CN113077630B - 基于深度学习的红绿灯检测方法、装置、设备及存储介质 - Google Patents

基于深度学习的红绿灯检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113077630B
CN113077630B CN202110493920.1A CN202110493920A CN113077630B CN 113077630 B CN113077630 B CN 113077630B CN 202110493920 A CN202110493920 A CN 202110493920A CN 113077630 B CN113077630 B CN 113077630B
Authority
CN
China
Prior art keywords
traffic light
deep learning
preset
model
data set
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.)
Active
Application number
CN202110493920.1A
Other languages
English (en)
Other versions
CN113077630A (zh
Inventor
李涛
吴琼
丁钊
范贤根
徐毅林
姜建满
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Jianghuai Automobile Group Corp
Original Assignee
Anhui Jianghuai Automobile Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Jianghuai Automobile Group Corp filed Critical Anhui Jianghuai Automobile Group Corp
Priority to CN202110493920.1A priority Critical patent/CN113077630B/zh
Publication of CN113077630A publication Critical patent/CN113077630A/zh
Application granted granted Critical
Publication of CN113077630B publication Critical patent/CN113077630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及自动驾驶技术领域，公开了一种基于深度学习的红绿灯检测方法、装置、设备及存储介质，所述方法包括：采集在预设路段上的红绿灯图像信息和道路场景信息，根据红绿灯图像信息和道路场景信息生成对应的样本数据集；根据所述预设深度学习算法对样本数据集和当前红绿灯数据集进行训练；根据预设转换策略对训练得到的目标权重模型进行转换，得到OM模型；根据预设深度学习推理模型库对OM模型进行推理，得到对应的推理结果，通过预设深度学习推理模型库对转换得到的OM模型进行推理，基于推理结果实现对红绿灯信号的检测，相较于现有技术通过安装路侧单元设备和车载单元设备对红绿灯信号的检测，能够有效提高检测的准确性及降低检测成本。

Description

基于深度学习的红绿灯检测方法、装置、设备及存储介质
技术领域
本发明涉及自动驾驶技术领域，尤其涉及基于深度学习的红绿灯检测方法、装置、设备及存储介质。
背景技术
随着科技的飞速发展，自动驾驶技术的稳步发展已经成为了趋势，同时，由于硬件平台和算法的快速发展，自动驾驶级别也越来越高，逐步向L3、L4阶段跨进，目前，阻碍自动驾驶汽车发展的一大挑战为自动驾驶车辆在行车时如何准确对于红绿信号灯的检测和识别，现有技术中常用的检测技术方案是基于车对外界的信息交换(Vehicle ToEverything，V2X)的信号接收和视觉检测，其中信号接收需要在预设路段上安装路侧单元设备(Road Side Unit，RSU)，通过路侧单元设备将红绿灯的信号实时发送出去，并且需要在车辆端安装车载单元设备(On Board Unit，OBU)，通过车载单元设备接收路侧的红绿灯信号，根据车辆航向状态检测当前路段的红绿灯信号，但是，通过该技术方案会需要大量的路侧基建以及车载设备，使得成本急速增大，其次对路侧的工况要求较高，而符合驾驶要求的路段较少，导致对红绿灯检测的正确率较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于深度学习的红绿灯检测方法、装置、设备及存储介质，旨在解决现有技术无法有效提高对红绿灯检测的准确性的技术问题。
为实现上述目的，本发明提供了一种基于深度学习的红绿灯检测方法，所述基于深度学习的红绿灯检测方法包括以下步骤:
采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；
获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；
获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；
获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
