CN112970030A - 交通灯检测的方法和装置 - Google Patents
交通灯检测的方法和装置 Download PDFInfo
- Publication number
- CN112970030A CN112970030A CN202180000611.4A CN202180000611A CN112970030A CN 112970030 A CN112970030 A CN 112970030A CN 202180000611 A CN202180000611 A CN 202180000611A CN 112970030 A CN112970030 A CN 112970030A
- Authority
- CN
- China
- Prior art keywords
- traffic light
- information
- image
- detected
- 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.)
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种交通灯检测的方法和装置,涉及自动驾驶技术领域。该方法包括:采用神经网络获取待检测图像的第一区域,所述第一区域包括N个交通灯组,所述N为正整数,所述交通灯组包括至少一个交通灯头;采用所述神经网络根据所述第一区域,获取交通灯信息,其中,所述交通灯信息包括每个交通灯组中的交通灯头的个数信息。由此可以通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。本申请的方案可以应用于车联网,如车辆外联V2X、车间通信长期演进技术LTE‑V、车辆‑车辆V2V等。
Description
技术领域
本申请涉及自动驾驶技术领域,并且,更具体地,涉及一种交通灯检测的方法和装置。
背景技术
交通灯是交通规范的重要组成部分。自动驾驶车辆在行进过程中需要准确、实时地确定前方交通灯的位置及状态,以便实现正确行为决策。
基于深度学习的检测算法比传统图像处理技术准确高效,因而成为了当前交通灯检测的主流方法。但现在已知的基于深度学习的交通灯检测技术通常仅能实现灯头颜色和灯头形状的输出,难以满足自动驾驶的需求,不利于提高驾驶的安全系数。
因此,亟需一种交通灯检测技术,能够提供包括交通灯灯头个数在内的交通灯信息。
发明内容
本申请提供了一种交通灯检测的方法和装置,能够提供包括交通灯灯头个数在内的交通灯信息。
第一方面,提供了一种交通灯检测的方法,该方法包括:采用神经网络获取待检测图像的第一区域,所述第一区域包括N个交通灯组,所述N为正整数,所述交通灯组包括至少一个交通灯头;采用所述神经网络根据所述第一区域,获取交通灯信息,其中,所述交通灯信息包括每个交通灯组中的交通灯头的个数信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
在一种可能的实现方式中,第一区域可以是待检测图像经神经网络重编码处理后的特征图中的包含交通灯检测框的小区域。
在一种可能的实现方式中,除了交通灯头的个数信息之外,上述交通灯信息还可以包括其他有关交通灯的信息,例如交通灯灯头亮、灭信息、交通灯灯头颜色信息、交通灯灯头形状信息和交通灯灯头类别信息。这样可以提供更详尽的信息。
通过神经网络对待检测图像进行处理,得到上述交通灯信息,这样能够实现端到端的检测处理,提高检测效率和准确性。
在一种可能的实现方式中,待检测图像可以为车载摄像头拍摄的图像中的感兴趣区域,这样可以减少数据处理量,提高检测效率。再例如,待检测图像也可以是车载摄像头拍摄的图像,这样可以简化处理流程。
在一种可能的实现方式中,神经网络可包括分类器,将待检测图像的第一区域输入该分类器,输出上述交通灯信息。
在一种可能的实现方式中,神经网络可包括灯头个数分类器。可将待检测图像的第一区域输入灯头个数分类器,输出每个交通灯组中的交通灯头的个数信息。
在一种可能的实现方式中,所述神经网络可包括交通灯亮灭分类器和灯头检测器,将所述待检测图像的第一区域输入交通灯亮灭分类器,输出所述待检测图像的第一区域的交通灯亮灭信息;在所述待检测图像的第一区域存在亮着的交通灯时,将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息。
结合第一方面,在第一方面的某些实现方式中,所述将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息,包括:将所述待检测图像的第一区域输入所述灯头检测器,输出第一信息,其中所述第一信息包括:交通灯检测框长度信息、亮着的交通灯检测框长度信息和亮着的交通灯检测框个数信息;根据所述第一信息,输出上述交通灯信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
在一种可能的实现方式中,所述神经网络可包括灯头个数分类器、交通灯亮灭分类器和灯头检测器;将所述待检测图像的第一区域输入交通灯亮灭分类器,输出所述待检测图像的第一区域的交通灯亮灭信息;在所述待检测图像的第一区域存在亮着的交通灯时,将所述待检测图像的第一区域输入所述灯头个数分类器,输出每个交通灯组中的交通灯头的第一个数信息和第一置信度;将所述待检测图像的第一区域输入所述灯头检测器,输出每个交通灯组中的交通灯头的第二个数信息和第二置信度;根据所述第一置信度和第二置信度,将所述第一个数信息或所述第二个数信息中的一个确定为所述每个交通灯组中的交通灯头的个数信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
第二方面,提供了一种交通灯检测的装置,包括:获取单元,用于采用神经网络获取待检测图像的第一区域,所述第一区域包括N个交通灯组,所述N为正整数,所述交通灯组包括至少一个交通灯头;处理单元,用于采用所述神经网络根据所述第一区域,获取交通灯信息,其中,所述交通灯信息包括每个交通灯组中的交通灯头的个数信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
在一种可能的实现方式中,第一区域可以是待检测图像经神经网络重编码处理后的特征图中的包含交通灯检测框的区域。
在一种可能的实现方式中,除了交通灯头的个数信息之外,上述交通灯信息还可以包括其他有关交通灯的信息,例如交通灯灯头亮、灭信息、交通灯灯头颜色信息、交通灯灯头形状信息和交通灯灯头类别信息。这样可以提供更详尽的信息。
