CN112699841A - 一种基于行车视频的交通标志检测识别方法 - Google Patents
一种基于行车视频的交通标志检测识别方法 Download PDFInfo
- Publication number
- CN112699841A CN112699841A CN202110043062.0A CN202110043062A CN112699841A CN 112699841 A CN112699841 A CN 112699841A CN 202110043062 A CN202110043062 A CN 202110043062A CN 112699841 A CN112699841 A CN 112699841A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- image
- traffic
- detection
- mask
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010923 batch production Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011160 research Methods 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
- G06F18/24—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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于行车视频的交通标志检测识别方法,包括:准备交通标志检测数据集,并完成交通标志图像标注工作;对交通标志检测网络yolov3‑tiny进行损失函数改进,并在交通标志检测数据集上进行训练;将视频图像中检测到的交通标志进行剪裁并统一尺寸得到待识别图像,并将待识别图像通过图像掩膜去除背景从而获取感兴趣区域ROI;在交通标志检测数据集的基础上制作识别数据集,对分类识别网络AlexNet进行改进与训练从而完成交通标志最后的分类工作。本发明将交通标志的检测识别分成两个过程,并利用检测结果与识别结果之间的关联对整体模型进行验证,解决了复杂环境下交通标志检测识别率不高的问题。
Description
技术领域
本发明涉及计算机图像处理以及深度学习与计算机视觉的技术领域,尤其是指一种基于行车视频的交通标志检测识别方法。
背景技术
随着智能交通的发展,交通标志识别也因此受到了重视。交通标志识别由检测和识别两个部分组成,检测的作用是对交通标志进行定位并初步判断其主要类别,而识别的作用是对其进行进一步细分类,这两个过程对数据集的要求是不同的,因此交通标志检测与识别通常作为两个过程对不同网络进行训练。由于车载条件下车辆具有一定的速度,为保证乘客的交通安全,交通标志目标检测与分类识别的网络结构的时效性是非常重要的。
对于目标检测阶段,用的比较多的是YOLO与SSD这类的one-stage的算法,前者相对后者实时性与准确性方面更好,因此在行人检测、车辆检测等领域有较为广泛的应用。对于交通标志这类小目标而言,YOLOv3虽然具有良好的预测精度,由于其网络结构复杂其实时性仍存在一定的限制。
而对于分类识别阶段,基于传统LBP、HOG等进行特征提取并基于模板匹配、SVM等进行分类的速度缓慢,这些特征提取与分类的方法难以适应高速的应用场合,而基于卷积神经网络的特征提取与分类优势较大,能够在较短时间内完成交通标志识别任务。基于卷积神经网络方法不足的是对数据集依赖较大,除了光照、雾气的影响,复杂的背景也对其识别率产生了较大的影响,因此该方法对于一些特定场合仍存在不足。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于行车视频的交通标志检测识别方法,通过对更加轻量级的框架yolov3-tiny进行目标检测,然后对其目标定位损失函数进行相关改进,从而提升交通标志的检测精度并减少交通标志的检测时间;利用图像的边缘去除非交通标志区域,直接将交通标志的感兴趣区域ROI图像通过改进的Alexnet进行识别。该方法解决了车辆快速行驶过程中复杂自然场景对交通标志检测与识别过程中存在的干扰,从而在保证较高识别率与较短识别时间的同时具有良好的泛化能力。
为实现上述目的,本发明所提供的技术方案为:一种基于行车视频的交通标志检测识别方法,包括以下步骤:
1)确定待检测交通标志的主要类别,在交通标志检测数据集中对主要类别下的交通标志进行图像标注工作,并对目标检测网络yolov3-tiny进行改进与训练,得到最优的交通标志检测模型进行交通标志检测;
2)获取实际道路行车视频并读取视频中的每一帧图像,通过交通标志检测模型获取图像中可能出现交通标志的位置、每个位置上存在交通标志的置信度以及每个位置上存在交通标志时该标志对应的粗分类类别,该粗分类类别与主要类别相对应;
3)当单帧图像中某位置存在交通标志的置信度大于设定阈值T时,认为该处存在交通标志,对该处交通标志进行剪裁并统一尺寸得到宽和高分别为Nw和Nh的待识别交通图像,再对待识别交通图像进行预处理,改善待识别交通图像的质量并得到预处理图像后,在预处理图像的基础上获取对应的图像掩膜mask,并利用图像掩膜mask去除预处理图像中无关背景区域,最后得到只包含感兴趣区域ROI的交通图像;