可选地，所述采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集，包括：
获取预设周期，分别采集在所述预设周期内预设路段上的红绿灯图像信息和道路场景信息；
提取所述道路场景信息中的特征信息；
根据所述红绿灯图像信息和所述特征信息生成对应的样本数据集。
可选地，所述获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型，包括：
获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集；
获取预设深度学习算法，根据所述预设深度学习算法对所述目标红绿灯数据集进行训练，得到目标权重模型。
可选地，所述获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集，包括：
获取当前红绿灯数据集，提取所述当前红绿灯数据集中对应的当前道路场景信息；
将所述道路场景信息中的特征信息替换所述当前道路场景信息中的特征信息，基于替换特征信息的当前道路场景，得到目标红绿灯数据集。
可选地，所述获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型，包括：
提取所述目标权重模型中的权重值；
获取预设转换策略，根据所述预设转换策略对所述权重值进行转换，得到目标权重值；
获取预设权重值，若所述目标权重值大于预设权重值，则根据所述目标权重值得到OM模型。
可选地，所述获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测，包括：
获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型；
提取所述OM模型的目标特征信息；
根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
可选地，所述根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测之后，还包括：
根据所述推理结果得到对应的识别程序，将所述识别程序内置于目标车辆，以使所述目标车辆在预设路段上根据所述识别程序对所述红绿灯信息进行识别并反馈对应的识别结果；
获取预设红绿灯内置规则，若所述预设红绿灯内置规则与所述识别结果一致，则表明所述推理结果正确。
此外，为实现上述目的，本发明还提出一种基于深度学习的红绿灯检测装置，所述基于深度学习的红绿灯检测装置包括：
采集模块，用于采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；
训练模块，用于获取当前红绿灯数据集，根据所述预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；
转换模块，用于获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；
推理模块，用于获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
此外，为实现上述目的，本发明还提出一种基于深度学习的红绿灯检测设备，所述基于深度学习的红绿灯检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的红绿灯检测程序，所述基于深度学习的红绿灯检测程序配置为实现如上文所述的基于深度学习的红绿灯检测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于深度学习的红绿灯检测程序，所述基于深度学习的红绿灯检测程序被处理器执行时实现如上文所述的基于深度学习的红绿灯检测方法。
本发明提出的基于深度学习的红绿灯检测方法，通过采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测，相较于现有技术通过安装路侧单元设备和车载单元设备对红绿灯信号的检测，能够有效提高检测的准确性及降低检测成本。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于深度学习的红绿灯检测设备的结构示意图；
图2为本发明基于深度学习的红绿灯检测方法第一实施例的流程示意图；
图3为本发明基于深度学习的红绿灯检测方法第二实施例的流程示意图；
图4为本发明基于深度学习的红绿灯检测方法第三实施例的流程示意图；
图5为本发明基于深度学习的红绿灯检测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于深度学习的红绿灯检测设备结构示意图。
如图1所示，该基于深度学习的红绿灯检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于深度学习的红绿灯检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于深度学习的红绿灯检测程序。
在图1所示的基于深度学习的红绿灯检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于深度学习的红绿灯检测设备中的处理器1001、存储器1005可以设置在基于深度学习的红绿灯检测设备中，所述基于深度学习的红绿灯检测设备通过处理器1001调用存储器1005中存储的基于深度学习的红绿灯检测程序，并执行本发明实施例提供的基于深度学习的红绿灯检测方法。
