CN112465822A - 团雾检测方法、装置、设备及计算机可读存储介质 - Google Patents
团雾检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112465822A CN112465822A CN202110100362.8A CN202110100362A CN112465822A CN 112465822 A CN112465822 A CN 112465822A CN 202110100362 A CN202110100362 A CN 202110100362A CN 112465822 A CN112465822 A CN 112465822A
- Authority
- CN
- China
- Prior art keywords
- image data
- road
- target
- road surface
- fog
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Abstract
本申请实施例提供了一种团雾检测方法、装置、设备及计算机可读存储介质,方法包括:获取目标路段的第一路面图像数据,第一路面图像数据为包含目标路段的路面信息的图像数据;根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度,其中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。由于本申请实施例是通过第一路面图像数据和第一团雾检测模型来确定目标路段的第一团雾浓度,所以在团雾检测时无需依靠激光器等团雾检测设备,能够降低团雾检测成本,而且本申请实施例适用于安装有图像采集装置的任何路段,团雾检测覆盖度高。
Description
技术领域
本申请属于交通技术领域,尤其涉及一种团雾检测方法、装置、设备及计算机可读存储介质。
背景技术
团雾,一般来说是受局部地区微气候环境的影响,在大雾中数十米到上百米的局部范围内,出现的更“浓”、能见度更低的雾。通常而言,团雾外视线良好,团雾内一片朦胧。团雾具有区域性强、预测预报难的特点,尤其是在高速公路上,团雾会导致能见度的突然变化,对高速公路交通安全极具危害性,容易酿成重大交通事故。因此,在交通技术领域,团雾检测显得尤为重要。
然而,现有方案通常采用能见度检测仪等检测设备来对团雾浓度进行检测,存在检测成本昂贵,检测覆盖度低的技术问题。
发明内容
本申请实施例提供一种团雾检测方法、装置、设备及计算机可读存储介质,能够解决现有方案存在的团雾检测成本昂贵,检测覆盖度低的技术问题。
第一方面,本申请实施例提供一种团雾检测方法,方法包括:
获取目标路段的第一路面图像数据,第一路面图像数据为包含目标路段的路面信息的图像数据;
根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度,
其中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。
在一些实施例中,第一团雾检测模型的第一权重参数的初始值为根据训练好的第二团雾检测模型的第二权重参数确定,第一团雾检测模型为在初始值的基础上通过学习路面图像数据与团雾浓度之间的映射关系得到;
第二团雾检测模型为通过学习第二路面图像数据与团雾浓度之间的映射关系得到,第二路面图像数据为包含样本路段的路面信息的图像数据。
在一些实施例中,第一团雾检测模型的目标层的数量少于第二团雾检测模型的目标层的数量,目标层至少包括卷积层和池化层。
在一些实施例中,第一权重参数和第二权重参数均包括:卷积层的权重参数和全连接层的权重参数。
在一些实施例中,在获取目标路段的第一路面图像数据之前,方法还包括:
获取多个第二路面图像数据,每个第二路面图像数据中包含每个样本路段的路面标线信息;
根据每个样本路段的路面标线信息,确定每个第二路面图像数据的分类结果,分类结果用于指示第二路面图像数据对应的团雾浓度;
根据每个第二路面图像数据的分类结果,对第二团雾检测模型进行训练,得到训练好的第二团雾检测模型。
在一些实施例中,根据每个样本路段的路面标线信息,确定每个第二路面图像数据的分类结果,具体包括:
对于每个第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,目标直线为沿第一方向穿过目标路面标线的直线,第一方向为目标路面标线的长度方向;
根据预先确定的路面标线的数量与团雾浓度的对应关系和第一数量,确定第二路面图像数据的分类结果。
在一些实施例中,根据每个样本路段的路面标线信息,确定每个第二路面图像数据的分类结果,具体包括:
对于每个第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,目标直线为沿第一方向穿过目标路面标线的直线,第一方向为目标路面标线的长度方向;
根据第一数量、预先确定的路面标线长度和两个路面标线之间的间隔长度,确定样本路段的第一能见度距离;
根据预先确定的能见度距离与团雾浓度的对应关系和第一能见度距离,确定第二路面图像数据的分类结果。
在一些实施例中,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,具体包括:
基于目标边缘检测算法,确定第二路面图像数据中所包含的多个路面标线的边缘;
根据多个路面标线中目标路面标线的边缘,确定目标直线;
确定位于目标直线上的路面标线的第一数量。
在一些实施例中,第一路面图像数据包括连续的多帧图像数据,第二路面图像数据包括灰度图像数据。
在一些实施例中,在确定目标路段的第一团雾浓度之后,方法还包括:向目标监测设备或目标监测系统发送表征第一团雾浓度的信息。
第二方面,本申请实施例提供了一种团雾检测装置,装置包括:
获取模块,用于获取目标路段的第一路面图像数据,第一路面图像数据为包含目标路段的路面信息的图像数据;
确定模块,用于根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度,
其中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现如第一方面任一实施例的团雾检测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如第一方面任一实施例的团雾检测方法的步骤。
本申请实施例的团雾检测方法、装置、设备及计算机可读存储介质,首先获取目标路段的第一路面图像数据,第一路面图像数据为包含目标路段的路面信息的图像数据;根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度,其中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。由于本申请实施例是通过第一路面图像数据和第一团雾检测模型来确定目标路段的第一团雾浓度,所以在团雾检测时无需依靠激光器等团雾检测设备,能够降低团雾检测成本,而且本申请实施例适用于安装有图像采集装置的任何路段,具有检测覆盖范围广和覆盖度高的优点。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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团雾检测方法的流程示意图;
图2是本申请实施例提供的团雾检测方法的流程示意图;
图3为本申请一实施例的确定第二路面图像数据实际的分类结果的流程示意图;
图4为图3所示的流程示意图中的步骤S12的其中一种流程示意图;
图5示意性示出了本申请实施例的第二路面图像数据;
图6为图4所示的流程示意图中的步骤S121的流程示意图;
图7为图3所示的流程示意图中的步骤S12的另一种流程示意图;
图8是本申请实施例提供的团雾检测装置的结构示意图;
图9是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
如前所述,现有的团雾检测方案通常采用能见度检测仪等检测设备来对团雾浓度进行检测,不仅检测成本昂贵,而且检测范围小,检测覆盖度低,无法实现团雾检测在路网的全面覆盖。
在一些相关技术中,还提出一种利用激光器向团雾发射激光,根据团雾所透射的激光强度来检测团雾浓度的方案。这种方案与上述能见度检测仪的方案类似,均存在检测成本昂贵、检测范围小和检测覆盖度低的技术问题。
在一些相关技术中,还提出利用传统图像处理方法对团雾进行检测,而这种方案一方面会涉及大量的数学运算,处理速度或者说检测速度非常慢,另一方面在图像中缺少参照物或参照物不清晰的情况下,这种方案无法判断团雾的浓度等级。
为了解决现有技术问题,本申请实施例提供了一种团雾检测方法、装置、设备及计算机可读存储介质。
本申请实施例首先通过训练,得到具有路面图像数据与团雾浓度的映射关系的第一团雾检测模型,然后根据目标路段的第一路面图像数据和第一团雾检测模型来确定目标路段的第一团雾浓度。可以看出,在团雾检测过程中,本申请实施例无需依靠能见度检测仪等团雾检测设备,能够降低团雾检测成本,而且适用于安装有图像采集装置的任何路段,检测覆盖范围广和检测覆盖度高。
下面首先对本申请实施例所提供的团雾检测方法进行介绍。
图1示出了本申请实施例提供的团雾检测方法的流程示意图。如图1所示,该方法可以包括步骤S101和S102。
S101、获取目标路段的第一路面图像数据。
在本申请实施例中,目标路段可以是任意一个路段,也可以是任意多个路段,这里对于目标路段的数量并不作限定。
在本申请实施例中,第一路面图像数据可以理解为包含目标路段的路面信息的图像数据。这里,需要说明的是,路面信息并不特指路面上的某一信息。通常而言,道路沿线的图像采集装置在采集道路的图像数据时均会拍摄到路面,即,图像采集装置采集的目标路段的图像数据中都会包含路面信息。也就是说,第一路面图像数据可以理解为图像采集装置采集的目标路段的图像数据。
在S101中,例如第一路面图像数据可以是位于目标路段沿线的摄像头拍摄的图像数据,也可以是由人员手持图像采集装置拍摄的目标路段的图像数据,或者是其他方式采集的目标路段的图像数据,本申请不限于此。在一些实施例中,第一路面图像数据可以是连续的多帧图像数据,即视频数据,也可以是一帧图像数据,本申请亦不限于此。
S102、根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度。
在一些实施例中,为了便于区分不同浓度的团雾,针对团雾浓度划分了多个等级,示例性地,团雾浓度等级可以包括:特浓雾、强浓雾、浓雾和少雾,其中,少雾也可以称为无雾。团雾浓度等级具体可以根据实际情况灵活设定,例如可以参照国家标准GB/T 27964-2011雾的预报等级设定,本申请不限于此。相应地,第一团雾浓度可以理解为是某一团雾浓度等级,例如可以是浓雾。
在本申请实施例中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。容易理解的是,在S101之前,可以利用不同团雾浓度的路面图像数据对第一团雾检测模型进行训练,从而得到训练好的第一团雾检测模型。
在S102中,可以将第一路面图像数据输入至训练好的第一团雾检测模型,从而得到目标路段的第一团雾浓度。以第一路面图像数据为视频数据为例,例如可以将视频数据输入至训练好的第一团雾检测模型,从而得到目标路段的第一团雾浓度。
值得一提的是,在一些实施例中,第一团雾检测模型所具备的精准确定目标路段的团雾浓度等级的能力,并不是第一团雾检测模型自身通过大量地训练获得的,而是训练好的第二团雾检测模型“赋予”给第一团雾检测模型的。
具体地,在一些实施例中,第一团雾检测模型的第一权重参数的初始值可以是根据训练好的第二团雾检测模型的第二权重参数确定。在模型训练时,第一团雾检测模型为在该初始值的基础上,通过学习路面图像数据与团雾浓度之间的映射关系得到。换句话说,第一团雾检测模型无需从“零”开始训练,第一团雾检测模型在导入训练好的第二团雾检测模型的第二权重参数之后,只需要少量的样本训练即可获得与第二团雾检测模型相同的模型性能。
这样做的好处在于,本申请的发明人意识到若从“零”开始训练的话,模型的训练量相对较大,而要想满足模型训练的精度,模型的网络结构需要设计的比较复杂,模型相对比较“臃肿”,致使模型的处理速度较慢。而采取上述导入另一团雾检测模型的权重参数的方式,可以使得第一团雾检测模型的网络结构设计的更加简单、轻量化,这样能够大幅提升模型的处理速度,适用于路段较多处理量较大的场景,满足服务器的多路并发要求。
为了便于理解,下面依次介绍第二团雾检测模型的训练过程和第一团雾检测模型的训练过程。
在训练第二团雾检测模型时,首先需要获取用于训练第二团雾检测模型的样本数据。这里,样本数据可以是样本路段的路面图像数据,即包含样本路段的路面信息的图像数据。为了便于区分,可以将训练第二团雾检测模型的路面图像数据称作第二路面图像数据。这里,需要说明的是,样本路段可以包括目标路段,也可以不包括目标路段,即第二路面图像数据可以是目标路段的历史路面图像数据,也可以是其他路段的路面图像数据,本申请不限于此。
为了保证模型的预测精度,通常在模型训练时需要准备多个团雾浓度等级的第二路面图像数据。如图2所示,在一些实施例中,第二路面图像数据可以是从样本路段的视频数据流中提取出的图片。那么,第二路面图像数据可以是不同团雾浓度等级的图片,例如可以包括特浓雾对应的图片、强浓雾对应的图片、浓雾对应的图片和少雾对应的图片。
在利用第二路面图像数据训练第二团雾检测模型时,需要先知晓每个第二路面图像数据实际的分类结果,容易理解的是,该分类结果用于指示每个第二路面图像数据对应的团雾浓度(等级)。在训练时,通过将模型输出的结果与实际的分类结果进行对比,来确定第二团雾检测模型预测的准确度。通过更新迭代第二团雾检测模型的权重参数,使得第二团雾检测模型预测的准确度不断提升,最终当第二团雾检测模型预测的准确度达到预期时,训练结束,从而得到训练好的第二团雾检测模型。
考虑到单凭肉眼很难区分出每个第二路面图像数据的团雾浓度等级,以及由用户确定第二路面图像数据实际的分类结果存在不准确的问题。如图3所示,在一些实施例中,本申请实施例可以通过以下图像预处理方式自动确定出第二路面图像数据实际的分类结果,具体可以包括步骤S11和S12。
S11、获取多个第二路面图像数据,每个第二路面图像数据中包含每个样本路段的路面标线信息。
如前所述,例如可以从样本路段的视频数据流中提取出样本路段的图片,或者也可以通过图像采集装置采集样本路段的图片,从而得到多个第二路面图像数据。
每个第二路面图像数据中均包含每个样本路段的路面标线信息。其中,路面标线也称为交通标线,是指在道路的路面上用线条、箭头、文字、立面标记、突起路标和轮廓标等向交通参与者传递引导、限制、警告等交通信息的标识。
S12、根据每个样本路段的路面标线信息,确定每个第二路面图像数据的分类结果。
如图4所示,在一些实施例中,S12具体可以包括步骤S121和S122。
S121、对于每个第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量。其中,目标直线为沿第一方向穿过目标路面标线的直线,第一方向为目标路面标线的长度方向。
示例性地,目标直线可以是目标路面标线沿第一方向的中心线所在的直线,也可以是目标路面标线沿第一方向的边缘所在的直线。
如图5所示,样本路段300通常是笔直的或者弯曲较小,所以在第二路面图像数据中,两个车道之间的多个路面标线301通常在同一条直线上。那么,可以以同一条直线上路面标线301的数量作为参考来确定团雾浓度等级。比如,同一条直线上路面标线的数量较少时说明团雾浓度等级较高,同一条直线上路面标线的数量较多时说明团雾浓度等级较低。
如图6所示,在一些实施例中,S121具体可以包括以下步骤:
S1211、基于目标边缘检测算法,确定第二路面图像数据中所包含的多个路面标线的边缘。示例性地,目标边缘检测算法可以包括索贝尔sobel边缘检测算法、双阈值检测及边缘连接算法。
具体地,在获取第二路面图像数据之后,为了减少计算量,提高计算速度,可以首先将第二路面图像数据转换为灰度图像数据;接着,利用高斯滤波算法对灰度图像数据进行卷积运算,以去除灰度图像数据中的噪声。然后,利用索贝尔卷积算子的横向卷积算子、索贝尔卷积算子的纵向卷积因子与灰度图像数据中的对应像素点进行平面卷积运算,得到灰度图像数据的梯度幅值和梯度方向。
其中,梯度幅值的表达式如下:
最后,利用双阈值检测及边缘连接算法中的高阈值和低阈值来区分路面标线的边缘,当高于高阈值时则为路面标线的边缘,从而确定出第二路面图像数据中所包含的多个路面标线的边缘。
S1212、根据多个路面标线中目标路面标线的边缘,确定目标直线。其中,目标路面标线可以是第二路面图像数据中的任意一个路面标线,例如可以是距离图像下边缘最近的路面标线。在确定出目标路面标线的边缘之后,例如可以确定出目标路面标线沿第一方向的中心线所在的直线,或者确定出目标路面标线沿第一方向的边缘所在的直线,从而得到目标直线。
S1213、确定位于目标直线上的路面标线的第一数量。作为一种示例,例如可以利用模板匹配算法沿目标直线确定目标直线上的路面标线的第一数量。
继续参见图4,S122、根据预先确定的路面标线的数量与团雾浓度的对应关系和第一数量,确定第二路面图像数据的分类结果。
表1示意性示出了路面标线的数量与团雾浓度的对应关系。
表1
如表1所示,示例性地,团雾浓度为特浓雾时对应的路面标线的数量为0~4,团雾浓度为强浓雾时对应的路面标线的数量为5~14,团雾浓度为浓雾时对应的路面标线的数量为15~34,团雾浓度为少雾时对应的路面标线的数量为≥35。由此,可以根据第二路面图像数据中位于目标直线上的路面标线的第一数量和路面标线的数量与团雾浓度的对应关系,确定出第二路面图像数据的分类结果。例如,当位于目标直线上的路面标线的第一数量为10时,可以确定第二路面图像数据的分类结果为强浓雾。
这里,需要说明的是,表1示出的路面标线的数量与团雾浓度的对应关系是示意性的,并不应理解为对本申请的限制。
与上述S121和S122的实施方式不同的是,如图7所示,在一些实施例中,S12具体可以包括步骤S121’、S122’和S123’。
S121’、对于每个第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量。其中,目标直线为沿第一方向穿过目标路面标线的直线,第一方向为目标路面标线的长度方向。S121’与S121过程相同,在此不再赘述。
S122’、根据第一数量、预先确定的路面标线长度和两个路面标线之间的间隔长度,确定样本路段的第一能见度距离。
计算样本路段的第一能见度距离的表达式如下:
其中,S表示样本路段的第一能见度距离;n表示第一数量;s1表示路面标线长度;s2表示两个路面标线之间的间隔长度。
通常来说,路面标线是按照道路标线规范绘制的,所以路面标线长度和两个路面标线之间的间隔长度都是确定的。以高速公路为例,路面标线长度一般是6米,两个路面标线之间的间隔长度一般是9米。因此,可以目标直线上的路面标线的第一数量、预先确定的路面标线长度和两个路面标线之间的间隔长度,确定出样本路段的能见度距离,例如100米。
S123’、根据预先确定的能见度距离与团雾浓度的对应关系和第一能见度距离,确定第二路面图像数据的分类结果。
表2示意性示出了能见度距离与团雾浓度的对应关系。
表2
如表2所示,示例性地,团雾浓度为特浓雾时对应的能见度距离为0≤S≤50,团雾浓度为强浓雾时对应的能见度距离为50<S≤200,团雾浓度为浓雾时对应的能见度距离为200<S≤500,团雾浓度为少雾时对应的能见度距离为S>500。由此,可以根据第一能见度距离和能见度距离与团雾浓度的对应关系,确定出第二路面图像数据的分类结果。例如,当第一能见度距离为100米时,可以确定第二路面图像数据的分类结果为强浓雾。
这里,需要说明的是,表2示出的能见度距离与团雾浓度的对应关系是示意性的,并不应理解为对本申请的限制。
此外,还需要说明的是,由于图像远端的标线较为密集或者不清晰通常会导致识别出的标线的数量小于实际数量,或者计算出的能见度距离小于实际能见度距离,但这并不影响本申请实施例的实施。
在确定第二路面图像数据的分类结果之后,接下来,可以将分类结果已知的第二路面图像数据组成样本数据集,并利用样本数据集对第二团雾检测模型进行训练,以得到训练好的第二团雾检测模型。
在一些实施例中,第二团雾检测模型可以选用Inception_V3网络结构的神经网络模型。与其他网络结构相比,Inception_V3网络结构主要特点是将一个较大的二维卷积拆成多个较小的一维卷积,如3*3卷积可以拆成1*3卷积和3*1卷积。采用这种非对称的卷积结构,一方面可以拆分出更多、更丰富的空间特征,增加特征多样性;另一方面可以减少模型中参数计算量。
Inception_V3网络结构的卷积层是多个不同大小的卷积核进行卷积堆叠而成的,其卷积过程公式表达如下:
在卷积后,可以利用激活函数Relu对卷积后的权重进行非线性激活,以协助表达复杂特征。然后下采样池化运算,对特征图进行稀疏处理,减少数据运算量;再然后通过全连接层重新拟合,减少特征信息的损失;最后通过输出层输出分类结果。
在一些实施例中,第二团雾检测模型的数据读取方式可以采用tfrecord数据格式,即,将训练集和验证集中的第二路面图像数据转换成tfrecord格式。然后,将tfrecord格式的第二路面图像数据输入到第二团雾检测模型中并在服务器进行模型训练。在训练过程中,第二团雾检测模型和超参和输入的图像数据的大小根据实际情况灵活设定,例如学习率learning_rate=0.005,批量大小bacth_size=128,最大训练步长max_train_steps=50000。在一些实施例中,为了防止模型训练次数过多造成的过拟合现象,还可以采用早停(early_stop)方法,即当验证集精度从开始下降的时候停止模型训练。
在第二团雾检测模型训练完成后,接下来可以将第二团雾检测模型的第二权重参数迁移到第一团雾检测模型中,以使得第一团雾检测模型无需大量地样本训练即可获得与第二团雾检测模型相同的模型性能。具体地,在第二团雾检测模型训练完成后,可以从第二团雾检测模型中导出第二权重参数,然后将导出的第二权重参数导入第一团雾检测模型,作为第一权重参数的初始值。
这里,需要说明的是,第一权重参数指的是第二团雾检测模型中的权重参数,第二权重参数指的是第二团雾检测模型中的权重参数。第一权重参数和第二权重参数均可以包括:卷积层的权重参数和全连接层的权重参数。当第一团雾检测模型和第二团雾检测模型包括归一化层时,第一权重参数和第二权重参数均还可以包括归一化层的权重参数。
在第一团雾检测模型导入第二权重参数之后,可以利用少量的路面图像数据对第一团雾检测模型进行训练,得到训练好的第一团雾检测模型。这里,对第一团雾检测模型进行训练的路面图像数据可以是视频数据。
由此,便得到了网络结构更加简单、轻量化的第一团雾检测模型。在网络结构上,第一团雾检测模型的目标层的数量少于第二团雾检测模型的目标层的数量,其中目标层至少包括卷积层和池化层。即,与第二团雾检测模型相比,第一团雾检测模型的卷积层和池化层的数量更少,模型的处理速度也更快,适用于路段较多处理量较大的场景,满足服务器的多路并发要求。
在得到训练好的第一团雾检测模型之后,便可以根据第一路面图像数据和训练好的第一团雾检测模型,确定出目标路段的第一团雾浓度。
在一些实施例中,分别对应少雾、浓雾、强浓雾和特浓雾四个等级,第一团雾检测模型的输出层采用softmax函数进行四分类各个类别概率输出{P0,P1,P2,P3}。其中,例如P0表示少雾的概率,P1表示浓雾的概率,P2表示强浓雾的概率,P3表示特浓雾的概率。P0,P1,P2,P3四个概率的和为1,模型预测的团雾浓度等级为概率最高所对应的等级。例如,当输出结果为{0.8,0.1,0.07,0.03}时,模型预测的团雾浓度等级为少雾。
在一些实施例中,在确定目标路段的第一团雾浓度之后,本申请实施例提供的团雾检测方法还可以包括以下步骤:
向目标监测设备或目标监测系统发送表征第一团雾浓度的信息。
具体地,例如在确定目标路段的第一团雾浓度之后,可以判断第一团雾浓度是否大于预设等级,如果第一团雾浓度大于预设等级,则可以向目标监测设备或目标监测系统发送表征第一团雾浓度的信息。当然,也可以省略判断第一团雾浓度是否大于预设等级这一步骤,直接向目标监测设备或目标监测系统发送表征第一团雾浓度的信息。
这样做的好处在于,相关人员或相关设备可以根据上传的第一团雾浓度的等级,采取对应的处置措施,如发布情报板、通知交警进行交通管制,限速等措施。
具体地,例如当第一团雾浓度的等级为特浓雾、强浓雾或浓雾时,可以向目标路段中的车辆或人员以及即将进入目标路段的车辆或人员发出报警提示;再例如,当第一团雾浓度的等级为特浓雾或强浓雾时,可以对目标路段采取交通管制,封闭目标路段等,从而维护交通安全。
基于上述实施例提供的团雾检测方法,相应地,本申请还提供了团雾检测装置的具体实现方式。请参见以下实施例。
参见图8,本申请实施例提供的团雾检测装置400包括以下模块:
获取模块401,用于获取目标路段的第一路面图像数据,第一路面图像数据为包含目标路段的路面信息的图像数据;
确定模块402,用于根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度,
其中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。
本申请实施例的团雾检测装置,获取模块用于获取目标路段的第一路面图像数据,第一路面图像数据为包含目标路段的路面信息的图像数据;确定模块用于根据第一路面图像数据和预先建立的第一团雾检测模型,确定目标路段的第一团雾浓度,其中,第一团雾检测模型为通过学习路面图像数据与团雾浓度之间的映射关系得到。由于本申请实施例是通过第一路面图像数据和第一团雾检测模型来确定目标路段的第一团雾浓度,所以在团雾检测时无需依靠激光器等团雾检测设备,能够降低团雾检测成本,而且本申请实施例适用于安装有图像采集装置的任何路段,具有检测覆盖范围广和覆盖度高的优点。
在一些实施例中,第一团雾检测模型的第一权重参数的初始值为根据训练好的第二团雾检测模型的第二权重参数确定,第一团雾检测模型为在初始值的基础上通过学习路面图像数据与团雾浓度之间的映射关系得到;
第二团雾检测模型为通过学习第二路面图像数据与团雾浓度之间的映射关系得到,第二路面图像数据为包含样本路段的路面信息的图像数据。
在一些实施例中,第一团雾检测模型的目标层的数量少于第二团雾检测模型的目标层的数量,目标层至少包括卷积层和池化层。
在一些实施例中,第一权重参数和第二权重参数均包括:卷积层的权重参数和全连接层的权重参数。
在一些实施例中,本申请实施例提供的团雾检测装置400还包括第二团雾检测模型训练模块,用于:获取多个第二路面图像数据,每个第二路面图像数据中包含每个样本路段的路面标线信息;根据每个样本路段的路面标线信息,确定每个第二路面图像数据的分类结果,分类结果用于指示第二路面图像数据对应的团雾浓度;根据每个第二路面图像数据的分类结果,对第二团雾检测模型进行训练,得到训练好的第二团雾检测模型。
在一些实施例中,第二团雾检测模型训练模块具体用于对于每个第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,目标直线为沿第一方向穿过目标路面标线的直线,第一方向为目标路面标线的长度方向;根据预先确定的路面标线的数量与团雾浓度的对应关系和第一数量,确定第二路面图像数据的分类结果。
在一些实施例中,第二团雾检测模型训练模块具体用于对于每个第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,目标直线为沿第一方向穿过目标路面标线的直线,第一方向为目标路面标线的长度方向;根据第一数量、预先确定的路面标线长度和两个路面标线之间的间隔长度,确定样本路段的第一能见度距离;根据预先确定的能见度距离与团雾浓度的对应关系和第一能见度距离,确定第二路面图像数据的分类结果。
在一些实施例中,第二团雾检测模型训练模块具体用于基于目标边缘检测算法,确定第二路面图像数据中所包含的多个路面标线的边缘;根据多个路面标线中目标路面标线的边缘,确定目标直线;确定位于目标直线上的路面标线的第一数量。
在一些实施例中,第一路面图像数据包括连续的多帧图像数据,第二路面图像数据包括灰度图像数据。
在一些实施例中,本申请实施例提供的团雾检测装置400还包括发送模块,用于向目标监测设备或目标监测系统发送表征第一团雾浓度的信息。
图8所示装置中的各个模块/单元具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
基于上述实施例提供的团雾检测方法,相应地,本申请还提供了电子设备的具体实现方式。请参见以下实施例。
图9示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit ,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器502可以包括可移除或不可移除(或固定)的介质,或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
存储器502在一个实例中,存储器502可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
存储器502可以包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现图1所示实施例中的方法/步骤S101至S102,并达到图1所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,电子设备还可包括通信接口503和总线510。其中,如图9所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(IndustryStandard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的团雾检测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种团雾检测方法。计算机可读存储介质的示例包括非暂态计算机可读存储介质,如电子电路、半导体存储器设备、ROM、随机存取存储器、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,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,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,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,上述描述的系统、模块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。应理解,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。
Claims (10)
1.一种团雾检测方法,其特征在于,包括:
获取目标路段的第一路面图像数据,所述第一路面图像数据为包含所述目标路段的路面信息的图像数据;
根据所述第一路面图像数据和预先建立的第一团雾检测模型,确定所述目标路段的第一团雾浓度,
其中,所述第一团雾检测模型的第一权重参数的初始值为根据训练好的第二团雾检测模型的第二权重参数确定,所述第一团雾检测模型为在所述初始值的基础上通过学习所述路面图像数据与所述团雾浓度之间的映射关系得到。
2.根据权利要求1所述的方法,其特征在于,
所述第二团雾检测模型为通过学习第二路面图像数据与团雾浓度之间的映射关系得到,所述第二路面图像数据为包含样本路段的路面信息的图像数据;
所述第一团雾检测模型的目标层的数量少于所述第二团雾检测模型的目标层的数量,所述目标层至少包括卷积层和池化层;
所述第一权重参数和所述第二权重参数均包括:卷积层的权重参数和全连接层的权重参数。
3.根据权利要求2所述的方法,其特征在于,在所述获取目标路段的第一路面图像数据之前,还包括:
获取多个所述第二路面图像数据,每个所述第二路面图像数据中包含每个所述样本路段的路面标线信息;
根据每个所述样本路段的路面标线信息,确定每个所述第二路面图像数据的分类结果,所述分类结果用于指示所述第二路面图像数据对应的团雾浓度;
根据每个所述第二路面图像数据的所述分类结果,对所述第二团雾检测模型进行训练,得到训练好的第二团雾检测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据每个所述样本路段的路面标线信息,确定每个所述第二路面图像数据的分类结果,具体包括:
对于每个所述第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,所述目标直线为沿第一方向穿过目标路面标线的直线,所述第一方向为所述目标路面标线的长度方向;
根据预先确定的路面标线的数量与团雾浓度的对应关系和所述第一数量,确定所述第二路面图像数据的分类结果。
5.根据权利要求3所述的方法,其特征在于,所述根据每个所述样本路段的路面标线信息,确定每个所述第二路面图像数据的分类结果,具体包括:
对于每个所述第二路面图像数据,确定第二路面图像数据中位于目标直线上的路面标线的第一数量,所述目标直线为沿第一方向穿过目标路面标线的直线,所述第一方向为所述目标路面标线的长度方向;
根据所述第一数量、预先确定的路面标线长度和两个路面标线之间的间隔长度,确定所述样本路段的第一能见度距离;
根据预先确定的能见度距离与团雾浓度的对应关系和所述第一能见度距离,确定所述第二路面图像数据的分类结果。
6.根据权利要求4或5所述的方法,其特征在于,所述确定第二路面图像数据中位于目标直线上的路面标线的第一数量,具体包括:
基于目标边缘检测算法,确定所述第二路面图像数据中所包含的多个所述路面标线的边缘;
根据多个路面标线中目标路面标线的边缘,确定目标直线;
确定位于目标直线上的路面标线的第一数量;
其中,所述第一路面图像数据包括连续的多帧图像数据,所述第二路面图像数据包括灰度图像数据。
7.根据权利要求1所述的方法,其特征在于,在所述确定所述目标路段的第一团雾浓度之后,还包括:向目标监测设备或目标监测系统发送表征所述第一团雾浓度的信息。
8.一种团雾检测装置,其特征在于,所述装置包括:
获取模块,用于获取目标路段的第一路面图像数据,所述第一路面图像数据为包含所述目标路段的路面信息的图像数据;
确定模块,用于根据所述第一路面图像数据和预先建立的第一团雾检测模型,确定所述目标路段的第一团雾浓度,
其中,所述第一团雾检测模型的第一权重参数的初始值为根据训练好的第二团雾检测模型的第二权重参数确定,所述第一团雾检测模型为在所述初始值的基础上通过学习所述路面图像数据与所述团雾浓度之间的映射关系得到。
9.一种电子设备,其特征在于,所述电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的团雾检测方法的步骤。
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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的团雾检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110100362.8A CN112465822B (zh) | 2021-01-26 | 2021-01-26 | 团雾检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110100362.8A CN112465822B (zh) | 2021-01-26 | 2021-01-26 | 团雾检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465822A true CN112465822A (zh) | 2021-03-09 |
CN112465822B CN112465822B (zh) | 2021-05-28 |
Family
ID=74802363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110100362.8A Active CN112465822B (zh) | 2021-01-26 | 2021-01-26 | 团雾检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465822B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973725A (zh) * | 2022-04-19 | 2022-08-30 | 安徽皖通科技股份有限公司 | 一种基于物联网感知的信息服务系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8416300B2 (en) * | 2009-05-20 | 2013-04-09 | International Business Machines Corporation | Traffic system for enhancing driver visibility |
US9378601B2 (en) * | 2012-03-14 | 2016-06-28 | Autoconnect Holdings Llc | Providing home automation information via communication with a vehicle |
CN106254827A (zh) * | 2016-08-05 | 2016-12-21 | 安徽金赛弗信息技术有限公司 | 一种团雾智能识别预警方法及其装置 |
CN109409336A (zh) * | 2018-11-30 | 2019-03-01 | 安徽继远软件有限公司 | 一种基于图像识别的大雾预警系统及方法 |
CN109948471A (zh) * | 2019-03-04 | 2019-06-28 | 南京邮电大学 | 基于改进InceptionV4网络的交通雾霾能见度检测方法 |
CN110097762A (zh) * | 2019-03-25 | 2019-08-06 | 南京微达电子科技有限公司 | 一种道路视频图像低能见度刻度估算方法及系统 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
CN112052822A (zh) * | 2020-09-16 | 2020-12-08 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
-
2021
- 2021-01-26 CN CN202110100362.8A patent/CN112465822B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8416300B2 (en) * | 2009-05-20 | 2013-04-09 | International Business Machines Corporation | Traffic system for enhancing driver visibility |
US9378601B2 (en) * | 2012-03-14 | 2016-06-28 | Autoconnect Holdings Llc | Providing home automation information via communication with a vehicle |
CN106254827A (zh) * | 2016-08-05 | 2016-12-21 | 安徽金赛弗信息技术有限公司 | 一种团雾智能识别预警方法及其装置 |
CN109409336A (zh) * | 2018-11-30 | 2019-03-01 | 安徽继远软件有限公司 | 一种基于图像识别的大雾预警系统及方法 |
CN109948471A (zh) * | 2019-03-04 | 2019-06-28 | 南京邮电大学 | 基于改进InceptionV4网络的交通雾霾能见度检测方法 |
CN110097762A (zh) * | 2019-03-25 | 2019-08-06 | 南京微达电子科技有限公司 | 一种道路视频图像低能见度刻度估算方法及系统 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
CN112052822A (zh) * | 2020-09-16 | 2020-12-08 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
Non-Patent Citations (1)
Title |
---|
MISHIDEMUDONG: ""什么是迁移学习(Transfer Learning)?这个领域历史发展前景如何?"", 《CSDN》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973725A (zh) * | 2022-04-19 | 2022-08-30 | 安徽皖通科技股份有限公司 | 一种基于物联网感知的信息服务系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112465822B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN105512623B (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN112541396A (zh) | 一种车道线检测方法、装置、设备及计算机存储介质 | |
CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN103324930A (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
CN110263920B (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
CN111274942A (zh) | 一种基于级联网络的交通锥识别方法及装置 | |
CN113591967A (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN112733885A (zh) | 点云识别模型的确定方法、点云识别的方法及装置 | |
CN110458093B (zh) | 一种基于驾驶员监控系统的安全带检测方法以及相应的设备 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN113723216A (zh) | 一种车道线检测方法、装置、车辆及存储介质 | |
CN112465822B (zh) | 团雾检测方法、装置、设备及计算机可读存储介质 | |
CN113033471A (zh) | 交通异常检测方法、装置、设备、存储介质以及程序产品 | |
CN113238209B (zh) | 基于毫米波雷达的道路感知方法、系统、设备及存储介质 | |
CN113743316B (zh) | 基于目标检测的车辆加塞行为识别方法、系统及装置 | |
CN113888479A (zh) | 道路能见度检测方法、装置、设备及存储介质 | |
CN114913233A (zh) | 图像处理方法、装置、设备、介质及产品 | |
CN115393827A (zh) | 交通信号灯状态识别方法、系统、电子设备及存储介质 | |
CN115272852A (zh) | 一种输电线路保护区隐患识别方法、设备及介质 | |
CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 | |
Huo et al. | The license plate recognition system based on improved algorithm |
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 |