CN114120285A - 车辆限速提示方法、装置、电子设备及存储介质 - Google Patents

车辆限速提示方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114120285A
CN114120285A CN202111452335.3A CN202111452335A CN114120285A CN 114120285 A CN114120285 A CN 114120285A CN 202111452335 A CN202111452335 A CN 202111452335A CN 114120285 A CN114120285 A CN 114120285A
Authority
CN
China
Prior art keywords
image
speed limit
road
semantic segmentation
limit information
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
Application number
CN202111452335.3A
Other languages
English (en)
Inventor
何建辉
郝涌龙
钟开
张通滨
杨建忠
卢振
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111452335.3A priority Critical patent/CN114120285A/zh
Publication of CN114120285A publication Critical patent/CN114120285A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning 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)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种车辆限速提示方法、装置、电子设备及存储介质,涉及自动驾驶、高精地图技术领域。方法包括:实时在本地获取道路图像;在所述道路图像中包含限速信息,且所述限速信息的作用区域包括当前行驶道路的情况下,根据所述限速信息,确定限速提示信息,并提供给用户。本公开技术方案中,通过实时在本地获取道路图像,判断道路图像中是否包含限速信息,以及限速信息的作用区域是否包括当前行驶道路,在限速信息的作用区域包括当前道路的情况下,根据限速信息,确定限速提示信息,实时对用户进行提示。由于在本地获取道路图像,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。

Description

车辆限速提示方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域,尤其涉及自动驾驶、高精地图技术领域。
背景技术
据世界卫生组织《全球道路安全现状报告》显示,每年全世界约有130万人死于道路交通事故,还有2000万至5000万人受到非致命伤害。即使交通管理机制较为完善的2021年,超速行驶仍然是最主要的交通事故原因之一。因此在车辆超速时进行有效的提示是十分必要的。
发明内容
本公开提供了一种车辆限速提示方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种车辆限速提示方法,包括:
实时在本地获取道路图像;
在道路图像中包含限速信息,且限速信息的作用区域包括当前行驶道路的情况下,根据限速信息,确定限速提示信息,并提供给用户。
根据本公开的另一方面,提供了一种车辆限速提示装置,包括:
获取模块,用于实时在本地获取道路图像;
提示模块,用于在道路图像中包含限速信息,且限速信息的作用区域包括当前行驶道路的情况下,根据限速信息,确定限速提示信息,并提供给用户。
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
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该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,该计算机指令用于使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,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开提供了一种车辆限速提示方法、装置、电子设备及存储介质,通过实时在本地获取道路图像,判断道路图像中是否包含限速信息,以及限速信息的作用区域是否包括当前行驶道路,在限速信息的作用区域包括当前道路的情况下,根据限速信息,确定限速提示信息,实时对用户进行提示。而且,由于在本地获取道路图像,不依赖互联网,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。