通过神经网络对待检测图像进行处理,得到上述交通灯信息,这样能够实现端到端的检测处理,提高检测效率和准确性。
在一种可能的实现方式中,待检测图像可以为车载摄像头拍摄的图像中的感兴趣区域,这样可以减少数据处理量,提高检测效率。再例如,待检测图像也可以是车载摄像头拍摄的图像,这样可以简化处理流程。
在本申请实施例的一些实现方式中,神经网络可包括分类器,处理单元具体用于:将待检测图像的第一区域输入该分类器,输出上述交通灯信息。
在一种可能的实现方式中,神经网络可包括灯头个数分类器,处理单元具体用于:将待检测图像的第一区域输入该灯头个数分类器,输出每个交通灯组中的交通灯头的个数信息。
在另一种可能的实现方式中,神经网络包括交通灯亮灭分类器和灯头检测器,处理单元用于:将待检测图像的第一区域输入交通灯亮灭分类器,输出待检测图像的第一区域的交通灯亮灭信息;在待检测图像的第一区域存在亮着的交通灯时,将待检测图像的第一区域输入灯头检测器,输出上述交通灯信息。
其中,处理单元用于将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息,包括:处理单元具体用于:将待检测图像的第一区域输入灯头检测器,输出第一信息,其中第一信息包括:交通灯检测框长度信息、亮着的交通灯检测框长度信息和亮着的交通灯检测框个数信息;根据第一信息,输出上述交通灯信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
在一种可能的实现方式中,神经网络可同时包括灯头个数分类器、交通灯亮灭分类器和灯头检测器,处理单元用于:将待检测图像的第一区域输入交通灯亮灭分类器,输出待检测图像的第一区域的交通灯亮灭信息;在待检测图像的第一区域存在亮着的交通灯时,将待检测图像的第一区域输入灯头个数分类器,输出每个交通灯组中的交通灯头的第一个数信息和第一置信度;将待检测图像的第一区域输入灯头检测器,输出每个交通灯组中的交通灯头的第二个数信息和第二置信度;根据第一置信度和第二置信度,将第一个数信息或第二个数信息中的一个确定为每个交通灯组中的交通灯头的个数信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
在一种可能设计中,该交通灯检测装置为芯片。该芯片包括处理模块与通信接口,所述处理模块用于控制所述通信接口与外部进行通信,所述处理模块还用于实现第一方面的方法。
第三方面,提供一种交通灯检测的装置,所述装置包括存储器和处理器,所述存储器用于存储指令,所述处理器用于执行所述存储器存储的指令,并且对所述存储器中存储的指令的执行使得所述处理器执行第一方面的方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机执行时使得所述计算机实现第一方面的方法。可选地,所述计算机可以为上述交通灯检测装置。
第五方面,提供一种包含指令的计算机程序产品,所述指令被计算机执行时使得所述计算机实现第一方面所述的方法。可选地,所述计算机可以为上述交通灯检测装置。
第六方面,提供一种车辆,所述车辆包括至少一个第二方面或第三方面所提到的交通灯检测装置,使得该车辆可以实现第一方面所述的方法。
附图说明
图1是适用于本申请实施例的车辆100的功能框图。
图2是适用于本申请实施例的自动驾驶系统200的功能框图。
图3是本申请实施例提供的交通灯检测方法的一例示意性流程图。
图4是本申请实施例提供的交通灯检测方法的检测流程框图。
图5是本申请实施例提供的交通灯检测方法的灯头个数推演示意图。
图6是本申请实施例提供的交通灯检测方法的一例输入输出示意图。
图7是本申请实施例提供的交通灯检测装置的一例示意性框图。
图8是本申请实施例提供的交通灯检测装置的另一例示意性框图。
具体实施方式
下面将结合附图,对本申请实施例中的技术方案进行描述。
图1示出了本申请实施例适用的车辆100的功能框图。其中,车辆100可以配置为完全或部分的自动驾驶模式。在车辆100处于自动驾驶模式中时,可以将车辆100配置为在没有和人交互的情况下操作。
车辆100可包括多个子系统,例如传感系统104、控制系统106、计算机系统112和用户接口116。可选地,车辆100可包括更多或更少的子系统,并且每个子系统可包括多个元件。另外,车辆100的每个子系统和元件可以通过有线或者无线互连。
传感系统104可包括感测关于车辆100周边的环境的信息的若干个传感器。例如,雷达126、激光测距仪128以及相机130。
雷达126可利用无线电信号来感测车辆100的周边环境内的物体,激光测距仪128可利用激光来感测车辆100所位于的环境中的物体,相机130可用于捕捉车辆100的周边环境的多个图像。其中,相机130可以是静态相机或视频相机。
控制系统106为控制车辆100及其组件的操作。控制系统106可包括各种元件,其中包括计算机视觉系统140以及障碍物避免系统144。
计算机视觉系统140可以操作来处理和分析由相机130捕捉的图像以便识别车辆100周边环境中的物体和/或特征。所述物体和/或特征可包括交通信号、道路边界和障碍物。计算机视觉系统140可使用物体识别算法、运动中恢复结构(Structure from Motion,SFM)算法、视频跟踪和其他计算机视觉技术。
障碍物避免系统144用于识别、评估和避免或者以其他方式越过车辆100的环境中的潜在障碍物。
可选地,控制系统106可以增加或替换地包括除了所示出和描述的那些以外的组件,或者也可以减少一部分上述示出的组件。
车辆100的部分或所有功能受计算机系统112控制。计算机系统112可包括至少一个处理器113,处理器113执行存储在例如数据存储装置114这样的非暂态计算机可读介质中的指令115。计算机系统112还可以是采用分布式方式控制车辆100的个体组件或子系统的多个计算设备。
可选地,数据存储装置114可包含指令115(例如,程序逻辑),指令115可被处理器113执行来执行车辆100的各种功能,包括以上描述的那些功能。数据存储装置114也可包含额外的指令,包括向传感系统104和/或控制系统106中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令115以外,数据存储装置114还可存储数据,例如道路地图、路线信息,车辆的位置、方向、速度以及其它这样的车辆数据,以及其他信息。这种信息可在车辆100在自主、半自主和/或手动模式中操作期间被车辆100和计算机系统112使用。
用户接口116,用于向车辆100的用户提供信息或从其接收信息。
