CN111680547A - 交通倒计时牌的识别方法、装置、电子设备以及存储介质 - Google Patents

交通倒计时牌的识别方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN111680547A
CN111680547A CN202010343501.5A CN202010343501A CN111680547A CN 111680547 A CN111680547 A CN 111680547A CN 202010343501 A CN202010343501 A CN 202010343501A CN 111680547 A CN111680547 A CN 111680547A
Authority
CN
China
Prior art keywords
image
color
digital
frame image
current
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
CN202010343501.5A
Other languages
English (en)
Other versions
CN111680547B (zh
Inventor
董嘉蓉
王昊
李林
李诗锐
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 CN202010343501.5A priority Critical patent/CN111680547B/zh
Publication of CN111680547A publication Critical patent/CN111680547A/zh
Application granted granted Critical
Publication of CN111680547B publication Critical patent/CN111680547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/582—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请涉及到图像处理领域，尤其涉及智能交通技术。本申请实施例中，通过设置获得交通倒计时牌的待识别的当前数字框图像；将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果，从而可利用多任务融合识别模型同时输出两种识别结果，相对于通过两个识别模型输出两种识别结果的方案来说，其计算资源得到了很好的优化。

Description

交通倒计时牌的识别方法、装置、电子设备以及存储介质
技术领域
本申请涉及到图像处理领域，尤其涉及智能交通技术。
背景技术
在无人车执行自动驾驶任务时，需要对交通倒计时牌的数字及颜色进行实时识别，以便及时调整驾驶行为，保障行车安全性，提高乘车人的乘车体验。
现有技术中，对于交通倒计时牌的数字和颜色是基于不同的识别模型实现的，通过颜色识别模型对于交通倒计时牌的颜色进行识别，通过数字识别模型对交通倒计时牌上的数字进行识别。而基于颜色识别结果和数字识别结果，可对无人车的驾驶行为进行控制。
但是，由于不同的识别模型相互独立运行，且同时运行两个识别模型需要大量的计算资源进行承载，对计算资源有着很高的损耗。
发明内容
本申请实施例提供一种交通倒计时牌的识别方法、装置、电子设备以及存储介质，解决了现有技术中，当对交通倒计时牌进行识别时，由于不同的识别模型相互独立运行，其每个模型均匀要大量的计算资源进行承载，计算资源损耗较大的问题。
本申请实施例第一方面提供一种交通倒计时牌的识别方法，包括：
获得交通倒计时牌的待识别的当前数字框图像；
将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；
根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
本申请实施例第二方面提供一种交通倒计时牌的识别装置，包括：
获取模块，用于获得交通倒计时牌的待识别的当前数字框图像；
处理模块用于，将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；
输出模块，用于根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
本申请实施例第三方面提供一种电子设备,包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够第一方面中任一项所述的方法。
本申请实施例第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。
本申请实施例第五方面提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如第一方面所述的方法。
本申请实施例中，通过设置获得交通倒计时牌的待识别的当前数字框图像；将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果，从而可利用多任务融合识别模型同时输出两种识别结果，相对于通过两个识别模型输出两种识别结果的方案来说，其计算资源得到了很好的优化。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是现有技术中的网络架构示意图；