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为本公开一实施例中车辆限速提示方法的流程图;
图2为本公开一实施例中车辆限速提示方法的流程图;
图3为本公开一实施例中车辆限速提示方法的示意图;
图4为本公开一实施例中目标检测模型和语义分割模型图像处理的示意图;
图5为本公开一实施例中确定限速信息的作用区域是否包括当前道路的示意图;
图6为本公开一实施例中车辆限速提示装置的示意图;
图7是用来实现本公开实施例的车辆限速提示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。
本公开实施例提供了一种车辆限速提示方法,图1是本公开一实施例的车辆限速提示方法的流程图,该方法可以应用于车辆限速提示装置,例如,该装置在部署于终端或其它处理设备执行的情况下,可以执行车辆限速提示等。其中,终端可以为用户设备(UE,UserEquipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal DigitalAssistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,包括:
步骤S101,实时在本地获取道路图像。
本公开实施例中,执行主体可以是车载终端或者用户的移动终端,例如,手机等。在车辆行驶过程中,可以实时通过终端的摄像头采集道路图像。道路图像中可以包括道路、道路中设置的交通标志、车道线、道路附近的数目、建筑物等。
步骤S102,在道路图像中包含限速信息,且限速信息的作用区域包括当前行驶道路的情况下,根据限速信息,确定限速提示信息,并提供给用户。
对于实时采集的道路图像,其中可能包括限速标牌等限速信息,也可能不包括限速信息,因此,需要进一步进行判断。对采集到的道路图像中的物体进行识别,确定是否包含限速信息,例如,限速标牌等。如果道路图像中包含限速信息,再确定限速信息的作用区域是否包括当前行驶道路,也就是说,限速信息对于当前车辆是否是有效的限速信息,如果限速信息是作用于当前道路的,则根据限速信息,确定限速提示信息,例如,“前方道路限速80”,通过终端的显示屏显示给用户,或者通过语音提示的方式向用户进行提示,避免超速行驶。如果道路图像中的限速信息不是作用于当前行驶道路的,则对于当前车辆是无效的限速信息,则无需进行处理。
如果基于云端地图数据进行车辆限速提示,由于云端地图数据的数据更新周期长,容易出现实地限速信息与地图云端信息不符的问题,容易导致超速问题的发生。而且比较依赖于当前的网络情况,在无网络或网络情况较差的情况下,无法及时有效的提醒用户,易导致超速驾驶问题发生。
本公开实施例提供的车辆限速提示方法,通过实时在本地获取道路图像,判断道路图像中是否包含限速信息,以及限速信息的作用区域是否包括当前行驶道路,在限速信息的作用区域包括当前道路的情况下,根据限速信息,确定限速提示信息,实时对用户进行提示。而且,由于在本地获取道路图像,不依赖互联网,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。
对于在本地获取到的道路图像,如何确定其中是否包含限速信息,具体见如下实施例:
在一种可能的实现方式中,还包括:
获取本地存储的量化压缩后的目标检测模型,将所述道路图像输入所述量化压缩后的目标检测模型;
根据量化压缩后的目标检测模型的输出结果,确定道路图像中是否包含限速信息。
在实际应用中,终端预先获取量化压缩后的目标检测模型并存储在本地,在获取到道路图像之后,将道路图像输入量化压缩后的目标检测模型,如果道路图像中包含限速信息,则目标检测模型输出限速信息,由于道路图像中可能包括一个或多个限速标牌,则目标检测模型可能输出一个或多个限速信息。
其中,量化压缩后的目标检测模型可以是对目标检测模型进行量化压缩处理,得到的轻量的目标检测模型,例如,将目标检测模型从32位浮点型数据处理成16位浮点型数据。
其中,目标检测模型可以包括但不限于CenterNet、YOLO、SSD(Single ShotMultiBox Detector)、FCOS(Fully Convolutional One-Stage Object Detection)等算法或模型。如果道路图像中不包含限速信息,则后续不再对道路图像进行处理。
