CN112016514A - 一种交通标志识别方法、装置、设备及储存介质 - Google Patents
一种交通标志识别方法、装置、设备及储存介质 Download PDFInfo
- Publication number
- CN112016514A CN112016514A CN202010939937.0A CN202010939937A CN112016514A CN 112016514 A CN112016514 A CN 112016514A CN 202010939937 A CN202010939937 A CN 202010939937A CN 112016514 A CN112016514 A CN 112016514A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic sign
- target
- mark
- area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000002372 labelling Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 8
- 239000003550 marker Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000008713 feedback mechanism Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/582—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种交通标志方法、装置、设备及存储介质,其中,一种交通标志识别方法包括:获取关于目标道路的至少两帧图像;对所述至少两帧图像进行交通标志检测;若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域;从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。采用本申请,可以快速且精确的对交通标志进行识别。
Description
技术领域
本申请涉及图像识别技术领域,尤其一种交通标志识别方法、装置、设备及储存介质。
背景技术
在车辆行驶的场景中,交通标志的出现往往是由远及近、由小到大。现有技术中大多数方案在交通标志出现在近端的时候都能较好识别,但远距离识别由于交通标志的尺度小,成为了交通标志检测的难点。由于受车速影响,交通标志的实时检测要求较高,然而通常情况下车辆没有足够的反应时间,时延非常大,很难做到远距离的精确识别。而且当交通标志密集存在时,定位误差会比较大从而导致较低的识别精度。
发明内容
本申请实施例提供一种交通标志识别方法、装置、设备及存储介质,可以快速且精确的识别出目标交通标志。
第一方面,本申请实施例提供了一种交通标志识别方法,该方法包括:
获取关于目标道路的至少两帧图像;
对所述至少两帧图像进行交通标志检测;
若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。
其中,所述对所述标志区域进行标志类别识别,得到所述目标交通标志的类别,包括:
获取用于交通标志识别的目标识别模型;
采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别。
其中,所述第二图像的数量为多帧,每帧所述第二图像对应一个标志区域;所述采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别,包括:
采用所述目标识别模型对每帧所述第二图像对应的标志区域进行特征提取,得到所述目标交通标志位于每帧所述第二图像中特征信息;
对所述特征信息进行融合处理,得到融合后的特征信息;
对所述融合后的特征信息进行标志类别识别,得到所述目标交通标志的类别。
其中,所述获取用于交通标志识别的目标识别模型,包括:
获取候选识别模型以及关于所述目标道路的样本图像集合,所述样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,所述第一样本图像中包括所述样本交通标志,所述候选识别模型为用于进行交通标志识别的待训练识别模型;
获取所述样本交通标志位于所述第一样本图像中的位置信息;
根据所述样本交通标志位于所述第一样本图像中的位置信息,预测所述样本交通标志位于所述第二样本图像中的区域,作为样本标志区域;
从所述第二样本图像中剪裁出所述样本标志区域,采用所述候选识别模型对所述样本标志区域进行预测,得到所述样本交通标志的预测类别;
根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型。
其中,所述根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型,包括:
根据所述样本交通标志的预测类别和所述标注类别,确定所述候选识别模型的损失值;
若所述候选识别模型的损失值不满足收敛条件,则根据所述候选识别模型的损失值对所述候选识别模型进行调整,得到所述目标识别模型。
其中,所述第一位置信息包括所述目标交通标志位于所述第一图像中的第一坐标信息;
所述根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,包括:
根据所述第一坐标信息预测所述目标交通标志位于所述第二图像中的第二坐标信息,作为第二位置信息;
根据所述第二位置信息确定所述目标交通标志位于第二图像中区域,作为标志区域。
其中,所述对所述至少两帧图像进行交通标志检测,包括:
获取所述至少两帧图像中每帧图像的拍摄时间;
按照所述每帧图像的拍摄时间,对所述每帧图像进行交通标志检测。
第二方面,本申请实施例提供了一种交通标志识别装置,该装置包括:
第一获取模块,用于获取关于目标道路的至少两帧图像;
检测模块,用于对所述至少两帧图像进行交通标志检测;
第二获取模块,用于若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
预测模块,用于根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
识别模块,用于从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。。
其中,所述识别模块包括:
第一获取单元,用于获取用于交通标志识别的目标识别模型;
识别单元,用于采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别。
其中,所述第二图像的数量为多帧,每帧所述第二图像对应一个标志区域;所述识别单元具体用于:
采用所述目标识别模型对每帧所述第二图像对应的标志区域进行特征提取,得到所述目标交通标志位于每帧所述第二图像中特征信息;
对所述特征信息进行融合处理,得到融合后的特征信息;
对所述融合后的特征信息进行标志类别识别,得到所述目标交通标志的类别。
其中,所述第一获取单元具体用于:
获取候选识别模型以及关于所述目标道路的样本图像集合,所述样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,所述第一样本图像中包括所述样本交通标志,所述候选识别模型为用于进行交通标志识别的待训练识别模型;
获取所述样本交通标志位于所述第一样本图像中的位置信息;
根据所述样本交通标志位于所述第一样本图像中的位置信息,预测所述样本交通标志位于所述第二样本图像中的区域,作为样本标志区域;
从所述第二样本图像中剪裁出所述样本标志区域,采用所述候选识别模型对所述样本标志区域进行预测,得到所述样本交通标志的预测类别;
根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型。
其中,上述第一获取单元还具体用于:
根据所述样本交通标志的预测类别和所述标注类别,确定所述候选识别模型的损失值;
若所述候选识别模型的损失值不满足收敛条件,则根据所述候选识别模型的损失值对所述候选识别模型进行调整,得到所述目标识别模型。
其中,所述第一位置信息包括所述目标交通标志位于所述第一图像中的第一坐标信息;所述预测模块包括:
预测单元,用于根据所述第一坐标信息预测所述目标交通标志位于所述第二图像中的第二坐标信息,作为第二位置信息;
确定单元,用于根据所述第二位置信息确定所述目标交通标志位于第二图像中的区域,作为标志区域。
其中,所述检测模块包括:
第二获取单元,用于获取所述至少两帧图像中每帧图像的拍摄时间;
检测单元,按照所述每帧图像的拍摄时间,对所述每帧图像进行交通标志检测。
第三方面,本申请实施例提供了一种电子设备,该设备包括:处理器,适于实现一条或一条以上指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或一条以上指令,所述一条或一条以上指令适于由所述处理器加载并执行如下步骤:
获取关于目标道路的至少两帧图像;
对所述至少两帧图像进行交通标志检测;
若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。
第四方面,本申请实施例提供了一种计算机可读存储介质,包括:所述计算机存储介质存储有一条或一条以上指令,所述一条或一条以上指令适于由处理器加载并执行如下步骤:
获取关于目标道路的至少两帧图像;
对所述至少两帧图像进行交通标志检测;
若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。
本申请中,通过获取该目标交通标志位于第一图像中的位置信息,作为第一位置信息;根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域。从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。即通过对标志区域进行标志类别识别,得到目标交通标志的类别,不需要对标志区域进行放缩处理,可以避免图像因过度缩放而导致的信息损失,可以更加准确的识别出目标交通标志的类别。通过根据第一位置信息预测目标交通标志位于第二图像中的区域,有利于快速地从第二图像中剪裁出标志区域,可以降低时延,快速的识别出目标交通标志的类型。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种交通标志识别方法的流程示意图;
图2是本申请实施例提供的另一种根据交通标志识别方法的流程示意图;
图3是本申请实施例提供的一种获取目标识别模型方法的示意图;
图4是本申请实施例提供的一种交通标志识别装置的结构示意图;
图5是本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参见图1,为本申请实施例提供的一种交通标志识别方法的流程示意图,本申请实施例由电子设备来执行,该一种交通标志识别方法包括步骤S101~S105。
S101,获取关于目标道路的至少两帧图像。
可以通过摄像模块对目标道路进行摄像,获得关于目标道路的至少两帧图像,摄像模块并将该关于目标道路的至少两帧图像发生至电子设备中。本实施例中的电子设备可以接收摄像模块所发送的至少两帧图像,从而获得关于目标道路的至少两帧图像。例如,摄像模块可以为行车记录仪,可以通过车辆中的行车记录仪对目标道路进行拍摄,获得关于目标道路的至少两帧图像。
S102,对至少两帧图像进行交通标志检测。
本实施例中的电子设备包括检测网络,检测网络可以目标检测算法对关于目标道路的至少两帧图像中每帧图像进行交通标志检测,检测至少两帧图像中每帧图像中是否存在目标交通标志。具体的,目标检测算法可以包括CenterNet算法、one-stage算法和two-stage算法。其中,可以对至少两帧图像中每帧图像的特征信息进行提取,获得每帧图像的特征信息。根据每帧图像的特征信息,确定每帧图像中是否存在目标交通标志。具体的,获取至少两帧图像中目标图像中的候选标志与目标道路的路面之间的高度、候选标志的位置信息,或者候选标志的颜色信息或该候选标志的形状;若候选标志与目标道路之间的高度满足预设高度阈值,则确定目标图像中存在目标交通标志,如预设高度阈值为2m或2.5m等;或者,候选标志位于目标道路的路面的上方或者位于目标道路的路面的两边,则确定目标图像中存在目标交通标志。或者,若候选标志的形状为圆形、三角形、矩形等等,以及候选标志的颜色包括至少两个目标颜色,如红色、蓝色、黄色、白色等等,则确定目标图像中存在目标交通标志。
可选的,获取至少两帧图像中每帧图像的拍摄时间,按照每帧图像的拍摄时间,对每帧图像进行交通标志检测。
可以获取目标道路的至少两帧图像中每帧图像的拍摄时间,根据每帧图像对应的拍摄时间对每帧图像进行排序。根据每一帧图像对应的排序对每帧图像进行交通标志检测,确定每帧图像中是否存在交通标志,获得每帧图像对应的检测结果,该检测结果为存在交通标志或者不存在交通标志。例如,先检测拍摄时间比较早的图像,然后再对拍摄时间比较晚的图像(晚于拍摄时间比较早的图像)进行交通标志检测。
可选的,当至少两帧图像中的第一图像中不包括目标交通标志,则获取目标道路的位置信息,根据位置信息确定检测图像间隔,根据检测图像间隔对至少两帧图像中的剩余图像进行交通标示检测;剩余图像可以是指至少两帧图像中除第一图像以外的图像。
