CN113989777A - 高精地图限速标牌与车道位置的识别方法、装置和设备 - Google Patents

Abstract

本公开提供了一种高精地图限速标牌与车道位置的识别方法、装置和电子设备，涉及计算机技术领域，尤其涉及高精地图、自动驾驶、智能交通技术领域。该方法包括：对交通道路的图像进行目标检测得到限速标牌，将包含限速标牌的图像确定为待识别图像，对所述待识别图像进行场景检测，确定其中限速标牌所在的场景，对所述待识别图像进行位置检测，得到所述限速标牌在所述场景下对应的车道位置。本公开技术方案无需人工参与，能够自动完成，提高了效率，而且不受遮挡物导致地面车道线被遮挡的影响，提升了限速标牌和车道位置识别的准确度。

Description

高精地图限速标牌与车道位置的识别方法、装置和设备

技术领域

本公开涉及计算机技术领域，尤其涉及高精地图、自动驾驶、智能交通技术领域。

背景技术

高精地图也称高精度地图，是自动驾驶汽车使用。高精地图，拥有精确的车辆位置信息和丰富的道路元素数据信息，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险。高精地图中，地图要素的快速更新是地图制图和更新的重要环节。在所有地图要素中，限速标牌发生变化的机会较大，占所有发生变化的地图要素的30％以上。因此，限速标牌的更新成为地图要素更新的首要问题之一。目前，通常采用如下方法识别限速标牌对应的车道位置信息：在交通道路图像上标注限速标牌的接地点，并对图像进行语义分割，根据接地点和车道线的位置进行后处理，得到限速标牌的车道位置信息。进而与已有的地图要素信息比较，确定变化信息后进行地图要素的更新。

但是，上述方法标注接地点需要依赖人工操作才能完成，而且分割网络对于有物体遮挡地面的情况难以解决，降低了车道位置识别的准确度。

发明内容

本公开提供了一种高精地图限速标牌与车道位置的识别方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种高精地图限速标牌与车道位置的识别方法，包括：

对交通道路的图像进行目标检测得到限速标牌；

将包含限速标牌的图像确定为待识别图像；

对所述待识别图像进行场景检测，确定其中限速标牌所在的场景；

对所述待识别图像进行位置检测，得到所述限速标牌在所述场景下对应的车道位置。

根据本公开的另一方面，提供了一种高精地图限速标牌与车道位置的识别装置，包括：

目标检测模块，用于对交通道路的图像进行目标检测得到限速标牌；

确定模块，用于将包含限速标牌的图像确定为待识别图像；

场景检测模块，用于对所述待识别图像进行场景检测，确定其中限速标牌所在的场景；

位置检测模块，用于对所述待识别图像进行位置检测，得到所述限速标牌在所述场景下对应的车道位置。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括本公开任一实施例中的电子设备。

本公开实施例的技术方案无需人工参与，能够自动完成，提高了效率，而且不受遮挡物导致地面车道线被遮挡的影响，提升了高精地图限速标牌和车道位置识别的准确度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例中高精地图限速标牌与车道位置的识别方法示意图；

图2是根据本公开一实施例中高精地图限速标牌与车道位置的识别方法示意图；

图3a是根据本公开一实施例中限速标牌在道路右侧的示意图；

图3b是根据本公开一实施例中限速标牌在道路左侧的示意图；

图3c是根据本公开一实施例中限速标牌对应第一车道的示意图；

图3d是根据本公开一实施例中限速标牌对应第二车道的示意图；

图3e是根据本公开一实施例中限速标牌对应第三车道的示意图；

图3f是根据本公开一实施例中限速标牌对应第四车道的示意图；

图4是根据本公开一实施例中高精地图限速标牌与车道位置的识别方法示意图；

图5是根据本公开一实施例中高精地图限速标牌与车道位置的识别装置框图；

图6是根据本公开一实施例中高精地图限速标牌与车道位置的识别装置框图；

图7是用来实现本公开实施例的高精地图限速标牌与车道位置的识别方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例的技术方案可以应用于高精地图领域，比如应用于地图要素更新的场景，尤其是限速标牌信息更新的场景等。通过场景检测和位置检测，实现了端到端的自动识别限速标牌所在的场景以及限速标牌在该场景下对应的车道位置，不仅提高了识别效率，而且不受遮挡物导致地面车道线被遮挡的影响，提升了识别的准确度，进而保证了地图要素更新的时效性和准确性。