在本公开实施例中,通过量化压缩后的目标检测模型来确定道路图像中是否包含限速信息,通过量化压缩后的目标检测模型进行图像处理,可以提升目标检测模型在终端侧的数据处理速度。
在一种可能的实现方式中,将道路图像输入量化压缩后的目标检测模型,包括:
将道路图像进行分辨率缩减,得到缩减后的图像;
将缩减后的图像输入量化压缩后的目标检测模型。
在实际应用中,可以将道路图像进行分辨率缩减,例如,可以将分辨率缩减至320*192,再对缩减后的图像进行处理。终端预先获取量化压缩后的目标检测模型并存储在本地,将缩减后的图像输入量化压缩后的目标检测模型,如果道路图像中包含限速信息,则量化压缩后的目标检测模型输出限速信息,由于道路图像中可能包括一个或多个限速标牌,则目标检测模型可能输出一个或多个限速信息。
在本公开实施例中,将分辨率缩减后的道路图像作为量化压缩后的目标检测模型的输入,可以进一步提升目标检测模型在终端侧的数据处理速度,从而实现图像数据实时检测。
对于在本地获取到的道路图像,如果其中包含限速信息,如何确定限速信息是否作用于当前道路,具体见如下实施例:
在一种可能的实现方式中,还包括:
在道路图像中包含限速信息的情况下,获取本地存储的量化压缩后的语义分割模型,将道路图像输入量化压缩后的语义分割模型,得到语义分割图像;
根据语义分割图像,确定限速信息的作用区域是否包括当前行驶道路。
在实际应用中,终端预先获取量化压缩后的语义分割模型并存储在本地,如果根据目标检测模型确定了道路图像中包括限速信息,则将道路图像通过语义分割模型得到语义分割图像。语义分割图像是指将道路图像分割出路面、限速标牌和车辆等区域。根据语义分割图像,可以确定限速信息的作用区域是否包括当前行驶道路,也就是说,限速信息对于当前车辆是否是有效的限速信息。
其中,量化压缩后的语义分割模型可以是对语义分割模型进行量化压缩处理,得到的轻量的语义分割模型,例如,将语义分割模型从32位浮点型数据处理成16位浮点型数据。
其中,语义分割模型可以包括但不限于全卷积网络(Fully ConvolutionNetwork,FCN),UNet,SegNet,DeepLab或者金字塔场景解析网络(Pyramid Scene ParsingNetwork,PSPNet)等网络。
在本公开实施例中,通过量化压缩后的语义分割模型来确定限速信息的作用区域是否包括当前行驶道路,可以提升语义分割模型在终端侧的数据处理速度。
在一种可能的实现方式中,将道路图像输入量化压缩后的语义分割模型,得到语义分割图像,包括:
将道路图像进行分辨率缩减,得到缩减后的图像;
将缩减后的图像输入量化压缩后的语义分割模型,得到语义分割图像。
在实际应用中,可以将道路图像进行分辨率缩减,例如,可以将分辨率缩减至320*192,再对缩减后的图像进行处理。终端预先获取量化压缩后的语义分割模型并存储在本地,将缩减后的图像输入量化压缩后的语义分割模型,得到语义分割图像。根据语义分割图像,可以确定限速信息的作用区域是否包括当前行驶道路,也就是说,限速信息对于当前车辆是否是有效的限速信息。
在本公开实施例中,将分辨率缩减后的道路图像作为量化压缩后的语义分割模型的输入,可以进一步提升语义分割模型在终端侧的数据处理速度,从而实现图像数据实时处理。
其中,根据语义分割图像,确定限速信息的作用区域是否包括当前行驶道路,具体见如下实施例:
在一种可能的实现方式中,根据语义分割图像,确定限速信息的作用区域是否包括当前行驶道路,包括:
根据语义分割图像,确定限速信息和当前行驶道路的位置信息;
根据位置信息,确定限速信息的作用区域是否包括当前行驶道路。
在实际应用中,通过预先配置的判断规则,对语义分割图像包含的语义信息进行分析,结合语义分割图像中的护栏、道路、车道线与限速标牌等所在空间位置与相对位置,协同判断检测到限速标牌是否作用于当前道路。其中,判断规则可以是根据道路和限速标牌的相对位置关系来确定判断结果的规则,例如,限速标牌在道路右侧,则判定为限速信息的作用区域包括当前行驶道路。判断规则还可以根据其他判断方式配置,本申请对此不做限定。
在本公开实施例中,根据语义分割图像中的限速信息和当前行驶道路的位置信息,来确定限速信息是否作用于当前道路,判断方式简单,判断结果准确。
在一种可能的实现方式中,还包括:
获取车辆当前速度,将车辆当前速度和限速信息进行比对,在车辆当前速度超过限速信息中的速度的情况下,生成超速提示信息。
在实际应用中,车辆在行驶过程中,通过车载终端实时获取车辆的速度,如果限速信息是作用于当前道路的,则将车辆当前速度和限速信息进行比对,如果车辆速度超过限速信息中的速度,则生成超速提示信息,例如,“前方道路限速80,您已超速,请减速慢行”,通过终端的显示屏显示给用户,或者通过语音提示的方式向用户进行提示。
