CN110659540A - 一种交通灯检测方法和装置 - Google Patents
一种交通灯检测方法和装置 Download PDFInfo
- Publication number
- CN110659540A CN110659540A CN201810695612.5A CN201810695612A CN110659540A CN 110659540 A CN110659540 A CN 110659540A CN 201810695612 A CN201810695612 A CN 201810695612A CN 110659540 A CN110659540 A CN 110659540A
- Authority
- CN
- China
- Prior art keywords
- layer
- images
- image
- convolutional
- fire
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 36
- 238000002372 labelling Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了交通灯检测方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收包括有交通灯的图像,将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息;其中,所述检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。该实施方式能够解决现有技术对交通信号灯检测、识别准确率低,实时性差的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种交通灯检测方法和装置。
背景技术
在配送车实际运行过程中,是要经过交通路口,并且需要对交通信号灯进行识别。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
在现有技术中,依靠颜色空间等方式对交通信号灯进行检测、识别,总体来说准确率都很低,同时实时性不好,且对光照和模板较为敏感导致识别精度差。
发明内容
有鉴于此,本发明实施例提供一种交通灯检测方法和装置,能够解决现有技术对交通信号灯检测、识别准确率低,实时性差的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种交通灯检测方法,包括:接收包括有交通灯的图像,将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息;其中,所述检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
可选地,还包括:构建所述检测网络模型的过程:采集预设数量的实景道路中含有交通灯的图像,对每张图像进行交通灯的状态和位置信息的标注;将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集;搭建检测网络模型,利用训练集中的图像对所述检测网络模型进行训练,以获得检测网络模型的权重文件;然后利用测试集中的图像对具有权重文件的检测网络模型进行测试。
可选地,对每张图像进行交通灯的状态和位置信息的标注,以获得每张图像的标签文件;
将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集之后,包括:分别在训练集文件夹和测试集文件夹中设置各自的图像文件夹和标签文件夹,以分别存储训练集和测试集中的图像及其对应的标签文件。
可选地,所述fire模型分为两层,并且每层都设置有激活层;其中,所述fire模型的第一层设置有1*1的卷积核,所述fire模型的第二层设置有1*1的卷积核和3*3的卷积核。
可选地,所述第一卷积层与所述主干卷积网络FireNet之间设置有池化层,所述主干卷积网络FireNet与所述第二卷积层之间设置有池化层;
所述主干卷积网络FireNet中N个串联的fire模型,除第一个fire模型与第二个fire模型之间不设置池化层,其余fire模型之间都设置有池化层。
可选地,所述第一卷积层为采用64个大小为3*3的滤波器,所述第二卷积层为采用1024个大小为1*1的滤波器。
另外,根据本发明实施例的一个方面,提供了一种交通灯检测装置,包括接收模块,用于接收包括有交通灯的图像;检测模块,用于将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息;其中,所述检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
可选地,所述检测模块,还用于:
构建所述检测网络模型的过程:采集预设数量的实景道路中含有交通灯的图像,对每张图像进行交通灯的状态和位置信息的标注;将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集;搭建检测网络模型,利用训练集中的图像对所述检测网络模型进行训练,以获得检测网络模型的权重文件;然后利用测试集中的图像对具有权重文件的检测网络模型进行测试。
可选地,所述检测模块,还用于:
对每张图像进行交通灯的状态和位置信息的标注,以获得每张图像的标签文件;
将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集之后,包括:
分别在训练集文件夹和测试集文件夹中设置各自的图像文件夹和标签文件夹,以分别存储训练集和测试集中的图像及其对应的标签文件。
可选地,所述fire模型分为两层,并且每层都设置有激活层;其中,所述fire模型的第一层设置有1*1的卷积核,所述fire模型的第二层设置有1*1的卷积核和3*3的卷积核。
可选地,所述第一卷积层与所述主干卷积网络FireNet之间设置有池化层,所述主干卷积网络FireNet与所述第二卷积层之间设置有池化层;
所述主干卷积网络FireNet中N个串联的fire模型,除第一个fire模型与第二个fire模型之间不设置池化层,其余fire模型之间都设置有池化层。
