CN113392930B - 基于多层次分治网络的交通标志目标检测方法 - Google Patents
基于多层次分治网络的交通标志目标检测方法 Download PDFInfo
- Publication number
- CN113392930B CN113392930B CN202110748962.5A CN202110748962A CN113392930B CN 113392930 B CN113392930 B CN 113392930B CN 202110748962 A CN202110748962 A CN 202110748962A CN 113392930 B CN113392930 B CN 113392930B
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- target
- network
- picture
- training 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多层次分治网络的交通标志目标检测方法，用于解决现有技术中对交通标志检测精度和召回率低的技术问题。本发明的具体步骤如下：生成训练集和测试集；训练目标检测网络；提取测试集中无交通标志目标的样本的背景类别；对训练集中的数据进行增强；生成标号类别的训练集和标号及背景类别的训练集；训练分类网络；对待检测的目标进行定位及粗分类；对粗分类后的图片进行细分类。本发明所构建的多层次分治网络克服了现有技术中对交通标志目标在定位与分类问题上无法获得优良结果的缺陷，使得本发明有效地提高了交通标志目标的定位与分类精确率。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及图像目标检测技术领域中的一种基于多层次分治网络的交通标志目标检测方法。本发明可用于检测自然图像中静止交通标志的目标。
背景技术
交通标志检测是指根据图像中交通标志的颜色、形状等特征，定位交通标志的位置，并且对图像中的交通标志进行分类识别，获取交通标志的含义，规范车辆的行驶。近年来，大量的目标检测方法开始应用于交通标志检测，但在现实任务中目交通标志标检测仍然存在很多挑战，像对交通标志目标的分类效果较差等。这是由于现实生活中的交通标志样式简单、使用频率不同导致的交通标志分布不均匀，而且还有不同的光照，拍摄视角，拍摄距离等影响因素，导致交通标志的图片数据集中存在部分类别样本数目匮乏，类别样本数目不平衡，形似干扰物过多问题。
浙江工业大学在其申请的专利文献“基于YOLOv3改进的交通标志检测与识别方法”(专利申请号CN201911422311.6，申请公布号CN111191608A)中公开了一种改进的目标检测网络YOLOv3的交通标志检测与识别方法。该方法的具体步骤如下：(1)构建YOLOv3网络模型，替换原本网络模型中的Darknet53网络为Mobilenetv2；(2)通过Inv_res2net_bloc卷积方法与NAS-FPN结构优化了特征融合效果；(3)采用GIoU改进损失函数用于更新网络权重参数；(4)在训练中使用多尺度训练和数据增强方法，使得模型检测效果得到了提高并且精简了模型。但是，该方法仍然存在的不足之处是：其主要目的是为了优化YOLOv3模型的大小问题，特征提取方法的改进无法解决交通标志部分类别样本数目匮乏、类别样本数目不平衡的问题。
天津大学在其申请的专利文献“基于多尺度信息和残差网络的小目标交通标志检测方法”(专利申请号202010076305.6，申请公布号CN111310615A)中公开了一种利用多尺度信息方法和基于残差网络的小目标交通标志检测方法。该方法使用ResNet101作为特征提取网络的骨干，通过在特征提取网络中添加3个使用空洞卷积的卷积层并行分支获取图片的多尺度信息，并在区域生成网络RPN中加入尺度过滤来提高网络的检测性能，并且使用了gradual warmup方法来优化学习率，使网络能够稳定收敛。此外，网络通过使用软化非极大值抑制算法，有效降低了小目标交通标志的漏检率。该方法虽然通过充分利用图片的多尺度信息有效提升了对小目标交通标志检测的准确率，但是，该方法仍然存在的不足之处是：仅是提升小目标交通标志检测的准确率，却并不能解决交通标志数据集本身最大的类别样本数目不平衡特性问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于多层次分治网络的交通标志目标检测方法，用于解决现有技术中交通标志的图片数据集中存在部分类别样本数目匮乏，类别样本数目不平衡，形似干扰物过多的问题从而解决现有目标检测网络技术中对交通标志检测精度和召回率较低的技术问题。