在本公开实施例中,在限速信息的作用区域包括当前道路的情况下,将车辆当前速度和限速信息进行比对,实时对超速行驶的用户进行提示。不依赖互联网,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。
在一种可能的实现方式中,目标检测模型是通过以下方式训练得到的:
获取第一图像样本,将第一图像样本进行变换处理,得到第二图像样本;
利用第一图像样本和第二图像样本,训练目标检测模型。
在实际应用中,获取多个道路图像,作为第一图像样本,将第一图像样本进行变换处理,得到第二图像样本。其中,变换处理的方式可以包括但不限于改变图像的亮度、对比度、对图像进行翻转等至少一种。将原图像和变换后的图像,一起作为训练样本,并通过编辑程序进行标注,利用高性能图形处理单元(GPU)对目标检测模型的参数进行迭代学习,直到模型达到最优。
本公开实施例中,在进行目标检测模型训练时,采用数据增强的方式,扩充训练样本,有效提升训练好的目标检测模型对数据处理的鲁棒性。
在一种可能的实现方式中,语义分割模型是通过以下方式训练得到的:
获取第三图像样本,将第三图像样本进行变换处理,得到第四图像样本;
利用第三图像样本和第四图像样本,训练语义分割模型。
在实际应用中,获取多个道路图像,作为第三图像样本,将第三图像样本进行变换处理,得到第四图像样本。其中,变换处理的方式可以包括但不限于改变图像的亮度、对比度、对图像进行翻转等至少一种。将原图像和变换后的图像,一起作为训练样本,并通过编辑程序进行标注,利用高性能GPU对语义分割模型的参数进行迭代学习,直到模型达到最优。
本公开实施例中,在进行语义分割模型训练时,采用数据增强的方式,扩充训练样本,有效提升训练好的语义分割模型对数据处理的鲁棒性。
图2为本公开一实施例中车辆限速提示方法的流程图。如图2所示,该方法包括:
步骤S201,实时在本地获取道路图像。
步骤S202,将道路图像进行分辨率缩减,得到缩减后的图像。
步骤S203,将缩减后的图像输入量化压缩后的目标检测模型,确定缩减后的图像中是否包含限速信息。
步骤S204,在缩减后的图像中包含限速信息的情况下,获取本地存储的量化压缩后的语义分割模型,将缩减后的图像输入量化压缩后的语义分割模型,得到语义分割图像。
步骤S205,根据语义分割图像,确定限速信息和当前行驶道路的位置信息。
步骤S206,根据位置信息,确定限速信息的作用区域是否包括当前行驶道路。
步骤S207,在限速信息的作用区域包括当前行驶道路的情况下,获取车辆当前速度,将车辆当前速度和限速信息进行比对,在车辆当前速度超过限速信息中的速度的情况下,生成超速提示信息。
本公开实施例中,将分辨率缩减后的道路图像作为量化压缩后的目标检测模型和语义分割模型的输入,可以提升模型在终端侧的数据处理速度,从而实现图像数据实时处理,实时对用户进行限速提示。由于在本地获取道路图像,不依赖互联网,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。
图3为本公开一实施例中车辆限速提示方法的示意图。如图3所示,车载终端通过摄像头实时采集道路图像,对于单帧图像,从图像中提取限速信息,判断限速信息是否作用于当前道路,如果是,则表明存在有效的限速信息,则进行语义信息提取,得到限速信息,获取车辆的当前车速,将当前车速和限速信息进行车速比对,生成限速提示信息,并提供给用户。通过终端对图像数据进行处理,不依赖互联网,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。
图4为本公开一实施例中目标检测模型和语义分割模型图像处理的示意图。如图4所示,车载终端通过摄像头实时采集道路图像,如图中所示的“实景图像数据”,将道路图像输入目标检测模型,如图中所示的“目标检测网络”,目标检测网络可以通过卷积神经网络实现,如图中所示的CNN-1,通过目标检测网络对道路图像进行目标检测,检测出道路图像中存在限速70的标牌。将道路图像输入语义分割模型,如图中所示的“语义分割网络”,语义分割网络可以通过卷积神经网络实现,如图中所示的CNN-2,语义分割网络输出语义分割图像,通过预先配置的判断规则,对语义分割图像包含的语义信息进行分析,结合语义分割图像中的护栏、道路、车道线与限速标牌等所在空间位置与相对位置,如图中所示,限速标牌在道路右侧,则表明限速信息的作用区域包含当前道路,是有效的限速信息。