图1为本公开一实施例中高精地图限速标牌与车道位置的识别方法示意图。如图1所示，该方法包括：

S101：对交通道路的图像进行目标检测得到限速标牌；

S102：将包含限速标牌的图像确定为待识别图像；

S103：对待识别图像进行场景检测，确定其中限速标牌所在的场景；

S104：对待识别图像进行位置检测，得到限速标牌在该场景下对应的车道位置。

其中，交通道路的图像可以预先采集，包括但不限于：道路两侧或上方的摄像头拍摄的图像，或红绿灯路口拍摄的图像，或停车场及加油站拍摄的图像等等。

在一种实施方式中，S102可以包括：

对检测得到的限速标牌进行标记；

将包含标记的图像按照指定比例进行裁剪，得到包含标记的分类区域；

将得到的分类区域作为待识别图像。

其中，对限速标牌进行标记的方式有多种，包括但不限于：在图像中添加标签，或者对限速标牌进行高亮显示，或者为限速标牌添加方框显示等等，具体不限定。

上述按照指定比例进行裁剪的方式，可以裁掉与限速标牌无关的区域，缩小后续识别处理的图像范围，提高效率，避免不必要的资源浪费。

其中，上述指定比例可以按照图像拍摄的远近进行设置。进一步地，指定比例的数值可以根据需要设置，具体不限定。

通过上述指定比例可以设置针对远距离拍摄的图像裁剪掉的区域多些，针对近距离拍摄的图像裁剪掉的区域少些，进而实现不同图像经裁剪得到尽量一致视场角的分类区域，更加直观方便，在避免资源浪费的同时提高识别的准确度。

在一种实施方式中，S103可以包括：

采用分类器对待识别图像进行场景检测，确定其中限速标牌所在的空间方位，该空间方位至少包括：道路左侧、道路右侧或道路上方的龙门架。

上述采用分类器识别限速标牌所在空间方位的方式，可以得到限速标牌的场景信息，为后续车道位置识别提供了数据基础，提高了识别的精度。

在一种实施方式中，S101可以包括：

采用深度神经网络对交通道路的图像进行目标检测得到标牌；

对检测得到的标牌进行分类识别出限速标牌。

上述先检测标牌再分类识别出限速标牌的方式，能够有效过滤与限速无关的标牌，如禁止标牌、警示标牌等等，提高了效率，而且通过深度神经网络进一步提高了检测的准确度。

在一种实施方式中，上述方法还可以包括：

在对待识别图像进行场景检测之前，识别其中限速标牌包含的限速值，过滤掉限速值低于指定阈值的限速标牌。

其中，指定阈值为预先设置的最低限速值的阈值，具体数值可以根据需要设置，本公开实施例不限定。

上述基于指定阈值过滤限速标牌的方式，可以将限速值过低的限速标牌过滤掉，如停车场或加油站的限速标牌等，这类限速标牌对地图要素更新的意义不大，可以忽略不计，进而可以提高场景检测和位置检测的效率。

在一种实施方式中，上述方法还可以包括：

将限速标牌和对应的车道位置与已有的地图要素比对；

在确定限速标牌信息发生变化的情况下，根据限速标牌和对应的车道位置对地图要素进行更新。

上述步骤可以实现地图要素中限速标牌及对应的车道位置的更新，在限速标牌信息发生变化时，能够保证地图要素更新的时效性和准确性。

本公开实施例提供的上述方法，无需人工参与，能够自动完成，节省了人力和物力，不仅提高了识别效率，而且不受遮挡物导致地面车道线被遮挡的影响，提升了限速标牌和车道位置识别的准确度。