可选地,所述第一卷积层为采用64个大小为3*3的滤波器,所述第二卷积层为采用1024个大小为1*1的滤波器。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现上述任一交通灯检测实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一基于交通灯检测实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:提出了一种基于YOLO与fire模型的交通灯检测技术,采用fire模型提取特征,利用YOLO基于anchor的region层进行交通灯的位置回归和状态分类。从而,本发明既可以在特征提取阶段有效的降低参数数量以及实现精确的交通灯检测,另外还能够满足配送车上搭载的嵌入式设备实时运行的要求。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的交通灯检测方法的主要流程的示意图;
图2是根据本发明可参考实施例的交通灯检测方法的主要流程的示意图;
图3是根据本发明可参考实施例的检测网络模型的示意图;
图4是根据本发明可参考实施例的fire模型的示意图;
图5是根据本发明实施例的交通灯检测装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的交通灯检测方法,如图1所示,所述交通灯检测方法包括:
步骤S101,接收包括有交通灯的图像。
步骤S102,将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息。
值得说明的是,所述的检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
进一步地,所述fire模型分为两层,并且每层都设置有激活层;其中,所述fire模型的第一层设置有1*1的卷积核,所述fire模型的第二层设置有1*1的卷积核和3*3的卷积核。
另外,较佳地,所述第一卷积层与所述主干卷积网络FireNet之间设置有池化层,所述主干卷积网络FireNet与所述第二卷积层之间设置有池化层;以及所述主干卷积网络FireNet中N个串联的fire模型,除第一个fire模型与第二个fire模型之间不设置池化层,其余fire模型之间都设置有池化层。在实施例中,所述池化层的设置主要是为了对输入检测网络模型中的图像进行降低采样数量,以便提高效率。
作为实施例,所述第一卷积层为采用64个大小为3*3的滤波器,所述第二卷积层为采用1024个大小为1*1的滤波器。
在另一个实施例中,构建所述检测网络模型的过程:
步骤一:采集预设数量的实景道路中含有交通灯的图像,对每张图像进行交通灯的状态和位置信息的标注。
较佳地,对每张图像进行交通灯的状态和位置信息的标注之后,可以获得每张图像的标签文件。
步骤二:将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集。
较佳地,可以分别在训练集文件夹和测试集文件夹中设置各自的图像文件夹和标签文件夹,因此可以分别存储训练集和测试集中的图像及其对应的标签文件。
步骤三:搭建检测网络模型,利用训练集中的图像对所述检测网络模型进行训练,以获得检测网络模型的权重文件。
步骤四:利用测试集中的图像对具有权重文件的检测网络模型进行测试。
综上所述,因为配送车上使用的是嵌入式设备,嵌入式设备计算力有限,需要合适的方法才能够保证方法的实时性,而本发明能够以15fps的速度运行在嵌入式设备中,并准确识别出交通灯辅助配送车进行决策。同时,所述网络模型的最后一层为region层,而region层是YOLO(You Only Look Once端到端的目标检测方法)提出的网络层,可以进行直接的位置预测,输出交通灯的颜色状态以及位置信息。
图2是根据本发明可参考实施例的交通灯检测方法的主要流程的示意图,所述交通灯检测方法可以包括:
步骤S201,采集预设数量的实景道路中含有交通灯的图像。
较佳地,可以通过单目相机获取预设数量的实景道路中含有交通灯的图像。例如采集1000张图像,图像大小为640*480。
步骤S202,对采集的图像进行标注。
在实施例中,对采集的图像进行标注可以包括对每一张图像标记出交通灯的位置信息以及交通灯状态。例如:对1000张图像进行标注,对每一张图像标记出交通灯的位置信息,该位置信息可以包括在图像中交通灯左上角的坐标(xmin,ymin)以及右下角的坐标(xmax,ymax),即每个交通灯的坐标格式为:(xmin,ymin,xmax,ymax),另外规定红灯的标签为0,绿灯的标签为1。比如:1.jpg且图像中有两个交通灯均为绿色,则该图像对应的标签文件为1.txt。1.txt中的内容为:
1xmin ymin xmax ymax
1xmin ymin xmax ymax
其中,第一列为标签,后面四列为交通灯的坐标。
步骤S203,对标注后的图像数据进行清洗。
较佳地,对标注后的图像数据进行清洗主要是检查标注数据是否正确,比如红灯标注为绿灯等,即剔除不清晰的原始数据以及标注错误的数据,从而实现对数据的检查,获得更为精准的标注后图像数据。
步骤S204,将清洗后的图像数据进行随机打乱,抽取预设数量的图像数据作为训练集,抽取预设数量的图像数据作为测试集。
例如:可以将1000张图像的数据进行随机打乱,其中抽取800张图像的数据作为训练集,剩下的200张图像的数据作为测试集。
步骤S205,分别对训练集中和测试集中的图像数据进行图像和标签的存储。
较佳地,在训练集training set文件夹中设置有两个文件夹,即图像image文件夹和标签labels文件夹;而在测试集testing set文件夹中也设置有两个文件夹,即图像image文件夹和标签labels文件夹:
———training set
———image
———labels
———testing set
———image
———labels
步骤S206,搭建检测网络模型。