由于现实生活中交通标志出现的间隔一般比较大,可以根据目标道路的位置信息,设置对至少两帧图像的检测间隔时间。即若第i帧图像中出现了交通标志,但是第i+1帧图像中没有出现交通标志,并且该路段的位置为高速路段,则可以间隔一定数量的图像后再对后续图像进行交通标志检测,这样可以减少检测网络的计算量。如可以对i+2帧图像至i+11帧图像之间的图像不进行交通标志检测,间隔10帧图像后(即检测图像间隔为10帧图像)再对i+12帧图像进行交通标志检测,这样可以减少检测网络的计算量,减少资源的浪费。但若第i帧图像中出现了交通标志,但是若第i+1帧图像中没有出现交通标志,并且该路段的位置为城市中心路段,则对该路段的全部图像进行交通标志检测,不设置检测图像间隔或设置较小的检测图像间隔,避免出现漏检的情况。
S103,若检测到至少两帧图像中的第一图像中包括目标交通标志,则获取目标交通标志位于第一图像中的位置信息,作为第一位置信息。
S104,根据第一位置信息预测目标交通标志位于第二图像中的区域,作为标志区域。
第二图像属于至少两帧图像,第二图像的拍摄时间晚于第一图像。例如,按照每1ms的时间间隔对目标道路进行拍摄,则第一图像可以是指第1ms所拍摄得到的图像,第二图像可以是指第3ms所拍摄得到图像,即第二图像为第一图像的后一帧图像。当然,第二图像可以是指第一图像的后第i帧图像,i大于1小于n,n可以是根据拍摄时间间隔确定的。由于当目标交通标志首次出现在某一帧图像中时,该帧图像后的至少一帧图像中也会出现目标交通标志,因此,当第一图像中包括目标交通标志时,可以采用反馈机制来预测目标交通标志位于第二图像中区域,不需要对第二图像进行交通标志检测,可以节省资源,并降低延时。即反馈机制是指根据目标交通标志位于前一帧图像中的位置信息,来预测目标交通标志位于后一帧图像(或后第n帧图像,n大于或等于1)中的位置信息,根据目标交通标志位于后一帧图像的位置信息确定目标交通标志位于后一帧图像中的区域。
具体的,采用反馈机制来预测目标交通标志位于第二图像中区域时,检测网络对目标道路中的至少两帧图像进行交通标志检测,确定至少两帧图像中每帧图像是否存在目标交通标志。若检测到至少两帧图像中的第一图像中包括目标交通标志,则不再对第一图像后的第二图像进行交通标志检测,获取目标交通标志位于第一图像中的位置信息,作为第一位置信息。根据第一图像中目标交通标志的第一位置信息,预测目标交通标志位于第二图像中的区域,作为标志区域。但若检测到至少两帧图像中的第一图像中不包括目标交通标志,则继续对第一图像后的第二图像进行检测。如第一图像、第二图像分别为至少两帧图像中的第i帧图像、第i+1帧图像;若至少两帧图像中第i帧图像中不存在目标交通标志,则继续对第i+1帧图像进行交通标志检测。若检测到至少两帧图像中第i帧图像中存在目标交通标志,则不再对i+1帧图像进行交通标志检测,获取第i帧图像中目标交通标志所在的第一位置信息。根据第i帧图像中的第一位置信息,预测目标交通标志位于第i+1帧中的区域,作为标志区域。再对第i+2帧图像进行交通标志检测,确定第i+2帧图像中是否存在目标交通标志,以此重复对第i帧图像处理的步骤。
可选的,第一位置信息包括目标交通标志位于第一图像中的第一坐标信息,可以根据第一坐标信息预测目标交通标志位于第二图像中的第二坐标信息,作为第二位置信息;根据第二位置信息确定目标交通标志位于第二图像中区域,作为标志区域。
可以获取目标交通标志在第一图像中的第一坐标信息,根据目标交通标志在第一图像中的第一坐标信息,预测目标交通标志位于第二图像中的第二坐标信息,作为第二位置信息。根据第二位置信息确定目标交通标志位于第二图像中的区域,作为标志区域。由于目标交通标志通常在远端且车辆的车速较快,前后帧图像中目标交通标志的相对运动不会太大,设置特定尺寸的标志区域基本可以覆盖目标交通标志。
具体的,根据第一位置信息预测目标交通标志位于第二图像中的位置信息时,可以获取目标交通标志位于第一图像中的坐标信息,如将第一图像的左下角作为坐标原点,获取目标交通标志位于第一图像中区域的坐标信息。预测第一图像中目标交通标志在下一帧图像中出现的偏移方向,具体的,可以根据车辆行驶的方向预测目标交通标志在下一帧图像中出现的偏移方向,如车辆向正前方直线行驶靠近目标交通标志时,目标交通标志在下一帧图像中出现的偏移方向为向上。且车辆向正前方直线行驶靠近目标交通标志时,目标交通标志的大小逐渐变大,因此,可以根据车速设置特定尺寸的标志区域基本可以覆盖目标交通标志。
S105,从第二图像中剪裁出标志区域,对标志区域进行标志类别识别,得到目标交通标志的类别。
其中,可以获取标志区域在第二图像中的位置信息,根据标志区域的位置信息确定标志区域的边界,根据标志区域的边界从第二图像中剪裁出标志区域。例如,将第二图像的左下角作为坐标原点,获得标志区域对应的坐标信息,根据标志区域的坐标信息确定标志区域的边界,根据标志区域的边界从第二图像中剪裁出标志区域。由于标志类别识别是对固定图像大小进行识别,如果第二图像过大,通常需要对第二图像进行压缩处理,才能识别出目标交通标志的类别,但是,压缩过程中容易导致目标交通标志的信息丢失,导致标志类别识别的准确度比较低。因此,可以从第二图像中剪裁出标志区域,即标志区域的大小为适合进行标志类别识别的区域大小,通过对标志区域进行标志类别识别,得到目标交通标志的类别,不需要对标志区域(即第二图像)进行放缩处理,可以避免图像因过度缩放而导致的信息损失;同时标志区域中的影响标志类别识别的因素较少,可以更加准确的识别出目标交通标志的类别。
进一步的,可以对标志区域进行处理,如消除标志区域的反光因素,增强标志区域中的对比度等等。具体的,可以采用对比度受限的自适应直方图均衡化对标志区域进行处理,增强标志区域的对比度。对比度受限的自适应直方图均衡化是一种图像处理方式,可以使图像中的阴影区域看起来更暗,高光区域看起来更亮,整体对比度得到改善。然后采用特征提取模型对标志区域中目标交通标志进行特征提取,获得标志区域中目标交通标志的特征信息。具体特征提取模型可以包括ResNet18(一种卷积神经网络模型结构)、ResNet50(一种卷积神经网络模型结构)等等。根据目标交通标志的特征信息,得到目标交通标志的类别。标志区域相对于第一图像、第二图像来说,标志区域中的影响标志类别识别的因素较少,对标志区域中目标交通标志类别进行识别,可以快速且准确的获得目标交通标志,提高检测网络对标志类别识别的效率。而且不用对目标道路中的每一帧图像进行标志类别识别,只需对目标交通标志所在的标志区域进行标志类别识别,可以减少检测网络的计算量,减少时延。
其中,也可以在对第二图像中目标交通标志所在的标志区域进行裁剪,继续对第三图像进行交通标志检测,确定第三帧图像中是否存在目标交通标志,第三图像属于目标道路的至少两帧图像,第三图像的拍摄时间晚于第二图像。若第三帧图像中存在目标交通标志,则获取对第四图像中目标交通标志所对应的标志区域,以此获得目标交通标志对应的多帧标志区域。若第五图像中不存在目标交通标志,则继续对第五图像后的图像进行交通标志检测。对目标交通标志对应的多帧标志区域进行标志类别识别,获得目标交通标志的类别。这样可以减少对一帧标志区域进行标志类别识别时所产生的误差,提高对目标交通标志检测的准确性。
