CN110852353A - 路口分类方法及设备 - Google Patents

路口分类方法及设备 Download PDF

Info

Publication number
CN110852353A
CN110852353A CN201911008041.4A CN201911008041A CN110852353A CN 110852353 A CN110852353 A CN 110852353A CN 201911008041 A CN201911008041 A CN 201911008041A CN 110852353 A CN110852353 A CN 110852353A
Authority
CN
China
Prior art keywords
intersection
segmentation
binary
original
static reference
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
Application number
CN201911008041.4A
Other languages
English (en)
Inventor
周康明
罗余洋
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201911008041.4A priority Critical patent/CN110852353A/zh
Publication of CN110852353A publication Critical patent/CN110852353A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明的目的是提供一种路口分类方法及设备，本发明提出了基于场景分割进行静态参照目标提取、二值化、方向梯度比较的方法，使得不同证据图的特征向量相似性仅仅只与车道线、停止线、斑马线等等静态参照目标的位置和方向相关，大大提高了路口图片分类归档的准确率和效率。

Description

路口分类方法及设备
技术领域
本发明涉及计算机领域，尤其涉及一种路口分类方法及设备。
背景技术
在智能交通算法领域，当使用抓拍到的路口违章证据图来进行智能化违章审核时，同一路口的信息往往具有相似性，使用不同时刻抓拍到的同一路口证据图往往可以提取到一些相似的特征。这种基于多张图提取到的相似特征往往具有更高的准确性、实用性。
现有方案中，通过前端摄像头采集的图像和设备编号设置的唯一字段，往往不具有唯一性，更多的往往是数据字段混乱的图片，很难归档出同一个路口的图片。
但是由于不同厂商设备的不同、后处理数据处理的不规范、数据存储的不规范等等原因导致具有路口唯一字段且相同的证据图，其反映的路口、场景并不相同，因而无法提取到相似的特征，造成了大量宝贵数据的浪费。
发明内容
本发明的一个目的是提供一种路口分类方法及设备。
根据本发明的一个方面，提供了一种路口分类方法，该方法包括：获取拍摄的多张路口原始图片，使用场景分割模型提取每张路口原始图片中的分割信息，其中，所述分割信息包括非静态参照目标和静态参照目标；
将每张路口原始图片中的非静态参照目标进行过滤，并保留该路口图片中的静态参照目标，以对应生成二值化的灰度特征图；
提取每张二值化的灰度特征图中的静态参照目标的对应的方向梯度HOG特征向量；
比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，基于比较结果对两张路口原始图片进行分类。
进一步的，上述方法中，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，基于比较结果对两张路口原始图片进行分类，包括：
比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，将余弦相似度大于预设阈值的路口原始图片归档到同一目录，将余弦相似度小于等于预设阈值的路口原始图片归档到不同目录。
进一步的，上述方法中，使用场景分割模型提取每张路口原始图片中的分割信息，包括：
使用场景分割模型，提取每张路口原始图片中每一个像素点(x,y)的分割信息，并得到每张路口原始图片中提取到的每一个像素点(x,y)的分割信息对应的分类值NN(x,y)。
进一步的，上述方法中，将每张路口原始图片中的非静态参照目标进行过滤，并保留该路口图片中的静态参照目标，以对应生成二值化的灰度特征图，包括：
根据每张路口原始图片I得到对应的分割灰度图像M；
由所述分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi；
由每张路口原始图片I的各类静态参照目标对应的二值的灰度特征图Mi合成一张二值灰度特征图M′。
