign tracking models", 《EL SEVIER》 *
NADRA BEN ROMDHANE ET AL.: "An Improved Traffic Signs Recognition and Tracking Method for Driver Assistance System", 《IEEE》 *
沈照庆 等: "基于Mask_R-CNN的交通标线识别研究", 《2019世界交通运输大会》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126331A (zh) * 2019-12-30 2020-05-08 浙江中创天成科技有限公司 一种结合物体检测和物体跟踪的实时路牌检测方法
CN111368830A (zh) * 2020-03-03 2020-07-03 西北工业大学 基于多视频帧信息和核相光滤波算法的车牌检测识别方法
CN111368830B (zh) * 2020-03-03 2024-02-27 西北工业大学 基于多视频帧信息和核相关滤波算法的车牌检测识别方法
CN111460926A (zh) * 2020-03-16 2020-07-28 华中科技大学 一种融合多目标跟踪线索的视频行人检测方法
CN111460926B (zh) * 2020-03-16 2022-10-14 华中科技大学 一种融合多目标跟踪线索的视频行人检测方法
CN111582029B (zh) * 2020-04-02 2022-08-12 天津大学 一种基于密集连接与注意力机制的交通标志识别方法
CN111582029A (zh) * 2020-04-02 2020-08-25 天津大学 一种基于密集连接与注意力机制的交通标志识别方法
CN111488854A (zh) * 2020-04-23 2020-08-04 福建农林大学 一种道路交通标志自动识别与分类方法
CN112989942A (zh) * 2021-02-09 2021-06-18 四川警察学院 一种基于交通监控视频的目标实例分割方法
WO2022205138A1 (en) * 2021-03-31 2022-10-06 Nvidia Corporation Generation of bounding boxes
GB2610457A (en) * 2021-03-31 2023-03-08 Nvidia Corp Generation of bounding boxes
CN112991397A (zh) * 2021-04-19 2021-06-18 深圳佑驾创新科技有限公司 交通牌跟踪方法、装置、设备和存储介质
CN113963060B (zh) * 2021-09-22 2022-03-18 腾讯科技(深圳)有限公司 基于人工智能的车信图像处理方法、装置及电子设备
CN113963060A (zh) * 2021-09-22 2022-01-21 腾讯科技(深圳)有限公司 基于人工智能的车信图像处理方法、装置及电子设备
CN113870225B (zh) * 2021-09-28 2022-07-19 广州市华颉电子科技有限公司 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法
CN113870225A (zh) * 2021-09-28 2021-12-31 广州市华颉电子科技有限公司 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法

Also Published As

Publication number Publication date
CN110619279B (zh) 2023-03-17

Similar Documents

Publication Publication Date Title
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN110136449B (zh) 基于深度学习的交通视频车辆违停自动识别抓拍的方法
Yousaf et al. Visual analysis of asphalt pavement for detection and localization of potholes
KR101589711B1 (ko) 비디오 데이터의 처리 방법 및 시스템
Abdullah et al. YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city
Huang et al. Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads
Zhang et al. Study on traffic sign recognition by optimized Lenet-5 algorithm
CN110298300B (zh) 一种检测车辆违章压线的方法
WO2015089867A1 (zh) 一种交通违章检测方法
CN110879950A (zh) 多级目标分类及交通标志检测方法和装置、设备、介质
CN110689724B (zh) 一种基于深度学习的机动车斑马线礼让行人自动审核方法
CN106980855B (zh) 交通标志快速识别定位系统及方法
CN105551264A (zh) 一种基于车牌特征匹配的车速检测方法
EP2813973B1 (en) Method and system for processing video image
CN105989334A (zh) 基于单目视觉的道路检测方法
CN114170580A (zh) 一种面向高速公路的异常事件检测方法
CN104978746A (zh) 一种行驶车辆的车身颜色识别方法
CN113903008A (zh) 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法
CN113505638A (zh) 车流量的监测方法、监测装置及计算机可读存储介质
Bu et al. A UAV photography–based detection method for defective road marking
Joy et al. Real time road lane detection using computer vision techniques in python
Huu et al. Proposing Lane and Obstacle Detection Algorithm Using YOLO to Control Self‐Driving Cars on Advanced Networks
Aldoski et al. Impact of traffic sign diversity on autonomous vehicles: a literature review
Matsuda et al. A Method for Detecting Street Parking Using Dashboard Camera Videos.

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