图5为本公开一实施例中确定限速信息的作用区域是否包括当前道路的示意图。如图所示,根据本地存储的目标检测模型确定3个道路图像中存在限速标牌,对于每个道路图像,进一步确定限速标牌是否作用于当前道路,分别将3个道路图像输入本地存储的语义分割模型,得到3个语义分割图像,对于第一个语义分割图像,限速标牌位于当前行驶道路的右侧,根据预设的判断规则,判断该图像中的限速信息为有效限速信息,如图中所示的“有效限速70标牌”;对于第二个语义分割图像,限速标牌位于当前行驶道路的右侧,根据预设的判断规则,判断该图像中的限速信息为有效限速信息,如图中所示的“有效限速40标牌”;对于第三个语义分割图像,限速标牌位于当前行驶道路的左侧,根据预设的判断规则,判断该图像中的限速信息为无效限速信息,如图中所示的“无效限速40标牌”。
图6为本公开一实施例中车辆限速提示装置的示意图。如图6所示,车辆限速提示装置可以包括:
获取模块601,用于实时在本地获取道路图像;
提示模块602,用于在道路图像中包含限速信息,且限速信息的作用区域包括当前行驶道路的情况下,根据限速信息,确定限速提示信息,并提供给用户。
本公开实施例提供的车辆限速提示装置,通过实时在本地获取道路图像,判断道路图像中是否包含限速信息,以及限速信息的作用区域是否包括当前行驶道路,在限速信息的作用区域包括当前道路的情况下,根据限速信息,确定限速提示信息,实时对用户进行提示。由于在本地获取道路图像,不依赖互联网,即使在没有网络的情况下,也能有效提醒用户,提高出行安全,减少交通事故发生。
在一种可能的实现方式中,装置还包括第一确定模块,用于:
获取本地存储的量化压缩后的目标检测模型,将道路图像输入量化压缩后的目标检测模型;
根据量化压缩后的目标检测模型的输出结果,确定道路图像中是否包含限速信息。
在一种可能的实现方式中,第一确定模块在将道路图像输入量化压缩后的目标检测模型时,用于:
将道路图像进行分辨率缩减,得到缩减后的图像;
将缩减后的图像输入量化压缩后的目标检测模型。
在一种可能的实现方式中,装置还包括第二确定模块,第二确定模块包括获取单元和确定单元;
获取单元,用于在道路图像中包含限速信息的情况下,获取本地存储的量化压缩后的语义分割模型,将道路图像输入量化压缩后的语义分割模型,得到语义分割图像;
确定单元,用于根据语义分割图像,确定限速信息的作用区域是否包括当前行驶道路。
在一种可能的实现方式中,获取单元用于:
将道路图像进行分辨率缩减,得到缩减后的图像;
将缩减后的图像输入量化压缩后的语义分割模型,得到语义分割图像。
在一种可能的实现方式中,确定单元具体用于:
根据语义分割图像,确定限速信息和当前行驶道路的位置信息;
根据位置信息,确定限速信息的作用区域是否包括当前行驶道路。
在一种可能的实现方式中,提示模块602还用于:
获取车辆当前速度,将车辆当前速度和限速信息进行比对,在车辆当前速度超过限速信息中的速度的情况下,生成超速提示信息。
在一种可能的实现方式中,目标检测模型是通过以下方式训练得到的:
获取第一图像样本,将第一图像样本进行变换处理,得到第二图像样本;
利用第一图像样本和第二图像样本,训练目标检测模型。
在一种可能的实现方式中,语义分割模型是通过以下方式训练得到的:
获取第三图像样本,将第三图像样本进行变换处理,得到第四图像样本;
利用第三图像样本和第四图像样本,训练语义分割模型。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述,在此不再赘述。
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
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该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,该计算机指令用于使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,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
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RAM 703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,例如车辆限速提示方法、资源推荐方法。例如,在一些实施例中,车辆限速提示方法、资源推荐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车辆限速提示方法、资源推荐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)而被配置为执行车辆限速提示方法、资源推荐方法。
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 (21)