图2为本公开一实施例中高精地图限速标牌与车道位置的识别方法示意图。如图2所示，该方法包括：

S201：采用深度神经网络对交通道路的图像进行目标检测得到标牌，对检测得到的标牌进行分类识别出限速标牌；

本公开实施例所采用的深度神经网络可以有多种，包括但不限于：Mask-RCNN(Regions with CNN features)，Faster-RCNN等等。

其中，目标检测得到的标牌可以有多种类型，包括但不限于：禁止标牌、警示标牌、指示标牌和限速标牌等等。进行分类识别的目的是识别出其中的限速标牌，其他类型的标牌则可以过滤掉不进行处理，选出的限速标牌则进行后续处理。

本公开实施例中，限速标牌的类型包括但不限于：最高限速标牌、最低限速标牌或解除限速标牌等等。

S202：对检测得到的限速标牌进行标记；

其中，标记的方式可以有多种，如可以在图像中给限速标牌添加指定颜色的方框以作为标记等，本公开实施例对此不做具体限定。具体可以参考限速标牌的二维空间位置(Bounding Box的位置)来进行标记，此处不赘述。

参见图3a，在一种实施方式中，检测得到的限速标牌在道路右侧，可以在图像中道路右侧的限速标牌所在的位置，添加白色的矩形框对限速标牌进行标记。

参见图3b，在一种实施方式中，检测得到的限速标牌在道路左侧，可以在图像中道路左侧的限速标牌所在的位置，添加白色的矩形框对限速标牌进行标记。

参见图3c，在一种实施方式中，检测得到的限速标牌对应道路中的第一车道(由左至右的顺序)，可以在图像中第一车道对应的限速标牌所在的位置，添加白色的矩形框对限速标牌进行标记。

参见图3d，在一种实施方式中，检测得到的限速标牌对应道路中的第二车道(由左至右的顺序)，可以在图像中第二车道对应的限速标牌所在的位置，添加白色的矩形框对限速标牌进行标记。

参见图3e，在一种实施方式中，检测得到的限速标牌对应道路中的第三车道(由左至右的顺序)，可以在图像中第三车道对应的限速标牌所在的位置，添加白色的矩形框对限速标牌进行标记。

参见图3f，在一种实施方式中，检测得到的限速标牌对应道路中的第四车道(由左至右的顺序)，可以在图像中第四车道对应的限速标牌所在的位置，添加白色的矩形框对限速标牌进行标记。

S203：将包含标记的图像按照指定比例进行裁剪，得到包含标记的分类区域，将得到的分类区域作为待识别图像；

其中，上述指定比例可以按照图像拍摄的远近进行设置，具体数值可以根据需要设置，如20％，30％或40％等等，具体不限定。由于车辆在行驶过程中，车辆与标牌的距离在不同的采集样本中不同，因此采集到的交通道路图像中限速标牌的远近也不同。为了获取更好的分类效果，对包含目标即限速标牌的分类区域的选取也采取自适应的方式，而不是固定区域的方式，通过上述指定比例的设置能够兼容远近不同的图像，实现分类区域的自适应选取，进而能够达到更佳的分类效果。

S204：识别待识别图像中限速标牌包含的限速值，过滤掉限速值低于指定阈值的限速标牌；

示例性地，限速值可以采用分类模型来进行识别，具体哪种分类模型不限定。其中，指定阈值为预先设置的最低限速值的阈值，如20或30等等，具体不限定。低于该指定阈值的限速标牌可以视为无需进行更新的内容，对地图要素的更新无影响，因此可以过滤掉，不进行后续的处理。

S205：采用分类器对过滤后的待识别图像进行场景检测，确定其中限速标牌所在的场景；

其中，上述场景包括空间方位，具体包括但不限于：道路左侧、道路右侧或道路上方的龙门架等等。采用的分类器类型可以根据需要选择，能够实现对场景的识别即可，具体不限定。进一步地，还可以通过分类器识别出综合限速标牌。示例性地，综合限速标牌是指一个标牌中包括多个限速信息，如一个标牌中同时包括小轿车和货车等多种车型的最低限速等等。

S206：对待识别图像进行位置检测，得到限速标牌在上述场景下对应的车道位置；

其中，车道位置是指限速标牌在当前道路上对应哪条车道，如高速路上并列有四条车道，则位置检测识别出当前限速标牌具体对应第几条车道，从而可以得到限速标牌和车道位置的对应关系，从而便于地图要素的更新。