进一步的，上述方法中，根据每张路口原始图片I得到对应的分割灰度图像M，包括：
设每张路口原始图片I的宽为w、高为h；
为每张路口原始图片I新建对应的分割灰度特征图M，其中，所述分割灰度特征图M的宽为w、高为h，且所述分割灰度特征图M中的每一个像素点的像素值初始为0；
记分割信息的类别编号为0、1、2、3…c-1，其中，所有类别编号0、1、2、3…c-1的集合记为C，c为正整数，所述分割信息共c个类别，0表示背景类别；
利用如下公式对所述分割灰度图像M中的每一个像素点(x,y)的像素值重新进行赋值：
Figure BDA0002243340120000031
进一步的，上述方法中，由分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi，包括：
根据所述分割灰度特征图M，得到所述类别编号i分别为1、2、3…c-1对应的各个二值的灰度特征图Mi,i∈(1,2,...,c-1)。
进一步的，上述方法中，由每张路口原始图片I的各类静态参照目标对应的二值的灰度特征图Mi合成一张二值灰度特征图M′，包括：
从所述类别编号1、2、3…c-1中选取静态参照目标的类别编号；
将所有选出的静态参照目标的类别编号对应的二值的灰度特征图Mi合成一张二值灰度特征图M′。
进一步的，上述方法中，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图合成一张二值灰度特征图M′，包括：
通过如下公式，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图合成一张静态二值灰度特征图M′：
Figure BDA0002243340120000032
其中，选出的所有静态参照目标的类别编号的集合记为C’，M′(x，y)表示静态二值灰度特征图M′的坐标位置(x,y)处的像素点的像素值。
进一步的，上述方法中，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，包括：
步骤S51，基于如下公式分别计算两路口原始图片的方向梯度HOG特征向量A、B的余弦相似度similarity：
Figure BDA0002243340120000041
其中，Ai和Bi分别代表A和B的各分量，n为正整数。
根据本发明的另一面，还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
根据本发明的另一面，还提供一种用于在网络设备端信息处理的设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行上述任一项所述的方法。
与现有技术相比，本发明提出了基于场景分割进行静态参照目标提取、二值化、方向梯度比较的方法，使得不同证据图的特征向量相似性仅仅只与车道线、停止线、斑马线等等静态参照目标的位置和方向相关，大大提高了路口图片分类归档的准确率和效率。
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，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例的路口分类方法的流程图；
图2为本发明一实施例的叠加了彩色mask信息的道路分割图；
图3为本发明一实施例的分割彩色效果图；
图4为本发明一实施例的二值化的分割灰度特征图；
图5为本发明一实施例的路口由南向北抓拍的原始图片；
图6为图5经过场景分割特征提取且动态目标过滤后的静态二值灰度特征图；
图7为与图5的同一路口由北向南抓拍的原始图片；
图8为本发明一实施例的图7经过场景分割特征提取且动态目标过滤后的静态二值灰度特征图；
图9为本发明一实施例的方向梯度HOG特征向量A的方向梯度直方图；
图10为本发明一实施例的方向梯度HOG特征向量B的方向梯度直方图示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，本发明提供一种路口分类方法，所述方法包括：
步骤S1，获取拍摄的多张路口原始图片；
在此，可以获取一批抓拍的路口违章证据图图片；
步骤S2，使用场景分割模型提取每张路口原始图片中的分割信息，其中，所述分割信息包括非静态参照目标和静态参照目标；
在此，所述非静态参照目标可以包括背景和移动及易遮挡目标；
步骤S3，将每张路口原始图片中的非静态参照目标进行过滤，并保留该路口图片中的静态参照目标，以对应生成二值化的灰度特征图；
步骤S4，提取每张二值化的灰度特征图中的静态参照目标的对应的方向梯度HOG特征向量；