1.一种车辆限速提示方法,所述方法包括:
实时在本地获取道路图像;
在所述道路图像中包含限速信息,且所述限速信息的作用区域包括当前行驶道路的情况下,根据所述限速信息,确定限速提示信息,并提供给用户。
2.根据权利要求1所述的方法,还包括:
获取本地存储的量化压缩后的目标检测模型,将所述道路图像输入所述量化压缩后的目标检测模型;
根据所述量化压缩后的目标检测模型的输出结果,确定所述道路图像中是否包含限速信息。
3.根据权利要求2所述的方法,其中,所述将所述道路图像输入所述量化压缩后的目标检测模型,包括:
将所述道路图像进行分辨率缩减,得到缩减后的图像;
将所述缩减后的图像输入所述量化压缩后的目标检测模型。
4.根据权利要求1所述的方法,还包括:
在所述道路图像中包含限速信息的情况下,获取本地存储的量化压缩后的语义分割模型,将所述道路图像输入所述量化压缩后的语义分割模型,得到语义分割图像;
根据所述语义分割图像,确定所述限速信息的作用区域是否包括当前行驶道路。
5.根据权利要求4所述的方法,其中,所述将所述道路图像输入所述量化压缩后的语义分割模型,得到语义分割图像,包括:
将所述道路图像进行分辨率缩减,得到缩减后的图像;
将所述缩减后的图像输入所述量化压缩后的语义分割模型,得到语义分割图像。
6.根据权利要求4所述的方法,其中,所述根据所述语义分割图像,确定所述限速信息的作用区域是否包括当前行驶道路,包括:
根据所述语义分割图像,确定所述限速信息和当前行驶道路的位置信息;
根据所述位置信息,确定所述限速信息的作用区域是否包括当前行驶道路。
7.根据权利要求1-5任一项所述的方法,还包括:
获取车辆当前速度,将所述车辆当前速度和所述限速信息进行比对,在所述车辆当前速度超过所述限速信息中的速度的情况下,生成超速提示信息。
8.根据权利要求2或3所述的方法,其中,所述目标检测模型是通过以下方式训练得到的:
获取第一图像样本,将所述第一图像样本进行变换处理,得到第二图像样本;
利用所述第一图像样本和所述第二图像样本,训练所述目标检测模型。
9.根据权利要求4或5所述的方法,其中,所述语义分割模型是通过以下方式训练得到的:
获取第三图像样本,将所述第三图像样本进行变换处理,得到第四图像样本;
利用所述第三图像样本和所述第四图像样本,训练所述语义分割模型。
10.一种车辆限速提示装置,所述装置包括:
获取模块,用于实时在本地获取道路图像;
提示模块,用于在所述道路图像中包含限速信息,且所述限速信息的作用区域包括当前行驶道路的情况下,根据所述限速信息,确定限速提示信息,并提供给用户。
11.根据权利要求10所述的装置,还包括第一确定模块,用于:
获取本地存储的量化压缩后的目标检测模型,将所述道路图像输入所述量化压缩后的目标检测模型;
根据所述量化压缩后的目标检测模型的输出结果,确定所述道路图像中是否包含限速信息。
12.根据权利要求11所述的装置,其中,所述第一确定模块在将所述道路图像输入所述量化压缩后的目标检测模型时,用于:
将所述道路图像进行分辨率缩减,得到缩减后的图像;
将所述缩减后的图像输入所述量化压缩后的目标检测模型。
13.根据权利要求10所述的装置,还包括第二确定模块,所述第二确定模块包括获取单元和确定单元;
所述获取单元,用于在所述道路图像中包含限速信息的情况下,获取本地存储的量化压缩后的语义分割模型,将所述道路图像输入所述量化压缩后的语义分割模型,得到语义分割图像;
所述确定单元,用于根据所述语义分割图像,确定所述限速信息的作用区域是否包括当前行驶道路。
14.根据权利要求13所述的装置,其中,所述获取单元用于:
将所述道路图像进行分辨率缩减,得到缩减后的图像;
将所述缩减后的图像输入所述量化压缩后的语义分割模型,得到语义分割图像。
15.根据权利要求13所述的装置,其中,所述确定单元具体用于:
根据所述语义分割图像,确定所述限速信息和当前行驶道路的位置信息;
根据所述位置信息,确定所述限速信息的作用区域是否包括当前行驶道路。
16.根据权利要求10-14任一项所述的装置,所述提示模块,还用于:
获取车辆当前速度,将所述车辆当前速度和所述限速信息进行比对,在所述车辆当前速度超过所述限速信息中的速度的情况下,生成超速提示信息。
17.根据权利要求11或12所述的装置,其中,所述目标检测模型是通过以下方式训练得到的:
获取第一图像样本,将所述第一图像样本进行变换处理,得到第二图像样本;
利用所述第一图像样本和所述第二图像样本,训练所述目标检测模型。
18.根据权利要求13或14所述的装置,其中,所述语义分割模型是通过以下方式训练得到的:
获取第三图像样本,将所述第三图像样本进行变换处理,得到第四图像样本;