实现本发明目的的技术思路是，由于交通标志目标具有颜色区别明显的特点，本发明在对交通标志目标检测训练的过程中，交通标志按照颜色分类能够让目标检测网络中的特征提取模块充分学习到特征图信息，从而通过训练好的目标定位与粗分类网络获得目标定位及粗分类结果，再通过输入测试集到训练好的目标定位与粗分类中获取背景数据集；同时针对交通标志的图片数据集中标号类别样本数目缺少甚至匮乏的类别样本进行数据增强，将数据增强后的图片添加到该类别样本中，重复此操作直至类别样本数目缺少甚至匮乏的交通标志标号类别样本与其他交通标志标号类别样本数目平衡，将其作为增强后的数据集；由于形似干扰物的像素尺寸偏大，最后按照图片像素大小分别生成标号类别的训练集和标号及背景类别的训练集，训练成交通标志标号细分类网络和通标志标号及背景细分类网络两个细分类网络，再对目标定位及粗分类结果通过训练好的两个细分类网络进行进一步细分类，排除过多的形似干扰物，从而构建一个多层次分治网络提取并增强目标特征，使得网络能够精确定位及分类出图中的每一个交通标志目标。
为实现上述目的，本发明采取的技术方案包括如下步骤：
步骤1，生成训练集和测试集：
S1，将至少1000张含有交通标志目标的图片组成目标图片数据集，其中每张至少含有一个像素大小大于16×16的交通标志目标；标注每张图片中的交通标志目标所在的每个外接矩形框的各顶点坐标和其代表的类别，分别按颜色和交通标志标号进行分类，并将标注后两个含有各目标各顶点坐标和其类别信息生成标注文件；
S2，将目标图片数据集、标注文件组成训练集；
S3，将至少300张不含有交通标志目标图片的无目标图片数据集组成测试集；
步骤2，训练目标检测网络：
将训练集输入到目标检测网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的目标定位及粗分类网络；
步骤3，提取测试集中无交通标志目标的样本的背景类别：
将测试集输入到目标定位及粗分类网络中，输出置信度大于等于0.6小于等于0.98目标结果所在的每个外接矩形框位置的检测结果并裁剪作为背景数据集；
步骤4，对训练集中的数据进行增强：
S1，将训练集中的每张图片依次根据各交通标志目标各顶点坐标和其交通标志标号类别信息标注文件裁剪，将裁剪后的所有交通标志图片，按照其交通标志标号类别分别存入以其交通标志标号命名的不同类别的文件夹中；
S2，采用数据增强方式，从少于100张交通标志样本的每一类别文件夹中随机选取一张图片进行数据增强，将数据增强后的图片添加到该类别文件夹中；
S3，重复第二步的操作直至每一类别文件夹中图片数都大于或等于100张，将所有类别文件夹中的图片组成增强后的数据集；
步骤5，生成标号类别的训练集和标号及背景类别的训练集：
S1，将增强后的数据集中像素尺寸小于64×64的图片作为标号类别的训练集；
S2，将增强后的数据集中像素尺寸大于或等于64×64的图片及背景数据集作为标号及背景类别的训练集；
步骤6，训练分类网络：
S1，将标号类别的训练集输入到分类网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的交通标志标号细分类网络；
S2，将标号及背景类别的训练集输入到分类网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的交通标志标号及背景细分类网络；
步骤7，对待检测的目标进行定位及粗分类：
将待检测含有交通标志目标的图片输入到训练好的目标定位及粗分类网络中，输出该图片中交通标志目标的颜色类别和目标所在的每个外接矩形框位置的粗分类后的图片；
步骤8，对粗分类后的图片进行细分类：
若粗分类后的图片中像素尺寸小于64×64，则将其输入到训练好的交通标志标号细分类网络中；若像素尺寸大于或等于64×64，则将其输入到训练好的交通标志标号及背景细分类网络中，输出该图片的交通标志目标的标号类别。
本发明与现有技术相比，具有如下优点：
第一，本发明所构建的多层次分治网络中，通过提取并增强交通标志目标的特征，排除背景形似干扰物，克服了现有技术中的单目标检测网络对交通标志目标在定位与分类问题上无法获得优良结果的缺陷，使得本发明有效地提高了目标的定位与分类精确率。
第二，本发明在对分类网络的训练过程前，对目标定位及粗分类结果进行了光照变换、旋转角度变化、仿射变换、背景粘贴的数据增强方式，平衡了类别样本目标，克服了现有技术中的交通标志的图片数据集中存在部分类别样本数目匮乏，类别样本数目不平衡的问题，进一步提高了目标的分类精确率。
附图说明
图1是本发明实现流程图；
图2是本发明基于多层次分治网络的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的做进一步的描述。
参照图1对本发明的实现步骤做进一步的描述。
步骤1，生成训练集和测试集。
本发明的实施例是从公开TT100K2021数据集中选取了所有的图片，将类别为红色、蓝色、黄色且尺寸大小为W×H的图像作为目标图片数据集I＝{i1,i2,...,ix,...,iX}，标注每张图片中的交通标志目标所在的每个外接矩形框的各顶点坐标和其代表的颜色类别，并将标注后含有各目标各顶点坐标和其类别信息生成标注文件M，标注每张图片中的交通标志目标所在的每个外接矩形框的各顶点坐标和其代表的交通标志标号类别，并将标注后含有各目标各顶点坐标和其类别信息生成标注文件N，将不含交通标志目标且尺寸大小为W×H的图像作为无目标图片数据集R＝{r1,r2,...,rz,...,rZ}，其中，X≥1000，W和H表示图像的行和列像素点的个数，ix表示I中第x张图像，Y≥300；本发明的实施例中，X＝15000，W＝H＝2048，Y＝6000。