例如,对目标道路的至少两帧图像进行交通标志检测,获得每帧图像对应的检测结果。若第N帧图像中不存在交通标志,则对N+1帧图像进行检测。若第N帧图像对应的检测结果为存在目标交通标志,则获取第N帧图像中目标交通标志的位置信息,作为第一位置信息。再获取第N帧图像的后一帧图像,即第N+1帧图像,根据第N帧图像中目标交通标志的第一位置信息,预测第N+1帧图像中目标交通标志的位置信息。根据第N+1帧图像中目标交通标志的位置信息确定目标交通标志位于第N+1帧图像中的区域,作为标志区域。对目标交通标志位于第N+1帧图像中的区域进行裁剪,裁剪出标志区域,对标志区域进行标志类别识别,得到目标交通标志的类别。其中,也可以在对第N+1帧图像中目标交通标志所在的标志区域进行裁剪,获得标志区域后,继续对第N+2帧图像进行检测,确定第N+2帧图像中是否存在目标交通标志。若第N+2帧图像中存在目标交通标志,则获取对第N+3图像中标志区域对应的标志区域,以此获得目标交通标志对应的多帧标志区域。对目标交通标志对应的多帧标志区域进行标志类别识别,获得目标交通标志的类别。这样可以减少对一帧标志区域进行标志类别识别时所产生的误差,提高对目标交通标志检测的准确性。
本申请中,通过获取该目标交通标志位于第一图像中的位置信息,作为第一位置信息;根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域。从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。即通过对标志区域进行标志类别识别,得到目标交通标志的类别,不需要对标志区域进行放缩处理,可以避免图像因过度缩放而导致的信息损失,可以更加准确的识别出目标交通标志的类别。通过根据第一位置信息预测目标交通标志位于第二图像中的区域,有利于快速地从第二图像中剪裁出标志区域,可以降低时延,快速的识别出目标交通标志的类型;另外,标志区域中的影响标志类别识别的因素较少,对剪裁后的标志区域中目标交通标志类别进行识别,可以快速且准确的获得目标交通标志;而且不用对目标道路中的每一帧图像进行标志类别识别,只需对目标交通标志所在的标志区域进行标志类别识别,可以减少检测网络的计算量,降低时延。
如图2所示,为本实施例提供的另一种交通标志识别方法的流程示意图,如图2所示,该另一种交通标志识别方法的流程示意图包括步骤S201-S207。
S201,获取关于目标道路的至少两帧图像。
S202,对至少两帧图像进行交通标志检测。
S203,若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取目标交通标志位于第一图像中的位置信息,作为第一位置信息。
S204,根据第一位置信息预测目标交通标志位于第二图像中的区域,作为标志区域,第二图像属于至少两帧图像,第二图像的拍摄时间晚于第一图像。
步骤S201-S204的具体内容可以参看图1所阐述的内容,在此不再累述。
S205,并获取用于交通标志识别的目标识别模型。
可以预先训练出用于识别交通标志的目标识别模型,根据该目标识别模型识别出目标交通标志的类型。
图3所示,为本申请实施例提供的一种获得目标识别模型方法的示意图,如图3所示,该一种获得目标识别模型方法内容的步骤包括S21~S25。
S21,获取候选识别模型以及关于目标道路的样本图像集合,样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,第一样本图像中包括样本交通标志。
S22,获取样本交通标志位于第一样本图像中的位置信息。
S23,根据样本交通标志位于第一样本图像中的位置信息,预测样本交通标志位于第二样本图像中的区域,作为样本标志区域。
S24,从第二样本图像中剪裁出样本标志区域,采用候选识别模型对样本标志区域进行预测,得到样本交通标示的预测类别。
在本申请实施例中,可以获取候选识别模型以及目标道路的样本图像集合,该样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,第一样本图像与第二样本图像中存在样本交通标志,候选识别模型为用于进行交通标志识别的待训练识别模型。获取样本交通标志位于第一样本图像中的位置信息,根据样本交通标志位于第一样本图像中的坐标位置信息,预测样本交通标志位于第二样本图像中的坐标位置信息。S21,从第二样本图像中剪裁出样本标志区域,采用候选识别模型对样本标志区域进行预测,得到样本交通标志的预测类别。
S25,根据样本交通标志的预测类别和标注类别对候选识别模型进行调整,得到目标识别模型。
根据样本交通标志位于第二样本图像中的坐标位置信息,确定样本交通标志位于第二样本图像中的区域,作为样本标志区域。从第二样本图像中剪裁出样本标志区域,采用候选识别模型对样本标志区域中样本交通标志的类别进行预测,得到样本交通标志的预测类别。根据样本交通标志的预测类别和标注类别对候选识别模型进行调整,得到目标识别模型。若样本交通标志的预测类别和标注类别相同,说明候选识别模型对交通标志的识别正确率较高,则将候选识别模型确定为目标识别模型。若样本交通标志的预测类别和标注类别不相同,说明候选识别模型对交通标志的识别正确率较低,则对候选识别模型进行调整,得到目标识别模型。
可选的,根据样本交通标志的预测类别和标注类别,确定候选识别模型的损失值;若候选识别模型的损失值不满足收敛条件,则根据候选识别模型的损失值对候选识别模型进行调整,得到目标识别模型。
可以对目标道路的样本图像集合中多帧样本图像进行标志识别,获得多帧图像中样本交通标志的预测类别。根据多帧样本图像中的样本交通标志的预测类别和标注类别,确定候选识别模型的损失值,即确定候选识别模型对交通标志类型识别的正确率。若候选识别模型的损失值不满足收敛条件,即候选识别模型的损失值大于预设阈值,则说明候选识别模型对样本交通标志类型识别的正确率较低。可以根据候选识别模型的损失值对候选识别模型进行调整,如收集候选识别模型对样本交通标志类别的误判因素,调整各类交通标志的特征信息与类别之间的对应关系,从而对候选识别模型进行调整,得到目标识别模型。若候选识别模型的损失值满足收敛条件,即候选识别模型的损失值小于预设阈值,则说明候选识别模型对样本交通标志类型识别的正确率较高,则将候选识别模型确定为目标识别模型。
S206,从第二图像中剪裁出标志区域,采用目标识别模型对每帧第二图像对应的标志区域进行标志类别识别,得到目标交通标志的类别。