计算机系统112可基于从各种子系统(例如,传感器系统104和控制系统106)以及从用户接口116接收的输入来控制车辆100的功能。可选地,计算机系统112可操作来对车辆100及其子系统的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆100分开安装或关联。例如,数据存储装置114可以部分或完全地与车辆110分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
应理解,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图1不应理解为对本申请实施例的限制。
可选地,自动驾驶汽车车辆100或者与自动驾驶车辆100相关联的计算设备(如图1的计算机系统112、计算机视觉系统140、数据存储装置114)可以基于所识别的物体的特性(例如,交通灯等)来调整车辆的驾驶方式。例如,在本申请实施例中,当车辆检测到红灯或黄灯时,可以降低车速乃至停止;或者,当车辆检测到绿灯时,可以维持车速或者仅小幅度降低车速;或者,当车辆检测到转向绿灯时,可以按照转向指示进行转向驾驶。
上述识别的物体特性也可以用来验证或更新高精地图。即,高精地图可包括交通灯信息,该信息的来源或验证基准可以是上述识别的物体特性。例如,当车辆发现前方物体特性信息(如交通灯信息或其他交通标志信息)与高精地图所记录的信息不一致时,可以更新高精地图,或者向有权限的服务器发送高精地图验证错误信息,以使得高精地图的供应商及时确认准确的物体特性信息。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等,本申请实施例不做特别的限定。
图2示出了本申请实施例适用的自动驾驶系统200功能框图。如图2所示,计算机系统201包括处理器203。处理器203和系统总线205耦合。处理器203可以是一个或者多个处理器,其中每个处理器都可以包括一个或多个处理器核。系统总线205和输入输出(I/O)接口215耦合。I/O接口215和多种I/O设备进行通信,例如,收发器223(可以发送和/或接受无线电通信信号),摄像头255(可以捕捉动态数字视频图像)等。
计算机202可以通过网络接口229和软件部署服务器249通信。网络接口229是硬件网络接口,比如,网卡。网络227可以是外部网络,比如因特网,也可以是内部网络,比如以太网或者虚拟私人网络(virtual private network,VPN)。可选地,网络227还可以是无线网络,比如WiFi网络,蜂窝网络等。
硬盘驱动器233和系统总线205耦合。系统内存235和系统总线205耦合。运行在系统内存235的数据可以包括计算机202的操作系统237和应用程序243。
应用程序243包括控制汽车自动驾驶相关的程序,比如,管理自动驾驶的汽车和路上障碍物交互的程序,控制自动驾驶汽车路线或者速度的程序,控制自动驾驶汽车和路上其他自动驾驶汽车交互的程序。应用程序243也存在于软件部署服务器(deployingserver)249的系统上。
图3示出了根据本申请实施例提供的交通灯检测方法的一例示意流程图。图3的方法可以由图1的车辆100或图2的自动驾驶系统200执行。
S310,采用神经网络获取待检测图像的第一区域,该第一区域包括N个交通灯组,N为正整数,该交通灯组包括至少一个交通灯头。
例如,待检测图像可以是通过图1中所述车辆100中的相机130拍摄的一帧图像,也可以是相机130录像获取到的多帧图像的一帧。待检测图像可以是直接拍摄得到的图像帧,也可以是对拍摄得到的图像帧进行预处理得到的处理图像,例如对比度处理、亮度处理、降噪处理等优化处理。
在得到待检测图像后,图1中所述车辆100中的计算机视觉系统140可以操作来处理和分析所述待检测图像来识别交通灯。
在本申请所提供的实施例中,可通过交通灯检测器从待检测图像中获取适合后续检测的第一区域。其中,第一区域可包括N个交通灯组,N为正整数,所述交通灯组包括至少一个交通灯头。例如,第一区域可以是待检测图像经神经网络重编码处理后的特征图中的包含交通灯检测框的部分区域,这样可以降低数据处理量,从而提高检测的效率。
应理解,上述交通灯检测器用于对待检测图像进行重编码处理以得到便于后续检测的第一区域,其可以为任意目标检测器,如快速卷积神经网络(faster regions withconvolutional neural network features,Faster RCNN)检测器,单次目标(you onlylook once,YOLO)检测器,本申请对此不作任何限定。
S320,采用神经网络根据第一区域,获取交通灯信息,其中,交通灯信息包括每个交通灯组中的交通灯头的个数信息。
其中,交通灯头是能够用来指挥交通通行的信号灯,一般由特定颜色(例如红、黄、绿等颜色)和/或特定图案(例如,特定形状、数字图案、行人图案、方向图案、车道图案等)构成。
一个或多个交通灯头可以组成交通灯组,也可以称为组合交通灯。例如一个红灯、一个黄灯和一个绿灯可以组成一个基本功能的交通灯组。更加复杂的交通灯组,可以包括更复杂的交通灯头,例如可以指示车辆行驶方向、准许/禁止行驶车道、禁止行驶方向、倒数计时器等。如果允许的话,也可以由一个按时序变化的灯头组成交通灯组,例如灯头可显示一个倒数计时器,在计时到零时变为红灯。一个交通灯组所包括的交通灯头的个数常见为3个,但是也可能包括更少或更多的交通灯头个数。准确地识别交通灯头的个数信息,有助于后续车辆策略控制、高精地图验证/更新等应用需求。
应理解,在得到包含待检测交通灯组的第一区域后,图1中的计算机视觉系统140,或图2中的处理器203可以对所述第一区域进行处理和分析,以得到包含每个交通灯组中的交通灯头个数在内的交通灯信息。
在本申请所提供的实施例中,交通灯信息可包括但不限于:每个灯组中的交通灯头个数信息、交通灯头颜色信息、交通灯头形状信息和交通灯头类别信息。详尽地识别交通灯信息,有助于后续车辆策略控制、高精地图验证/更新等应用需求。
根据本申请的方案,通过神经网络对交通灯组识别检测,能够实现交通灯信息的端到端输出,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
对于仅将交通灯组中某一个亮着的交通灯头的属性作为整个交通灯组的属性输出的技术,该技术输出的信息较少,不能满足复杂场景的需求。假设一个交通灯组包括三个交通灯头,即一个左向绿灯、一个圆形红灯和一个右向绿灯。