基于上述硬件结构，提出本发明基于深度学习的红绿灯检测方法实施例。
参照图2，图2为本发明基于深度学习的红绿灯检测方法第一实施例的流程示意图。
在第一实施例中，所述基于深度学习的红绿灯检测方法包括以下步骤：
步骤S10，采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集。
需要说明的是，本实施例的执行主体为基于深度学习的红绿灯检测设备，还可为其他可实现相同或相似功能的设备，例如移动数据检测器等，本实施例对此不作限制，在本实施例中，以移动数据检测器为例进行说明。
应当理解的是，红绿灯图像信息指的是红绿灯变化时的拍摄到的图像信息，红绿灯图像信息包括：由红灯变为绿灯、绿灯变为黄灯以及黄灯变为红灯时的图像信息，而道路场景信息指的是当前采集红绿灯道路的场景信息，包括红绿灯两旁道路的场景信息和在道路上行驶车辆的场景信息，预设路段指的是在检测时选定的路段，该路段可以为符合场景的任意路段，在该路段上也不用存在相关基建设备，由于获取红绿灯图像信息和道路场景信息的方式不同，因此在采集信息时，两者是需要在同一时间段内，即在预设路段上的红绿灯图像信息和道路场景信息为同一时间段内的，红绿灯图像信息和道路场景信息是一一对应的，例如，在A时间拍摄到的红绿灯图像信息应与A时间的道路场景信息对应。
可以理解的是，样本数据集指的是根据红绿灯图像信息和道路场景信息生成的，在得到不同时间段的红绿灯图像信息和道路场景信息后，将同一时间段的红绿灯图像信息和道路场景信息以成对的方式组合在一起，此时得到的信息对存在多组，由于每个时期的道路场景信息不同，因此需要对组合成的信息对进行筛选，从中选择最具代表性的，例如，上班高峰期、下班高峰期在预设道路上行驶的车辆数量较多，夜晚十一点之后行驶的车辆数量较少，因此这两个时间段在道路上行驶车辆的场景信息是不具有代表性的，需要将其筛选掉，提取剩下的道路场景信息中的特征信息，根据该特征信息和红绿灯图像信息生成样本数据集。
在具体实施中，移动数据检测器采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集。
步骤S20，获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型。
应当理解的是，当前样本数据集指的是已公开的的道路场景信息和红绿灯图像信息，此时的道路场景信息是国外的道路场景，而国外的道路场景与国内的道路场景的差别较大且分类需求和实际需求不同，使得国外的样本数据集不适用于在国内进行样本数据集的训练，而红绿灯图像信息在国内外的区别不大，因此样本数据集中的红绿灯图像信息可以使用在国内对红绿灯的检测中，在得到国外红绿灯图像信息和国内红绿灯图像信息后，需要根据实际情况将两者的红绿灯图像信息融合起来，例如，在国内的红灯变为红绿的时间为30s，即红灯的亮起时间为30s，而国外的则是60s，而通过统计不同地区的红绿灯可知时间不是相同的，此时可借鉴国外红绿灯的图像信息，采集变化时间为45s的红绿灯图像信息。
可以理解的是，预设深度学习算法指的是实时目标检测算法改进的第三代版本(You Only Look Once，YOLOv3)，其本质是基于深度学习框架构建的神经网络算法，在得到当前红绿灯数据集和样本数据集后，通过预设深度学习算法对当前红绿灯数据集和样本数据集进行训练，得到对应的目标权重模型，该目标权重模型的泛化能力和精确度较高，可以检测不同模型的权重。
在具体实施中，移动数据检测器获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型。
步骤S30，获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型。
应当理解的是，预设转换策略指的是将目标权重模型转换为OM模型的转换策略，由于整个检测系统是基于移动数据检测平台(Mobile Data Center，MDC)进行检测的，而目标权重模型在MDC平台上时无法直接运行的，因袭需要将目标权重模型转化为MDC平台可以运行的OM模型，目标权重模型的训练是在图像处理器(Graphics Processing Unit，GPU)下运行的，而移动数据检测平台是不支持目标权重模型的，在转换时需要用到MDC配套工具。
可以理解的是，在得到目标权重模型后，将目标权重模型中的权重值提取出来，再通过预设转换策略将提取的权重值进行转换，得到目标权重值，此时需要对目标权重值进行判断，当目标权重值大于预设权重值时，则根据目标权重值得到OM模型，可见，OM模型与目标权重模型中的区别在于权重值的不同，那么MDC平台上运行的OM模型的权重值较小，预设权重值指的是OM模型中的最大权重值。
在具体实施中，移动数据检测器获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型。
步骤S40，获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
应当理解的是，预设深度学习推理模型库指的是对OM模型进行推理的数据库，在得到OM模型后，会分析OM模型的所属类别，根据OM模型的所属类别在预设深度学习推理模型库中查询出与OM模型对应的推理模型，依据该模型对OM模型做具体推理，以得到红绿灯信号的状态，例如，预设预设深度学习推理模型库中存在A、B以及C三种推理模型，而OM模型对应的推理模型为B，此时A和C推理模型是无法对OM模型进行推理的额，因此，需要根据OM模型的类别在预设深度学习推理模型库选择B推理模型。