在此，在二值化的灰度特征图M′的基础上提取静态参照目标二值灰度特征图的HOG方向梯度特征图，提取的HOG特征图如图9和10所示，采用的HOG特征提取的主要步骤可以包括灰度化、归一化、计算图像像素梯度、梯度幅值和梯度方向、统计细胞单元的梯度方向直方图、统计块的梯度方向直方图(本发明采用L2-norm)，统计整幅图像的梯度方向直方图(图像resize到一个window_size)，HOG特征提取已经是一个比较成熟的算法，相关公式细节不再赘述；
本发明相对于其他直接在整幅图像上提取HOG特征的方法，经历步骤S1～S3之后能够保证不受光照、遮挡、移动目标偶然性的干扰，为下一步进行特征比对提供了更好更具有表达能力的特征向量，图9和图10分别表示了同一路口北向南、南向北在图5、图7的基础上提取的HOG特征图，现有方案中，同一路口北向南、南向北由于是同一唯一字段无法区分、一般方法难以区分，但本发明中，可以观察到相较于直接提取HOG特征，在经过步骤S3之后能够观察到两个相似路口的明显区别；
步骤S5，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，基于比较结果对两张路口原始图片进行分类。
在此，通过比较不同路口图片对应的方向梯度HOG特征向量的余弦相似度，将余弦相似度大于预设阈值的路口图片归档到同一目录，将余弦相似度小于等于预设阈值的路口图片归档到不同的目录，例如可以新建的目录。
现有的方案，进行路口图像分类归档划分时，往往直接提取图像上的特征，但不同于静止图片，路口图像上往往有动态的目标(如车、上)，因此不管是传统算法还是深度学习算法直接提取图像而形成的特征向量往往因为移动目标造成的偶然性导致两张同一路口的证据图相似性过低或两张不同路口的证据图相似性过高。因此，本发明提出了基于场景分割进行静态参照目标提取、二值化、方向梯度比较的方法，使得不同证据图的特征向量相似性仅仅只与车道线、停止线、斑马线等等静态参照目标的位置和方向相关，大大提高了路口图片分类归档的准确率和效率。
本发明能够解决在智能交通系统中因不同厂商、处理不规范等无唯一字段或唯一字段，导致无法区分场景信息时的路口场景图片分类归档的问题。
本发明的路口分类方法一实施例中，步骤S5，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，基于比较结果对两张路口原始图片进行分类，包括：
比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，将余弦相似度大于预设阈值的路口原始图片归档到同一目录，将余弦相似度小于等于预设阈值的路口原始图片归档到不同目录。
在此，本发明提出了基于场景分割信息和方向梯度的场景信息特征提取并比较归类的方法来区分场景特征的证据图，并归档到不同目录下，进而供后续的其他算法利用或直接展示使用，大大的提升了违章抓拍证据图的使用率和显著提升了工作效率。
本发明的路口分类方法一实施例中，步骤S2，使用场景分割模型提取每张路口原始图片中的分割信息，包括：
使用场景分割模型，提取每张路口原始图片中每一个像素点(x,y)的分割信息，并得到每张路口原始图片中提取到的每一个像素点(x,y)的分割信息对应的分类值NN(x,y)。
本发明的路口分类方法一实施例中，步骤S3，将每张路口原始图片中的非静态参照目标进行过滤，并保留该路口图片中的静态参照目标，以对应生成二值化的灰度特征图，包括：
步骤S31，根据每张路口原始图片I得到对应的分割灰度图像M；
步骤S32，由分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi；
步骤S33，由每张路口原始图片I的各类静态参照目标对应的二值的灰度特征图Mi合成一张二值灰度特征图M′。
在此，本实施例通过本实施例每张路口原始图片I得到对应的分割灰度图像M，进而由分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi，再由每张路口原始图片I的各类静态参照目标的二值的灰度特征图Mi合成对应的一张二值灰度特征图M′，实现得到可靠的二值灰度特征图。
本发明的路口分类方法一实施例中，步骤S31，根据每张路口原始图片I得到对应的分割灰度图像M，包括：
步骤S311，设每张路口原始图片I的宽为w、高为h，用I(x，y)，x∈{0，1，2，...，w-1}，y∈{0，1，2，...，h-1}表示某张路口原始图片I在其坐标为(x,y)处像素点的像素值；
步骤S312，为每张路口原始图片I新建对应的分割灰度特征图M，其中，所述分割灰度特征图M的宽为w、高为h，且所述分割灰度特征图M中的每一个像素点的像素值初始为0；
步骤S313，记分割信息的类别编号为0、1、2、3…c-1，其中，所有类别编号0、1、2、3…c-1的集合记为C，c为正整数，所述分割信息共c个类别，0表示背景类别；
步骤S314，利用如下公式对所述分割灰度图像M中的每一个像素点(x,y)的像素值重新进行赋值：
Figure BDA0002243340120000091
在此，C表示原始路口图像I中设计并标注的类别编号的集合，0代表背景类别，1～c-1可以代表车道线、导向线、车辆等分割信息的类别，NN(x,y)表示某张路口原始图片I在其坐标(x,y)处的像素点经过实施场景分割模型(场景分割神经网络算法)后得到的分类值，M则为路口图像经过分割算法后得到的分割灰度特征图像，结果如图4中的灰度图像所示，其中，图2为叠加了彩色mask信息的道路分割图，图3为分割彩色效果图，图4为二值化的分割灰度特征图，其中，彩图为由分割灰度特征图，根据预设颜色矩阵得到的mask的彩色映射图。
本发明的路口分类方法一实施例中，步骤S32，由分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi，包括：
步骤S321，根据所述分割灰度特征图M，得到所述类别编号i分别为1、2、3…c-1对应的各个二值的灰度特征图Mi,i∈(1,2,...,c-1)。
在此，根据所述分割灰度特征图M和c个类别得到c-1张(不包括背景类别0)二值的灰度特征图Mi，其中，Mi,i∈(1,2,...,c-1)表示第i个类别编号对应的二值的灰度特征图，如,M1表示停止线、M2表示斑马线、M3表示左转导向线...M18表示小汽车等等。
本发明的路口分类方法一实施例中，步骤S33，由每张路口原始图片I的各类静态参照目标对应的二值的灰度特征图Mi合成一张二值灰度特征图M′，包括：
步骤S331，从所述类别编号1、2、3…c-1中选取静态参照目标的类别编号；
步骤S332，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图Mi合成一张二值灰度特征图M′。
本发明的路口分类方法一实施例中，步骤S37，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图合成一张二值灰度特征图M′，包括：
通过如下公式，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图合成一张静态二值灰度特征图M′：
Figure BDA0002243340120000101
其中，选出的所有静态参照目标的类别编号的集合记为C’，M′(x，y)表示静态二值灰度特征图M′的坐标位置(x,y)处的像素点的像素值。
在此，根据二值的灰度特征图Mi，使用车道线、停止线、栅栏等静态参照目标分别对应的二值的灰度特征图Mi，合成一张含静态参照目标的二值灰度特征图M′，其中，M′(x，y)表示静态参照特征图坐标位置(x,y)处的像素点的像素值。结果如图2～4所示展示了从原始图到静态二值灰度特征图的提取过程。表示公式如下所示:
其中，C′表示静态参照特征目标的类别编号的集合。本发明的静态参照目标可以包括车道线、停止线、车道分割栅栏等。
效果图如图5～8所示，其中，图5为路口由南向北抓拍的原始图片,图6为图5经过场景分割特征提取且动态目标过滤后的静态二值灰度特征图M′；
图7为与图5的同一路口由北向南抓拍的原始图片,8为图7经过场景分割特征提取且动态目标过滤后的静态二值灰度特征图M′。
本发明的路口分类方法一实施例中，步骤S5，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，包括：
步骤S51，基于如下公式分别计算两路口原始图片的方向梯度HOG特征向量A、B的余弦相似度similarity：
Figure BDA0002243340120000111
其中，Ai和Bi分别代表A和B的各分量，n为正整数。
在此，将两两HOG特征向量之间进行特征相似度比较中，本发明采用的是特征向量之间的余弦距离，既比较两个HOG特征向量之间的余弦相似度。相关公式如下所示:
Figure BDA0002243340120000112
这里的Ai和Bi分别代表A和B的各分量。本发明便可采用本公式4比较图9和图10两个方向梯度HOG特征向量A、B的相似度，进而可以准确区分出同一路口南向北和北向南的不同。
后续，可以将余弦相似度相似值较高的违章证据图像归档到同一目录下，整理字段并存档，即可完整基于场景分割和方向梯度的路口分类整个流程。
根据本发明的另一面，还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
根据本发明的另一面，还提供一种用于在网络设备端信息处理的设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行上述任一项所述的方法。
本发明的各设备和存储介质实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种路口分类方法，其特征在于，该方法包括：