当一个交通灯组中包括的部分交通灯头不亮时,该技术可能无法输出这些不亮的交通灯头的任何信息,甚至无法输出该交通灯组的任何信息(例如,交通灯个数信息、交通灯类型信息等)。此时,可能导致高精地图无法准确地被验证或更新。例如,假设由于路况优化,在原先的三个灯头的交通灯组基础上增加一个新的圆形黄灯,改进为四个灯头的交通灯组,但是当车辆经过时,新增的黄灯未亮,仍然是原先三个灯头之一亮起,此时由于不能识别交通灯头的个数,车辆会认为该交通灯组未发生变化,这样会导致高精地图的准确性和更新效率降低。
再例如,当该交通灯组中左向绿灯和圆形红灯同时亮时,该技术只能将这两个亮着的灯头中的一个灯头的属性作为整个交通灯组的属性,即输出该交通灯组的交通灯信息为左向绿灯或圆形红灯,这会导致输出信息与实际情况不符,可能导致下游设备(例如,自动驾驶的车辆)决策错误。具体地,这两个灯头同时亮起,表示禁止直行,但允许左拐,但如果仅输出圆形红灯,会导致本来可以左拐的车辆也错误地减速停止。
根据本申请的方案,通过神经网络实现交通灯信息的端到端一次性输出(该输出可包括每个交通灯头粒度的信息),提高了处理效率;并且,本申请的方案可以输出交通灯头的个数信息,有利于满足下游应用的需求。另一方面,本申请的一些实施例能够对一个交通灯组中所有的交通灯头进行独立检测,分别输出灯头信息,避免了将某一个灯头属性作为整个灯组的属性输出,能够有效解决无法区别组合交通灯的问题。
图4示出了根据本申请实施例提供的交通灯检测流程框图。在本申请实施例中,为便于描述,“交通灯组亮”是指交通灯组中至少有一个灯头亮,“交通灯组灭”是指交通灯组中所有的灯头都灭。
如图4所示,以及如上图3中S310所述,输入图像300包括待检测交通灯组。交通灯组包括至少一个交通灯头。
将该输入图像300作为交通灯检测器301的输入。交通灯检测器301的输出为包括N个交通灯组的第一区域。
例如,交通灯检测器可对待检测图像经神经网络进行重编码处理,提取所得到的特征图中的包含交通灯检测框的部分区域,作为上述第一区域。这样可以提高检测的快速性和准确性。
在得到第一区域后,可按照三种可能的方式执行如上图3中S320所述的过程,采用神经网络根据第一区域,获取交通灯信息,其中,交通灯信息包括每个交通灯组中的交通灯头的个数信息。
方式1:
可如图4中最左边的路径所示,将第一区域输入至灯头个数分类器302。灯头个数分类器302输出交通灯个数信息。具体地,灯头个数分类器302可以是对输入的第一区域进行检测、以端到端的方式输出交通灯头个数信息的神经网络。灯头个数分类器302可以处理亮着的交通灯和灭的交通灯。
例如,灯头个数分类器302可使用softmax多分类器或其他可实现多分类功能的分类器。当使用softmax多分类器时,softmax函数将x分类为类别j的概率为:
其中,y为预测的类别,N为可能的类别总个数,T是转置符号,θj为分类器预测为类别j所需的参数向量,其是由神经网络训练得到的。
作为示例而非限定,在本申请实施例中,假设可能的类别总数N为6,则,y可以为小于或等于6的正整数,该函数可以分别输出y为1到6之间正整数的概率,概率最高的作为输出,例如:P(y=1)=0.1、P(y=2)=0.1、P(y=3)=0.7、P(y=4)=0.05、P(y=5)=0.05、P(y=6)=0,则灯头个数N1为3,置信度P1为0.7。
置信度P1为可选的输出。在一些实现方式中,可以直接输出置信度最高的灯头个数N1作为交通灯头的个数信息。在另一些实现方式中,可以同时输出灯头个数N1和置信度P1。
通过该方式无需对交通灯亮灭的情况进行判断,可以以端到端的方式直接输出交通灯组的交通灯个数信息,从而提供更详尽的交通灯信息,有助于下游决策判断或其他应用需求。
方式2:
如图4中的中间路径所示,可以将第一区域输入至交通灯亮灭分类器303。交通灯亮灭分类器303用于检测第一区域中是否至少有一个亮着的交通灯。
如有至少一个交通灯亮,则交通灯亮灭分类器303将此第一区域输出至灯头检测器304。灯头检测器304输出灯头类别信息和灯头检测框信息。其中灯头类别信息表示灯头的类别,例如形状和颜色,如绿色左向箭头、红色圆形等。灯头检测框信息包括亮着的灯头个数、灯头检测框的长度等信息,可用于后续推演得到交通灯头个数信息。该方式可以处理交通灯组亮的情形。
例如,交通灯亮灭分类器可使用softmax多分类器或其他可实现多分类功能的分类器。当使用softmax多分类器时,可利用上述公式(1)对交通灯亮、灭情况进行分类。作为示例而非限定,在本申请实施例中,可能的类别y可以为0(表示“否”)或1(表示“是”),则,可能的类别总数N为2,该函数分别可以输出y为0或1的概率,并将概率最高的作为输出。
上述交通灯检测框信息可称为第一信息,其包括:该交通灯组中亮着的灯头检测框的个数n、第i个亮着的灯头检测框的长度wi和置信度Pi以及灯头检测框的总长度W。
图5是交通灯检测框的一个示例性的示意图。如图5所示,最左侧的交通灯亮,其余交通灯灭,则亮着的的灯头检测框个数n为1,亮着的灯头检测框的长度为w1,交通灯检测框总长度为W。图5仅仅是示例性的,如果有更多个灯头亮,即n为大于1的整数,则亮着的灯头检测框的长度分别为w1、w2……wn。
再根据公式(3)计算出灯头个数N2:
并根据公式(4)计算出置信度P2:
由此,按照上述公式(2)至(4),可以推演得出该交通灯组中的交通灯头个数N2以及置信度P2。上述公式(2)至(4)仅仅是示例性的,本申请实施例可以采用其他等价的推演公式。
置信度P2为可选的输出。在一些实现方式中,可以得到灯头个数N2作为交通灯头的个数信息,不再执行公式(4)的运算。在另一些实现方式中,可以同时输出灯头个数N2和置信度P2。
通过该方式,我们可以对至少有一个交通灯亮的交通灯组进行检测,并最终输出该交通灯组的交通灯信息,例如,该交通灯组的交通灯头个数信息N2和亮着的灯头类别信息(如,绿色箭头等)。
方式3:
如图4中最右侧的路径所示,将第一区域输入至交通灯亮灭分类器303。方式3中的交通灯亮灭分类器303的处理过程与上述方式2中相同,因此不再重复描述。
方式3与方式2的区别在于,在交通灯亮灭分类器303的检测结果为第一区域中至少有一个亮着的交通灯的情况下,可采用方式1中的灯头个数分类器302和方式2中的灯头检测器304分别对第一区域进行检测,得到各自的检测结果。然后,可以基于灯头个数分类器302和灯头检测器304的结果,输出最终的交通灯个数信息。例如,可比较两个结果的置信度,将高置信度对应的交通灯个数作为输出。
具体地,类似于方式1,将第一区域输送至灯头个数分类器302,灯头个数分类器302对输入的第一区域进行检测,以端到端的方式直接输出交通灯组的第一交通灯个数信息N1以及第一置信度P1。另一方面,同时可类似于方式2,将第一区域输送给灯头检测器304,灯头检测器304对第一区域进行处理,输出灯头类别信息和第一信息。其中,对于第一信息又可以经图5中所述的方法得到交通灯组的第二交通灯个数N2以及第二置信度P2。