在具体实施中，移动数据检测器获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
本实施例通过采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测，相较于现有技术通过安装路侧单元设备和车载单元设备对红绿灯信号的检测，能够有效提高检测的准确性及降低检测成本。
在一实施例中，如图3所述，基于第一实施例提出本发明基于深度学习的红绿灯检测方法第二实施例，所述步骤S20，包括：
步骤S201，获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集。
应当理解的是，当前样本数据集指的是已公开的的道路场景信息和红绿灯图像信息，由于国内外的道路场景不同，因此，在得到当前红绿灯数据集后，为了得到的数据集适用性更强，需要将在国内采集到的道路场景信息与当前红绿灯数据集中的道路场景进行融合，以得到目标数据集。
进一步的，为了有效提高得到目标权重模型的准确性，还需要获取当前红绿灯数据集，提取所述当前红绿灯数据集中对应的当前道路场景信息；将所述道路场景信息中的特征信息替换所述当前道路场景信息中的特征信息，基于替换特征信息的当前道路场景，得到目标红绿灯数据集。
可以理解的是，道路场景信息的不同在于其中的特征信息，在得到当前红绿灯数据集后，需要将红绿灯数据集中的当前道路场景信息及采集到的道路场景信息中的特征信息提取出来，将道路场景信息中的特征信息替换当前道路场景信息中的特征信息，得到替换后当前道路场景，此时的当前道路场景可适用于国内对红绿灯信号的检测，根据替换特征信息的当前道路场景得到目标红绿灯数据集。
在具体实施中，移动数据检测器获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集。
步骤S202，获取预设深度学习算法，根据所述预设深度学习算法对所述目标红绿灯数据集进行训练，得到目标权重模型。
可以理解的是，预设深度学习算法指的是实时目标检测算法改进的第三代版本，其本质是基于深度学习框架构建的神经网络算法，在得到目标数据集后，将目标红绿灯数据集输入至预设深度学习算法中，预设深度学习算法根据输入的目标红绿灯数据集进行训练，以得到对应的目标权重模型，该目标权重模型可以为检测不同模型的权重值。
在具体实施中，移动数据检测器获取预设深度学习算法，根据所述预设深度学习算法对所述目标红绿灯数据集进行训练，得到目标权重模型。
本实施例通过获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集；获取预设深度学习算法，根据所述预设深度学习算法对所述目标红绿灯数据集进行训练，得到目标权重模型；通过将采集到的样本数据集与当前红绿灯数据集进行融合，以得到目标红绿灯数据集，根据预设深度学习算法对目标红绿灯数据集进行训练，得到对应目标权重模型，从而有效提高得到目标权重模型的准确性。
在一实施例中，如图4所述，基于第一实施例提出本发明基于深度学习的红绿灯检测方法第三实施例，所述步骤S40，包括：
步骤S401，获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型。
可以理解的是，预设深度学习推理模型库指的是对OM模型进行推理的数据库，在得到OM模型后，需要对OM模型的类别进行识别，由于预设深度推理模型中的推理模型具有专一性，即推理模型只能推理一种OM模型，在得到对应的推理模型后，可根据该推理模型对OM模型进行推理，以得到红绿灯信号的状态，目标深度学习推理模型即为从预设深度学习推理模型库对该OM模型进行推理的模型。
在具体实施中，移动数据检测器获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型。
步骤S402，提取所述OM模型的目标特征信息。
可以理解的是，目标特征信息指的是OM模型中的特征信息，由于不同模型的特征信息不同，因此在对模型中的特征信息进行提取时，需要提取最具代表性的特征信息，例如，OM模型中存在多个特征信息，包括A、B以及C三个特征信息，而A特征信息为最能代表OM模型的特征信息，此时的目标特征信息即为A特征信息。
在具体实施中，移动数据检测器提取所述OM模型的目标特征信息。
步骤S403，根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
可以理解的是，在得到目标特征信息后，根据目标深度学习推理模型对OM模型中的目标特征信息进行推理，推理结果与红绿灯信号之间为一一对应关系，该推理结果可以为红绿灯信号变化数据表，也可以为红绿灯信号统计表，通过该推理结果可以简单明了的观察到红绿灯信号的变化规律。
在具体实施中，移动数据检测器根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
进一步的，为了验证推理结果是否准确，在基于所述推理结果实现对红绿灯信号的检测之后，还需要根据所述推理结果得到对应的识别程序，将所述识别程序内置于目标车辆，以使所述目标车辆在预设路段上根据所述识别程序对所述红绿灯信息进行识别并反馈对应的识别结果；获取预设红绿灯内置规则，若所述预设红绿灯内置规则与所述识别结果一致，则表明所述推理结果正确。
应当理解的是，预设红绿灯内置规则指的是设计人员对红绿灯信号设置的变化规则，在得到推理结果后，根据推理结果得到对应的识别程序，将该识别程序员内置在目标车辆上，再让目标车辆在预设路段上行驶，以得到对应的识别结果，若识别结果与变化规则中设置的信号变化一致，则推理正确，若识别结果与变化规则中设置的信号变化不一致，则进行多次试验，直至得到正确的识别结果。