根据目标交通标志位于第一图像中的第一位置信息,确定目标交通标志位于第二图像中的第二位置信息后。根据该第二位置信息确定目标交通标志位于第二图像中的标志区域,并设置特定的尺寸对第二图像中目标交通标志所在标志区域进行裁剪,得到标志区域。得到标志区域后,采用目标识别模型对每帧第二图像对应的标志区域进行标志类别识别,得到目标交通标志的类别。目标交通标志的是指用文字或符号传递引导、限制、警告或指示信息的道路设施,目标交通标志的类别是指具体的交通标志。具体的,目标识别模型中包括目标道路的样本交通标志集合和各个样本交通标志的标注类别,以及各个样本交通标志的特征信息。各个样本交通标志的标注类别包括直行通过标志、禁止非机动车通行标志、出口预告标志等等。各个样本交通标志的特征信息包括各个样本交通标志的形状特征以及颜色参数,如直行通过标志的形状特征为圆形形状,并且直行通过标志中颜色参数只包括蓝色像素点以及白色像素点,蓝色像素点的数量与白色像素点的数量之间的比值满足预设条件。获取标志区域中候选标志的特征信息,将标志区域中候选标志的特征信息与样本交通标志集合中多个交通标志的特征信息进行匹配,获取与标志区域中候选标志匹配度最大的样本交通标志特征信息。获取与标志区域中候选标志匹配度最大的样本交通标志特征信息对应的目标样本交通标志的标注类别,将目标样本交通标志的标注类别作为目标交通标志的类别。
可选的,可以获取标志区域中的目标交通标志的形状和目标交通标志所包含的各个物体形状,以及各个物体形状之间的位置信息和颜色信息。根据标志区域中的目标交通标志的形状和目标交通标志所包含的各个物体形状,以及各个物体形状之间的位置信息和颜色信息,对标志区域中的目标交通标志进行类别识别。例如,若目标交通标志的整体形状为圆形,且目标交通标志中包含包括两个圆和一个箭头,一个圆包围另一个圆,箭头在两个圆的中间,以及目标交通标志中两个圆之间的颜色为蓝色和白色,箭头的颜色为白色,以及与箭头的距离近一点的圆与箭头之间的颜色为蓝色,则将目标交通标志的类别确定为直行通过标志。
本方案仅对第二图像中目标交通标志所在的标志区域进行裁剪后得到的标志区域进行标志类别识别,而不用对目标道路的至少两帧图像进行标志类别识别,可以减少计算量,以此减少对交通标志识别的时间,并且缩小了对目标交通标志的识别范围,可以提高对目标交通标志识别的准确率。
本申请实施例中的第二图像的数量为多帧,每帧第二图像中均存在目标交通标志,每帧图像对应一个标志区域。可以获得目标交通标志对应的至少两帧第二图像,并获取至少两帧第二图像中每帧第二图像中的目标交通标志所在的标志区域,对每帧第二图像中的目标交通标志所在的标志区域进行标志类别识别,获得目标交通标志。以此可以减少对一帧第二图像中交通标志的类别识别时所产生的误差,提高对目标交通标志类型识别的准确率。
可选的,采用目标识别模型对每帧所述第二图像对应的标志区域进行特征提取,得到目标交通标志位于每帧所述第二图像中特征信息;对特征信息进行融合处理,得到融合后的特征信息;对融合后的特征信息进行标志类别识别,得到目标交通标志的类别。
可以采用目标识别模型,对多帧第二图像中标志区域剪裁后得到的多帧标志区域进行特征提取,得到多帧标志区域中每帧标志区域中目标交通标志的特征信息。对每帧标志区域中目标交通标志的特征信息进行融合处理,得到融合处理后的特征信息,以此可以避免标志区域中一些特征信息缺少所造成的误差。对融合处理后的特征信息进行标志类别识别得到目标交通标志的类别,可以提高对目标交通标志类型识别的准确率。
本申请实施例公开了一种交通标志识别方法、装置、设备及存储介质,其中,一种交通标志识别方法包括:获取关于目标道路的至少两帧图像;对所述至少两帧图像进行交通标志检测;若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域;从所述第二图像中剪裁出所述标志区域,获取用于交通标志识别的目标识别模型;采用目标识别模型对每帧第二图像对应的标志区域进行标志类别识别,得到目标交通标志的类别。通过对标志区域进行标志类别识别,得到目标交通标志的类别,不需要对标志区域进行放缩处理,可以避免图像因过度缩放而导致的信息损失,可以更加准确的识别出目标交通标志的类别。通过根据第一位置信息预测目标交通标志位于第二图像中的区域,有利于快速地从第二图像中剪裁出标志区域,可以降低时延,快速的识别出目标交通标志的类型;另外,标志区域中的影响标志类别识别的因素较少,对剪裁后的标志区域中目标交通标志类别进行识别,可以快速且准确的获得目标交通标志;而且不用对目标道路中的每一帧图像进行标志类别识别,只需对目标交通标志所在的标志区域进行标志类别识别,可以减少检测网络的计算量,降低时延;并且对多帧第二图像中目标交通标志所在的标志区域进行标志类别识别,可以避免一帧第二图像中一些特征信息缺少所造成的误差,提高对目标交通标志类型识别的准确率。
请参见图4,是本申请实施例提供的一种交通标志识别装置的结构示意图,本申请实施例的所述装置可以在上述提及的电子设备中。本实施例中,该交通标志识别装置包括以:
第一获取模块11,用于获取关于目标道路的至少两帧图像。
检测模块12,用于对至少两帧图像进行交通标志检测。
其中,所述检测模块12包括:第二获取单元、检测单元。
第二获取单元,用于获取所述至少两帧图像中每帧图像的拍摄时间;
检测单元,按照所述每帧图像的拍摄时间,对所述每帧图像进行交通标志检测。
第二获取模块13,用于若检测到至少两帧图像中的第一图像中包括目标交通标志,则获取目标交通标志位于第一图像中的位置信息,作为第一位置信息。
预测模块14,用于根据第一位置信息预测目标交通标志位于第二图像中的区域,作为标志区域,第二图像属于至少两帧图像,第二图像的拍摄时间晚于第一图像。
其中,所述预测模块14包括:预测单元、确定单元。
预测单元,用于根据所述第一位置信息预测所述目标交通标志位于所述第二图像中的位置信息,作为第二位置信息;
确定单元,用于根据所述第二位置信息确定所述目标交通标志位于第二图像中区域,作为标志区域。
识别模块15,用于从第二图像中剪裁出标志区域,对标志区域进行标志类别识别,得到目标交通标志的类别。
其中,所述识别模块15包括:第一获取单元、识别单元。
第一获取单元,用于获取用于交通标志识别的目标识别模型;
识别单元,用于采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别。
其中,所述第二图像的数量为多帧,每帧所述第二图像对应一个标志区域;所述识别单元具体用于:
采用所述目标识别模型对所述第二图像对应的标志区域进行特征提取,得到所述目标交通标志位于每帧所述第二图像中特征信息;
对所述特征信息进行融合处理,得到融合后的特征信息;
对所述融合后的特征信息进行标志类别识别,得到所述目标交通标志的类别。
其中,所述第一获取单元具体用于:
获取候选识别模型以及关于所述目标道路的样本图像集合,所述样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,所述第一样本图像中包括所述样本交通标志,所述候选识别模型为用于进行交通标志识别的待训练识别模型;
获取所述样本交通标志位于所述第一样本图像中的位置信息;
根据所述样本交通标志位于所述第一样本图像中的位置信息,预测所述样本交通标志位于所述第二样本图像中的区域,作为样本标志区域;
从所述第二样本图像中剪裁出所述样本标志区域,采用所述候选识别模型对所述样本标志区域进行预测,得到所述样本交通标志的预测类别;
根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型。
其中,上述第一获取单元还具体用于:
根据所述样本交通标志的预测类别和所述标注类别,确定所述候选识别模型的损失值;
若所述候选识别模型的损失值不满足收敛条件,则根据所述候选识别模型的损失值对所述候选识别模型进行调整,得到所述目标识别模型。
本申请实施例公开了一种交通标志识别方法、装置、设备及存储介质,其中,一种交通标志识别方法包括:获取关于目标道路的至少两帧图像;对所述至少两帧图像进行交通标志检测;若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域;从所述第二图像中剪裁出所述标志区域,获取用于交通标志识别的目标识别模型;采用目标识别模型对每帧第二图像对应的标志区域进行标志类别识别,得到目标交通标志的类别。通过对标志区域进行标志类别识别,得到目标交通标志的类别,不需要对标志区域进行放缩处理,可以避免图像因过度缩放而导致的信息损失,可以更加准确的识别出目标交通标志的类别。通过根据第一位置信息预测目标交通标志位于第二图像中的区域,有利于快速地从第二图像中剪裁出标志区域,可以降低时延,快速的识别出目标交通标志的类型;另外,标志区域中的影响标志类别识别的因素较少,对剪裁后的标志区域中目标交通标志类别进行识别,可以快速且准确的获得目标交通标志;而且不用对目标道路中的每一帧图像进行标志类别识别,只需对目标交通标志所在的标志区域进行标志类别识别,可以减少检测网络的计算量,降低时延;并且对多帧第二图像中目标交通标志所在的标志区域进行标志类别识别,可以避免一帧第二图像中一些特征信息缺少所造成的误差,提高对目标交通标志类型识别的准确率。
请参见图5,是本申请实施例提供的一种电子设备的结构示意图,如图5所示的本实施例中的电子设备可以包括:一个或多个处理器21;一个或多个输入装置22,一个或多个输出装置23和存储器24。上述处理器21、输入装置22、输出装置23和存储器24通过总线25连接。
所处理器21可以是中央处理单元(Central Processing Unit,CPU),该处理器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)、现成可编程门阵列(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。
输入装置22可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出装置23可以包括显示器(LCD等)、扬声器等,输出装置23可以输出校正处理后的数据表。
该存储器24可以包括只读存储器和随机存取存储器,并向处理器21提供指令和数据。存储器24的一部分还可以包括非易失性随机存取存储器,存储器24用于存储计算机程序,所述计算机程序包括程序指令,处理器21用于执行存储器24存储的程序指令,以用于执行一种交通标志识别方法,即用于执行以下操作:
获取关于目标道路的至少两帧图像;
对所述至少两帧图像进行交通标志检测;
若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。
可选的,处理器21用于执行存储器24存储的程序指令,用于执行以下操作:
获取用于交通标志识别的目标识别模型;
采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别。
可选的,处理器21用于执行存储器24存储的程序指令,用于执行以下操作:
采用所述目标识别模型对每帧所述第二图像对应的标志区域进行特征提取,得到所述目标交通标志位于每帧所述第二图像中特征信息;
对所述特征信息进行融合处理,得到融合后的特征信息;
对所述融合后的特征信息进行标志类别识别,得到所述目标交通标志的类别。
可选的,处理器21用于执行存储器24存储的程序指令,用于执行以下操作:
获取候选识别模型以及关于所述目标道路的样本图像集合,所述样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,所述第一样本图像中包括所述样本交通标志,所述候选识别模型为用于进行交通标志识别的待训练识别模型;
获取所述样本交通标志位于所述第一样本图像中的位置信息;
根据所述样本交通标志位于所述第一样本图像中的位置信息,预测所述样本交通标志位于所述第二样本图像中的区域,作为样本标志区域;
从所述第二样本图像中剪裁出所述样本标志区域,采用所述候选识别模型对所述样本标志区域进行预测,得到所述样本交通标示的预测类别;
根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型。
可选的,处理器21用于执行存储器24存储的程序指令,用于执行以下操作:
根据所述样本交通标志的预测类别和所述标注类别,确定所述候选识别模型的损失值;
若所述候选识别模型的损失值不满足收敛条件,则根据所述候选识别模型的损失值对所述候选识别模型进行调整,得到所述目标识别模型。
可选的,处理器21用于执行存储器24存储的程序指令,用于执行以下操作:
根据所述第一位置信息预测所述目标交通标志位于所述第二图像中的位置信息,作为第二位置信息;
根据所述第二位置信息确定所述目标交通标志位于第二图像中的区域,作为标志区域。
可选的,处理器21用于执行存储器24存储的程序指令,用于执行以下操作:
获取所述至少两帧图像中每帧图像的拍摄时间;
按照所述每帧图像的拍摄时间,对所述每帧图像进行交通标志检测。
本申请实施例中所描述的处理器21、输入装置22、输出装置23可执行本申请实施例提供的交通标志识别方法的实施例中所描述的实现方式,也可执行本申请实施例所描述的电子设备的实现方式,在此不再赘述。