最后,比较第一交通灯个数N1的置信度P1与第二交通灯个数N2的置信度P2,将置信度较高的一个作为最终输出。例如,假设P1>P2,则可以输出第一交通灯个数N1作为交通灯个数信息;反之亦然。
上述置信度判别方式仅仅是示例性的,本申请实施例还可以采用其他方式,根据等多个输出结果确定交通灯个数信息。例如,若N1=N2,则无需考虑置信度,直接将N1或N2作为交通灯个数信息。再例如,若P1=P2且N1不等于N2,还可以结合其他方式进一步检测,如结合用户确认、高精地图历史信息或服务器确认等方式。
类似于方式1和方式2,除了交通灯个数信息之外,方式3也可以同时输出其他交通灯信息,如交通灯类别信息(例如,绿色左向箭头等)。
通过该方式,可以对至少有一个交通灯亮的交通灯组进行检测,经过多种方式比较输出置信度较高的交通灯个数信息,从而提供更详尽、准确的交通灯信息,有助于下游决策判断或其他应用需求。
应理解,在本申请实施例中,输入的待检测图像也可以是待检测图像的感兴趣区域(region of interest,ROI),其中,感兴趣区域可以是待检测图像中最有可能包括待检测交通灯组的小区域或部分区域,或者,感兴趣区域还可以是待检测图像中需要进一步处理的小区域或部分区域。例如,因交通灯通常在待检测图像中的上半部分,如图中黑色框区域所示,可以设定待检测图像的上半部分为感兴趣区域,或者上面1/3部分为感兴趣区域,或者按照其他设定方式。感兴趣区域不限于待检测图像的上部,由于交通灯也可能出现在图像中的中间部分,或者左侧、右侧,因此,可以根据合适的方式确定感兴趣区域,本申请实施例对此不作限制。
设定感兴趣区域,可以减少所需处理的数据量,使检测过程更加高效。如上所述,感兴趣区域的选择方式和区域大小不应构成限制,本申请所描述的感兴趣区域可以是其他通过对待检测图像进行筛选、截取等方式获得的图像。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,当灯组中有多个交通灯头亮时,对交通灯头进行独立检测,分别输出灯头信息,避免了将某一个灯头属性作为整个灯组的类别属性,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
为更加直观的展示本申请实施例提供的检测方法,图6示出了根据本申请实施例提供的交通灯检测方法的一例输入输出示意图。
如图6所示,输入待检测图像401,该待检测图像包括多个交通灯组,可通过图4中所述的检测方法,分别输出各交通灯组的检测结果图像403至406以及相关的交通灯信息。其中,交通灯信息可作为检测结果图像的特征信息或标注信息等,与该图像一起输出。
例如,对于待检测图像中无法判断亮灭的交通灯组或交通灯全灭的交通灯组,可经图4中方式1所述的方法,直接输出该交通灯组中的交通灯个数信息。
可选地,可将待检测图像输送至图4中所示交通灯检测器301,交通灯检测器301对待检测图像进行处理,输出包含该交通灯组在内的第一区域。将第一区域输送至灯头个数分类器302,灯头个数分类器302对第一区域进行处理,直接输出该交通灯组中的交通灯个数信息。如图中图像403所示的交通灯信息“Trafficlight_3”,其中“Trafficlight”字段表示此图像包含交通灯组,“3”表示该交通灯组中交通灯头个数为3个,其中“_”为字段分隔符。
再例如,对于有至少一个亮着的交通灯的交通灯组,可经图4中方式2或方式3所述的方法进行检测,并输出交通灯组中交通灯头个数信息和灯头类别信息。
具体地,可将待检测图像输送至图4中所示交通灯检测器301,交通灯检测器301对待检测图像进行处理,输出包含待检测交通灯组在内的第一区域。将第一区域输送至图4中所示的灯头亮灭分类器303,灯头亮灭分类器303对第一区域进行检测,输出第一区域中交通灯亮灭结果。在第一区域中有至少一个亮着的交通灯时,可以执行上述图4中方式2所示的检测方法。将第一区域输送至图4中所示的灯头检测器304,灯头检测器304对第一区域进行检测,输出灯头类别信息和第一信息。其中,对于第一信息,可经图5中所述方法,得到每个灯组中的交通灯个数信息。最终输出每个交通灯组中的交通灯个数信息和灯头类别信息。如图中图像404所示的交通灯信息“arrow_left_3”中,“arrow_left”表示该交通灯组中的亮着的交通灯类别信息为左向箭头,“3”表示该交通灯组中交通灯头个数为3个。
可选地,在第一区域中有至少一个亮着的交通灯时,还可以执行上述图4中方式3所示的检测方法。将第一区域输送给图4中所示的灯头个数分类器302,灯头个数分类器302对第一区域进行处理,直接输出该交通灯组中的交通灯个数信息N1和置信度P1。同时,将第一区域输送给图4中所示的灯头检测器304,灯头检测器304对第一区域进行检测,输出灯头类别信息和第一信息。其中,对于第一信息,可经图5中所述方法,得到每个灯组中的交通灯个数信息N2和置信度P2。通过比较置信度P1和P2,最终输出灯头类别信息和置信度较高的交通灯个数信息N1或N2。如图像405和图像406所示的交通灯信息“circle_3”中,“circle”表示该交通灯组中的亮着的交通灯类别信息为圆形,“3”表示该交通灯组中交通灯头个数为3个。
应理解,上述交通灯信息的具体形式仅仅是示例性的,本申请实施例的交通灯信息可以采用任何合适的表示形式。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,当灯组中有多个交通灯头亮时,对交通灯头进行独立检测,分别输出灯头信息,避免了将某一个灯头属性作为整个灯组的类别属性,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
图7是本申请实施例提供的交通灯检测装置的示意性框图。图7的装置可以是图1中的计算机系统112或图2中的处理器203的具体例子。
应理解,交通灯检测装置500可以执行上述交通灯检测方法的各个过程,未避免重复,不再详细描述。
如图7所示,该检测装置500包括获取单元510和处理单元520。
其中,获取单元510用于采用神经网络获取待检测图像的第一区域,该第一区域包括N个交通灯组,N为正整数。上述交通灯组包括至少一个交通灯头。获取单元510的一个例子是图4中的交通灯检测器301,为避免重复,不再详细描述。
处理单元520用于采用神经网络根据第一区域,获取交通灯信息,其中,交通灯信息包括每个交通灯组中的交通灯头的个数信息。