获取拍摄的多张路口原始图片，使用场景分割模型提取每张路口原始图片中的分割信息，其中，所述分割信息包括非静态参照目标和静态参照目标；
将每张路口原始图片中的非静态参照目标进行过滤，并保留该路口图片中的静态参照目标，以对应生成二值化的灰度特征图；
提取每张二值化的灰度特征图中的静态参照目标的对应的方向梯度HOG特征向量；
比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，基于比较结果对两张路口原始图片进行分类。
2.根据权利要求1所述的方法，其特征在于，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，基于比较结果对两张路口原始图片进行分类，包括：
比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，将余弦相似度大于预设阈值的路口原始图片归档到同一目录，将余弦相似度小于等于预设阈值的路口原始图片归档到不同目录。
3.根据权利要求1所述的方法，其特征在于，使用场景分割模型提取每张路口原始图片中的分割信息，包括：
使用场景分割模型，提取每张路口原始图片中每一个像素点(x,y)的分割信息，并得到每张路口原始图片中提取到的每一个像素点(x,y)的分割信息对应的分类值NN(x,y)。
4.根据权利要求3所述的方法，其特征在于，将每张路口原始图片中的非静态参照目标进行过滤，并保留该路口图片中的静态参照目标，以对应生成二值化的灰度特征图，包括：
根据每张路口原始图片I得到对应的分割灰度图像M；
由所述分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi；
由每张路口原始图片I的各类静态参照目标对应的二值的灰度特征图Mi合成一张二值灰度特征图M′。
5.根据权利要求4所述的方法，其特征在于，根据每张路口原始图片I得到对应的分割灰度图像M，包括：
设每张路口原始图片I的宽为w、高为h；
为每张路口原始图片I新建对应的分割灰度特征图M，其中，所述分割灰度特征图M的宽为w、高为h，且所述分割灰度特征图M中的每一个像素点的像素值初始为0；
记分割信息的类别编号为0、1、2、3…c-1，其中，所有类别编号0、1、2、3…c-1的集合记为C，c为正整数，所述分割信息共c个类别，0表示背景类别；
利用如下公式对所述分割灰度图像M中的每一个像素点(x,y)的像素值重新进行赋值：
Figure FDA0002243340110000021
6.根据权利要求5所述的方法，其特征在于，由分割灰度图像M得到各类分割信息对应的二值的灰度特征图Mi，包括：
根据所述分割灰度特征图M，得到所述类别编号i分别为1、2、3…c-1对应的各个二值的灰度特征图Mi,i∈(1,2,...,c-1)。
7.根据权利要求6所述的方法，其特征在于，由每张路口原始图片I的各类静态参照目标对应的二值的灰度特征图Mi合成一张二值灰度特征图M′，包括：
从所述类别编号1、2、3…c-1中选取静态参照目标的类别编号；
将所有选出的静态参照目标的类别编号对应的二值的灰度特征图Mi合成一张二值灰度特征图M′。
8.根据权利要求7所述的方法，其特征在于，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图合成一张二值灰度特征图M′，包括：
通过如下公式，将所有选出的静态参照目标的类别编号对应的二值的灰度特征图合成一张静态二值灰度特征图M′：
Figure FDA0002243340110000031
其中，选出的所有静态参照目标的类别编号的集合记为C’，M′(x，y)表示静态二值灰度特征图M′的坐标位置(x,y)处的像素点的像素值。
9.根据权利要求1所述的方法，其特征在于，比较两张路口原始图片对应的方向梯度HOG特征向量的余弦相似度，包括：
步骤S51，基于如下公式分别计算两路口原始图片的方向梯度HOG特征向量A、B的余弦相似度similarity：
其中，Ai和Bi分别代表A和B的各分量，n为正整数。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至9中任一项所述的方法。
CN201911008041.4A 2019-10-22 2019-10-22 路口分类方法及设备 Pending CN110852353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911008041.4A CN110852353A (zh) 2019-10-22 2019-10-22 路口分类方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911008041.4A CN110852353A (zh) 2019-10-22 2019-10-22 路口分类方法及设备

Publications (1)

Publication Number Publication Date
CN110852353A true CN110852353A (zh) 2020-02-28

Family

ID=69596665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911008041.4A Pending CN110852353A (zh) 2019-10-22 2019-10-22 路口分类方法及设备

Country Status (1)

Country Link
CN (1) CN110852353A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428688A (zh) * 2020-04-16 2020-07-17 成都旸谷信息技术有限公司 基于mask矩阵的车辆的行驶车道智能识别方法、系统
CN113701777A (zh) * 2021-08-28 2021-11-26 浙江省测绘科学技术研究院 基于空间向量的高精地图车道关联轨迹线自动生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366158A (zh) * 2013-06-27 2013-10-23 东南大学 基于三维结构和色彩模型的单目视觉路面检测方法
CN106156723A (zh) * 2016-05-23 2016-11-23 北京联合大学 一种基于视觉的路口精定位方法
CN109583329A (zh) * 2018-11-13 2019-04-05 杭州电子科技大学 基于道路语义路标筛选的回环检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366158A (zh) * 2013-06-27 2013-10-23 东南大学 基于三维结构和色彩模型的单目视觉路面检测方法
CN106156723A (zh) * 2016-05-23 2016-11-23 北京联合大学 一种基于视觉的路口精定位方法
CN109583329A (zh) * 2018-11-13 2019-04-05 杭州电子科技大学 基于道路语义路标筛选的回环检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高庆吉 等: "机器人视觉定位中的路口场景识别方法研究", 《中国图像图像学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428688A (zh) * 2020-04-16 2020-07-17 成都旸谷信息技术有限公司 基于mask矩阵的车辆的行驶车道智能识别方法、系统
CN111428688B (zh) * 2020-04-16 2022-07-26 成都旸谷信息技术有限公司 基于mask矩阵的车辆的行驶车道智能识别方法、系统
CN113701777A (zh) * 2021-08-28 2021-11-26 浙江省测绘科学技术研究院 基于空间向量的高精地图车道关联轨迹线自动生成方法
CN113701777B (zh) * 2021-08-28 2022-11-04 浙江省测绘科学技术研究院 基于空间向量的高精地图车道关联轨迹线自动生成方法

Similar Documents

Publication Publication Date Title
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
Lin et al. Vaid: An aerial image dataset for vehicle detection and classification
Balali et al. Multi-class US traffic signs 3D recognition and localization via image-based point cloud model using color candidate extraction and texture-based recognition
US20120263346A1 (en) Video-based detection of multiple object types under varying poses
US20130243343A1 (en) Method and device for people group detection
CN103456003A (zh) 对象跟踪装置及方法以及错误特征点剔除装置及方法
CN107358189B (zh) 一种基于多视目标提取的室内环境下物体检测方法
Darapaneni et al. Computer vision based license plate detection for automated vehicle parking management system
Leon et al. Vehicle detection using mixture of deformable parts models: Static and dynamic camera
Sikirić et al. Image representations on a budget: Traffic scene classification in a restricted bandwidth scenario
Dhatbale et al. Deep learning techniques for vehicle trajectory extraction in mixed traffic
Yu et al. Traffic sign detection based on visual co-saliency in complex scenes
CN110852353A (zh) 路口分类方法及设备
Bai et al. Classify vehicles in traffic scene images with deformable part-based models
CN111753766A (zh) 一种图像处理方法、装置、设备及介质
CN114155285A (zh) 基于灰度直方图的图像配准方法
CN112101139B (zh) 人形检测方法、装置、设备及存储介质
CN113808142A (zh) 一种地面标识的识别方法、装置、电子设备
Siddique et al. Deep learning-based trajectory estimation of vehicles in crowded and crossroad scenarios
Hasan et al. Comparative analysis of vehicle detection in urban traffic environment using Haar cascaded classifiers and blob statistics
Wang et al. STV-based video feature processing for action recognition
Nguyen et al. Real-time pedestrian detection using a support vector machine and stixel information
Gawande et al. Scale invariant mask r-cnn for pedestrian detection
CN114387489A (zh) 电力设备识别方法、装置和终端设备
Choudhury et al. Human detection using orientation shape histogram and coocurrence textures

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230922