将目标图片数据集I、标注文件M，标注文件N组成训练集。
将无目标图片数据集R组成测试集。
步骤2，训练目标检测网络。
将训练集输入到本发明实施例中所选的目标检测网络Faster-RCNN中，用梯度下降法更新网络的权值，直至本发明实施例中所选的目标检测网络Faster-RCNN的损失函数收敛为止，得到训练好的目标定位及粗分类网络。
步骤3，提取测试集中无交通标志目标的样本的背景类别。
将测试集输入到目标定位及粗分类网络中，输出置信度大于等于0.6小于等于0.98目标结果所在的每个外接矩形框位置的检测结果并裁剪作为背景数据集。
步骤4，对训练集中的数据进行增强。
将训练集中的每张图片依次根据各交通标志目标各顶点坐标和其交通标志标号类别信息标注文件裁剪，将裁剪后的所有交通标志图片，按照其交通标志标号类别分别存入以其交通标志标号命名的不同类别的文件夹中。
采用数据增强方式，从少于100张交通标志样本的每一类别文件夹中随机选取一张图片进行数据增强，对所选图片依次进行对比度与饱和度[0.8,1.2]比例范围内的随机光照变换、[5,15]度范围内的随机旋转角度变换、[1/6,1/3]比例范围内的随机仿射变换，最后随机从背景数据集选取中一张图片，并将其粘贴至随机仿射变换后图片的背景中。将数据增强后的图片添加到该类别文件夹中。重复本步骤的数据增强方式操作直至每一类别文件夹中图片数都大于或等于100张，将所有类别文件夹中的图片组成增强后的数据集。
步骤5，生成标号类别的训练集和标号及背景类别的训练集。
将增强后的数据集中像素尺寸小于64×64的图片作为标号类别的训练集。
将增强后的数据集中像素尺寸大于或等于64×64的图片及背景数据集作为标号及背景类别的训练集。
步骤6，训练分类网络。
将标号类别的训练集输入到分类网络本发明实施例中所选的分类网络ResNeXt50中，用梯度下降法更新网络的权值，直至实施例中所选的分类网络ResNeXt50的损失函数收敛为止，得到训练好的交通标志标号细分类网络。
将标号及背景类别的训练集输入到本发明实施例中所选的分类网络ResNeXt50中，用梯度下降法更新网络的权值，直至实施例中所选的分类网络ResNeXt50的损失函数收敛为止，得到训练好的交通标志标号及背景细分类网络。
步骤7，对待检测的目标进行定位及粗分类。
将待检测含有交通标志目标的图片输入到训练好的目标定位及粗分类网络中，输出该图片中交通标志目标的颜色类别和目标所在的每个外接矩形框位置的粗分类后的图片。
步骤8，对粗分类后的图片进行细分类。
若粗分类后的图片中像素尺寸小于64×64，则将其输入到训练好的交通标志标号细分类网络中；若像素尺寸大于或等于64×64，则将其输入到训练好的交通标志标号及背景细分类网络中，输出该图片的交通标志目标的标号类别。
Claims (6)
1.一种基于多层次分治网络的交通标志目标检测方法，其特征在于，利用训练集训练好的目标定位及粗分类网络提取交通标志目标特征，将网络输出的向量与颜色类别和位置相对应，对图像数据集中的交通标志目标进行定位，并进行对交通标志目标的颜色粗分类；再利用增强后的训练集训练好的细分类网络对颜色分类后的交通标志目标进行交通标志标号及背景的细分类；所述交通标志目标检测方法的步骤包括如下：
步骤1，生成训练集和测试集：
S1，将至少1000张含有交通标志目标的图片组成目标图片数据集，其中每张至少含有一个像素大小大于16×16的交通标志目标；标注每张图片中的交通标志目标所在的每个外接矩形框的各顶点坐标和其代表的类别，分别按颜色和交通标志标号进行分类，并将标注后两个含有各目标各顶点坐标和其类别信息生成标注文件；
S2，将目标图片数据集、标注文件组成训练集；
S3，将至少300张不含有交通标志目标图片的无目标图片数据集组成测试集；
步骤2，训练目标检测网络：
将训练集输入到目标检测网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的目标定位及粗分类网络；
步骤3，提取测试集中无交通标志目标的样本的背景类别：
将测试集输入到目标定位及粗分类网络中，输出置信度大于等于0.6小于等于0.98目标结果所在的每个外接矩形框位置的检测结果并裁剪作为背景数据集；
步骤4，对训练集中的数据进行增强：
S1，将训练集中的每张图片依次根据各交通标志目标各顶点坐标和其交通标志标号类别信息标注文件裁剪，将裁剪后的所有交通标志图片，按照其交通标志标号类别分别存入以其交通标志标号命名的不同类别的文件夹中；
S2，采用数据增强方式，从少于100张交通标志样本的每一类别文件夹中随机选取一张图片进行数据增强，将数据增强后的图片添加到该类别文件夹中；
S3，重复S2的操作直至每一类别文件夹中图片数都大于或等于100张，将所有类别文件夹中的图片组成增强后的数据集；
步骤5，生成标号类别的训练集和标号及背景类别的训练集：
S1，将增强后的数据集中像素尺寸小于64×64的图片作为标号类别的训练集；
S2，将增强后的数据集中像素尺寸大于或等于64×64的图片及背景数据集作为标号及背景类别的训练集；
步骤6，训练分类网络：
S1，将标号类别的训练集输入到分类网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的交通标志标号细分类网络；