4)对分类识别网络AlexNet进行网络结构调整即改进,并在相应的交通标志识别数据集上对改进的AlexNet进行训练,得到最优的识别模型,通过识别模型对只包含感兴趣区域ROI的交通图像进行细分类,然后对每个交通标志对应的粗分类类别与细分类类别进行比较,当两者存在包含关系时认为该交通标志的检测识别结果正确,并在视频图像中显示该交通标志的位置及其细分类的类别。
在步骤1)中,在交通标志检测数据集标注过程中,将主要类别下的所有子类别交通标志作为同一类进行标注,通过该方式减少交通标志的标注工作量。
在步骤1)中,对目标检测网络yolov3-tiny的改进是将其目标定位损失函数改成GIoU损失函数,其中GIoU损失函数需先计算IoU和GIoU的值,GIoU损失函数LGIoU整个计算过程如下:
LGIoU=1-GIoU
对于上述第一个公式,IoU的计算是通过计算A、B两个不同区域的交并比;而对于第二个公式,计算GIoU之前则需先计算A与B的凸集C,即最小包围框,然后通过IoU减去C中不包含A∪B的部分与C的面积比;对于第三个公式,通过1减去GIoU值即可得到GIoU损失函数。
在步骤2)中,获取视频的单帧图像是通过图像处理软件库OpenCV完成的,并通过图像处理软件库OpenCV将读取的RGB图像转换成BGR格式,将BGR格式的单帧图像送入交通标志检测模型进行交通标志检测。
在步骤3)中,对待识别交通图像进行预处理所使用的方法为限制对比度直方图均衡,通过该方法同时提升图像的亮度与对比度从而改善待识别交通图像的质量。
在步骤3)中,在预处理图像的基础上获取图像掩膜mask的步骤过程如下:
a、通过对交通图像进行边缘检测,利用图像的边缘寻找交通标志的轮廓,并通过该轮廓的角点数判断该轮廓的几何形状,当角点数大于设定值K时认为该交通标志的轮廓是圆形,否则是三角形或矩形;
b、当所获取的交通标志的轮廓为三角形或矩形时,对该轮廓进行直线拟合初步获取mask;当所获取的交通标志的轮廓为圆形时,对该轮廓进行椭圆拟合初步获取mask;
c、初步获取交通图像对应的mask后,先后使用膨胀和腐蚀算法对mask进行修整,得到几何形状精度更好的mask,通过该mask去除预处理图像中无关的背景区域。
在步骤3)中,利用图像掩膜mask去除预处理图像中无关背景区域的具体操作是将mask与预处理图像在对应像素点上进行点乘操作或与操作,从而得到只包含感兴趣区域ROI的交通图像。
在步骤4)中,对分类识别网络AlexNet的改进是对第一层卷积与最大池化层的大小分别进行调整,通过该方式减小AlexNet的网络输入尺寸从而降低计算量。
在步骤4)中,所述交通标志识别数据集是通过批量制作只包含感兴趣区域ROI的交通图像得到的,在制作的过程中对每一个交通标志所属类别进一步细分。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明将交通标志检测与识别分成了两个过程,通过浅层次特征到深层次特征的特征学习方式开展交通标志检测识别工作,从而减小了交通标志检测识别的算法复杂度。
2、在交通标志检测阶段,使用了更加轻量级的网络结构并进行相关改进,不仅减少了交通标志的检测时间而且还提高了交通标志的检测精度。
3、通过在待识别交通图像上应用限制对比度直方图均衡的图像预处理,改善了待识别图像的对比度和亮度,从而保证在弱光、雾气条件下也能较好地进行交通标志识别。
4、在交通标志识别阶段,使用了直线检测与椭圆检测实现了交通标志的背景过滤,从而使得模型具有更好的泛化能力;在改进yolov3-tiny检测模型提供的粗分类信息的基础上对交通标志进行细分类,从而减少了交通标志种类间的相互干扰。
5、将粗分类和细分类进行对比,不仅排除了一些将非交通标志误检测成交通标志的预测结果,还提高了交通标志检测识别整体正确率。
6、本发明实现了少量的数据集下的交通标志检测与识别工作,并且整体模型在复杂的自然环境下也能获得较好的检测识别性能。
附图说明
图1为交通标志检测识别流程图。
图2为改进的Alexnet网络结构图。
图3为对某交通标志的粗分类与细分类的具体实例展示图。
图4为实施案例中交通标志具体分类样例展示。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1至图4所示,具体实例选用中国交通标志检测数据集CCTSDB作为研究对象,本实施例所提供的基于行车视频的交通标志检测识别方法,其具体情况如下:
1)确定待检测交通标志的主要类别,在交通标志检测数据集中对主要类别下的交通标志进行图像标注工作,并对目标检测网络yolov3-tiny进行改进与训练,得到最优的交通标志检测模型进行交通标志检测。
将三大类交通标志警告标志、禁令标志和指示标志作为主要类别,并分别对主要类别下子类别的交通标志进行标注工作,标注的名称分别为warning、prohibitory和mandatory。
对目标检测网络yolov3-tiny的改进是将其目标定位损失函数改成GIoU损失函数,其中GIoU损失函数需先计算IoU和GIoU的值,GIoU损失函数LGIoU整个计算过程如下:
LGIoU=1-GIoU
对于上述第一个公式,IoU的计算是通过计算A、B两个不同区域的交并比;而对于第二个公式,计算GIoU之前则需先计算A与B的凸集C(即最小包围框),然后通过IoU减去C中不包含A∪B的部分与C的面积比;对于第三个公式,通过1减去GIoU值即可得到GIoU损失函数。
2)获取实际道路行车视频并读取视频中的每一帧图像,通过交通标志检测模型获取图像中可能出现交通标志的位置、每个位置上存在交通标志的置信度以及每个位置上存在交通标志时该标志对应的粗分类类别(与主要类别相对应)。具体实施过程如下:
通过OpenCV调用摄像头获取实际道路行车视频后,并对视频中的每一帧图像进行BGR格式转换,通过改进的yolov3-tiny训练得到的最优模型对视频中的每一帧图像进行交通标志检测,获取图像中可能出现交通标志的位置、每个位置上存在交通标志的置信度以及每个位置上存在交通标志时该标志对应的粗分类类别。
3)当单帧图像中某位置存在交通标志的置信度大于设定阈值0.65时,认为该处存在交通标志,对该处交通标志进行剪裁并统一尺寸得到宽高为64×64的待识别交通图像,通过直方图均衡预处理方法改善待识别交通图像的质量并得到预处理图像,在预处理图像的基础上获取对应的图像掩膜(mask)并利用mask去除预处理图像中无关背景区域,最后得到只包含感兴趣区域(ROI)的交通图像。
获取图像掩膜(mask)的主要是对预处理图像进行边缘检测,其具体过程如下:
a、通过对交通图像进行边缘检测,利用图像的边缘寻找交通标志的轮廓,并通过该轮廓的角点数判断该轮廓的几何形状,当角点数大于设定值10时认为该交通标志的轮廓是圆形,否则是三角形或矩形。
b、当所获取的交通标志的轮廓为三角形或矩形时,对该轮廓进行直线拟合初步获取mask;当所获取的交通标志的轮廓为圆形时,对该轮廓进行椭圆拟合初步获取mask。
c、初步获取交通图像对应的mask后,先后使用膨胀和腐蚀算法对mask进行修整,得到几何形状精度更好的mask,通过该mask去除预处理图像中无关的背景区域。
利用mask去除预处理图像中无关背景区域的具体操作是将mask与预处理图像在对应像素点上进行点乘操作(与操作),从而得到只包含感兴趣区域(ROI)的交通图像。
4)对分类识别网络AlexNet的进行网络结构调整(改进),并在相应的交通标志识别数据集上对改进的AlexNet进行训练并得到最优的识别模型,通过识别模型对只包含感兴趣区域ROI的交通图像进行细分类,然后对每个交通标志对应的粗分类类别与细分类类别进行比较,当两者存在包含关系时认为该交通标志的检测识别结果正确,并在视频图像中显示该交通标志的位置及其细分类的类别。
对分类识别网络AlexNet的改进是对第一层卷积的filter大小改成9×9,而对应的最大池化层的filter尺寸改成4×4,将原224×224大小的网络输入改成64×64大小的输入从而减小计算量,最终的AlexNet网络结构如图2所示。
对应的交通标志识别数据集是通过批量制作只包含感兴趣区域(ROI)的交通图像得到的,在制作的过程中对每个子类别的交通标志进一步细分类划分的方法为,先将这些子类别的交通标志进行排序,用其对应的粗分类类别warning或prohibitory或mandatory的首字母与排序的序号进行组合来划分这些子类别,具体样例见图4。
在上述细分类原则下,粗类别与细类别的包含关系判断方法是将首字母进行比较,首字母相同时则存在包含关系,如图3中的粗分类类别‘warning’和细分类类别‘w1’就存在包含关系。然后在原图像中框出该交通标志的位置并将细分类的分类结果标记出来即可。
综上所述,本发明公开了一种计算机图像处理与深度学习相结合的交通标志检测识别方法,该方法在复杂的自然环境中仍具备稳定的性能,并表现出良好的抗干扰能力,在实际应用中具有很好的借鉴意义,值得推广。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于行车视频的交通标志检测识别方法,其特征在于,包括以下步骤:
1)确定待检测交通标志的主要类别,在交通标志检测数据集中对主要类别下的交通标志进行图像标注工作,并对目标检测网络yolov3-tiny进行改进与训练,得到最优的交通标志检测模型进行交通标志检测;
2)获取实际道路行车视频并读取视频中的每一帧图像,通过交通标志检测模型获取图像中可能出现交通标志的位置、每个位置上存在交通标志的置信度以及每个位置上存在交通标志时该标志对应的粗分类类别,该粗分类类别与主要类别相对应;
3)当单帧图像中某位置存在交通标志的置信度大于设定阈值T时,认为该处存在交通标志,对该处交通标志进行剪裁并统一尺寸得到宽和高分别为Nw和Nh的待识别交通图像,再对待识别交通图像进行预处理,改善待识别交通图像的质量并得到预处理图像后,在预处理图像的基础上获取对应的图像掩膜mask,并利用图像掩膜mask去除预处理图像中无关背景区域,最后得到只包含感兴趣区域ROI的交通图像;
4)对分类识别网络AlexNet进行网络结构调整即改进,并在相应的交通标志识别数据集上对改进的AlexNet进行训练,得到最优的识别模型,通过识别模型对只包含感兴趣区域ROI的交通图像进行细分类,然后对每个交通标志对应的粗分类类别与细分类类别进行比较,当两者存在包含关系时认为该交通标志的检测识别结果正确,并在视频图像中显示该交通标志的位置及其细分类的类别。
2.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤1)中,在交通标志检测数据集标注过程中,将主要类别下的所有子类别交通标志作为同一类进行标注,通过该方式减少交通标志的标注工作量。
4.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤2)中,获取视频的单帧图像是通过图像处理软件库OpenCV完成的,并通过图像处理软件库OpenCV将读取的RGB图像转换成BGR格式,将BGR格式的单帧图像送入交通标志检测模型进行交通标志检测。
5.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤3)中,对待识别交通图像进行预处理所使用的方法为限制对比度直方图均衡,通过该方法同时提升图像的亮度与对比度从而改善待识别交通图像的质量。
6.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤3)中,在预处理图像的基础上获取图像掩膜mask的步骤过程如下:
a、通过对交通图像进行边缘检测,利用图像的边缘寻找交通标志的轮廓,并通过该轮廓的角点数判断该轮廓的几何形状,当角点数大于设定值K时认为该交通标志的轮廓是圆形,否则是三角形或矩形;
b、当所获取的交通标志的轮廓为三角形或矩形时,对该轮廓进行直线拟合初步获取mask;当所获取的交通标志的轮廓为圆形时,对该轮廓进行椭圆拟合初步获取mask;
c、初步获取交通图像对应的mask后,先后使用膨胀和腐蚀算法对mask进行修整,得到几何形状精度更好的mask,通过该mask去除预处理图像中无关的背景区域。
7.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤3)中,利用图像掩膜mask去除预处理图像中无关背景区域的具体操作是将mask与预处理图像在对应像素点上进行点乘操作或与操作,从而得到只包含感兴趣区域ROI的交通图像。
8.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤4)中,对分类识别网络AlexNet的改进是对第一层卷积与最大池化层的大小分别进行调整,通过该方式减小AlexNet的网络输入尺寸从而降低计算量。
9.根据权利要求1所述的一种基于行车视频的交通标志检测识别方法,其特征在于:在步骤4)中,所述交通标志识别数据集是通过批量制作只包含感兴趣区域ROI的交通图像得到的,在制作的过程中对每一个交通标志所属类别进一步细分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110043062.0A CN112699841A (zh) | 2021-01-13 | 2021-01-13 | 一种基于行车视频的交通标志检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110043062.0A CN112699841A (zh) | 2021-01-13 | 2021-01-13 | 一种基于行车视频的交通标志检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699841A true CN112699841A (zh) | 2021-04-23 |
Family
ID=75514397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110043062.0A Pending CN112699841A (zh) | 2021-01-13 | 2021-01-13 | 一种基于行车视频的交通标志检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699841A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN107301405A (zh) * | 2017-07-04 | 2017-10-27 | 上海应用技术大学 | 自然场景下的交通标志检测方法 |
CN110163127A (zh) * | 2019-05-07 | 2019-08-23 | 国网江西省电力有限公司检修分公司 | 一种由粗到细的视频目标行为识别方法 |
CN110909674A (zh) * | 2019-11-21 | 2020-03-24 | 清华大学苏州汽车研究院(吴江) | 一种交通标志识别方法、装置、设备和存储介质 |
CN111582083A (zh) * | 2020-04-25 | 2020-08-25 | 华南理工大学 | 一种基于消失点估计与语义分割的车道线检测方法 |
CN112163628A (zh) * | 2020-10-10 | 2021-01-01 | 北京航空航天大学 | 一种适用于嵌入式设备的改进目标实时识别网络结构的方法 |
-
2021
- 2021-01-13 CN CN202110043062.0A patent/CN112699841A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN107301405A (zh) * | 2017-07-04 | 2017-10-27 | 上海应用技术大学 | 自然场景下的交通标志检测方法 |
CN110163127A (zh) * | 2019-05-07 | 2019-08-23 | 国网江西省电力有限公司检修分公司 | 一种由粗到细的视频目标行为识别方法 |
CN110909674A (zh) * | 2019-11-21 | 2020-03-24 | 清华大学苏州汽车研究院(吴江) | 一种交通标志识别方法、装置、设备和存储介质 |
CN111582083A (zh) * | 2020-04-25 | 2020-08-25 | 华南理工大学 | 一种基于消失点估计与语义分割的车道线检测方法 |
CN112163628A (zh) * | 2020-10-10 | 2021-01-01 | 北京航空航天大学 | 一种适用于嵌入式设备的改进目标实时识别网络结构的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及系统 | |
CN112464883B (zh) | 一种自然场景下船舶目标自动检测识别方法与系统 | |
CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
CN109726717B (zh) | 一种车辆综合信息检测系统 | |
Nandi et al. | Traffic sign detection based on color segmentation of obscure image candidates: a comprehensive study | |
Zhang et al. | Study on traffic sign recognition by optimized Lenet-5 algorithm | |
Romdhane et al. | An improved traffic signs recognition and tracking method for driver assistance system | |
CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
Sugiharto et al. | Traffic sign detection based on HOG and PHOG using binary SVM and k-NN | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN114998815B (zh) | 一种基于视频分析的交通车辆识别追踪方法及系统 | |
Daraghmi et al. | Accurate real-time traffic sign recognition based on the connected component labeling and the color histogram algorithms | |
CN112699841A (zh) | 一种基于行车视频的交通标志检测识别方法 | |
Jia et al. | Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching | |
CN114359493B (zh) | 一种用于无人船生成三维语义地图的方法和系统 | |
Phu et al. | Traffic sign recognition system using feature points | |
CN113392804B (zh) | 一种基于多角度的交警目标数据集的场景化构建方法及系统 | |
CN113392852B (zh) | 一种基于深度学习的车辆检测方法及系统 | |
Li et al. | Chinese License Plate Recognition Algorithm Based On UNet3+ | |
Ding et al. | A comprehensive approach for road marking detection and recognition | |
Caballero et al. | Detection of traffic panels in night scenes using cascade object detector | |
Jiang et al. | Application of Neural Network in Image Detection of Illegal Billboards |
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: 20210423 |
|
RJ01 | Rejection of invention patent application after publication |