CN111931755A - 空间标志识别方法及电子设备 - Google Patents
空间标志识别方法及电子设备 Download PDFInfo
- Publication number
- CN111931755A CN111931755A CN202011095478.9A CN202011095478A CN111931755A CN 111931755 A CN111931755 A CN 111931755A CN 202011095478 A CN202011095478 A CN 202011095478A CN 111931755 A CN111931755 A CN 111931755A
- Authority
- CN
- China
- Prior art keywords
- space mark
- identification data
- image
- obtaining
- frame
- 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
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本申请是关于一种空间标志识别方法及电子设备,该方法包括:从车载相机模块采集的视频中,获得包括空间标志的多帧图像,将所述多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中所述空间标志的预识别数据,依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据。本申请提供的方案,能够自动识别车载相机模块所采集图像中的空间标志,进而能够依据识别结果自动生成高精地图对象。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及空间标志识别方法及电子设备。
背景技术
随着空间技术、信息技术的发展,城市基础设施的统一管理与智能交互逐渐进入大众视野。路牌作为城市地理实体的信息承载载体,具备地名信息导引功能,同时作为分布于城市道路交叉口的基础设施,在空间上具有其特殊性,是城市基础物联网的良好载体。
从卫星照片创建的地图随时可用。这些地图显示了地形的性质,包括道路和道路附件的结构。这种道路的准确性通常为米级,因此卫星创建的地图通常不足以准确地用于车辆路线导航目的。各种地图测绘公司通过使用特殊测绘车辆对这些地图进行了重大修正,这些测绘车辆通常使用激光雷达技术,创建了在全球范围的车辆路线导航地图。然而,这样的地图通常仅精确到几米。虽然这样的车辆路线导航地图足以用于路线导航,但这样的地图中路牌位置不够精确,这对于高速行驶的车辆及时识别路边的路牌来说是不够的。
发明内容
为克服相关技术中存在的问题,本申请提供一种空间标志识别方法及电子设备,能够自动识别车载相机模块所采集图像中的空间标志,进而能够依据识别结果自动生成高精地图对象。
本申请一方面提供一种空间标志识别方法,包括:
从车载相机模块采集的视频中,获得包括空间标志的多帧图像;
依据所述多帧图像和预先训练好的深度学习网络模型,获得所述空间标志的识别数据。
在一些实施例中,依据所述多帧图像和预先训练好的深度学习网络模型,获得所述空间标志的识别数据包括:
将所述多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中所述空间标志的预识别数据;
依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据。
在一些实施例中,依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据包括:
依据所述多帧图像的预识别数据,预判属于所述空间标志的对象;
对于被预判为空间标志的对象,判断所述多帧图像中具有该对象的图像帧数是否达到预设标准,若是,生成该对象属于所述空间标志的识别数据,否则,生成该对象不属于所述空间标志的识别数据。
在一些实施例中,获得每帧图像中所述空间标志的预识别数据包括:获得每帧图像中的像素分类数据;
依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据包括:
依据所述多帧图像的像素分类数据,预判属于所述空间标志的对象;
对所述多帧图像中的相同所述对象进行标记;
对于每个被预判为空间标志的对象,判断所述多帧图像中具有该对象的图像帧数是否达到预设标准,若是,生成该对象属于所述空间标志的识别数据,否则,生成该对象不属于所述空间标志的识别数据。
在一些实施例中,通过以下方法获得所述预先训练好的深度学习网络模型:
建立空间标志图像样本数据集,并对所述样本数据集的图像中的空间标志进行标注;
建立深度学习网络模型;
利用所述空间标志图像样本数据集对所述深度学习网络模型进行训练,直至收敛。
在一些实施例中,所述深度学习网络模型为DeepLab V3+模型。
在一些实施例中,从车载相机模块采集的视频中,获得包括空间标志的多帧图像包括:
从车载相机模块采集的视频中,连续地获得前后多帧图像;或者
从车载相机模块采集的视频中,间隔地获得前后多帧图像。
在一些实施例中,在生成该对象属于所述空间标志的识别数据后还包括:
获得所述对象的地理坐标信息;
根据所述对象的地理坐标信息,在三维电子地图中生成所述对象。
在一些实施例中,获得所述对象的地理坐标信息包括:
获得所述对象在所述多帧图像的至少其中两帧中的像素坐标,
依据所述至少其中两帧中的像素坐标,生成所述对象的地理坐标信息。
本申请另一方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第三方面提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的实施例中,通过从车载相机模块采集的视频中,获得包括空间标志的多帧图像;依据所述多帧图像和预先训练好的深度学习网络模型,获得所述空间标志的识别数据。依据多帧图像获得空间标志的识别数据,可以提高识别的可靠性。
在一些实施例中,将所述多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中所述空间标志的预识别数据;依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据。通过按照预设规则对多帧图像的深度学习网络模型预识别数据进行验证,可以提高空间标志识别的可靠性。
在一些实施例中,在生成对象属于空间标志的识别数据后,获得对象的地理坐标信息;根据对象的地理坐标信息,在三维电子地图中生成对象,可以基于对于空间标志的自动识别结果,自动生成高精地图对象。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请一实施例的一种空间标志识别方法的流程示意图;
图2是本申请一实施例的一种空间标志生成方法的流程示意图;
图3和图4示例性示出对于两帧图像的预判结果;
图5示出获得本申请实施例中深度学习网络模型的过程;
图6是本申请实施例中的DeepLabV3+网络模型的框图;
图7是本申请一实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以下结合附图详细描述本申请实施例的技术方案。
图1示出本申请一实施例的一种空间标志识别方法的流程示意图,参阅图1,本实施例方法包括:
在步骤S11中,从车载相机模块采集的视频中,获得包括空间标志的多帧图像。
在一个实例中,空间标志为路牌,可以理解的,本实施例并不仅限于用于路牌的识别。
本实施例中,车载相机模块例如可以是配置在日常使用的车载终端例如行车记录仪或者其他智能终端(例如手机)上的摄像头。
车辆行驶在道路上,当接近路牌时,车辆上开启的相机模块可以按照预设的采集频率(例如24帧/秒)采集道路视频图像。
本实施例中,可以从车载相机模块采集的视频中,获得接近路牌时在不同时刻采集的具有路牌的多帧图像,每一帧图像都是从不同角度获取的。可以理解的,可以从车载相机模块采集的视频中连续地获得前后多帧图像,也可以从车载相机模块采集的视频中间隔地获得前后多帧图像。
在步骤S12中,依据多帧图像和预先训练好的深度学习网络模型,获得空间标志的识别数据。
在一种实现中,将多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中空间标志的预识别数据;然后,依据多帧图像的预识别数据和预设规则,获得空间标志的识别数据。
为便于理解,深度学习网络模型的获得将在后面做进一步描述,此处暂不展开。
在一种实现中,依据多帧图像的预识别数据和预设规则,获得空间标志的识别数据包括:
依据多帧图像的预识别数据,预判属于空间标志的对象;
对于被预判为空间标志的对象,判断多帧图像中具有该对象的图像帧是否达到预设标准,若是,生成该对象属于空间标志的识别数据,否则,生成该对象不属于空间标志的识别数据。
本申请的实施例中,通过从车载相机模块采集的视频中,获得包括空间标志的多帧图像;依据所述多帧图像和预先训练好的深度学习网络模型,获得所述空间标志的识别数据。依据多帧图像获得空间标志的识别数据,可以提高识别的可靠性。
图2示出本申请另一实施例的一种空间标志生成方法的流程示意图,本实施例中,以路牌的生成为例进行描述。参阅图2,本实施例方法包括:
在步骤S21中,从车载相机模块采集的视频中,获得包括路牌的多帧图像。
本实施例中,可以从车载相机模块采集的视频中,获得接近路牌时在不同时刻采集的具有路牌的前后多帧图像。
在步骤S22中,将多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中的像素分类数据。
可以将每帧图像输入预先训练好的深度学习网络模型,深度学习网络模型输出图像中每个像素点属于路牌的概率。
在步骤S23中,依据多帧图像的像素分类数据,预判属于路牌的对象。
对于每帧图像,依据像素分类数据,可判定图像中各个属于路牌的对象,并可确定每个对象的边缘。深度学习网络模型的学习结果可能会存在偏差,因此,此时对于各路牌对象的判定为预判结果,需要做进一步的判定。
图3和图4中示例性示出对于两帧图像的预判结果,两图中,被显示的区域为预判的路牌对象。例如,图3中,3A~3D为预判的4个路牌对象,图4中,4A~4E为预判的5个路牌对象。
在步骤S24中,对多帧图像中的相同路牌对象进行标记。
本实施例中,多帧图像是在接近路牌时在不同时刻从不同角度采集的,各帧图像中具有相同的路牌对象。在确定每帧图像中的预判路牌对象后,确定各帧图像中的相同路牌对象,并对相同的路牌对象进行标记。
可以通过已知技术实现确定各帧图像中的相同路牌对象,例如可以利用各帧图像中各路牌对象的边缘形状、区域大小及位置、和/或结合车辆运行位置、方向数据等来确定,本申请中不做具体限定。
仍以图3和图4为例,图3的3A~3D分别与图4中的4A~4D是4个相同的路牌对象,可例如通过采用相同标识符或者相关联等方式对相同对象进行标记。
对于多帧图像中的每个被预判为路牌的对象,进行以下步骤S25至S29的处理。
在步骤S25中,对于被预判为路牌的对象,根据进行上述标记的结果判断是否符合预设标准,若是,执行步骤S27,否则,执行步骤S26。
在一种实现中,对于每个被预判为路牌的对象,可以根据上述标记的结果判断上述多帧图像的每一帧中是否都存在该路牌对象,若是,该对象属于路牌,否则,该对象不属于路牌。
例如,在图3和图4的示例中,图4中的行人被预判为路牌对象4E,而图3中并未被预判为是路牌对象,则该对象不属于路牌。
在另一种实现中,对于每个被预判为路牌的对象,可以根据上述标记的结果判断上述多帧图像中存在该路牌对象的图像帧数与不存在该路牌对象的图像帧数的比值是否大于预设阈值,若是,该对象属于路牌,否则,该对象不属于路牌。
在另一种实现中,也可判断上述多帧图像中存在该路牌对象的图像帧数是否大于预设阈值,若是,该对象属于路牌,否则,该对象不属于路牌。
在步骤S26中,生成该对象不属于路牌的识别数据,结束流程。
若判定该对象不属于路牌,可以生成该对象不属于路牌的识别数据。
在步骤S27中,生成该对象属于路牌的识别数据。
在识别出路牌对象后,可依据识别结果,进一步在三维电子地图中生成路牌对象。
在步骤S28中,获得对象的地理坐标信息。
在一种实现中,可以获得该对象在至少两帧图像中的顶点像素坐标,依据顶点像素坐标,生成该对象的地理坐标信息。
在步骤S29中,根据该对象的地理坐标信息,在三维电子地图中生成该对象。
本申请的实施例中,将多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中空间标志的预识别数据;依据多帧图像的预识别数据和预设规则,获得空间标志的识别数据。通过按照预设规则对多帧图像的深度学习网络模型预识别数据进行验证,可以提高空间标志识别的可靠性。
另外,在生成对象属于空间标志的识别数据后,获得对象的地理坐标信息;根据对象的地理坐标信息,在三维电子地图中生成对象。因此,本申请实施例可以基于对于空间标志的自动识别结果,自动生成高精地图对象。
参阅图5,在一种实现中,可以通过以下方法获得前述预先训练好的深度学习网络模型。
在步骤S51中,基于车载相机模块采集的视频,获得空间标志图像样本数据集,并对样本数据集的图像中的空间标志进行标注;
本申请中,可以从车载相机模块采集的视频中,收集空间标志图像样本。
在获得样本图像后,标注出样本图像中的空间标志区域。
在步骤S52中,按比例将样本数据集分为训练集和测试集。
可以按预设比例将样本数据集随机分为训练集和测试集,例如,训练集为80%,测试集为20%,或者,也可根据其他方式进行划分。
在步骤S53中,建立深度学习网络模型。
在一个实现方式中,深度学习网络模型例如可以采用DeepLab V3+版本的模型。可以理解的,本申请不限于此,也可采用其他类型的深度学习网络模型。
DeepLab是一个专门用来处理语义分割的模型,主要框架是基于编码器-解码器结构实现,用于高精度的语义分割。DeepLab系列目前推出4个版本,其中DeepLabV3+版本是具备最优分割精度的模型,其模型如图3所示。
一并参阅图6,编码网络包括卷积网络,具有卷积层和池化层。解码网络包括反卷积层。
在编码模块中:使用特征提取网络提取特征,利用多个平行的扩张卷积生成具有多尺度信息的特征图,将得到的多个特征图进行连接得到最终的高层编码特征图。
在解码模块中:对高层编码特征图进行上采样,与编码模块中相同分辨率的底层编码特征图连接,经过一个3*3卷积细化特征,通过上采样得到输出结果。
在步骤S54中,利用上述空间标志图像样本数据集,对深度学习网络模型的超参数进行训练优化。
训练过程实际上就是通过训练样本数据来对初始化语义分割网络中的各个初始化参数进行调整的过程,训练过程当中各个参数随着样本迭代会逐渐收敛于某个固定的值,从而达到整个网络的收敛。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图7是本申请一实施例的电子设备的结构示意图。
参见图7,电子设备50包括存储器501和处理器502。