图2是可以实现本申请实施例的交通倒计时牌的识别方法的场景图；
图3是本申请提供的一种交通倒计时牌的识别方法的流程示意图；
图4是本申请提供的一种多任务融合识别模型的结构示意图；
图5是本申请提供的另一种交通倒计时牌的识别方法的流程示意图；
图6为本申请提供的一种交通倒计时牌的识别装置的结构示意图；
图7是用来实现本申请实施例的磁盘管理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
为了清楚理解本申请的技术方案，首先对现有技术的方案进行详细介绍。
在无人车执行自动驾驶任务时，需要对交通倒计时牌的数字及颜色进行实时识别，以便及时调整驾驶行为，保障行车安全性，提高乘车人的乘车体验。
现有技术中，对于交通倒计时牌的数字和颜色是基于不同的识别模型实现的，通过颜色识别模型对于交通倒计时牌的颜色进行识别，通过数字识别模型对交通倒计时牌上的数字进行识别。而基于颜色识别结果和数字识别结果，可对无人车的驾驶行为进行控制。
具体来说，图1是现有技术中的网络架构示意图，如图1所示的，通过对交通倒计时牌上的图像进行采集获得待识别的数字框图像，然后，将该数字框图像分别输入至颜色识别模型和数字识别模型，以利用该颜色识别模型和数字识别依次对数字框图像进行特征提取、特征分析等处理，并输出相应的颜色识别结果和数字识别结果。该两种识别结果可用于对无人车的驾驶行为进行控制。
但是，由于该两种识别模型相互独立运行，且每个模型均需依次执行数字图像的特征提取和特征分析等处理，在其过程中需要运用大量的计算资源进行承载，资源损耗较大。
所以针对现有技术中出现的计算资源损耗高的问题，发明人在研究中发现，可将两个识别模型中的步骤进行重组和优化，以使得对于两个识别模型中类似的处理步骤进行复用，从而节约计算资源，降低资源损耗。发明人基于上述的创造性发现，提出了本申请的技术方案。
下面对本申请实施例提供的交通倒计时牌的识别方法、装置、电子设备以及存储介质的应用场景进行介绍。
图2是可以实现本申请实施例的交通倒计时牌的识别方法的场景图，如图2所示，本申请实施例提供的交通倒计时牌的识别方法对应的应用场景中包括：无人车1、电子设备2以及交通倒计时牌3。
其中，道路的路口一般设置有交通倒计时牌3，该交通倒计时牌3 上是由带有颜色的数字显示器构成的。即，基于交通指挥信号，交通倒计时牌进行倒计时的数字显示，且基于不同的路口通行状态，其数字显示为不同颜色。
无人车1上可安装采集设备，其可与车辆的车载电脑进行集成，也可与车辆的行车记录仪或其他类型的图像采集装置进行集成。通过其采集设备的图像采集功能对于道路上的交通倒计时牌3当前显示的图像进行采集。
电子设备2具体可为硬件服务器，或承载云端服务器的硬件载体。当无人车1的采集设备完成对于交通倒计时牌3的图像进行采集之后，通过网络将图像发送至电子设备2，以供电子设备2对其进行处理，并将处理结果返回至无人车1，以供无人车1基于该处理结果控制其自身的驾驶行为。
当然，需要说明的是，本申请提供的交通倒计时牌的识别方法，不仅可用于对于无人车的驾驶行为的控制场景，还可适用于其他场景。
例如，基于交通倒计时牌的识别对于行人或车辆是否存在闯红灯等违法行为的识别场景；基于交通倒计时牌的识别对于城市交通网络进行智能控制等场景。
本申请提供的交通倒计时牌的识别方法无论处于哪种场景中，均采用多任务融合识别模型对交通倒计时牌的颜色和数字进行识别，以得到颜色和数字的识别结果。
以下将参照附图来具体描述本申请的实施例。
图3是本申请提供的一种交通倒计时牌的识别方法的流程示意图，如图3所示的，本申请实施例的执行主体为承载有交通倒计时牌的识别装置，该交通倒计时牌的识别装置可集成在前述的备中。
本实施例提供的交通倒计时牌的识别方法包括以下几个步骤。
步骤101、获得交通倒计时牌的待识别的当前数字框图像。
步骤102、将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果。
步骤103、根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
在本实施例中，该多任务融合识别模型可对于待识别的当前数字框图像进行处理以分别输出当前数字框图像对应的数字识别结果和颜色识别结果。与现有技术相比，通过将两个识别模型中的处理步骤进行重组和优化，以形成的多任务融合识别模型可有效使得识别交通倒计时牌所需要的运算资源的损耗得到降低。
具体来说，如步骤101所述，首先识别装置将获得交通倒计时牌的待识别的当前数字框图像。
一般的，交通倒计时牌是实时更新的，其更新频率一般为30帧每秒。因此，无人车1的采集设备在采集交通倒计时牌的图像时，可基于其更新频率进行采集；例如，采用每10帧对交通倒计时牌进行一次图像采集的方式，或，每30帧对交通倒计时牌进行一次图像采集的方式。
而每一次采集得到的交通倒计时牌的图像均将被发送至识别装置，以供其进行预处理。在预处理过程中，识别装置将对图像进行剪裁、旋转、二值化等处理，以获得便于输入多任务融合识别模型的当前数字框图像。
如步骤102所述，随后，将当前数字框图像输入至多任务融合识别模型，输出当前数字框图像对应的数字识别结果和颜色识别结果。
最后，如步骤103所述的，可基于根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
下面提供了一种具体的实现方式：
具体来说，一般的，交通倒计时牌是由2个数字位组成的，因此，针对一个交通倒计时牌来说，其获得的待识别的当前数字框图像的数量为两个。也就是说，通过多任务融合识别模型将分别对两个当前数字框图像进行处理，得到两组数字识别结果和颜色识别结果。
在基于这些结果输出交通倒计时牌当前识别结果中的数字结果时，需要考虑到相应的当前数字框图像在交通倒计时牌中的位置(即个位还是十位)，及每个当前数字框图像的数字识别结果，才能确定交通倒计时牌当前所表示的数字。
在基于这些结果输出交通倒计时牌当前识别结果中的颜色结果时，则可直接根据每个当前书数字框图像的颜色识别结果，确定交通倒计时牌当前所表示的颜色。当然，一般来说，在考虑颜色结果时，由于交通倒计时牌的两个当前数字框图像应处于相同颜色，因此可将两组颜色识别结果进行综合考虑，以得到最准确的颜色结果。
在前述实施例的基础上，为了降低计算开销，考虑到识别模型的各处理步骤中特征提取这一部分普适性，在本实施例中，可将模型中的卷积层置为共享卷积层，以使后续的处理均采用该共享卷积层得到的特征来进行。图4是本申请提供的一种多任务融合识别模型的结构示意图。
具体的，该多任务融合识别模型包括：共享卷积层、数字分支处理层、颜色分支处理层，相应的，上述实施例中的步骤102具体可包括：
步骤1021、利用所述共享卷积层对输入的当前数字框图像进行特征提取，获得图像特征。
步骤1022、将图像特征分别输入数字分支处理层和颜色分支处理层，输出当前数字框图像对应的数字识别结果和颜色识别结果。
具体来说，如图4所示的，首先，输入多任务融合识别模型的当前数字框图像将进入共享卷积层进行处理。共享卷积层是指采用卷积的方式对当前数字框图像中的图像映射至不同维度的过程，而映射得到的数据能够体现其图像在不同维度下的特性；其中的卷积的次数为多次(如图4所示的3次)，即针对当前数字框图像来说，通过对其中的全部或部分图像进行多次卷积的方式，能够有效提取可代表其自身图像信息的图像特征。
随后，共享卷积层输出的图像特征将被分别输入至不同的分支处理层，即本实施例中的数字分支处理层和颜色分支处理层，以分别进行后续处理。
需要说明的是，对于数字分支处理层和颜色分支处理层来说，其处理可为同步执行，也可为异步执行；其中，当其为异步执行时，其不同分支处理层的执行先后顺序不进行限制。
针对数字分支处理层来说，为了根据图像特征进行数字的识别，首先，需要从图像特征中抽取所述图像特征中的数字分类区分性特征，该数字分类区分性特征用于表示当前数字框图像的边缘信息和语义信息。
然后，识别装置才能基于抽取的数字分类区分性特征进行识别处理，以得到获得数字识别结果。具体的，数字分支处理层还可包括堆叠的卷积层、全链接层以及softmax函数层，将前述获得的数字分类区分性特征依次输入至该堆叠的卷积层、全链接层以及softmax函数层中，最后将输出数字识别结果。需要说明的是，其中的堆叠的卷积层、全链接层以及softmax函数层可与现有方式类似，在此不进行赘述。
类似的是，针对颜色分支处理层来说，为了根据图像特征进行数字的识别，首先，需要从图像特征中抽取所述图像特征中的颜色分类区分性特，该颜色分类区分性特征用于表示当前数字框图像的颜色信息和语义信息。
然后，识别装置才能基于抽取的颜色分类区分性特征进行识别处理，以得到获得颜色识别结果。具体的，颜色分支处理层还可包括堆叠的卷积层、全链接层以及softmax函数层，将前述获得的颜色分类区分性特征依次输入至该堆叠的卷积层、全链接层以及softmax函数层中，最后将输出颜色识别结果。需要说明的是，其中的堆叠的卷积层、全链接层以及softmax函数层可与现有方式类似，在此不进行赘述。
在本实施例中，识别装置可在获得图像特征之后，分别将图像特征输入至不同的分支处理层，从而实现对于数字的识别和颜色的识别。其中，为了提高识别的准确性，在进入分支处理层之后，还给予分支处理层的识别目的，进行特征抽取，以保留对相应分处处理层更为有意义的特征，以进行运算，从而保证了输出结果的准确性。
在上述实施例的基础上，为了降低待识别的当前数字框图像为黑屏或闪屏图像，而对整个识别结果造成的误差，本实施例中，还可对于此类情况进行识别，以保证识别准确性。
具体来说，如步骤101所述的，交通倒计时牌是实时更新的，其更新频率一般为30帧每秒。而每一次采集得到的交通倒计时牌的图像均将被发送至识别装置，以供其进行预处理。因此，在频闪的情况下，采集装置可能会采集到处于黑屏或闪屏状态下(即交通倒计时牌处于更新时)的交通倒计时牌的图像。在这种情况下，将此类图像输入至模型，并输出其对应的颜色和数字均(如现有技术中采用的输出的颜色结果为红黄绿，数字结果为0-9)将影响着后续的处理，如会影响无人车的驾驶行为的判定等。
具体来说，前述的步骤103具体可包括：根据数字识别结果和颜色识别结果，确定当前数字框图像是否为黑屏图像；以及若是，则将上一识别结果作为交通倒计时牌当前识别结果。
也就是说，若当前数字框图像对应的识别结果被认定为黑屏图像，那么本次得到的识别结果则可被认定为无效，并不被输出，而将前一次有效的识别结果作为本次识别结果进行输出。
此外，针对于黑屏图像的判定，可基于对识别模型可识别类型进一步细分实现。
具体的，颜色识别结果包括：红色、黄色、绿色、黑屏以及图像在每一种颜色分类(包括红色、黄色、绿色、黑屏)下的概率；数字识别结果包括：0至9和黑屏，以及图像在每一种数字分类(包括0至9以及黑)的概率。
因此，当多任务融合识别模型输出的颜色识别结果和/或数字识别结果中，黑屏的概率达到一定量级时，则交通倒计时牌当前识别结果为黑屏。其中，对于黑屏的认定可采用将颜色识别结果中的黑屏概率与数字识别结果中黑屏的概率进行相加获得，例如，当相加得到的黑屏的概率和大于0.5时，则可认为当前数字框图像对应的识别结果为黑屏。
通过这样的方式，能够在降低运算资源消耗的基础上，降低倒计时牌的频闪导致的当前数字框图像出现黑屏和模糊的问题，保证识别准确率。
在其他可选实施方式中，为了进一步提高在识别的鲁棒性，避免当前数字框图像出现干扰而导致识别结果有误的问题，在前述各实施例的基础上，图5是本申请提供的另一种交通倒计时牌的识别方法的流程示意图。如图5所示的，该识别方法包括：
步骤201、获取样本图像集，其中所述样本图像集包括有数字框图像的干扰样本图像，数字框图像的非干扰样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对各样本图像进行图像标注处理获得的。
步骤202、建立待训练的多任务融合识别模型，利用所述样本图像集以损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型。
步骤203、获得交通倒计时牌的待识别的当前数字框图像；
步骤204、将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；
步骤205、根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
具体来说，在步骤201中，如前所述的，为了保证多任务融合识别模型的识别抗干扰性，在样本图像集中将包括有存在一定干扰的干扰样本图像以及不存在干扰的非干扰样本图像。
其中，对于干扰的来源，其一为前述的黑屏，即可选实施方式中，该干扰样本图像可为黑屏样本图像，非干扰样本图像可为非黑屏样本图像。通过采用对黑屏作为干扰因素的方式，能够使得模型对于黑屏的图像进行有效识别。
其二为图像完整性，如前所述的，采集设备一般安装于无人车上，若采集的时间不够容易出现当前数字框图像中的数字缺失的问题。为了提高模型对于这种情况的识别鲁棒性，可将干扰样本设置为非完整样本图像，非干扰样本为完整样本图像。通过采用对完整性作为干扰因素的方式，能够使得模型对于存在缺失的图像进行有效识别。
此外，在步骤201中，针对于每个图像样本，还需要对其进行图像标注处理以得到对应的软标签。相对于常规标签来说，软标注对于图像的分类有着更合理的划分。
具体来说，常规标签的标注会使得某一图像被认定属于类别A的概率为1，属于类别B的概率为0，属于类别C的概率为0。而本实施例考虑到样本中存在一定的干扰因素，因此，采用这样的标注方式不利于对于模型进行抗干扰训练。在这样的基础上，软标签的方式会使得某一图像被让人某一图像被认定属于类别A的概率为0.7，属于类别B的概率为0.1，属于类别C的概率为0.2，即该图像在全部类别下均存在一定的概率。
利用这样的方式，在执行步骤202时以对待训练模型进行训练时，则可要利用相应的损失函数来进行。
简单来说，损失函数而用于引导模型按照预设目标进行训练的函数。在本实施例中可采用交叉熵损失函数的方式实现。由于干扰图像可被识别为多个类型，为了更好的处理这部分图像，结合前述的软标签可得到如下交叉熵损失函数：
Figure RE-GDA0002626317760000101
其中，Loss是指交叉熵损失函数的取值，N是指该图像的软标签中的类别数量(如前述实施例所述的红黄绿黑四类，N＝4),pi是图像的软标签中第i类对应的概率，qi是模型在预测图像属于第i类的概率。一般的，样本图像的软标签表示为[p0，...，p10],且
Figure RE-GDA0002626317760000102
利用上述损失函数对于模型进行训练能够使得通过模型在识别某一图像时对于图像在多个类型下的结果均存在一定概率，而不会以高概率识别为某个类别，便于模型的抗干扰性和鲁棒性。
再后步骤203-205与前述实施例101-103类似，在此不进行赘述。
通过这样的方式，能够在降低运算资源消耗的基础上，保证模型在对于图像出现干扰因素时的识别准确性和鲁棒性。
图6为本申请提供的一种交通倒计时牌的识别装置的结构示意图。如图6所示的，该识别装置包括：获取模块10、处理模块20以及输出模块30；
其中，获取模块10，用于获得交通倒计时牌的待识别的当前数字框图像；
处理模块20，用于将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；
输出模块30，用于根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
可选实施例中，多任务融合识别模型包括：共享卷积层、数字分支处理层、颜色分支处理层；
所述处理模块20，具体用于：利用所述共享卷积层对输入的当前数字框图像进行特征提取，获得图像特征；将图像特征分别输入数字分支处理层和颜色分支处理层，输出当前数字框图像对应的数字识别结果和颜色识别结果。
可选实施例中，所述输出模块30具体用于所述数字分支处理层抽取所述图像特征中的数字分类区分性特征，并对数字分类区分性特征进行处理，获得数字识别结果；其中，所述数字分类区分性特征用于表示当前数字框图像的边缘信息和语义信息。
可选实施例中，所述处理模块20具体用于：所述颜色分支处理层抽取所述图像特征中的颜色分类区分性特征，并对颜色分类区分性特征进行处理，获得颜色识别结果；
其中，所述颜色分类区分性特征用于表示当前数字框图像的颜色信息和语义信息。
可选实施例中，所述输出模块30具体用于根据数字识别结果和颜色识别结果，确定当前数字框图像是否为黑屏图像；若是，则将上一识别结果作为交通倒计时牌当前识别结果。
可选实施例中，该识别装置还包括：第一训练模块；
所述训练模块用于获取第一样本图像集，其中所述第一样本图像集包括有数字框图像的黑屏样本图像，数字框图像的非黑屏样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对样本图像进行图像标注处理获得的；建立待训练的多任务融合识别模型，利用所述第一样本图像集以第一损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型；其中，所述第一损失函数是根据黑屏样本图像的软标签确定的。
可选实施例中，该识别装置还包括：第二训练模块；
所述第二训练模块具体用于获取第二样本图像集，其中所述第二样本图像集包括有数字框图像的完整样本图像，数字框图像的非完整样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对样本图像进行图像标注处理获得的；建立待训练的多任务融合识别模型，利用所述第二样本图像集以及第二损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型；其中，所述第二损失函数是根据非完整样本图像的软标签确定的。
可选实施例中，所述交通倒计时牌的待识别的当前数字框图像的数量为两个。
可选实施例中，所述输出模块30具体用于：根据每个当前数字框图像在交通倒计时牌中的位置，以及每个当前书数字框图像的数字识别结果，确定交通倒计时牌当前所表示的数字；根据每个当前书数字框图像的颜色识别结果，确定交通倒计时牌当前所表示的颜色。
本申请提供的交通倒计时牌的识别装置可以执前述任一所示方法实施例的技术方案，其实现原理和技术效果前述方法实施例类似，在此不再一一赘述。
本申请实施例中，通过设置获得交通倒计时牌的待识别的当前数字框图像；将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果，从而可利用多任务融合识别模型同时输出两种识别结果，相对于通过两个识别模型输出两种识别结果的方案来说，其计算资源得到了很好的优化。
根据本申请的实施例，本申请还提供了一种电子设备。
如图7所示，是根据本申请实施例的磁盘管理方法的电子设备的框图。电子设备旨在各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器1001、存储器 1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作 (例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的磁盘管理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的磁盘管理方法。
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的磁盘管理方法对应的程序指令/模块(例如，附图7所示的环境数据获取模块801，特征数据提取模块802，初始危险值预测模块803，最终危险值计算模块804及区域计算模块805)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的磁盘管理方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图7的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至图7的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图7的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置1003可接收输入的语音、数字或字符信息，以及产生与图7的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括语音播放设备、显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN) 和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (20)

1.一种交通倒计时牌的识别方法，其特征在于，包括：
获得交通倒计时牌的待识别的当前数字框图像；
将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；
根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
2.根据权利要求1所述的识别方法，其特征在于，多任务融合识别模型包括：共享卷积层、数字分支处理层、颜色分支处理层；
所述将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出数字框图像对应的数字识别结果和颜色识别结果，包括：
利用所述共享卷积层对输入的当前数字框图像进行特征提取，获得图像特征；
将图像特征分别输入数字分支处理层和颜色分支处理层，输出当前数字框图像对应的数字识别结果和颜色识别结果。
3.根据权利要求2所述的识别方法，其特征在于，所述将图像特征输入数字分支处理层，输出当前数字框图像对应的数字识别结果，包括：
所述数字分支处理层抽取所述图像特征中的数字分类区分性特征，并对数字分类区分性特征进行处理，获得数字识别结果；
其中，所述数字分类区分性特征用于表示当前数字框图像的边缘信息和语义信息。
4.根据权利要求2所述的识别方法，其特征在于，将图像特征输入颜色分支处理层，输出当前数字框图像对应的颜色识别结果，包括：
所述颜色分支处理层抽取所述图像特征中的颜色分类区分性特征，并对颜色分类区分性特征进行处理，获得颜色识别结果；
其中，所述颜色分类区分性特征用于表示当前数字框图像的颜色信息和语义信息。
5.根据权利要求1所述的识别方法，其特征在于，根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果，包括：
根据数字识别结果和颜色识别结果，确定当前数字框图像是否为黑屏图像；
若是，则将上一识别结果作为交通倒计时牌当前识别结果。
6.根据权利要求1所述的识别方法，其特征在于，还包括：
获取第一样本图像集，其中所述第一样本图像集包括有数字框图像的黑屏样本图像，数字框图像的非黑屏样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对样本图像进行图像标注处理获得的；
建立待训练的多任务融合识别模型，利用所述第一样本图像集以第一损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型；其中，所述第一损失函数是根据黑屏样本图像的软标签确定的。
7.根据权利要求1所述的识别方法，其特征在于，还包括：
获取第二样本图像集，其中所述第二样本图像集包括有数字框图像的完整样本图像，数字框图像的非完整样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对样本图像进行图像标注处理获得的；
建立待训练的多任务融合识别模型，利用所述第二样本图像集以及第二损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型；其中，所述第二损失函数是根据非完整样本图像的软标签确定的。
8.根据权利要求1-7任一项所述的识别方法，其特征在于，所述交通倒计时牌的待识别的当前数字框图像的数量为两个。
9.根据权利要求8所述的识别方法，其特征在于，所述根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果，包括：
根据每个当前数字框图像在交通倒计时牌中的位置，以及每个当前书数字框图像的数字识别结果，确定交通倒计时牌当前所表示的数字；
根据每个当前书数字框图像的颜色识别结果，确定交通倒计时牌当前所表示的颜色。
10.一种交通倒计时牌的识别装置，其特征在于，包括：
获取模块，用于获得交通倒计时牌的待识别的当前数字框图像；
处理模块，用于将所述当前数字框图像输入至多任务融合识别模型，以使多任务融合识别模型输出当前数字框图像对应的数字识别结果和颜色识别结果；
输出模块，用于根据数字识别结果和颜色识别结果，输出交通倒计时牌当前识别结果。
11.根据权利要求10所述的识别装置，其特征在于，多任务融合识别模型包括：共享卷积层、数字分支处理层、颜色分支处理层；
所述处理模块，具体用于：
利用所述共享卷积层对输入的当前数字框图像进行特征提取，获得图像特征；
将图像特征分别输入数字分支处理层和颜色分支处理层，输出当前数字框图像对应的数字识别结果和颜色识别结果。
12.根据权利要求11所述的识别装置，其特征在于，所述输出模块具体用于所述数字分支处理层抽取所述图像特征中的数字分类区分性特征，并对数字分类区分性特征进行处理，获得数字识别结果；其中，所述数字分类区分性特征用于表示当前数字框图像的边缘信息和语义信息。
13.根据权利要求11所述的识别装置，其特征在于，所述处理模块具体用于：
所述颜色分支处理层抽取所述图像特征中的颜色分类区分性特征，并对颜色分类区分性特征进行处理，获得颜色识别结果；
其中，所述颜色分类区分性特征用于表示当前数字框图像的颜色信息和语义信息。
14.根据权利要求10所述的识别装置，其特征在于，所述输出模块具体用于根据数字识别结果和颜色识别结果，确定当前数字框图像是否为黑屏图像；若是，则将上一识别结果作为交通倒计时牌当前识别结果。
15.根据权利要求10所述的识别装置，其特征在于，还包括：第一训练模块；
所述训练模块用于获取第一样本图像集，其中所述第一样本图像集包括有数字框图像的黑屏样本图像，数字框图像的非黑屏样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对样本图像进行图像标注处理获得的；建立待训练的多任务融合识别模型，利用所述第一样本图像集以第一损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型；其中，所述第一损失函数是根据黑屏样本图像的软标签确定的。
16.根据权利要求10所述的识别装置，其特征在于，还包括：第二训练模块；
所述第二训练模块具体用于获取第二样本图像集，其中所述第二样本图像集包括有数字框图像的完整样本图像，数字框图像的非完整样本图像，以及每个样本图像的软标签，所述样本图像的软标签是对样本图像进行图像标注处理获得的；建立待训练的多任务融合识别模型，利用所述第二样本图像集以及第二损失函数，对待训练的多任务融合识别模型进行训练获得多任务融合识别模型；其中，所述第二损失函数是根据非完整样本图像的软标签确定的。
17.根据权利要求10-16任一项所述的识别装置，其特征在于，所述交通倒计时牌的待识别的当前数字框图像的数量为两个。
18.根据权利要求17所述的识别装置，其特征在于，所述输出模块具体用于：根据每个当前数字框图像在交通倒计时牌中的位置，以及每个当前书数字框图像的数字识别结果，确定交通倒计时牌当前所表示的数字；
根据每个当前书数字框图像的颜色识别结果，确定交通倒计时牌当前所表示的颜色。
19.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-9中任一项所述的方法。
CN202010343501.5A 2020-04-27 2020-04-27 交通倒计时牌的识别方法、装置、电子设备以及存储介质 Active CN111680547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343501.5A CN111680547B (zh) 2020-04-27 2020-04-27 交通倒计时牌的识别方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343501.5A CN111680547B (zh) 2020-04-27 2020-04-27 交通倒计时牌的识别方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN111680547A true CN111680547A (zh) 2020-09-18
CN111680547B CN111680547B (zh) 2024-01-12

Family

ID=72433844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343501.5A Active CN111680547B (zh) 2020-04-27 2020-04-27 交通倒计时牌的识别方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN111680547B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434686A (zh) * 2020-11-16 2021-03-02 浙江大学 针对ocr图片的端到端含错文本分类识别仪

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289805A (zh) * 2011-06-10 2011-12-21 北京云加速信息技术有限公司 一种基于视频的地铁人群密度检测方法
KR20160047832A (ko) * 2014-10-23 2016-05-03 엘지전자 주식회사 이동 단말기 및 그 제어 방법
US20160217336A1 (en) * 2015-01-23 2016-07-28 Papago Inc. Traffic sign identification system and method
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN109413411A (zh) * 2018-09-06 2019-03-01 腾讯数码（天津）有限公司 一种监控线路的黑屏识别方法、装置及服务器
CN109635668A (zh) * 2018-11-16 2019-04-16 华中师范大学 基于软标签集成卷积神经网络的人脸表情识别方法及系统
CN109767637A (zh) * 2019-02-28 2019-05-17 杭州飞步科技有限公司 倒计时信号灯识别及处理的方法和装置
CN209159681U (zh) * 2018-10-22 2019-07-26 浙江吉利汽车研究院有限公司 一种车辆行驶控制装置及一种车辆
CN110309755A (zh) * 2019-06-25 2019-10-08 广州文远知行科技有限公司 一种交通信号灯的时间校正方法、装置、设备和存储介质
CN110414387A (zh) * 2019-07-12 2019-11-05 武汉理工大学 一种基于道路分割的车道线多任务学习检测方法
CN110706494A (zh) * 2019-10-30 2020-01-17 北京百度网讯科技有限公司 自动驾驶车辆的控制方法、装置、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289805A (zh) * 2011-06-10 2011-12-21 北京云加速信息技术有限公司 一种基于视频的地铁人群密度检测方法
KR20160047832A (ko) * 2014-10-23 2016-05-03 엘지전자 주식회사 이동 단말기 및 그 제어 방법
US20160217336A1 (en) * 2015-01-23 2016-07-28 Papago Inc. Traffic sign identification system and method
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN109413411A (zh) * 2018-09-06 2019-03-01 腾讯数码（天津）有限公司 一种监控线路的黑屏识别方法、装置及服务器
CN209159681U (zh) * 2018-10-22 2019-07-26 浙江吉利汽车研究院有限公司 一种车辆行驶控制装置及一种车辆
CN109635668A (zh) * 2018-11-16 2019-04-16 华中师范大学 基于软标签集成卷积神经网络的人脸表情识别方法及系统
CN109767637A (zh) * 2019-02-28 2019-05-17 杭州飞步科技有限公司 倒计时信号灯识别及处理的方法和装置
CN110309755A (zh) * 2019-06-25 2019-10-08 广州文远知行科技有限公司 一种交通信号灯的时间校正方法、装置、设备和存储介质
CN110414387A (zh) * 2019-07-12 2019-11-05 武汉理工大学 一种基于道路分割的车道线多任务学习检测方法
CN110706494A (zh) * 2019-10-30 2020-01-17 北京百度网讯科技有限公司 自动驾驶车辆的控制方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHIEN-CHUNG WU等: "A Research on Constructing the Recognition System for Dynamic Pedestrian Traffic Signals Through Machine Vision", 《ADVANCES IN INTELLIGENT SYSTEMS AND COMPUTING》, vol. 1036, pages 493 - 501 *
孙想: "基于多任务卷积神经网络的视频目标属性识别", 《中国硕士学位论文全文数据库(信息科技辑)》, no. 2018, pages 138 - 661 *
王革思等: "实验教学范例解析:交通信号时间显示器", 《哈尔滨工程大学电工电子实验教学中心》, pages 28 - 30 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434686A (zh) * 2020-11-16 2021-03-02 浙江大学 针对ocr图片的端到端含错文本分类识别仪

Also Published As

Publication number Publication date
CN111680547B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN110717339B (zh) 语义表示模型的处理方法、装置、电子设备及存储介质
Li et al. A deep learning-based hybrid framework for object detection and recognition in autonomous driving
US20210117705A1 (en) Traffic image recognition method and apparatus, and computer device and medium
US11694461B2 (en) Optical character recognition method and apparatus, electronic device and storage medium
CN111694973B (zh) 自动驾驶场景的模型训练方法、装置、电子设备
CN111292531B (zh) 交通信号灯的跟踪方法、装置、设备及存储介质
CN110675644B (zh) 道路红绿灯的识别方法、装置、电子设备及存储介质
KR20220113829A (ko) 차량 추적 방법, 장치 및 전자 기기
CN105956626A (zh) 基于深度学习的对车牌位置不敏感的车牌识别方法
CN111783646A (zh) 行人再识别模型的训练方法、装置、设备和存储介质
CN114415628A (zh) 自动驾驶测试方法及装置、电子设备和存储介质
EP3876163B1 (en) Model training, image processing method, device, storage medium, and program product
CN111767831B (zh) 用于处理图像的方法、装置、设备及存储介质
WO2019047597A1 (zh) 一种识别光照驾驶场景的方法和装置
CN112507090A (zh) 用于输出信息的方法、装置、设备和存储介质
CN111652153A (zh) 场景自动识别方法、装置、无人车及存储介质
CN115860102B (zh) 一种自动驾驶感知模型的预训练方法、装置、设备和介质
CN111666714A (zh) 自动驾驶仿真场景识别的方法及装置
CN111627241A (zh) 用于生成车辆排队信息的方法和装置
CN114610628A (zh) 场景库建立及测试方法、装置、设备、介质及程序产品
CN113673281A (zh) 限速信息确定方法、装置、设备以及存储介质
CN115033739A (zh) 搜索方法、模型训练方法、装置、电子设备和介质
CN111680547B (zh) 交通倒计时牌的识别方法、装置、电子设备以及存储介质
CN113361303B (zh) 临时交通标志牌识别方法、装置及设备
CN113139452A (zh) 基于目标检测的使用手机行为的检测方法

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
TA01 Transfer of patent application right

Effective date of registration: 20211022

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: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant