CN112507801A - 车道路面数字颜色识别方法、限速信息识别方法及系统 - Google Patents
车道路面数字颜色识别方法、限速信息识别方法及系统 Download PDFInfo
- Publication number
- CN112507801A CN112507801A CN202011275002.3A CN202011275002A CN112507801A CN 112507801 A CN112507801 A CN 112507801A CN 202011275002 A CN202011275002 A CN 202011275002A CN 112507801 A CN112507801 A CN 112507801A
- Authority
- CN
- China
- Prior art keywords
- color
- color recognition
- rgb
- recognition result
- road surface
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种车道路面数字颜色识别方法、限速信息识别方法及系统,方法包括:将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,矩形框用来标记路面数字在RGB图中的位置;将输出的矩形框从待识别RGB图中剪切,将剪切得到的矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。本发明通过上述的方法可以精确地识别到车道路面上数字的颜色,进而解析出车道的限速信息,弥补了高精度地图领域缺乏道路限速信息的短板。
Description
技术领域
本发明涉及颜色识别领域,更具体地,涉及一种车道路面数字颜色识别方法、限速信息识别方法及系统。
背景技术
在高精度地图制作领域,为了地图制作的准确性,需要高度还原道路的真实情况,而路面印刷的数字则代表着该车道的限速情况,一般情况下,黄色代表最高限速,白色代表最低限速,
目前,对于高精度地图制作,通常只是从图像中识别出车道线,对于车道上代表速度的数字并没有处理,因此,准确识别路面数字的颜色可以高度的还原限速信息,便于自动驾驶车辆合理的控制速度。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种车道路面数字颜色识别方法、限速信息识别方法及系统。
基于本发明实施例的第一方面,提供了一种车道路面数字颜色识别方法,包括:
将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;
将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;
将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;
根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。
在上述技术方案的基础上,本发明实施例还可以作出如下改进。
进一步的,所述目标检测模型为一阶网络模型,所述将待识别RGB图输入训练后的目标检测模型之前还包括:
获取多张包括车道路面数字的RGB图,对每一张RGB图以矩形框的形式标记路面数字在其中的位置;
将每一张RGB图和携带有矩形框的RGB图形成训练集;
利用训练集对所述目标检测模型进行训练。
进一步的,所述第一颜色识别模型为深度学习卷积神经网络,所述将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果包括:
将所述矩形图像输入训练后的深度学习卷积神经网络,以输出所述矩形图像中路面数字的第一颜色识别结果;
将所述矩形图像输入第二颜色识别模型,基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果。
进一步的,所述将所述矩形图像输入训练后的深度学习卷积神经网络之前还包括:
获取多张矩形图像,并为每张矩形图像标记颜色标签;
将多张矩形图图像和对应的颜色标签形成训练集;
利用训练集对深度学习卷积神经网络进行训练。
进一步的,所述将所述矩形图像输入第二颜色识别模型,基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果:
提取所述矩形图像中每一个像素点的RGB值;
对于任一个像素点,根据所述任一个像素点的RGB值所落入的范围,确定所述任一个像素点的颜色,其中,每一种颜色具有对应的RGB值范围;
根据每一个像素点的颜色,确定所述矩形图像中路面数字的颜色。
进一步的,所述根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色包括:
若第一颜色识别结果与第二颜色识别结果一致,则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色;
若第一颜色识别结果与第二颜色识别结果不一致,则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色。
根据本发明实施例的第二方面,提供了一种车道限速信息识别方法,包括:
基于车道路面数字颜色识别方法识别车道路面上不同数字的颜色;
根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
根据本发明实施例的第三方面,提供了一种车道路面数字颜色识别系统,包括:
第一输入模块,用于将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;
剪切模块,用于将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;
第二输入模块,用于将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;
第一确定模块,用于根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。
根据本发明实施例的第四方面,提供了一种车道限速信息识别系统,包括:
车道路面数字颜色识别系统,用于识别车道路面上不同数字的颜色;
第二确定模块,用于根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
根据本发明实施例的第五方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现车道路面数字颜色识别方法和车道限速信息识别方法的步骤。
根据本发明实施例的第六方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现车道路面数字颜色识别方法和车道限速信息识别方法的步骤。
本发明实施例提供的一种车道路面数字颜色识别方法、限速信息识别方法及系统,首先使用路面数字的目标检测模型标记目标位置;接着,将目标剪切,分别输入第一颜色识别模型和第二颜色识别模型,根据两种模型判别结果确定路面数字的最终颜色,可以精确地识别到路面数字的颜色,进而解析出车道的限速信息,弥补了高精度地图领域缺乏道路限速信息的短板。
附图说明
图1为本发明实施例提供的一种车道路面数字颜色识别方法流程图;
图2为本发明实施例提供的一种车道路面数字颜色识别方法的整体流程图;
图3为本发明实施例提供的一种车道限速信息识别方法流程图;
图4为本发明实施例提供的一种车道路面数字颜色识别系统结构图;
图5为本发明实施例提供的一种车道限速信息识别系统结构图;
图6为本发明实施例提供的一种可能的电子设备的硬件结构示意图;
图7为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明实施例提供的一种车道路面数字颜色识别方法流程图,如图1所示,所述方法包括:101、将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;102、将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;103、将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;104、根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。
可以理解的是,本发明实施例提出了一种能够从RGB图中识别出车道路面上数字得到颜色的方法,首先,训练一个目标检测模型,将待识别RGB图输入到训练后的目标检测模型中,目标检测模型可输出待识别RGB图中路面数字的位置,会以矩形框形式将RGB图中路面数字的位置标记出来,也就是说,目标检测模型输出的是带有矩形框标记的RGB图。
根据带有矩形框标记的待识别RGB图,按照矩形框进行剪切,将路面数字从整个RGB图中剪切出来,得到标记有路面数字的矩形图像。
然后将矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果,根据第一颜色识别结果和第二颜色识别结果,确定路面数字最终的颜色。其中,将举行图像分别输入两个颜色识别模型,并由两个颜色识别模型输出的颜色识别结果共同确定待识别的路面数字的颜色,相比只采用一个颜色识别模型来确定路面数字的颜色,准确率更高。
本发明实施例可以精确地识别到路面数字的颜色,进而解析出车道的限速信息,弥补了高精度地图领域缺乏道路限速信息的短板。
在一种可能的实施例方式中,目标检测模型为一阶网络模型,将待识别RGB图输入训练后的目标检测模型之前还包括:获取多张包括车道路面数字的RGB图,对每一张RGB图以矩形框的形式标记路面数字在其中的位置;将每一张RGB图和携带有矩形框的RGB图形成训练集;利用训练集对目标检测模型进行训练。
可以理解的是,本发明实施例中的目标检测模型采用一阶网络模型,在使用之前,需要对目标检测模型进行训练。其中,获取大量的RGB图,每一张RGB图中包含车道路面数字,对于每一张RGB图,以矩形框的形式标记处其中路面数字的位置,大量的包含车道路面数字的RGB图和每一张标记有路面数字的RGB图对应起来,形成训练集,利用训练集对目标检测模型进行反复训练,直到训练后的目标检测模型的正确率达到设定的阈值。
在一种可能的实施例方式中,第一颜色识别模型为深度学习卷积神经网络,所述将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果包括:将所述矩形图像输入训练后的深度学习卷积神经网络,以输出所述矩形图像中路面数字的第一颜色识别结果;将所述矩形图像输入第二颜色识别模型,基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果。
可以理解的是,利用训练后的目标检测模型识别出待识别RGB图中路面数字的位置,其中,路面数字的位置用矩形框的形式标记,为了更准确的分类,需要将该目标剪切,即将矩形框从整个RGB图中裁剪出来,得到只包括路面数字的矩形图像。
将待识别的矩形图像分别输出第一颜色识别模型和第二颜色识别模型。其中,第一颜色识别模型为深度学习卷积神经网络,而第二颜色识别模型采用传统的基于阈值分割的方式来识别矩形图像的颜色。
在一种可能的实施例方式中,将矩形图像输入训练后的深度学习卷积神经网络之前还包括:获取多张矩形图像,并为每张矩形图像标记颜色标签;将多张矩形图图像和对应的颜色标签形成训练集;利用训练集对深度学习卷积神经网络进行训练。
可以理解的是,对于第一颜色识别模型,在使用之前需要训练,其中,获取大量的包含车道路面数字的矩形图像,并为每一张矩形图像标记颜色标签,形成训练集,其中,训练集的大小不低于3000张。利用训练集对第一颜色识别模型进行训练,使得训练后的第一颜色识别模型的识别准确率达到设定阈值。
在一种可能的实施例方式中,将矩形图像输入第二颜色识别模型,基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果:提取所述矩形图像中每一个像素点的RGB值;对于任一个像素点,根据所述任一个像素点的RGB值所落入的范围,确定所述任一个像素点的颜色,其中,每一种颜色具有对应的RGB值范围;根据每一个像素点的颜色,确定所述矩形图像中路面数字的颜色。
可以理解的是,第二颜色识别模型中采用的是传统的阈值分割的方法,由于不同颜色的RGB值不同,因此,通过设置不同的阈值来区分不同的颜色。
在利用第二颜色识别模型识别矩形图像的颜色时,提取矩形图像中每一个像素点的RGB值,对于每一个像素点,判断该像素点的RGB值落入到哪一种颜色所在的RGB值范围内,进而判断每一个像素点的颜色。
根据矩形图像中每一个像素点的颜色,确定矩形图像的颜色,具体的,若矩形图像中大多数的像素点是属于同一张颜色,那么矩形图像的颜色即为该种颜色。比如,矩形图像中处于黄色RGB值范围的像素值占主要,则输出判别结果为黄色,否则,为白色。
在一种可能的实施例方式中,根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色包括:若第一颜色识别结果与第二颜色识别结果一致,则将第一颜色识别结果或第二颜色识别结果确定为待识别RGB图中路面数字的颜色;若第一颜色识别结果与第二颜色识别结果不一致,则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色。
可以理解的是,将待识别的矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果,如果第一颜色识别结果和第二颜色识别结果一致,比如,第一颜色识别结果和第二颜色识别结果均为黄色,则将黄色作为矩形图像中路面颜色的结果。如果第一颜色识别结果和第二颜色识别结果不一致,可进行人工确认,也可以将第一颜色识别结果作为矩形图像中路面数字的最终识别的颜色,这样因为第一颜色识别模型的准确率相比第二颜色识别模型的准确率要高,故此,当两个模型的颜色识别结果不一致时,将第一颜色识别结果最为最终颜色。
本发明实施例设置两个颜色识别模型,当两个颜色识别模型识别的颜色一致时,那么基本上最终识别的颜色是非常准确的,提高了颜色识别的准确率。只有当两者识别的颜色不一致时,才会选择其中一个颜色识别结果作为最终的颜色识别结果。
参见图2,对本发明实施例提供的车道路面数字颜色识别方法进行整体介绍。首先,对于原始的包含车道路面数字的RGB图,将其输入到目标检测模型中,目标检测模型输出标记有路面数字的RGB图,其中,以矩形框的形式在原始RGB图中标记路面数字。
根据目标检测模型输出的带有矩形框的RGB图,从原始RGB图中剪切出矩形图像,将矩形图像分别输入第一颜色识别模型和第二颜色识别模型中,对应输出第一颜色识别结果和第二颜色识别结果,当第一颜色识别结果和第二颜色识别结果一致时,将第一颜色识别结果或者第二颜色识别结果作为最终的识别结果;当第一颜色识别结果和第二颜色识别结果不一致时,将第一颜色识别结果作为最终的识别结果。
本发明实施例首先使用路面数字的目标检测模型标记目标位置;接着,将目标剪切,分别输入第一颜色识别模型和第二颜色识别模型,若两种模型判别结果相同,则该颜色就为最终的颜色;若不同,则选取其中准确率较高的颜色识别结果作为最终的颜色识别结果,得到最终的颜色,通过以上步骤,可以精确地识别到路面数字的颜色,进而解析出车道的限速信息,弥补了高精度地图领域缺乏道路限速信息的短板。
图3是本发明实施例提供的一种车道限速信息识别方法,包括:301、基于车道路面数字颜色识别方法识别车道路面上不同数字的颜色;302、根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
可以理解的是,车道路面印刷的数字则代表着该车道的限速情况,一般情况下,黄色代表最高限速,白色代表最低限速。因此,可采用前述各实施例提供的车道路面数字颜色识别方法识别出车道路面上不同数字的颜色,可根据不同数字的颜色,得到该数字是代表最高限速还是最低限速,比如,路面数字的颜色为黄色,则该数字代表最高限速;如果路面数字的颜色为白色,则该数字代表最低限速。
本发明实施例首先使用路面数字的目标检测模型标记目标位置;接着,将目标剪切,分别输入第一颜色识别模型和第二颜色识别模型,若两种模型判别结果相同,则该颜色就为最终的颜色;若不同,则选取其中准确率较高的颜色识别结果作为最终的颜色识别结果,得到最终的颜色,通过以上步骤,可以精确地识别到路面数字的颜色,进而解析出车道的限速信息,弥补了高精度地图领域缺乏道路限速信息的短板。
参见图4,提供了一种车道路面数字颜色识别系统,包括第一输入模块401、剪切模块402、第二输入模块403和第一确定模块404。
其中,第一输入模块401,用于将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置。
剪切模块402,用于将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像。
第二输入模块403,用于将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果。
第一确定模块404,用于根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。
本发明实施例提供的车道路面数字颜色识别系统与前述各实施例提供的车道路面数字颜色识别方法相对应,车道路面数字颜色识别系统的相关技术特征可参考车道路面数字颜色识别方法的相关技术特征,在此不再赘述。
参见图5,提供了一种车道限速信息识别系统,包括车道路面数字颜色识别系统和第二确定模块501。
其中,车道路面数字颜色识别系统,用于识别车道路面上不同数字的颜色,其中,该车道路面数字颜色识别系统即为上述图4中的系统。
第二确定模块501,用于根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
本发明实施例提供的车道限速信息识别系统与前述各实施例提供的车道限速信息识别方法相对应,车道限速信息识别系统的相关技术特征可参考车道限速信息识别方法的相关技术特征,在此不再赘述。
请参阅图6,图6为本申请实施例提供的电子设备的实施例示意图。如图6所示,本申请实施例提了一种电子设备,包括存储器610、处理器620及存储在存储器620上并可在处理器620上运行的计算机程序611,处理器620执行计算机程序611时实现以下步骤:将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色;或者实现以下步骤:识别车道路面上不同数字的颜色;根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
请参阅图7,图7为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图7所示,本实施例提供了一种计算机可读存储介质700,其上存储有计算机程序711,该计算机程序711被处理器执行时实现如下步骤:将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色;或者实现以下步骤:识别车道路面上不同数字的颜色;根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
本发明实施例提供的一种车道路面数字颜色识别方法、车道限速信息识别方法及系统,使用路面数字的目标检测模型标记目标位置;接着,将目标剪切,分别输入第一颜色识别模型和第二颜色识别模型,若两种模型判别结果相同,则该颜色就为最终的颜色;若不同,则选取其中准确率较高的颜色识别结果作为最终的颜色识别结果,得到最终的颜色,通过以上步骤,可以精确地识别到路面数字的颜色,进而解析出车道的限速信息,弥补了高精度地图领域缺乏道路限速信息的短板。
需要说明的是,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,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包括这些改动和变型在内。
Claims (10)
1.一种车道路面数字颜色识别方法,其特征在于,包括:
将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;
将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;
将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;
根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。
2.根据权利要求1所述的方法,其特征在于,所述目标检测模型为一阶网络模型,所述将待识别RGB图输入训练后的目标检测模型之前还包括:
获取多张包括车道路面数字的RGB图,对每一张RGB图以矩形框的形式标记路面数字在其中的位置;
将每一张RGB图和携带有矩形框的RGB图形成训练集;
利用训练集对目标检测模型进行训练。
3.根据权利要求1或2所述的方法,其特征在于,所述第一颜色识别模型为深度学习卷积神经网络,所述将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果包括:
将所述矩形图像输入训练后的深度学习卷积神经网络,以输出所述矩形图像中路面数字的第一颜色识别结果;
将所述矩形图像输入第二颜色识别模型,基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果。
4.根据权利要求3所述的方法,其特征在于,所述将所述矩形图像输入训练后的深度学习卷积神经网络之前还包括:
获取多张矩形图像,并为每张矩形图像标记颜色标签;
将多张矩形图图像和对应的颜色标签形成训练集;
利用训练集对深度学习卷积神经网络进行训练。
5.根据权利要求3所述的方法,其特征在于,所述将所述矩形图像输入第二颜色识别模型,基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果:
提取所述矩形图像中每一个像素点的RGB值;
对于任一个像素点,根据所述任一个像素点的RGB值所落入的范围,确定所述任一个像素点的颜色,其中,每一种颜色具有对应的RGB值范围;
根据每一个像素点的颜色,确定所述矩形图像中路面数字的颜色。
6.根据权利要求1或2或4或5所述的方法,其特征在于,所述根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色包括:
若第一颜色识别结果与第二颜色识别结果一致,则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色;
若第一颜色识别结果与第二颜色识别结果不一致,则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色。
7.一种车道限速信息识别方法,其特征在于,包括:
基于权利要求1-6任一项所述的车道路面数字颜色识别方法识别车道路面上不同数字的颜色;
根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
8.一种车道路面数字颜色识别系统,其特征在于,包括:
第一输入模块,用于将待识别RGB图输入训练后的目标检测模型,以输出携带有矩形框的待识别RGB图,其中,所述待识别RGB图中包括车道路面数字,所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来,所述矩形框用来标记路面数字在RGB图中的位置;
剪切模块,用于将输出的矩形框从待识别RGB图中剪切,得到标记路面数字的矩形图像;
第二输入模块,用于将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型,分别输出第一颜色识别结果和第二颜色识别结果;
第一确定模块,用于根据第一颜色识别结果和第二颜色识别结果,确定待识别RGB图中路面数字的颜色。
9.一种车道限速信息识别系统,其特征在于,包括:
权利要求8所述的车道路面数字颜色识别系统,用于识别车道路面上不同数字的颜色;
第二确定模块,用于根据识别出的车道路面上不同数字的颜色,确定车道的限速信息。
10.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-6任一项所述的车道路面数字颜色识别方法和如权利要求7所述的车道限速信息识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275002.3A CN112507801A (zh) | 2020-11-14 | 2020-11-14 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275002.3A CN112507801A (zh) | 2020-11-14 | 2020-11-14 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507801A true CN112507801A (zh) | 2021-03-16 |
Family
ID=74957889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011275002.3A Pending CN112507801A (zh) | 2020-11-14 | 2020-11-14 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507801A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239939A (zh) * | 2021-05-12 | 2021-08-10 | 北京杰迈科技股份有限公司 | 一种轨道信号灯识别方法、模块及存储介质 |
CN113537248A (zh) * | 2021-08-13 | 2021-10-22 | 珠海格力电器股份有限公司 | 图像识别方法和装置、电子设备和存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200722590A (en) * | 2005-12-13 | 2007-06-16 | Yu-Hong Lin | Method of line marking with colors for indication of speed limit on road |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
CN106157658A (zh) * | 2015-04-07 | 2016-11-23 | 张硕明 | 道路限速识别装置 |
CN106384117A (zh) * | 2016-09-14 | 2017-02-08 | 东软集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN107403130A (zh) * | 2017-04-19 | 2017-11-28 | 北京粉笔未来科技有限公司 | 一种字符识别方法及字符识别装置 |
CN107729801A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 |
CN108564088A (zh) * | 2018-04-17 | 2018-09-21 | 广东工业大学 | 车牌识别方法、装置、设备及可读存储介质 |
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及系统 |
CN109300530A (zh) * | 2018-08-08 | 2019-02-01 | 北京肿瘤医院 | 病理图片的识别方法及装置 |
CN109993806A (zh) * | 2019-04-11 | 2019-07-09 | 浙江立元通信技术股份有限公司 | 一种颜色识别方法、装置及电子设备 |
CN110309796A (zh) * | 2019-07-05 | 2019-10-08 | 上海中通吉网络技术有限公司 | 面单识别方法、装置和设备 |
CN110322522A (zh) * | 2019-07-11 | 2019-10-11 | 山东领能电子科技有限公司 | 一种基于目标识别区域截取的车辆颜色识别方法 |
CN110633712A (zh) * | 2019-09-17 | 2019-12-31 | 中控智慧科技股份有限公司 | 一种车身颜色识别方法、系统、装置及计算机可读介质 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111062396A (zh) * | 2019-11-29 | 2020-04-24 | 深圳云天励飞技术有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
CN111079543A (zh) * | 2019-11-20 | 2020-04-28 | 浙江工业大学 | 一种基于深度学习的高效车辆颜色识别方法 |
CN111104826A (zh) * | 2018-10-26 | 2020-05-05 | 浙江宇视科技有限公司 | 一种车牌字符识别方法、装置及电子设备 |
CN111160374A (zh) * | 2019-12-28 | 2020-05-15 | 深圳市越疆科技有限公司 | 一种基于机器学习的颜色识别方法及系统、装置 |
CN111340896A (zh) * | 2020-02-21 | 2020-06-26 | 北京迈格威科技有限公司 | 对象颜色的识别方法、装置、计算机设备及存储介质 |
CN111488821A (zh) * | 2020-04-08 | 2020-08-04 | 北京百度网讯科技有限公司 | 用于识别交通信号灯倒计时信息的方法及装置 |
CN111507204A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 倒计时信号灯的检测方法、装置、电子设备及存储介质 |
CN111612855A (zh) * | 2020-04-09 | 2020-09-01 | 北京旷视科技有限公司 | 物体颜色识别方法、装置及电子设备 |
-
2020
- 2020-11-14 CN CN202011275002.3A patent/CN112507801A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200722590A (en) * | 2005-12-13 | 2007-06-16 | Yu-Hong Lin | Method of line marking with colors for indication of speed limit on road |
CN106157658A (zh) * | 2015-04-07 | 2016-11-23 | 张硕明 | 道路限速识别装置 |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
CN106384117A (zh) * | 2016-09-14 | 2017-02-08 | 东软集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN107403130A (zh) * | 2017-04-19 | 2017-11-28 | 北京粉笔未来科技有限公司 | 一种字符识别方法及字符识别装置 |
CN107729801A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 |
CN108564088A (zh) * | 2018-04-17 | 2018-09-21 | 广东工业大学 | 车牌识别方法、装置、设备及可读存储介质 |
CN109300530A (zh) * | 2018-08-08 | 2019-02-01 | 北京肿瘤医院 | 病理图片的识别方法及装置 |
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及系统 |
CN111104826A (zh) * | 2018-10-26 | 2020-05-05 | 浙江宇视科技有限公司 | 一种车牌字符识别方法、装置及电子设备 |
CN109993806A (zh) * | 2019-04-11 | 2019-07-09 | 浙江立元通信技术股份有限公司 | 一种颜色识别方法、装置及电子设备 |
CN110309796A (zh) * | 2019-07-05 | 2019-10-08 | 上海中通吉网络技术有限公司 | 面单识别方法、装置和设备 |
CN110322522A (zh) * | 2019-07-11 | 2019-10-11 | 山东领能电子科技有限公司 | 一种基于目标识别区域截取的车辆颜色识别方法 |
CN110633712A (zh) * | 2019-09-17 | 2019-12-31 | 中控智慧科技股份有限公司 | 一种车身颜色识别方法、系统、装置及计算机可读介质 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111079543A (zh) * | 2019-11-20 | 2020-04-28 | 浙江工业大学 | 一种基于深度学习的高效车辆颜色识别方法 |
CN111062396A (zh) * | 2019-11-29 | 2020-04-24 | 深圳云天励飞技术有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
CN111160374A (zh) * | 2019-12-28 | 2020-05-15 | 深圳市越疆科技有限公司 | 一种基于机器学习的颜色识别方法及系统、装置 |
CN111340896A (zh) * | 2020-02-21 | 2020-06-26 | 北京迈格威科技有限公司 | 对象颜色的识别方法、装置、计算机设备及存储介质 |
CN111507204A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 倒计时信号灯的检测方法、装置、电子设备及存储介质 |
CN111488821A (zh) * | 2020-04-08 | 2020-08-04 | 北京百度网讯科技有限公司 | 用于识别交通信号灯倒计时信息的方法及装置 |
CN111612855A (zh) * | 2020-04-09 | 2020-09-01 | 北京旷视科技有限公司 | 物体颜色识别方法、装置及电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239939A (zh) * | 2021-05-12 | 2021-08-10 | 北京杰迈科技股份有限公司 | 一种轨道信号灯识别方法、模块及存储介质 |
CN113537248A (zh) * | 2021-08-13 | 2021-10-22 | 珠海格力电器股份有限公司 | 图像识别方法和装置、电子设备和存储介质 |
CN113537248B (zh) * | 2021-08-13 | 2024-06-07 | 珠海格力电器股份有限公司 | 图像识别方法和装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN112507801A (zh) | 车道路面数字颜色识别方法、限速信息识别方法及系统 | |
CN113392930B (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN110582783A (zh) | 训练装置、图像识别装置、训练方法和程序 | |
CN110909598A (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
Chira et al. | Real-time detection of road markings for driving assistance applications | |
CN115619787B (zh) | 一种uv胶缺陷检测方法、系统、设备及介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113792600B (zh) | 一种基于深度学习的视频抽帧方法和系统 | |
CN112434582A (zh) | 一种车道线颜色识别方法、系统、电子设备及存储介质 | |
CN112434585A (zh) | 一种车道线的虚实识别方法、系统、电子设备及存储介质 | |
CN113780070A (zh) | 一种人行横道预警标识检测方法及系统 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN113807315B (zh) | 一种构建待识别对象识别模型的方法、装置、设备及介质 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 | |
JP6354316B2 (ja) | 画像検出装置及びプログラム | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
Chincholkar et al. | TRAFFIC SIGN BOARD DETECTION AND RECOGNITION FOR AUTONOMOUS VEHICLES AND DRIVER ASSISTANCE SYSTEMS. | |
CN113269195A (zh) | 读数表图像字符识别方法和装置以及可读存储介质 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |
|
RJ01 | Rejection of invention patent application after publication |