根据本申请的方案,通过神经网络对交通灯组识别检测,直接输出交通灯的信息,尤其是交通灯头的个数信息,从而能够提供更详尽、准确的交通灯信息。
这样,例如,当灯组中有多个交通灯头亮时,对交通灯头进行独立检测,分别输出灯头信息,避免了将某一个灯头属性作为整个灯组的类别属性,能够有效解决无法区别组合交通灯的问题。并且,在检测交通灯的基础上,在小的局部区域检测灯头,保证了检测效率和检测准确性。同时,更详尽、准确的交通灯信息也有助于下游决策判断。
可选地,作为一个实施例,上述神经网络可包括灯头个数分类器,例如图4中的灯头个数分类器302,为避免重复,不再详细描述。此时,处理单元520可根据第一区域,得到交通灯信息,其中,交通灯信息包括每个交通灯组中的交通灯头的个数信息。
可选地,作为一个实施例,上述神经网络可包括交通灯亮灭分类器和灯头检测器,例如图4中的交通灯亮灭分类器303和灯头检测器304。此时,处理单元520具体用于:将待检测图像的第一区域输送给交通灯亮灭分类器,输出待检测图像的第一区域的交通灯亮灭信息。在待检测图像的第一区域存在亮着的交通灯时,将待检测图像的第一区域输送给灯头检测器,输出交通灯类别信息和第一信息,其中第一信息包括:交通灯检测框总长度、亮着的交通灯检测框长度和亮着的交通灯检测框个数。处理单元520还可以根据第一信息,输出交通灯信息。其中,交通灯信息包括每个交通灯组中的交通灯头的个数信息。
可选地,作为一个实施例,上述神经网络可包括灯头个数分类器、交通灯亮灭分类器和灯头检测器,例如,图4中所示的灯头个数分类器302、交通灯亮灭分类器303以及灯头检测器304。处理单元520用于:将待检测图像的第一区域输送给交通灯亮灭分类器,输出待检测图像的第一区域的交通灯亮灭信息。在待检测图像的第一区域存在亮着的交通灯时,将待检测图像的第一区域输送给灯头个数分类器,输出每个交通灯组中的交通灯头的第一个数信息和第一置信度。处理单元520还用于将待检测图像的第一区域输送给灯头检测器,输出每个交通灯组中的交通灯头的第二个数信息和第二置信度。根据第一置信度和第二置信度,将第一个数信息或第二个数信息中的一个确定为每个交通灯组中的交通灯头的个数信息。
在本申请实施例中,上述交通信息还可以包括:交通灯灯头亮灭信息、交通灯灯头颜色信息、交通灯灯头形状信息。
需要说明的是,上述检测装置500以功能单元的形式体现。这里的术语“单元”可以通过软件和/或硬件形式实现,对此不作具体限定。
例如,“单元”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
因此,在本申请的实施例中描述的各示例的单元,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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。
图8是本申请实施例提供的交通灯检测装置600的另一示意性框图。如图8所示,该装置600包括:通信接口610、处理器620和存储器630。其中,存储器630中存储有程序,处理器620用于执行存储器630中存储的程序,对存储器630中存储的程序的执行,使得处理器620用于执行上文方法实施例中的相关处理步骤,对存储器630中存储的程序的执行,使得处理器620控制通信接口610执行上文方法实施例中的获取和输出的相关步骤。在一种可能的设计中,该图像处理装置600为芯片。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路、现场可编程门阵列(field programmable gatearray,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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
根据本申请实施例提供的方法,本申请还提供一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行前述实施例中任意一个实施例的方法。
根据本申请实施例提供的方法,本申请还提供一种计算机可读介质,该计算机可读介质存储有程序代码,当该程序代码在计算机上运行时,使得该计算机执行前述实施例中任意一个实施例的方法。
根据本申请实施例提供的方法,本申请还提供一种车辆,该车辆包括至少一个本申请上述实施例提到的交通灯检测装置,使得该车辆能够执行前述实施例中任意一个实施例的方法。
应理解,在本申请所提供的几个实施例中,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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,可轻易想到变化或替换,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所述权利要求的保护范围为准。
Claims (20)
1.一种交通灯检测的方法,其特征在于,所述方法包括:
采用神经网络获取待检测图像的第一区域,所述第一区域包括N个交通灯组,所述N为正整数,所述交通灯组包括至少一个交通灯头;
采用所述神经网络根据所述第一区域,获取交通灯信息,其中,所述交通灯信息包括每个交通灯组中的交通灯头的个数信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述神经网络包括分类器;
将所述待检测图像的第一区域输入所述分类器,输出所述交通灯信息。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
所述神经网络包括灯头个数分类器;
将所述待检测图像的第一区域输入灯头个数分类器,输出所述交通灯信息。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
所述神经网络包括交通灯亮灭分类器和灯头检测器;
将所述待检测图像的第一区域输入交通灯亮灭分类器,输出所述待检测图像的第一区域的交通灯亮灭信息;
在所述待检测图像的第一区域存在亮着的交通灯时,将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息。
5.根据权利要求4所述的方法,其特征在于,所述将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息,包括:
将所述待检测图像的第一区域输入所述灯头检测器,输出第一信息,其中所述第一信息包括:交通灯检测框长度信息、亮着的交通灯检测框长度信息和亮着的交通灯检测框个数信息;
根据所述第一信息,输出所述交通灯信息。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
所述神经网络包括灯头个数分类器、交通灯亮灭分类器和灯头检测器;
将所述待检测图像的第一区域输入交通灯亮灭分类器,输出所述待检测图像的第一区域的交通灯亮灭信息;
在所述待检测图像的第一区域存在亮着的交通灯时,将所述待检测图像的第一区域输入所述灯头个数分类器,输出每个交通灯组中的交通灯头的第一个数信息和第一置信度;
将所述待检测图像的第一区域输入所述灯头检测器,输出每个交通灯组中的交通灯头的第二个数信息和第二置信度;
根据所述第一置信度和所述第二置信度,将所述第一个数信息或所述第二个数信息中的一个确定为所述每个交通灯组中的交通灯头的个数信息。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述交通灯信息还包括:交通灯灯头亮灭信息、交通灯灯头颜色信息、交通灯灯头形状信息和交通灯灯头类别信息。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述待检测图像为车载摄像头拍摄的图像或车载摄像头拍摄的图像中的感兴趣区域。
9.一种交通灯检测装置,其特征在于,包括:
获取单元,用于采用神经网络获取待检测图像的第一区域,所述第一区域包括N个交通灯组,所述N为正整数,所述交通灯组包括至少一个交通灯头;
处理单元,用于采用所述神经网络根据所述第一区域,获取交通灯信息,其中,所述交通灯信息包括每个交通灯组中的交通灯头的个数信息。
10.根据权利要求9所述的装置,其特征在于,
所述神经网络包括分类器;
所述处理单元具体用于:
将所述待检测图像的第一区域输入所述分类器,输出所述交通灯信息。
11.根据权利要求10所述的装置,其特征在于,
所述神经网络包括灯头个数分类器;
所述处理单元具体用于:
将所述待检测图像的第一区域输入灯头个数分类器,输出所述交通灯信息。
12.根据权利要求10或11所述的装置,其特征在于,
所述神经网络包括交通灯亮灭分类器和灯头检测器;
所述处理单元用于:
将所述待检测图像的第一区域输入交通灯亮灭分类器,输出所述待检测图像的第一区域的交通灯亮灭信息;
在所述待检测图像的第一区域存在亮着的交通灯时,将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息。
13.根据权利要求12所述的装置,其特征在于,所述处理单元用于将所述待检测图像的第一区域输入所述灯头检测器,输出所述交通灯信息,包括:
所述处理单元具体用于:
将所述待检测图像的第一区域输入所述灯头检测器,输出第一信息,其中所述第一信息包括:交通灯检测框长度信息、亮着的交通灯检测框长度信息和亮着的交通灯检测框个数信息;
根据所述第一信息,输出所述交通灯信息。
14.根据权利要求9或10所述的装置,其特征在于,
所述神经网络包括灯头个数分类器、交通灯亮灭分类器和灯头检测器;
所述处理单元用于:
将所述待检测图像的第一区域输入交通灯亮灭分类器,输出所述待检测图像的第一区域的交通灯亮灭信息;
在所述待检测图像的第一区域存在亮着的交通灯时,将所述待检测图像的第一区域输入所述灯头个数分类器,输出每个交通灯组中的交通灯头的第一个数信息和第一置信度;
将所述待检测图像的第一区域输入所述灯头检测器,输出每个交通灯组中的交通灯头的第二个数信息和第二置信度;
根据所述第一置信度和所述第二置信度,将所述第一个数信息或所述第二个数信息中的一个确定为所述每个交通灯组中的交通灯头的个数信息。
15.根据权利要求9至14中任一项所述的装置,其特征在于,所述交通灯信息还包括:交通灯灯头亮灭信息、交通灯灯头颜色信息、交通灯灯头形状信息和交通灯灯头类别信息。
16.根据权利要求9至15中任一项所述的装置,其特征在于,所述待检测图像为车载摄像头拍摄的图像或车载摄像头拍摄的图像中的感兴趣区域。
17.一种计算机可读存储介质,其特征在于,其上存储有指令,所述指令在被计算机执行时使得所述计算机执行如权利要求1至8中任一项所述的方法。
18.一种计算机程序产品,其特征在于,包括指令,所述指令在被计算机执行时使得所述计算机执行如权利要求1至8中任一项所述方法。
19.一种交通灯检测的装置,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序或指令,当所述程序或指令被所述处理器执行时,使得所述装置实现如权利要求1至8中任一项所述的方法。
20.一种车辆,所述车辆包括如权利要求9-16或19中任一项所述的交通灯检测装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/076430 WO2022170540A1 (zh) | 2021-02-10 | 2021-02-10 | 交通灯检测的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112970030A true CN112970030A (zh) | 2021-06-15 |
Family
ID=76275632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180000611.4A Pending CN112970030A (zh) | 2021-02-10 | 2021-02-10 | 交通灯检测的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112970030A (zh) |
WO (1) | WO2022170540A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984826A (zh) * | 2023-03-02 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 交通信号灯感知方法、车辆控制方法、设备、介质及车辆 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN110543814A (zh) * | 2019-07-22 | 2019-12-06 | 华为技术有限公司 | 一种交通灯的识别方法及装置 |