进一步地,可参考的一个实施例检测网络模型如图3所示:首先第一层设置了一个卷积层(也可以称之为第一卷积层),用于提取图像的低阶特征,较佳地第一层的卷积层可以采用64个大小为3*3的滤波器。然后是连续五个串联的fire模型,用于提取图像特征。之后,再设置一个卷积层(也可称之为第二卷积层),也是用于提取图像特征,较佳地该卷积层可以采用1024个大小为1*1的滤波器。最后,还设置了一个region层。
更进一步地,所述的region层是YOLO提出的网络层,作用是计算训练过程中的损失,通过该损失判断模型是否收敛,进而终止训练。其中具有两个重要的参数——anchors和classes,其中可以通过聚类获得anchors值,而训练的类别数classes在该本发明的实施例中为2。
还有,上面所述的fire模型(如图4所示),其fire模型分为两层,并且每层都设置有ReLU激活层。其中,fire模型的第一层设置有1*1的卷积核,优选地fire模型第一层设置三个1*1的卷积核。fire模型的第二层设置有1*1的卷积核和3*3的卷积核,优选地fire模型第一层设置四个1*1的卷积核和四个3*3的卷积核。
另外,还值得说明的是,在一个具体的实施例中,所述池化层的步长为2。进一步地,在第一卷积层和第一个fire模型之间设置一个池化层Maxpool,在第二个fire模型与第三个fire模型之间设置一个池化层Maxpool,在第三个fire模型与第四个fire模型之间设置一个池化层Maxpool,在第四个fire模型与第五个fire模型之间设置一个池化层Maxpool,在第五个fire模型与第二卷积层之间设置一个池化层Maxpool。
步骤S207,利用训练集中的图像数据对所述检测网络模型进行训练,以获得检测网络模型的权重文件。
在实施例中,可以将训练集中的图像作为搭建好的所述检测网络模型的输入,及其对应的标签作为搭建好的所述检测网络模型输出,对所述检测网络模型进行训练。进而,可以获得训练好的检测网络模型权重文件,即检测网络模型训练好的参数值。
其中,在所述检测网络模型中的两个卷积层的参数个数可以通过如下公式计算获得:
输入通道个数*核尺寸*输出通道个数
作为一个具体的实施例,本发明所述网络模型训练好的每一层网络权重文件(参数)如下所示:
需要说明的是,param为每一层的参数个数,在该实施例中的总参数为225312。而layer表示层级,filters表示过滤器个数,size表示过滤器大小和步长,input表示输入,output表示输出。
步骤S208,利用测试集中的图像数据对具有权重文件的检测网络模型进行测试。
也就是说,可以输入一张测试集中的图像给具有权重文件的检测网络模型,然后会输出交通灯状态和位置信息,通过测试集中该图像对应的交通灯状态和位置信息便能够判断具有权重文件的检测网络模型是否能够输出准确的交通灯状态和位置信息。
步骤S209,利用测试后的检测网络模型进行交通灯的检测。
作为实施例,可以接收新采集的图像并输入至所述测试后的检测网络模型,进行交通灯的检测,以获得该新采集图像中交通灯的状态和位置信息。
图5是根据本发明实施例的交通灯检测装置,如图5所示,所述交通灯检测装置501包括接收模块501和检测模块502。其中,接收模块501接收包括有交通灯的图像。而检测模块502将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息。其中,所述检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
进一步地,所述fire模型分为两层,并且每层都设置有激活层;其中,所述fire模型的第一层设置有1*1的卷积核,所述fire模型的第二层设置有1*1的卷积核和3*3的卷积核。
另外,较佳地,所述第一卷积层与所述主干卷积网络FireNet之间设置有池化层,所述主干卷积网络FireNet与所述第二卷积层之间设置有池化层;以及所述主干卷积网络FireNet中N个串联的fire模型,除第一个fire模型与第二个fire模型之间不设置池化层,其余fire模型之间都设置有池化层。在该实施例中,池化层的设置主要是为了对输入检测网络模型中的图像进行降低采样数量,以便提高效率。
作为实施例,所述第一卷积层为采用64个大小为3*3的滤波器,所述第二卷积层为采用1024个大小为1*1的滤波器。
在另一个实施例中,所述检测模块502可以构建所述检测网络模型,其具体实施过程包括:
步骤一:采集预设数量的实景道路中含有交通灯的图像,对每张图像进行交通灯的状态和位置信息的标注。
较佳地,对每张图像进行交通灯的状态和位置信息的标注之后,可以获得每张图像的标签文件。
步骤二:将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集。
较佳地,可以分别在训练集文件夹和测试集文件夹中设置各自的图像文件夹和标签文件夹,因此可以分别存储训练集和测试集中的图像及其对应的标签文件。
步骤三:搭建检测网络模型,利用训练集中的图像对所述检测网络模型进行训练,以获得检测网络模型的权重文件。
步骤四:利用测试集中的图像对具有权重文件的检测网络模型进行测试。
需要说明的是,在本发明所述交通灯检测装置的具体实施内容,在上面所述交通灯检测方法中已经详细说明了,故在此重复内容不再说明。
图6示出了可以应用本发明实施例的交通灯检测方法或交通灯检测装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的交通灯检测方法一般由服务器605执行,相应地,交通灯检测装置一般设置于服务器605中。
应该理解,图6中的终端设备、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终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。CPU701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,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,本发明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部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括接收模块和检测模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
根据本发明实施例的技术方案,能够解决现有技术对交通信号灯检测、识别准确率低,实时性差的问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (14)
1.一种交通灯检测方法,其特征在于,包括:
接收包括有交通灯的图像,将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息;
其中,所述检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
2.根据权利要求1所述的方法,其特征在于,还包括:
构建所述检测网络模型的过程:
采集预设数量的实景道路中含有交通灯的图像,对每张图像进行交通灯的状态和位置信息的标注;
将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集;
搭建检测网络模型,利用训练集中的图像对所述检测网络模型进行训练,以获得检测网络模型的权重文件;然后利用测试集中的图像对具有权重文件的检测网络模型进行测试。
3.根据权利要求2所述的方法,其特征在于,对每张图像进行交通灯的状态和位置信息的标注,以获得每张图像的标签文件;
将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集之后,包括:
分别在训练集文件夹和测试集文件夹中设置各自的图像文件夹和标签文件夹,以分别存储训练集和测试集中的图像及其对应的标签文件。
4.根据权利要求1所述的方法,其特征在于,所述fire模型分为两层,并且每层都设置有激活层;其中,所述fire模型的第一层设置有1*1的卷积核,所述fire模型的第二层设置有1*1的卷积核和3*3的卷积核。
5.根据权利要求1所述的方法,其特征在于,所述第一卷积层与所述主干卷积网络FireNet之间设置有池化层,所述主干卷积网络FireNet与所述第二卷积层之间设置有池化层;
所述主干卷积网络FireNet中N个串联的fire模型,除第一个fire模型与第二个fire模型之间不设置池化层,其余fire模型之间都设置有池化层。
6.根据权利要求1-5任一所述的方法,其特征在于,所述第一卷积层为采用64个大小为3*3的滤波器,所述第二卷积层为采用1024个大小为1*1的滤波器。
7.一种交通灯检测装置,其特征在于,包括:
接收模块,用于接收包括有交通灯的图像;
检测模块,用于将所述图像通过检测网络模型获得该图像中交通灯的状态和位置信息;其中,所述检测网络模型包括N个串联的fire模型组合成的主干卷积网络FireNet,在所述主干卷积网络FireNet的前后分别设置的第一卷积层和第二卷积层,以及在第二卷积层后面设置的region层。
8.根据权利要求7所述的装置,其特征在于,所述检测模块,还用于:
构建所述检测网络模型的过程:
采集预设数量的实景道路中含有交通灯的图像,对每张图像进行交通灯的状态和位置信息的标注;
将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集;
搭建检测网络模型,利用训练集中的图像对所述检测网络模型进行训练,以获得检测网络模型的权重文件;然后利用测试集中的图像对具有权重文件的检测网络模型进行测试。
9.根据权利要求8所述的装置,其特征在于,所述检测模块,还用于:
对每张图像进行交通灯的状态和位置信息的标注,以获得每张图像的标签文件;
将标注后的图像进行随机打乱,抽取预设数量的图像作为训练集,抽取预设数量的图像作为测试集之后,包括:
分别在训练集文件夹和测试集文件夹中设置各自的图像文件夹和标签文件夹,以分别存储训练集和测试集中的图像及其对应的标签文件。
10.根据权利要求7所述的装置,其特征在于,所述fire模型分为两层,并且每层都设置有激活层;其中,所述fire模型的第一层设置有1*1的卷积核,所述fire模型的第二层设置有1*1的卷积核和3*3的卷积核。
11.根据权利要求7所述的装置,其特征在于,所述第一卷积层与所述主干卷积网络FireNet之间设置有池化层,所述主干卷积网络FireNet与所述第二卷积层之间设置有池化层;
所述主干卷积网络FireNet中N个串联的fire模型,除第一个fire模型与第二个fire模型之间不设置池化层,其余fire模型之间都设置有池化层。
12.根据权利要求7-11任一所述的装置,其特征在于,所述第一卷积层为采用64个大小为3*3的滤波器,所述第二卷积层为采用1024个大小为1*1的滤波器。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现如权利要求1-6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,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695612.5A CN110659540A (zh) | 2018-06-29 | 2018-06-29 | 一种交通灯检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695612.5A CN110659540A (zh) | 2018-06-29 | 2018-06-29 | 一种交通灯检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110659540A true CN110659540A (zh) | 2020-01-07 |
Family
ID=69027512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810695612.5A Pending CN110659540A (zh) | 2018-06-29 | 2018-06-29 | 一种交通灯检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659540A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723690A (zh) * | 2020-06-03 | 2020-09-29 | 北京全路通信信号研究设计院集团有限公司 | 一种电路设备状态监测方法和系统 |
CN112101272A (zh) * | 2020-09-23 | 2020-12-18 | 北京百度网讯科技有限公司 | 交通灯检测的方法、装置、计算机存储介质和路侧设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886975A (zh) * | 2016-11-29 | 2017-06-23 | 华南理工大学 | 一种可实时运行的图像风格化方法 |
CN107194343A (zh) * | 2017-05-16 | 2017-09-22 | 西北工业大学 | 基于位置相关的卷积与Fire模型的红绿灯检测方法 |
-
2018
- 2018-06-29 CN CN201810695612.5A patent/CN110659540A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886975A (zh) * | 2016-11-29 | 2017-06-23 | 华南理工大学 | 一种可实时运行的图像风格化方法 |
CN107194343A (zh) * | 2017-05-16 | 2017-09-22 | 西北工业大学 | 基于位置相关的卷积与Fire模型的红绿灯检测方法 |
Non-Patent Citations (1)
Title |
---|
FORREST N. IANDOLA等: "SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE", 《ARXIV:1602.07360V4 [CS.CV]》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723690A (zh) * | 2020-06-03 | 2020-09-29 | 北京全路通信信号研究设计院集团有限公司 | 一种电路设备状态监测方法和系统 |
CN111723690B (zh) * | 2020-06-03 | 2023-10-20 | 北京全路通信信号研究设计院集团有限公司 | 一种电路设备状态监测方法和系统 |
CN112101272A (zh) * | 2020-09-23 | 2020-12-18 | 北京百度网讯科技有限公司 | 交通灯检测的方法、装置、计算机存储介质和路侧设备 |
CN112101272B (zh) * | 2020-09-23 | 2024-05-14 | 阿波罗智联(北京)科技有限公司 | 交通灯检测的方法、装置、计算机存储介质和路侧设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101611388B1 (ko) | 태그를 활용한 검색 서비스 제공 방법 및 시스템 | |
CN107392655A (zh) | 优惠券推送方法、系统、存储介质、电子设备及分流方法 | |
CN110020093A (zh) | 视频检索方法、边缘设备、视频检索装置及存储介质 | |
US10614621B2 (en) | Method and apparatus for presenting information | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN113591580B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN111104479A (zh) | 一种数据标注的方法及装置 | |
CN113343312B (zh) | 基于前端埋点技术的页面防篡改方法及系统 | |
CN117290561B (zh) | 业务状态信息反馈方法、装置、设备和计算机可读介质 | |
WO2023040530A1 (zh) | 网页内容溯源方法、知识图谱构建方法以及相关设备 | |
CN111815738A (zh) | 一种构建地图的方法和装置 | |
CN109934194A (zh) | 图片分类方法、边缘设备、系统及存储介质 | |
CN111160410A (zh) | 一种物体检测方法和装置 | |
CN110633716A (zh) | 一种目标对象的检测方法和装置 | |
CN110659540A (zh) | 一种交通灯检测方法和装置 | |
CN111597107A (zh) | 信息输出方法、装置和电子设备 | |
EP2930632A1 (en) | Method for sorting media content and electronic device implementing same | |
CN113869317A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
US10963690B2 (en) | Method for identifying main picture in web page | |
CN116401410B (zh) | 多场景图数据库接入图谱数据的方法、装置、存储介质和设备 | |
CN116185393A (zh) | 接口文档的生成方法、装置、设备、介质及产品 | |
CN109726615A (zh) | 一种道路边界的识别方法和装置 | |
CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
CN112308678A (zh) | 基于图像识别的价格信息处理方法、装置、设备和介质 | |
CN108009233B (zh) | 一种图像还原方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200107 |