本实施例通过获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型；提取所述OM模型的目标特征信息；根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测；通过预设深度学习推理模型库对OM模型进行分类，根据OM模型的类别在预设深度学习推理模型库中选择对应的目标深度学习推理模型，基于目标深度学习推理模型对目标特征信息进行推理，基于推理得到的推理结果实现对红绿灯信号的检测，从而能够有效提高检测红绿灯信号的效率。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于深度学习的红绿灯检测程序，所述基于深度学习的红绿灯检测程序被处理器执行时实现如上文所述的基于深度学习的红绿灯检测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图5，本发明实施例还提出一种基于深度学习的红绿灯检测装置，所述基于深度学习的红绿灯检测装置包括：
采集模块10，用于采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集。
应当理解的是，红绿灯图像信息指的是红绿灯变化时的拍摄到的图像信息，红绿灯图像信息包括：由红灯变为绿灯、绿灯变为黄灯以及黄灯变为红灯时的图像信息，而道路场景信息指的是当前采集红绿灯道路的场景信息，包括红绿灯两旁道路的场景信息和在道路上行驶车辆的场景信息，预设路段指的是在检测时选定的路段，该路段可以为符合场景的任意路段，在该路段上也不用存在相关基建设备，由于获取红绿灯图像信息和道路场景信息的方式不同，因此在采集信息时，两者是需要在同一时间段内，即在预设路段上的红绿灯图像信息和道路场景信息为同一时间段内的，红绿灯图像信息和道路场景信息是一一对应的，例如，在A时间拍摄到的红绿灯图像信息应与A时间的道路场景信息对应。
可以理解的是，样本数据集指的是根据红绿灯图像信息和道路场景信息生成的，在得到不同时间段的红绿灯图像信息和道路场景信息后，将同一时间段的红绿灯图像信息和道路场景信息以成对的方式组合在一起，此时得到的信息对存在多组，由于每个时期的道路场景信息不同，因此需要对组合成的信息对进行筛选，从中选择最具代表性的，例如，上班高峰期、下班高峰期在预设道路上行驶的车辆数量较多，夜晚十一点之后行驶的车辆数量较少，因此这两个时间段在道路上行驶车辆的场景信息是不具有代表性的，需要将其筛选掉，提取剩下的道路场景信息中的特征信息，根据该特征信息和红绿灯图像信息生成样本数据集。
在具体实施中，移动数据检测器采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集。
训练模块20，用于获取当前红绿灯数据集，根据所述预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型。
应当理解的是，当前样本数据集指的是已公开的的道路场景信息和红绿灯图像信息，此时的道路场景信息是国外的道路场景，而国外的道路场景与国内的道路场景的差别较大且分类需求和实际需求不同，使得国外的样本数据集不适用于在国内进行样本数据集的训练，而红绿灯图像信息在国内外的区别不大，因此样本数据集中的红绿灯图像信息可以使用在国内对红绿灯的检测中，在得到国外红绿灯图像信息和国内红绿灯图像信息后，需要根据实际情况将两者的红绿灯图像信息融合起来，例如，在国内的红灯变为红绿的时间为30s，即红灯的亮起时间为30s，而国外的则是60s，而通过统计不同地区的红绿灯可知时间不是相同的，此时可借鉴国外红绿灯的图像信息，采集变化时间为45s的红绿灯图像信息。
可以理解的是，预设深度学习算法指的是实时目标检测算法改进的第三代版本(You Only Look Once，YOLOv3)，其本质是基于深度学习框架构建的神经网络算法，在得到当前红绿灯数据集和样本数据集后，通过预设深度学习算法对当前红绿灯数据集和样本数据集进行训练，得到对应的目标权重模型，该目标权重模型的泛化能力和精确度较高，可以检测不同模型的权重。
在具体实施中，移动数据检测器获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型。
转换模块30，用于获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型。
应当理解的是，预设转换策略指的是将目标权重模型转换为OM模型的转换策略，由于整个检测系统是基于移动数据检测平台(Mobile Data Center，MDC)进行检测的，而目标权重模型在MDC平台上时无法直接运行的，因袭需要将目标权重模型转化为MDC平台可以运行的OM模型，目标权重模型的训练是在图像处理器(Graphics Processing Unit，GPU)下运行的，而移动数据检测平台是不支持目标权重模型的，在转换时需要用到MDC配套工具。
可以理解的是，在得到目标权重模型后，将目标权重模型中的权重值提取出来，再通过预设转换策略将提取的权重值进行转换，得到目标权重值，此时需要对目标权重值进行判断，当目标权重值大于预设权重值时，则根据目标权重值得到OM模型，可见，OM模型与目标权重模型中的区别在于权重值的不同，那么MDC平台上运行的OM模型的权重值较小，预设权重值指的是OM模型中的最大权重值。
在具体实施中，移动数据检测器获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型。
推理模块40，用于获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
应当理解的是，预设深度学习推理模型库指的是对OM模型进行推理的数据库，在得到OM模型后，会分析OM模型的所属类别，根据OM模型的所属类别在预设深度学习推理模型库中查询出与OM模型对应的推理模型，依据该模型对OM模型做具体推理，以得到红绿信号的状态，例如，预设预设深度学习推理模型库中存在A、B以及C三种推理模型，而OM模型对应的推理模型为B，此时A和C推理模型是无法对OM模型进行推理的额，因此，需要根据OM模型的类别在预设深度学习推理模型库选择B推理模型。
在具体实施中，移动数据检测器获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
本实施例通过采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测，相较于现有技术通过安装路侧单元设备和车载单元设备对红绿灯信号的检测，能够有效提高检测的准确性及降低检测成本。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于深度学习的红绿灯检测方法，此处不再赘述。
在一实施例中，所述采集模块10，还用于获取预设周期，分别采集在所述预设周期内预设路段上的红绿灯图像信息和道路场景信息；提取所述道路场景信息中的特征信息；根据所述红绿灯图像信息和所述特征信息生成对应的样本数据集。
在一实施例中，所述训练模块20，还用于获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集；获取预设深度学习算法，根据所述预设深度学习算法对所述目标红绿灯数据集进行训练，得到目标权重模型。
在一实施例中，所述训练模块20，还用于获取当前红绿灯数据集，提取所述当前红绿灯数据集中对应的当前道路场景信息；将所述道路场景信息中的特征信息替换所述当前道路场景信息中的特征信息，基于替换特征信息的当前道路场景，得到目标红绿灯数据集。
在一实施例中，所述转换模块30，还用于提取所述目标权重模型中的权重值；获取预设转换策略，根据所述预设转换策略对所述权重值进行转换，得到目标权重值；获取预设权重值，若所述目标权重值大于预设权重值，则根据所述目标权重值得到OM模型。
在一实施例中，所述推理模块40，还用于获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型；提取所述OM模型的目标特征信息；根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测。
在一实施例中，所述推理模块40，还用于根据所述推理结果得到对应的识别程序，将所述识别程序内置于目标车辆，以使所述目标车辆在预设路段上根据所述识别程序对所述红绿灯信息进行识别并反馈对应的识别结果；获取预设红绿灯内置规则，若所述预设红绿灯内置规则与所述识别结果一致，则表明所述推理结果正确。
本发明所述基于深度学习的红绿灯检测装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于深度学习的红绿灯检测方法，其特征在于，所述基于深度学习的红绿灯检测方法包括以下步骤：
采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；
获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；
获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；
获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测；
所述获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测，包括：
获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型；
提取所述OM模型的目标特征信息；
根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测；
所述获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型，包括：
提取所述目标权重模型中的权重值；
获取预设转换策略，根据所述预设转换策略对所述权重值进行转换，得到目标权重值；
获取预设权重值，若所述目标权重值大于预设权重值，则根据所述目标权重值得到OM模型。
2.如权利要求1所述的基于深度学习的红绿灯检测方法，其特征在于，所述采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集，包括：
获取预设周期，分别采集在所述预设周期内预设路段上的红绿灯图像信息和道路场景信息；
提取所述道路场景信息中的特征信息；
根据所述红绿灯图像信息和所述特征信息生成对应的样本数据集。
3.如权利要求1所述的基于深度学习的红绿灯检测方法，其特征在于，所述获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型，包括：
获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集；
获取预设深度学习算法，根据所述预设深度学习算法对所述目标红绿灯数据集进行训练，得到目标权重模型。
4.如权利要求3所述的基于深度学习的红绿灯检测方法，其特征在于，所述获取当前红绿灯数据集，将所述当前红绿灯数据集与所述样本数据集进行融合，得到目标红绿灯数据集，包括：
获取当前红绿灯数据集，提取所述当前红绿灯数据集中对应的当前道路场景信息；
将所述道路场景信息中的特征信息替换所述当前道路场景信息中的特征信息，基于替换特征信息的当前道路场景，得到目标红绿灯数据集。
5.如权利要求1所述的基于深度学习的红绿灯检测方法，其特征在于，所述根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测之后，还包括：
根据所述推理结果得到对应的识别程序，将所述识别程序内置于目标车辆，以使所述目标车辆在预设路段上根据所述识别程序对所述红绿灯信息进行识别并反馈对应的识别结果；
获取预设红绿灯内置规则，若所述预设红绿灯内置规则与所述识别结果一致，则表明所述推理结果正确。
6.一种基于深度学习的红绿灯检测装置，其特征在于，所述基于深度学习的红绿灯检测装置包括：
采集模块，用于采集在预设路段上的红绿灯图像信息和道路场景信息，根据所述红绿灯图像信息和所述道路场景信息生成对应的样本数据集；
训练模块，用于获取当前红绿灯数据集，根据预设深度学习算法对所述样本数据集和所述当前红绿灯数据集进行训练，以得到目标权重模型；
转换模块，用于获取预设转换策略，根据所述预设转换策略对所述目标权重模型进行转换，得到OM模型；
推理模块，用于获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测；
所述推理模块，还用于获取预设深度学习推理模型库，根据所述预设深度学习推理模型库对所述OM模型进行分类，以得到所述OM模型所属的目标深度学习推理模型；提取所述OM模型的目标特征信息；根据所述目标深度学习推理模型对所述目标特征信息进行推理，得到对应的推理结果，基于所述推理结果实现对红绿灯信号的检测；
所述转换模块，还用于提取所述目标权重模型中的权重值；获取预设转换策略，根据所述预设转换策略对所述权重值进行转换，得到目标权重值；获取预设权重值，若所述目标权重值大于预设权重值，则根据所述目标权重值得到OM模型。
7.一种基于深度学习的红绿灯检测设备，其特征在于，所述基于深度学习的红绿灯检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的红绿灯检测程序，所述基于深度学习的红绿灯检测程序配置有实现如权利要求1至5中任一项所述的基于深度学习的红绿灯检测方法。
8.一种存储介质，其特征在于，所述存储介质上存储有基于深度学习的红绿灯检测程序，所述基于深度学习的红绿灯检测程序被处理器执行时实现如权利要求1至5中任一项所述的基于深度学习的红绿灯检测方法。
CN202110493920.1A 2021-04-30 2021-04-30 基于深度学习的红绿灯检测方法、装置、设备及存储介质 Active CN113077630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110493920.1A CN113077630B (zh) 2021-04-30 2021-04-30 基于深度学习的红绿灯检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110493920.1A CN113077630B (zh) 2021-04-30 2021-04-30 基于深度学习的红绿灯检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113077630A CN113077630A (zh) 2021-07-06
CN113077630B true CN113077630B (zh) 2022-06-28

Family

ID=76617165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110493920.1A Active CN113077630B (zh) 2021-04-30 2021-04-30 基于深度学习的红绿灯检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113077630B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12112626B2 (en) * 2022-07-18 2024-10-08 Cavnue Technology, LLC Signal head processing system

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194343A (zh) * 2017-05-16 2017-09-22 西北工业大学 基于位置相关的卷积与Fire模型的红绿灯检测方法
CN108108761A (zh) * 2017-12-21 2018-06-01 西北工业大学 一种基于深度特征学习的快速交通信号灯检测方法
CN109657622A (zh) * 2018-12-21 2019-04-19 广东工业大学 一种交通信号灯的检测与识别方法、装置及设备
CN110532961A (zh) * 2019-08-30 2019-12-03 西安交通大学 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法
CN111079586A (zh) * 2019-12-03 2020-04-28 西安电子科技大学 基于深度学习与双目摄像的自动驾驶目标检测系统及方法
CN112712057A (zh) * 2021-01-13 2021-04-27 腾讯科技（深圳）有限公司 交通信号识别方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508580B (zh) * 2017-09-15 2022-02-25 阿波罗智能技术(北京)有限公司 交通信号灯识别方法和装置
CN110660254B (zh) * 2018-06-29 2022-04-08 北京市商汤科技开发有限公司 交通信号灯检测及智能驾驶方法和装置、车辆、电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194343A (zh) * 2017-05-16 2017-09-22 西北工业大学 基于位置相关的卷积与Fire模型的红绿灯检测方法
CN108108761A (zh) * 2017-12-21 2018-06-01 西北工业大学 一种基于深度特征学习的快速交通信号灯检测方法
CN109657622A (zh) * 2018-12-21 2019-04-19 广东工业大学 一种交通信号灯的检测与识别方法、装置及设备
CN110532961A (zh) * 2019-08-30 2019-12-03 西安交通大学 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法
CN111079586A (zh) * 2019-12-03 2020-04-28 西安电子科技大学 基于深度学习与双目摄像的自动驾驶目标检测系统及方法
CN112712057A (zh) * 2021-01-13 2021-04-27 腾讯科技（深圳）有限公司 交通信号识别方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于NVIDIA Jetson TX2的实时交通信号灯检测算法;刘影等;《农业装备与车辆工程》;20200710;第58卷(第07期);正文第49-53页 *

Also Published As

Publication number Publication date
CN113077630A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Tian et al. An automatic car accident detection method based on cooperative vehicle infrastructure systems
JP2021081793A (ja) 情報処理装置、情報処理装置の制御方法およびプログラム
CN112528934A (zh) 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法
CN110458126B (zh) 一种受电弓状态监测方法及装置
CN113077630B (zh) 基于深度学习的红绿灯检测方法、装置、设备及存储介质
CN112233428B (zh) 车流量预测方法、装置、存储介质及设备
CN112215188B (zh) 交警姿态识别方法、装置、设备及存储介质
CN114926791A (zh) 一种路口车辆异常变道检测方法、装置、存储介质及电子设备
CN110674887A (zh) 一种基于视频分类的端到端道路拥堵检测算法
CN111723835A (zh) 车辆移动轨迹区分方法、装置和电子设备
CN111178178B (zh) 结合区域分布的多尺度行人重识别方法、系统、介质及终端
CN112149763A (zh) 一种利用众包概念提高路面异常检测的方法及装置
CN110171426B (zh) 一种基于智能设备的驾驶员危险驾驶行为识别方法及系统
CN114331206A (zh) 点位选址方法、装置、电子设备及可读存储介质
CN118014404A (zh) 基于停车场系统的智能优化方法及系统
CN117437615A (zh) 雾天交通标志检测方法、装置、存储介质和电子设备
CN111832599A (zh) 一种基于机器学习随机森林的加油站预测方法
CN113470012B (zh) 标线识别方法、装置、存储介质及电子装置
CN114973326A (zh) 跌倒预警方法、装置、设备及可读存储介质
CN114387554A (zh) 车辆人员超载识别方法、装置、设备及可读介质
CN113887420A (zh) 一种基于ai的城市公共车位智能化检测识别系统
CN117033162B (zh) 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统
CN112528893A (zh) 异常状态的识别方法、装置及计算机可读存储介质
CN116563770B (zh) 车辆颜色的检测方法、装置及设备和介质
CN117542023B (zh) 交通标志检测方法、装置、电子设备和存储介质

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