CN112347206A (zh) * | 2019-08-06 | 2021-02-09 | 华为技术有限公司 | 地图更新方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176287B (zh) * | 2011-02-28 | 2013-11-20 | 无锡中星微电子有限公司 | 一种交通信号灯识别系统和方法 |
US10713948B1 (en) * | 2019-01-31 | 2020-07-14 | StradVision, Inc. | Method and device for alerting abnormal driver situation detected by using humans' status recognition via V2V connection |
-
2021
- 2021-02-10 WO PCT/CN2021/076430 patent/WO2022170540A1/zh active Application Filing
- 2021-02-10 CN CN202180000611.4A patent/CN112970030A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN110543814A (zh) * | 2019-07-22 | 2019-12-06 | 华为技术有限公司 | 一种交通灯的识别方法及装置 |
CN112347206A (zh) * | 2019-08-06 | 2021-02-09 | 华为技术有限公司 | 地图更新方法、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984826A (zh) * | 2023-03-02 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 交通信号灯感知方法、车辆控制方法、设备、介质及车辆 |
Also Published As
Publication number | Publication date |
---|---|
WO2022170540A1 (zh) | 2022-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10875528B2 (en) | Navigation through automated negotiation with other vehicles | |
CN111874006B (zh) | 路线规划处理方法和装置 | |
US11727799B2 (en) | Automatically perceiving travel signals | |
JP7040374B2 (ja) | 物体検出装置、車両制御システム、物体検出方法及び物体検出用コンピュータプログラム | |
US11727668B2 (en) | Using captured video data to identify pose of a vehicle | |
US11769318B2 (en) | Systems and methods for intelligent selection of data for building a machine learning model | |
US20180300567A1 (en) | Automatically perceiving travel signals | |
US20180299893A1 (en) | Automatically perceiving travel signals | |
US11704912B2 (en) | Label-free performance evaluator for traffic light classifier system | |
CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
CN116710976A (zh) | 用于对用于训练远程机器学习模型的数据进行智能机载选择的自主交通工具系统 | |
JP7472832B2 (ja) | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム | |
CN102201174B (zh) | 行驶道路推测系统 | |
US20180300566A1 (en) | Automatically perceiving travel signals | |
CN116601681A (zh) | 基于3d地图的相关输入通过优先处理感兴趣物体估计摄像机的自动曝光值 | |
CN116745195A (zh) | 车道外安全驾驶的方法和系统 | |
CN112970030A (zh) | 交通灯检测的方法和装置 | |
CN114972731A (zh) | 交通灯检测识别方法及装置、移动工具、存储介质 | |
US11460843B2 (en) | Parallelized tree-based decision scheme for autonomous vehicle | |
EP4145420A1 (en) | Hierarchical processing of traffic signal face states | |
US20230252638A1 (en) | Systems and methods for panoptic segmentation of images for autonomous driving | |
US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle | |
US20230410469A1 (en) | Systems and methods for image classification using a neural network combined with a correlation structure | |
JP2024520399A (ja) | 車線マップ上の対象物の位置を決定するための方法及び装置 | |
JP2023084575A (ja) | 点灯状態識別装置 |
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: 20210615 |
|
RJ01 | Rejection of invention patent application after publication |