S2，将标号及背景类别的训练集输入到分类网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的交通标志标号及背景细分类网络；
步骤7，对待检测的目标进行定位及粗分类：
将待检测含有交通标志目标的图片输入到训练好的目标定位及粗分类网络中，输出该图片中交通标志目标的颜色类别和目标所在的每个外接矩形框位置的粗分类后的图片；
步骤8，对粗分类后的图片进行细分类：
若粗分类后的图片中像素尺寸小于64×64，则将其输入到训练好的交通标志标号细分类网络中；若像素尺寸大于或等于64×64，则将其输入到训练好的交通标志标号及背景细分类网络中，输出该图片的交通标志目标的标号类别。
2.根据权利要求1所述的基于多层次分治网络的交通标志目标检测方法，其特征在于，步骤2中所述的目标检测网络是指SSD，Faster-RCNN，YOLO，CenterNet中的任意一种。
3.根据权利要求1所述的基于多层次分治网络的交通标志目标检测方法，其特征在于，步骤2中所述的损失函数是指与所选目标检测网络对应的损失函数。
4.根据权利要求1所述的基于多层次分治网络的交通标志目标检测方法，其特征在于，步骤4的S2中所述的数据增强方式为：从少于100张交通标志样本的每一类别文件夹中随机选取一张图片，对所选图片依次进行对比度与饱和度[0.8,1.2]比例范围内的随机光照变换、[5,15]度范围内的随机旋转角度变换、[1/6,1/3]比例范围内的随机仿射变换，最后随机从背景数据集选取中一张图片，并将其粘贴至随机仿射变换后图片的背景中。
5.根据权利要求1所述的基于多层次分治网络的交通标志目标检测方法，其特征在于，步骤6的S1中所述的分类网络是指ResNet50，VggNet16，ResNeXt50，ResNeXt101中的任意一种。
6.根据权利要求1所述的基于多层次分治网络的交通标志目标检测方法，其特征在于，步骤6的S1中所述的损失函数是指与所选分类网络对应的损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748962.5A CN113392930B (zh) | 2021-07-02 | 2021-07-02 | 基于多层次分治网络的交通标志目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748962.5A CN113392930B (zh) | 2021-07-02 | 2021-07-02 | 基于多层次分治网络的交通标志目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392930A CN113392930A (zh) | 2021-09-14 |
| CN113392930B true CN113392930B (zh) | 2024-05-14 |
Family
ID=77625039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110748962.5A Active CN113392930B (zh) | 2021-07-02 | 2021-07-02 | 基于多层次分治网络的交通标志目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392930B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022779B (zh) * | 2021-10-25 | 2023-05-26 | 电子科技大学 | 一种基于比例尺网络的sar船只检测方法 |
| CN114565878B (zh) * | 2022-03-01 | 2024-05-03 | 北京赛思信安技术股份有限公司 | 一种支持类别可配置的视频标志物检测方法 |
| CN114463686B (zh) * | 2022-04-11 | 2022-06-17 | 西南交通大学 | 基于复杂背景下的移动目标检测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366190A (zh) * | 2013-07-26 | 2013-10-23 | 中国科学院自动化研究所 | 一种识别交通标志的方法 |
| DE102012108860A1 (de) * | 2012-09-20 | 2014-03-20 | Conti Temic Microelectronic Gmbh | Verfahren zur Durchführung eines automatischen Farbabgleichs einer fahrzeuggebundenen Farbkamera |
| CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
| CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
-
2021
- 2021-07-02 CN CN202110748962.5A patent/CN113392930B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012108860A1 (de) * | 2012-09-20 | 2014-03-20 | Conti Temic Microelectronic Gmbh | Verfahren zur Durchführung eines automatischen Farbabgleichs einer fahrzeuggebundenen Farbkamera |
| CN103366190A (zh) * | 2013-07-26 | 2013-10-23 | 中国科学院自动化研究所 | 一种识别交通标志的方法 |
| CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
| CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Multi-scale traffic sign detection model with attention;Fan, Bei Be;《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART D-JOURNAL OF AUTOMOBILE ENGINEERING》;20200910;第235卷(第2-3期);708-720 * |
| 基于多特征的交通标志图像检测研究;陆屾;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100815(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392930A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113392930B (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
| CN107610141B (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN109683360B (zh) | 液晶面板缺陷检测方法及装置 | |
| CN114841972B (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
| CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
| CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
| CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
| CN106548169B (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
| AU2020103716A4 (en) | Training method and device of automatic identification device of pointer instrument with numbers in natural scene | |
| CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
| CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
| CN105373794A (zh) | 一种车牌识别方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
| CN108268527B (zh) | 一种检测土地利用类型变化的方法 | |
| CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
| CN111160328B (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
| CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
| CN110020692A (zh) | 一种基于印刷体模板的手写体分离与定位方法 | |
| CN109426773A (zh) | 一种道路识别方法和装置 | |
| CN108268865A (zh) | 一种基于级联卷积网络的自然场景下车牌识别方法及系统 | |
| CN111275684A (zh) | 一种基于多尺度特征提取的带钢表面缺陷检测方法 | |
| CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 |
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 |