S207：将限速标牌和对应的车道位置与已有的地图要素比对，在确定限速标牌信息发生变化的情况下，根据限速标牌和对应的车道位置对地图要素进行更新。

本公开实施例中，上述比对包括比对检测到的限速标牌与已有的地图要素中的限速标牌是否发生变化，还包括比对检测到的限速标牌对应的车道位置与已有的地图要素中的车道位置是否发生变化等等。

示例性地，若检测到的限速标牌不在已有的地图要素中，则在已有的地图要素中添加该限速标牌。若检测到的限速标牌在道路右侧，而已有的地图要素中该限速标牌在道路左侧，则将已有的地图要素修改为限速标牌在道路右侧。若检测到的的限速标牌为最高限速120，而已有的地图要素中该限速标牌为最高限速100，则将已有的地图要素中该限速标牌的限速值修改为120。若检测到的限速标牌对应道路的第四车道，而已有的地图要素中该限速标牌对应道路的第三车道，则将已有的地图要素中该限速标牌对应的车道位置修改为第四车道等等。

图4为本公开一实施例中高精地图限速标牌与车道位置的识别方法示意图。如图所示，在一种实施方式中，该方法包括：

S401：采用MASK-RCNN对输入的交通道路的图像进行目标检测，得到标牌；

S402：对检测得到的标牌进行类别分类；

S403：判断当前标牌是否为限速标牌，如果是，则执行S404；否则，结束当前流程；

S404：识别限速标牌包含的限速值；

S405：判断该限速值是否大于最低阈值30，如果是，则执行S406；否则，结束当前流程；

S406：对包含当前限速标牌的图像进行场景检测，得到限速标牌所在的场景；

S407：对包含当前限速标牌的图像进行位置检测，得到限速标牌在该场景下对应的车道位置，当前流程结束。

本公开实施例提供的上述方法，舍弃复杂的后处理过程，无需人工参与，能够自动完成，节省了人力和物力，直观方便，更加轻量级，不仅提高了识别效率，而且直接识别出限速标牌对应的车道位置，不受遮挡物导致地面车道线被遮挡的影响，实现端到端解决方案的同事，提升了限速标牌和车道位置识别的准确度。

图5是根据本公开一实施例中高精地图限速标牌与车道位置的识别装置框图。如图5所示，该装置包括：

目标检测模块501，用于对交通道路的图像进行目标检测得到限速标牌；

确定模块502，用于将包含限速标牌的图像确定为待识别图像；

场景检测模块503，用于对待识别图像进行场景检测，确定其中限速标牌所在的场景；

位置检测模块504，用于对待识别图像进行位置检测，得到限速标牌在场景下对应的车道位置。

在一种实施方式中，确定模块502用于：

对检测得到的限速标牌进行标记；

将包含标记的图像按照指定比例进行裁剪，得到包含标记的分类区域；

将得到的分类区域作为待识别图像。

在一种实施方式中，上述指定比例可以按照图像拍摄的远近进行设置。

在一种实施方式中，场景检测模块503用于：

采用分类器对待识别图像进行场景检测，确定其中限速标牌所在的空间方位，空间方位至少包括：道路左侧、道路右侧或道路上方的龙门架。

在一种实施方式中，目标检测模块501用于：

采用深度神经网络对交通道路的图像进行目标检测得到标牌；

对检测得到的标牌进行分类识别出限速标牌。

在一种实施方式中，上述装置还可以包括：

过滤模块，用于在对待识别图像进行场景检测之前，识别其中限速标牌包含的限速值，过滤掉限速值低于指定阈值的限速标牌。

图6是根据本公开一实施例中高精地图限速标牌与车道位置的识别装置框图。如图6所示，该装置包括：目标检测模块601、确定模块602、场景检测模块603和位置检测模块604。

其中，目标检测模块601、确定模块602、场景检测模块603和位置检测模块604分别与上述实施例中的目标检测模块501、确定模块502、场景检测模块503和位置检测模块504功能相同，此处不赘述。

在一种实施方式中，上述装置还可以包括：

比对模块605，用于将限速标牌和对应的车道位置与已有的地图要素比对；

更新模块606，用于在确定限速标牌信息发生变化的情况下，根据限速标牌和对应的车道位置对地图要素进行更新。

本公开实施例提供的上述装置，无需人工参与，能够自动完成，节省了人力和物力，不仅提高了识别效率，而且不受遮挡物导致地面车道线被遮挡的影响，提升了限速标牌和车道位置识别的准确度。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品和一种自动驾驶车辆。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如限速标牌与车道位置的识别方法。例如，在一些实施例中，限速标牌与车道位置的识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的限速标牌与车道位置的识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述限速标牌与车道位置的识别方法。

根据本公开的实施例，本公开还提供了一种自动驾驶车辆，可以包括上述任一实施例中的电子设备。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种高精地图限速标牌与车道位置的识别方法，包括：

对交通道路的图像进行目标检测得到限速标牌；

将包含限速标牌的图像确定为待识别图像；

对所述待识别图像进行场景检测，确定其中限速标牌所在的场景；

对所述待识别图像进行位置检测，得到所述限速标牌在所述场景下对应的车道位置。

2.根据权利要求1所述的方法，其中，所述将包含限速标牌的图像确定为待识别图像，包括：

对检测得到的限速标牌进行标记；

将包含所述标记的图像按照指定比例进行裁剪，得到包含所述标记的分类区域；

将得到的分类区域作为待识别图像。

3.根据权利要求2所述的方法，其中，所述指定比例按照图像拍摄的远近进行设置。

4.根据权利要求1所述的方法，其中，所述对所述待识别图像进行场景检测，确定其中限速标牌所在的场景，包括：

采用分类器对所述待识别图像进行场景检测，确定其中限速标牌所在的空间方位，所述空间方位至少包括：道路左侧、道路右侧或道路上方的龙门架。

5.根据权利要求1所述的方法，其中，所述对交通道路的图像进行目标检测得到限速标牌，包括：

采用深度神经网络对交通道路的图像进行目标检测得到标牌；

对检测得到的标牌进行分类识别出限速标牌。

6.根据权利要求1所述的方法，还包括：

在对所述待识别图像进行场景检测之前，识别其中限速标牌包含的限速值，过滤掉限速值低于指定阈值的限速标牌。

7.根据权利要求1-6中任一项所述的方法，还包括：

将所述限速标牌和对应的车道位置与已有的地图要素比对；

在确定限速标牌信息发生变化的情况下，根据所述限速标牌和对应的车道位置对所述地图要素进行更新。

8.一种高精地图限速标牌与车道位置的识别装置，包括：

目标检测模块，用于对交通道路的图像进行目标检测得到限速标牌；

确定模块，用于将包含限速标牌的图像确定为待识别图像；

场景检测模块，用于对所述待识别图像进行场景检测，确定其中限速标牌所在的场景；

位置检测模块，用于对所述待识别图像进行位置检测，得到所述限速标牌在所述场景下对应的车道位置。

9.根据权利要求8所述的装置，其中，所述确定模块用于：

对检测得到的限速标牌进行标记；

将包含所述标记的图像按照指定比例进行裁剪，得到包含所述标记的分类区域；

将得到的分类区域作为待识别图像。

10.根据权利要求9所述的装置，其中，所述指定比例按照图像拍摄的远近进行设置。

11.根据权利要求8所述的装置，其中，所述场景检测模块用于：

采用分类器对所述待识别图像进行场景检测，确定其中限速标牌所在的空间方位，所述空间方位至少包括：道路左侧、道路右侧或道路上方的龙门架。

12.根据权利要求8所述的装置，其中，所述目标检测模块用于：

采用深度神经网络对交通道路的图像进行目标检测得到标牌；

对检测得到的标牌进行分类识别出限速标牌。

13.根据权利要求8所述的装置，还包括：

过滤模块，用于在对所述待识别图像进行场景检测之前，识别其中限速标牌包含的限速值，过滤掉限速值低于指定阈值的限速标牌。

14.根据权利要求8-13中任一项所述的装置，还包括：

比对模块，用于将所述限速标牌和对应的车道位置与已有的地图要素比对；

更新模块，用于在确定限速标牌信息发生变化的情况下，根据所述限速标牌和对应的车道位置对所述地图要素进行更新。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的方法。

18.一种自动驾驶车辆，包括如权利要求15所述的电子设备。

Images