本申请实施例公开了一种交通标志识别方法、装置、设备及存储介质,其中,一种交通标志识别方法包括:获取关于目标道路的至少两帧图像;对所述至少两帧图像进行交通标志检测;若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域;从所述第二图像中剪裁出所述标志区域,获取用于交通标志识别的目标识别模型;采用目标识别模型对每帧第二图像对应的标志区域进行标志类别识别,得到目标交通标志的类别。通过对标志区域进行标志类别识别,得到目标交通标志的类别,不需要对标志区域进行放缩处理,可以避免图像因过度缩放而导致的信息损失,可以更加准确的识别出目标交通标志的类别。通过根据第一位置信息预测目标交通标志位于第二图像中的区域,有利于快速地从第二图像中剪裁出标志区域,可以降低时延,快速的识别出目标交通标志的类型;另外,标志区域中的影响标志类别识别的因素较少,对剪裁后的标志区域中目标交通标志类别进行识别,可以快速且准确的获得目标交通标志;而且不用对目标道路中的每一帧图像进行标志类别识别,只需对目标交通标志所在的标志区域进行标志类别识别,可以减少检测网络的计算量,降低时延;并且对多帧第二图像中目标交通标志所在的标志区域进行标志类别识别,可以避免一帧第二图像中一些特征信息缺少所造成的误差,提高对目标交通标志类型识别的准确率。
本申请实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现如图1及图2实施例中所示的交通标志识别方法。
所述计算机可读存储介质可以是前述任一实施例所述的电子设备的内部存储单元,例如控制设备的硬盘或内存。所述计算机可读存储介质也可以是所述控制设备的外部存储设备,例如所述控制设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述控制设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述控制设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的控制设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的控制设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例是示意性的,例如,所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种交通标志识别方法,其特征在于,包括:
获取关于目标道路的至少两帧图像;
对所述至少两帧图像进行交通标志检测;
若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。
2.根据权利要求1所述的方法,其特征在于,所述对所述标志区域进行标志类别识别,得到所述目标交通标志的类别,包括:
获取用于交通标志识别的目标识别模型;
采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别。
3.根据权利要求2所述的方法,其特征在于,所述第二图像的数量为多帧,每帧所述第二图像对应一个标志区域;
所述采用所述目标识别模型对所述第二图像对应的标志区域进行标志类别识别,得到所述目标交通标志的类别,包括:
采用所述目标识别模型对每帧所述第二图像对应的标志区域进行特征提取,得到所述目标交通标志位于每帧所述第二图像中特征信息;
对所述特征信息进行融合处理,得到融合后的特征信息;
对所述融合后的特征信息进行标志类别识别,得到所述目标交通标志的类别。
4.根据权利要求2所述的方法,其特征在于,所述获取用于交通标志识别的目标识别模型,包括:
获取候选识别模型以及关于所述目标道路的样本图像集合,所述样本图像集合中包括第一样本图像以及第二样本图像,以及样本交通标志的标注类别,所述第一样本图像中包括所述样本交通标志,所述候选识别模型为用于进行交通标志识别的待训练识别模型;
获取所述样本交通标志位于所述第一样本图像中的位置信息;
根据所述样本交通标志位于所述第一样本图像中的位置信息,预测所述样本交通标志位于所述第二样本图像中的区域,作为样本标志区域;
从所述第二样本图像中剪裁出所述样本标志区域,采用所述候选识别模型对所述样本标志区域进行预测,得到所述样本交通标志的预测类别;
根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述样本交通标志的预测类别和所述标注类别对所述候选识别模型进行调整,得到所述目标识别模型,包括:
根据所述样本交通标志的预测类别和所述标注类别,确定所述候选识别模型的损失值;
若所述候选识别模型的损失值不满足收敛条件,则根据所述候选识别模型的损失值对所述候选识别模型进行调整,得到所述目标识别模型。
6.根据权利要求1所述的方法,其特征在于,所述第一位置信息包括所述目标交通标志位于所述第一图像中的第一坐标信息;
所述根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,包括:
根据所述第一坐标信息预测所述目标交通标志位于所述第二图像中的第二坐标信息,作为第二位置信息;
根据所述第二位置信息确定所述目标交通标志位于第二图像中区域,作为标志区域。
7.根据权利要求1所述的方法,其特征在于,所述对所述至少两帧图像进行交通标志检测,包括:
获取所述至少两帧图像中每帧图像的拍摄时间;
按照所述每帧图像的拍摄时间,对所述每帧图像进行交通标志检测。
8.一种交通标志识别装置,其特征在于,包括:
第一获取模块,用于获取关于目标道路的至少两帧图像;
检测模块,用于对所述至少两帧图像进行交通标志检测;
第二获取模块,用于若检测到所述至少两帧图像中的第一图像中包括目标交通标志,则获取所述目标交通标志位于第一图像中的位置信息,作为第一位置信息;
预测模块,用于根据所述第一位置信息预测所述目标交通标志位于第二图像中的区域,作为标志区域,所述第二图像属于所述至少两帧图像,所述第二图像的拍摄时间晚于所述第一图像;
识别模块,用于从所述第二图像中剪裁出所述标志区域,对所述标志区域进行标志类别识别,得到所述目标交通标志的类别。
9.一种计算机设备,其特征在于,包括:处理器、存储器以及网络接口;
所述处理器与存储器、网络接口相连,其中,网络接口用于提供数据通信功能,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以执行如权利要求1至7任一项所述的方法。
10.一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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939937.0A CN112016514B (zh) | 2020-09-09 | 2020-09-09 | 一种交通标志识别方法、装置、设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939937.0A CN112016514B (zh) | 2020-09-09 | 2020-09-09 | 一种交通标志识别方法、装置、设备及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016514A true CN112016514A (zh) | 2020-12-01 |