处理器502可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器501可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器502或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器501可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器501可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器501上存储有可执行代码,当可执行代码被处理器502处理时,可以使处理器502执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本申请所必须的。另外,可以理解,本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法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,所述模块、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,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续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,框图和/或流程图中的每个方框、以及框图和/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。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种空间标志识别方法,其特征在于,包括:
从车载相机模块采集的视频中,获得包括空间标志的多帧图像;
依据所述多帧图像和预先训练好的深度学习网络模型,获得所述空间标志的识别数据。
2.如权利要求1所述的方法,其特征在于,依据所述多帧图像和预先训练好的深度学习网络模型,获得所述空间标志的识别数据包括:
将所述多帧图像输入预先训练好的深度学习网络模型,获得每帧图像中所述空间标志的预识别数据;
依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据。
3.如权利要求2所述的方法,其特征在于,依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据包括:
依据所述多帧图像的预识别数据,预判属于所述空间标志的对象;
对于被预判为空间标志的对象,判断所述多帧图像中具有该对象的图像帧是否达到预设标准,若是,生成该对象属于所述空间标志的识别数据,否则,生成该对象不属于所述空间标志的识别数据。
4.如权利要求2所述的方法,其特征在于,
获得每帧图像中所述空间标志的预识别数据包括:获得每帧图像中的像素分类数据;
依据所述多帧图像的预识别数据和预设规则,获得所述空间标志的识别数据包括:
依据所述多帧图像的像素分类数据,预判属于所述空间标志的对象;
对所述多帧图像中的相同所述对象进行标记;
对于每个被预判为空间标志的对象,判断所述多帧图像中具有该对象的图像帧数是否达到预设标准,若是,生成该对象属于所述空间标志的识别数据,否则,生成该对象不属于所述空间标志的识别数据。
5.如权利要求1至4任一项所述的方法,其特征在于,通过以下方法获得所述预先训练好的深度学习网络模型:
建立空间标志图像样本数据集,并对所述样本数据集的图像中的空间标志进行标注;
建立深度学习网络模型;
利用所述空间标志图像样本数据集对所述深度学习网络模型进行训练,直至收敛。
6.如权利要求5所述的方法,其特征在于,所述深度学习网络模型为DeepLab V3+模型。
7.如权利要求1所述的方法,其特征在于,从车载相机模块采集的视频中,获得包括空间标志的多帧图像包括:
从车载相机模块采集的视频中,连续地获得前后多帧图像;或者
从车载相机模块采集的视频中,间隔地获得前后多帧图像。
8.如权利要求3或4所述的方法,其特征在于,在生成该对象属于所述空间标志的识别数据后还包括:
获得所述对象的地理坐标信息;
根据所述对象的地理坐标信息,在三维电子地图中生成所述对象。
9.如权利要求8所述的方法,其特征在于,获得所述对象的地理坐标信息包括:
获得所述对象在所述多帧图像的至少其中两帧中的像素坐标;
依据所述至少其中两帧中的像素坐标,生成所述对象的地理坐标信息。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095478.9A CN111931755A (zh) | 2020-10-14 | 2020-10-14 | 空间标志识别方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095478.9A CN111931755A (zh) | 2020-10-14 | 2020-10-14 | 空间标志识别方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931755A true CN111931755A (zh) | 2020-11-13 |
Family
ID=73335355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011095478.9A Pending CN111931755A (zh) | 2020-10-14 | 2020-10-14 | 空间标志识别方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931755A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784309A (zh) * | 2019-02-01 | 2019-05-21 | 上海智能交通有限公司 | 一种基于车载相机的高速公路广告牌识别系统及方法 |
CN111553181A (zh) * | 2019-02-12 | 2020-08-18 | 上海欧菲智能车联科技有限公司 | 车载相机语义识别方法、系统及装置 |
CN111597969A (zh) * | 2020-05-14 | 2020-08-28 | 新疆爱华盈通信息技术有限公司 | 基于手势识别的电梯控制方法及系统 |
-
2020
- 2020-10-14 CN CN202011095478.9A patent/CN111931755A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784309A (zh) * | 2019-02-01 | 2019-05-21 | 上海智能交通有限公司 | 一种基于车载相机的高速公路广告牌识别系统及方法 |
CN111553181A (zh) * | 2019-02-12 | 2020-08-18 | 上海欧菲智能车联科技有限公司 | 车载相机语义识别方法、系统及装置 |
CN111597969A (zh) * | 2020-05-14 | 2020-08-28 | 新疆爱华盈通信息技术有限公司 | 基于手势识别的电梯控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
US10452956B2 (en) | Method, apparatus, and system for providing quality assurance for training a feature prediction model | |
CN108416808B (zh) | 车辆重定位的方法及装置 | |
US10185880B2 (en) | Method and apparatus for augmenting a training data set | |
JP2018081404A (ja) | 識別方法、識別装置、識別器生成方法及び識別器生成装置 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
US10515293B2 (en) | Method, apparatus, and system for providing skip areas for machine learning | |
CN111930877B (zh) | 地图路牌的生成方法及电子设备 | |
US20200372623A1 (en) | Method, apparatus, and system for automatic quality assessment of cross view feature correspondences using bundle adjustment techniques | |
CN113112524B (zh) | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 | |
JP2017130155A (ja) | 物体認識装置および物体認識方法 | |
CN113139031B (zh) | 用于自动驾驶的交通标识的生成方法及相关装置 | |
CN114663852A (zh) | 车道线图的构建方法、装置、电子设备及可读存储介质 | |
CN111062347B (zh) | 一种自动驾驶中交通要素分割方法、电子设备及存储介质 | |
CN112989877A (zh) | 点云数据中标注对象的方法及装置 | |
CN111931755A (zh) | 空间标志识别方法及电子设备 | |
CN115689946A (zh) | 图像修复方法、电子设备及计算机程序产品 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN114782914A (zh) | 自动驾驶车辆定位方法及装置、电子设备、存储介质 | |
CN113465615A (zh) | 车道线的生成方法及相关装置 | |
CN114419180A (zh) | 重构高精地图的方法、装置和电子设备 | |
CN111488771B (zh) | Ocr挂接方法、装置与设备 | |
CN113009533A (zh) | 基于视觉slam的车辆定位方法、设备及云服务器 | |
CN114440861B (zh) | 交通综合杆的生成方法、装置及设备 | |
CN115661784B (zh) | 一种面向智慧交通的交通标志图像大数据识别方法与系统 |
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 |
Application publication date: 20201113 |
|
RJ01 | Rejection of invention patent application after publication |