利用所述第三图像样本和所述第四图像样本,训练所述语义分割模型。
19.一种电子设备,其特征在于,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1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
CN202111452335.3A 2021-12-01 2021-12-01 车辆限速提示方法、装置、电子设备及存储介质 Pending CN114120285A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111452335.3A CN114120285A (zh) 2021-12-01 2021-12-01 车辆限速提示方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111452335.3A CN114120285A (zh) 2021-12-01 2021-12-01 车辆限速提示方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114120285A true CN114120285A (zh) 2022-03-01

Family

ID=80369366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111452335.3A Pending CN114120285A (zh) 2021-12-01 2021-12-01 车辆限速提示方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114120285A (zh)

Similar Documents

Publication Publication Date Title
CN113920307A (zh) 模型的训练方法、装置、设备、存储介质及图像检测方法
CN113191256A (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
US11967132B2 (en) Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle
CN112863187B (zh) 感知模型的检测方法、电子设备、路侧设备和云控平台
CN114187459A (zh) 目标检测模型的训练方法、装置、电子设备以及存储介质
EP4123595A2 (en) Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium
CN113989777A (zh) 高精地图限速标牌与车道位置的识别方法、装置和设备
CN114443794A (zh) 数据处理和地图更新方法、装置、设备以及存储介质
CN113205041A (zh) 结构化信息提取方法、装置、设备和存储介质
CN113705716A (zh) 图像识别模型训练方法、设备、云控平台及自动驾驶车辆
CN115359471A (zh) 图像处理及联合检测模型训练方法、装置、设备和存储介质
CN113011298A (zh) 截断物体样本生成、目标检测方法、路侧设备和云控平台
CN114724113B (zh) 道路标牌识别方法、自动驾驶方法、装置和设备
CN115761698A (zh) 一种目标检测方法、装置、设备及存储介质
CN114549961B (zh) 目标对象的检测方法、装置、设备以及存储介质
CN114120285A (zh) 车辆限速提示方法、装置、电子设备及存储介质
CN112818972B (zh) 兴趣点图像的检测方法、装置、电子设备及存储介质
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN115578431A (zh) 图像深度处理方法、装置、电子设备及介质
CN114445668A (zh) 图像识别方法、装置、电子设备及存储介质
CN114461657A (zh) 兴趣点信息的更新方法、装置、电子设备及存储介质
CN113869317A (zh) 车牌识别方法、装置、电子设备和存储介质
CN113670295A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN113989300A (zh) 车道线分割的方法、装置、电子设备和存储介质
CN113344064A (zh) 事件处理方法和装置

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