CN112016514B CN112016514B (zh) | 2024-05-14 |
Family
ID=73521675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010939937.0A Active CN112016514B (zh) | 2020-09-09 | 2020-09-09 | 一种交通标志识别方法、装置、设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016514B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560670A (zh) * | 2020-12-15 | 2021-03-26 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609485A (zh) * | 2017-08-16 | 2018-01-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
CN108509900A (zh) * | 2018-03-29 | 2018-09-07 | 深圳前向启创数码技术有限公司 | 交通标志检测和识别方法、系统及存储介质 |
CN108734105A (zh) * | 2018-04-20 | 2018-11-02 | 东软集团股份有限公司 | 车道线检测方法、装置、存储介质和电子设备 |
CN110110787A (zh) * | 2019-05-06 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 目标的位置获取方法、装置、计算机设备及存储介质 |
CN110135307A (zh) * | 2019-04-30 | 2019-08-16 | 北京邮电大学 | 基于注意力机制的交通标志检测方法和装置 |
CN111539992A (zh) * | 2020-04-29 | 2020-08-14 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和存储介质 |
-
2020
- 2020-09-09 CN CN202010939937.0A patent/CN112016514B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609485A (zh) * | 2017-08-16 | 2018-01-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
CN108509900A (zh) * | 2018-03-29 | 2018-09-07 | 深圳前向启创数码技术有限公司 | 交通标志检测和识别方法、系统及存储介质 |
CN108734105A (zh) * | 2018-04-20 | 2018-11-02 | 东软集团股份有限公司 | 车道线检测方法、装置、存储介质和电子设备 |
CN110135307A (zh) * | 2019-04-30 | 2019-08-16 | 北京邮电大学 | 基于注意力机制的交通标志检测方法和装置 |
CN110110787A (zh) * | 2019-05-06 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 目标的位置获取方法、装置、计算机设备及存储介质 |
CN111539992A (zh) * | 2020-04-29 | 2020-08-14 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560670A (zh) * | 2020-12-15 | 2021-03-26 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
CN112560670B (zh) * | 2020-12-15 | 2022-08-16 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112016514B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109284674B (zh) | 一种确定车道线的方法及装置 | |
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN108877269B (zh) | 一种交叉路口车辆状态检测及v2x广播方法 | |
US20130129219A1 (en) | Pattern recognition apparatus, pattern recogntion method, image processing apparatus, and image processing method | |
CN108388879A (zh) | 目标的检测方法、装置和存储介质 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN112001200A (zh) | 识别码识别方法、装置、设备、存储介质和系统 | |
CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
CN111091041A (zh) | 一种车辆违法判别方法、装置、计算机设备和存储介质 | |
CN110837760B (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
CN109903308B (zh) | 用于获取信息的方法及装置 | |
WO2024098992A1 (zh) | 倒车检测方法及装置 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN111476245A (zh) | 车辆左转违规检测方法、装置、计算机设备和存储介质 | |
CN111914671A (zh) | 一种安全带检测方法、装置、电子设备及存储介质 | |
CN116682101A (zh) | 车牌号码识别方法以及系统 | |
CN111627224A (zh) | 车辆速度异常检测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |