CN114639085A - 交通信号灯识别方法、装置、计算机设备和存储介质 - Google Patents

交通信号灯识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114639085A
CN114639085A CN202210186497.5A CN202210186497A CN114639085A CN 114639085 A CN114639085 A CN 114639085A CN 202210186497 A CN202210186497 A CN 202210186497A CN 114639085 A CN114639085 A CN 114639085A
Authority
CN
China
Prior art keywords
traffic signal
vehicle
position data
data
network
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
CN202210186497.5A
Other languages
English (en)
Inventor
张立家
杨晓东
李振
赖志林
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.)
Guangzhou Saite Intelligent Technology Co Ltd
Original Assignee
Guangzhou Saite Intelligent 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 Guangzhou Saite Intelligent Technology Co Ltd filed Critical Guangzhou Saite Intelligent Technology Co Ltd
Priority to CN202210186497.5A priority Critical patent/CN114639085A/zh
Publication of CN114639085A publication Critical patent/CN114639085A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种交通信号灯识别方法、装置、计算机设备和存储介质，包括：通过车辆上的多个定位传感器的传感数据确定车辆的位姿数据，位姿数据包括车辆的位置数据；控制车辆上的摄像头采集包含交通信号灯的图像；根据位置数据和预设的电子地图从图像中确定出交通信号灯的感兴趣区域，电子地图上标注有交通信号灯的位置数据；将感兴趣区域输入识别网络中获得交通信号灯的识别结果，识别网络包括输入层、与输入层连接的特征提取子网络、与特征提取子网络连接的形状分类子网络和颜色分类子网络。本发明实施例可以避免交通信号灯误检和漏检的问题，能够准确检测出交通信号灯，并且占用硬件计算资源低，识别速度快，有利于车辆实时驾驶决策。

Description

交通信号灯识别方法、装置、计算机设备和存储介质
技术领域
本发明实施例涉及图像识别技术领域，尤其涉及一种交通信号灯识别方法、装置、计算机设备和存储介质。
背景技术
在无人驾驶技术中，无人驾驶车辆除了要识别道路上的其他车辆、行人等对象来辅助驾驶之外，还需要识别交通信号灯的信号状态。
目前，无人驾驶车辆主要是通过摄像头采集包含交通信号灯的图像，无人车自定位获得位姿后，通过位姿从图像中确定出交通信号灯的感兴趣区域，将该感兴趣区域分别输入交通灯形状分类网络得到交通信号灯的形状，以及输入颜色分类网络中得到交通信号灯的颜色，以上交通信号灯识别方法存在以下问题：
(1)、无人驾驶车辆定位存在误差，无法从图像中准确确定出交通信号灯的感兴趣区域，存在误检和漏检的情况；
(2)、分别采用交通灯形状分类网络和颜色分类网络识别形状和颜色，占用车辆的硬件计算资源高，并且识别速度慢。
发明内容
本发明实施例提供一种交通信号灯识别方法、装置、计算机设备和存储介质，以解决现有交通信号灯识别存在误检、漏检以及占用硬件计算资源高、速度慢的问题。
第一方面，本发明实施例提供了一种交通信号灯识别方法，包括：
通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，所述位姿数据包括所述车辆的位置数据；
控制车辆上的摄像头采集包含交通信号灯的图像；
根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，所述电子地图上标注有所述交通信号灯的位置数据；
将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，其中，所述识别网络包括输入层、与所述输入层连接的特征提取子网络、与所述特征提取子网络连接的形状分类子网络和颜色分类子网络。
可选地，所述定位传感器包括GPS传感器、车载里程计、惯性测量单元以及激光雷达，所述通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，包括：
融合所述车载里程计、所述惯性测量单元以及所述激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据。
可选地，所述融合所述车载里程计、所述惯性测量单元以及所述激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据，包括：
将所述GPS传感器输出的位置数据作为所述车辆的第一位置数据；
在所述车载里程计所采集的第二位置数据中确定出与所述第一位置数据误差最小的目标位置数据，以及与所述目标位置数据关联的第一姿态数据，所述第一姿态数据为所述车载里程计在采集所述目标位置数据时所采集到的姿态数据；
获取所述车辆在所述目标位置数据所指示的位置时所述惯性测量单元输出的第二姿态数据；
根据所述第一姿态数据和所述第二姿态数据计算所述车辆的姿态数据；
将所述激光雷达所采集到的每帧点云数据与点云地图进行匹配，得到所述车辆在采集到每帧点云数据时的第三位置数据，并从所述第三位置数据中确定出与所述第一位置数据误差最小的第四位置数据；
采用所述目标位置数据和所述第四位置数据对所述第一位置数据进行修正得到所述车辆的位置数据。
可选地，所述根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，包括：
根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的初始定位区域；
将所述初始定位区域输入目标检测网络中得到所述交通信号灯的感兴趣区域。
可选地，所述根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的初始定位区域，包括：
根据所述车辆的位置数据将所述电子地图中所述交通信号灯的位置数据转换为车辆坐标系下的位置数据；
根据所述摄像头在所述车辆上的安装关系，将所述交通信号灯在车辆坐标系下的位置数据转换为在所述摄像头坐标系下的位置数据；
利用所述图像的图像坐标系，将所述交通信号灯在所述摄像头坐标系下的位置数据转换在所述图像坐标系下的位置数据；
将所述图像中包含所述交通信号灯在所述图像坐标系下的位置数据所指示的像素点的区域确定为所述交通信号灯的图像区域；
对所述图像区域进行外扩处理得到所述交通信号灯的初始定位区域。
可选地，在将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果之前，还包括：
将所述感兴趣区域输入亮灯区域检测模型中，得到所述交通信号灯的亮灯区域。
可选地，所述将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，包括：
将所述亮灯区域输入所述识别网络的输入层，所述特征提取子网络用于提取所述亮灯区域的图像特征并分别输入形状分类子网络和颜色分类子网络，以通过形成分类网络输出所述亮灯区域的指示标识的形状，以及通过所述颜色分类子网络输出所述指示标识的颜色。
可选地，所述控制车辆上的摄像头采集包含交通信号灯的图像，包括：
控制车辆上的摄像头按照预设周期采集包含交通信号灯的多张图像；
在将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果之后，还包括：
按照每张图像的采集顺序，将多张图像的所述识别结果序列化，得到序列化识别结果。
第二方面，本发明实施例提供了一种交通信号灯识别装置，包括：
位姿数据确定模块，用于通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，所述位姿数据包括所述车辆的位置数据；
图像采集模块，用于控制车辆上的摄像头采集包含交通信号灯的图像；
感兴趣区域确定模块，用于根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，所述电子地图上标注有所述交通信号灯的位置数据；
识别模块，用于将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，其中，所述识别网络包括输入层、与所述输入层连接的特征提取子网络、与所述特征提取子网络连接的形状分类子网络和颜色分类子网络。
可选地，所述定位传感器包括GPS传感器、车载里程计、惯性测量单元以及激光雷达，所述位姿数据确定模块包括：
融合子模块，用于融合所述车载里程计、所述惯性测量单元以及所述激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据。
可选地，所述融合子模块包括：
第一位置数据确定子模块，用于将所述GPS传感器输出的位置数据作为所述车辆的第一位置数据；
目标位置和姿态数据确定子模块，用于在所述车载里程计所采集的第二位置数据中确定出与所述第一位置数据误差最小的目标位置数据，以及与所述目标位置数据关联的第一姿态数据，所述第一姿态数据为所述车载里程计在采集所述目标位置数据时所采集到的姿态数据；
第二姿态数据获取子模块，用于获取所述车辆在所述目标位置数据所指示的位置时所述惯性测量单元输出的第二姿态数据；
姿态数据计算子模块，用于根据所述第一姿态数据和所述第二姿态数据计算所述车辆的姿态数据；
点云匹配子模块，用于将所述激光雷达所采集到的每帧点云数据与点云地图进行匹配，得到所述车辆在采集到每帧点云数据时的第三位置数据，并从所述第三位置数据中确定出与所述第一位置数据误差最小的第四位置数据；
位置修正子模块，用于采用所述目标位置和所述第四位置对所述第一位置数据进行修正得到所述车辆的位置数据。
可选地，所述感兴趣区域确定模块包括：
初始定位区域确定子模块，用于根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的初始定位区域；
感兴趣区域检测子模块，用于将所述初始定位区域输入目标检测网络中得到所述交通信号灯的感兴趣区域。
可选地，所述初始定位区域确定子模块包括：
第一坐标转换单元，用于根据所述车辆的位置数据将所述电子地图中所述交通信号灯的位置数据转换为车辆坐标系下的位置数据；
第二坐标转换单元，用于根据所述摄像头在所述车辆上的安装关系，将所述交通信号灯在车辆坐标系下的位置数据转换为在所述摄像头坐标系下的位置数据；
第三坐标转换单元，用于利用所述图像的图像坐标系，将所述交通信号灯在所述摄像头坐标系下的位置数据转换在所述图像坐标系下的位置数据；
图像区域确定单元，用于将所述图像中包含所述交通信号灯在所述图像坐标系下的位置数据所指示的像素点的区域确定为所述交通信号灯的图像区域；
初始定位区域确定单元，用于对所述图像区域进行外扩处理得到所述交通信号灯的初始定位区域。
可选地，还包括：
亮灯区域检测模块，用于将所述感兴趣区域输入亮灯区域检测模型中，得到所述交通信号灯的亮灯区域。
可选地，所述识别模块包括：
识别子模块，用于识别将所述亮灯区域输入所述识别网络的输入层，所述识别网络中特征提取子网络用于提取所述亮灯区域的图像特征并分别输入形状分类子网络和颜色分类子网络，以通过形成分类网络输出所述亮灯区域的指示标识的形状，以及通过所述颜色分类子网络输出所述指示标识的颜色。
可选地，所述图像采集模块包括：
图像采集子模块，用于控制车辆上的摄像头按照预设周期采集包含交通信号灯的多张图像；
在识别模块之后，还包括：
识别结果序列号模块，用于按照每张图像的采集顺序，将多张图像的所述识别结果序列化，得到序列化识别结果。
第三方面，本发明实施例提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，
当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面任一项所述的交通信号灯识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面所述的交通信号灯识别方法。
本发明实施例中，一方面通过多个定位传感器的传感数据来确定车辆的位姿数据，多传感器数据融合定位所得到的车辆的位姿数据精度高，通过该位姿数据、标注有交通信号灯的位置数据的电子地图，可以准确地从摄像头采集的图像中精确地确定出交通信号灯的感兴趣区域，解决了车辆位置数据不准确导致交通信号灯感兴趣区域不准确，将后车灯的感兴趣区域确定为交通信号灯的感兴趣区域造成交通信号灯误检和漏检的问题，能够准确检测出交通信号灯；另一方面，识别网络中形状分类子网络和颜色分类子网络共用特征提取子网络，交通信号灯识别占用硬件计算资源低，识别速度快，有利于车辆实时驾驶决策。
附图说明
图1是本发明实施例一提供的一种交通信号灯识别方法的步骤流程图；
图2A是本发明实施例二提供的一种交通信号灯识别方法的步骤流程图；
图2B是本发明实施例中计算机设备上的测距传感器测距的示意图；
图2C是本发明实施例中识别网络的网络结构示意图；
图3是本发明实施例三提供的一种交通信号灯识别装置的结构框图；
图4是本发明实施例四提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
实施例一
图1为本发明实施例一提供的一种交通信号灯识别方法的步骤流程图，本发明实施例可适用于车辆驾驶中识别交通信号灯的情况，该方法可以由本发明实施例的交通信号灯识别装置来执行，该交通信号灯识别装置可以由硬件或软件来实现，并集成在本发明实施例所提供的计算机设备中，如集成在车辆的行车电脑中，具体地，如图1所示，本发明实施例的交通信号灯识别方法可以包括如下步骤：
S101、通过车辆上的多个定位传感器的传感数据确定车辆的位姿数据，位姿数据包括车辆的位置数据。
本发明实施例的车辆可以是无人驾驶车辆，例如可以是无人驾驶客车、无人清扫车、无人物流配送车等，当然也可以是有人驾驶车辆。在车辆上可以设置有一个以上的定位传感器，例如可以包括GPS定位传感器、车载里程计、惯性测量单元、激光雷达、毫米波雷达等，不同传感器可以采集不同的传感数据来对车辆进行定位，得到车辆的位姿数据，该位姿数据可以包括车辆的位置数据，如车辆在世界坐标系中的三维坐标，还可以包括车辆的姿态数据，如车辆在世界坐标系中的姿态等。
在一个可选实施例中，在多个定位传感器采集传感数据之后，可以融合多个定位传感器的传感数据来对车辆进行定位获得车辆的位姿数据，从而提高位姿数据的准确性。例如，可以通过GPS定位传感器来定位获得车辆的粗略位置，然后采用车载里程计和惯性测量单元的传感数据来获得车辆的姿态数据，最后通过激光雷达采集点云数据，通过点云数据和预先生成的点云地图进行匹配后获得较为精确的位置，通过该精确位置对粗略位置进行修正得到车辆的最终位置。
在另一个可选实施例中，在多个定位传感器采集传感数据之后，可以从多个定位传感器中确定出采集频率最小的传感器，针对该采集频率最小的传感器的每个传感数据记录目标时间戳，从其他传感器所采集的传感数据中确定出时间戳与目标时间戳最为接近的传感数据，利用确定出传感数据进行融合得到车辆在目标时间戳时的姿态数据，其中，传感数据融合可以是计算平均值、极大值、极限值、中间值等，从而通过多传感器的传感数据融合定位获得车辆准确的位姿数据。
S102、控制车辆上的摄像头采集包含交通信号灯的图像。
在车辆上还设置有摄像头，例如在车辆前面设置一个以上的摄像头，通过摄像头可以采集车辆周围环境的图像，摄像头可以按照预设周期采集图像。在一个示例中，可以在车辆与交通信号灯的距离小于预设距离时，控制摄像头按照预设周期采集图像，使得该图像中包括交通信号灯的显示区域。
S103、根据位置数据和预设的电子地图从图像中确定出交通信号灯的感兴趣区域，电子地图上标注有交通信号灯的位置数据。
具体地，电子地图可以是通过高线束雷达测绘得到的高精度地图，该电子地图中叠加有道路上交通信号灯的信息，如在电子地图中交通信号灯所在位置标注有交通信号灯在世界坐标系下的坐标，同时，车辆的位置数据为车辆在世界坐标系下的坐标，可以根据车辆坐标系与世界坐标的相对关系，将交通信号灯在世界坐标系下的坐标转换为在车辆坐标系下的坐标，然后根据摄像头与车辆的安装关系，将交通信号灯在车辆坐标系下的坐标转换为摄像头坐标系下的坐标，最后根据摄像头坐标系与图像坐标系的坐标，将交通信号灯在摄像头坐标系下的坐标转换为图像坐标系下的坐标，摄像头在图像坐标系下的坐标所对应的像素点即构成图像中交通信号灯的感兴趣区域。
S104、将感兴趣区域输入识别网络中获得交通信号灯的识别结果，其中，识别网络包括输入层、与输入层连接的特征提取子网络、与特征提取子网络连接的形状分类子网络和颜色分类子网络。
本发明实施例可以预先训练用于识别交通信号灯的识别网络，该网络包括输入层、与该输入层连接的特征提取子网络、与特征提取子网络连接的形状分类子网络和颜色分类子网络，从而使得形状分类子网络和颜色分类子网络共用特征提取子网络，降低识别网络占用硬件计算资源的比率，提高识别速度。
其中，形状分类子网络用于对交通信号灯的交通指向标识进行形状识别，如识别交通信号灯中的箭头、数字、禁行、通行等标识的形状，颜色分类子网络用于识别交通信号灯中标识的颜色，如识别出红色、绿色、黄色，将感兴趣区域输入识别网络的输入层之后，通过特征提取子网络提取感兴趣区域的图像特征，该图像特征分别输入到形状分类子网络和颜色分类子网络，得到交通信号灯中标识的形状(如箭头、数字、禁行、通行等标识的形状)以及标识的颜色(红色、绿色、黄色中的一种)作为交通信号灯的识别结果。
在训练之前，可以先搭建识别网络的结构，如采用深度神经网络、循环神经网络结构作为识别网络的结构依次搭建输入层、与该输入层连接的特征提取子网络、与特征提取子网络连接的形状分类子网络和颜色分类子网络，并初始化网络参数，构建标识有交通信号灯的标识的形状和颜色的图像集，采用该图像集来训练识别网络，具体训练方法可以参考现有技术中各种神经网络的训练方法，在此不在详述。
本发明实施例中，一方面通过多个定位传感器的传感数据来确定车辆的位姿数据，多传感器数据融合定位所得到的车辆的位姿数据精度高，通过该位姿数据、标注有交通信号灯的位置数据的电子地图，可以准确地从摄像头采集的图像中精确地确定出交通信号灯的感兴趣区域，解决了车辆位置数据不准确导致交通信号灯感兴趣区域不准确，将后车灯的感兴趣区域确定为交通信号灯的感兴趣区域造成交通信号灯误检和漏检的问题，能够准确检测出交通信号灯；另一方面，识别网络中形状分类子网络和颜色分类子网络共用特征提取子网络，交通信号灯识别占用硬件计算资源低，识别速度快，有利于车辆实时驾驶决策。
实施例二
图2A为本发明实施例二提供的一种交通信号灯识别方法的步骤流程图，本发明实施例在前述实施例一的基础上进行优化，具体地，如图2A所示，本发明实施例的交通信号灯识别方法可以包括如下步骤：
S201、融合所述车载里程计、所述惯性测量单元以及所述激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据。
本发明实施例的车辆上可以安装一个以上的定位传感器，如安装有GPS定位传感器、车载里程计、惯性测量单元、激光雷达、毫米波雷达中的至少一种，以下以车辆上安装有GPS传感器、车载里程计、惯性测量单元以及激光雷达作为示例。
在一个可选实施例中，可以将GPS传感器输出的位置数据作为车辆的第一位置数据，在车载里程计所采集的第二位置数据中确定出与第一位置数据误差最小的目标位置数据，以及与目标位置数据关联的第一姿态数据，获取车辆在目标位置数据所指示的位置时惯性测量单元输出的第二姿态数据，根据第一姿态数据和第二姿态数据计算车辆的姿态数据，将激光雷达所采集到的每帧点云数据与点云地图进行匹配，得到车辆在采集到每帧点云数据时的第三位置数据，并从第三位置数据中确定出与第一位置数据误差最小的第四位置数据，采用目标位置数据和第四位置数据对第一位置数据进行修正得到车辆的位置数据。
示例性地，可以记GPS传感器输出的第一位置数据为PGPS-i，车载里程计输出的第二位置数据为PODOM-j，第一姿态数据为POSEODOM-j，惯性测量单元输出的第二姿态数据为POSEIMU-k，激光雷达输出的点云数据为CLOUDradar-q，假设GPS传感器采集数据的频率最小，对于GPS传感器输出的每一个第一位置数据PGPS-i，从车载里程计所采集的第二位置数据中PODOM-j确定出与第一位置数据PGPS-i误差最小的目标位置数据，该目标位置数据记为PODOM-ji，车载里程计与该目标位置数据PODOM-ji同时输出的第一姿态数据为POSEODOM-ji，然后确定出在目标位置数据PODOM-ji所指示的位置时，惯性测量单元输出的第二姿态数据为POSEIMU-ki，如果在目标位置数据PODOM-ji所指示的位置时惯性测量单元无输出数据，则查找与目标位置数据PODOM-ji所指示的位置的相邻位置时惯性测量单输出的第二姿态数据为POSEIMU-ki，同时将每帧点云数据CLOUDradar-q与预先生成的点云地图匹配，得到输出每帧点云数据CLOUDradar-q时车辆的第三位置数据Pradar-q，从第三位置数据Pradar-q中查找出与第一位置数据PGPS-i误差最小的第四位置数据Pradar-qi，采用目标位置PODOM-ji和第四位置数据Pradar-qi对第一位置数据PGPS-i进行修正得到车辆的位置数据，在一个示例中，车辆的最终位置数据Pi可以通过以下公式计算：
Pi＝(PGPS-i+PODOM-ji+Pradar-qi)÷3
车辆的最终姿态数据POSEi可以通过以下公式计算：
POSEi＝(POSEODOM-ji+POSEIMU-ki)÷2
当然，上述虽然融合多个传感器对车辆的位置数据的平均值作为车辆的最终位置数据，以及融合多个传感器对车辆的姿态数据的平均值作为车辆的最终姿态数据，在实际应用中，本领域技术人员还可以根据每种传感器的精度赋予不同权重，通过计算加权和值来计算车辆的最终位置数据和姿态数据，例如，
车辆的最终位置数据Pi和姿态数据POSEi可以通过以下公式计算：
Pi＝a×PGPS-i+b×PODOM-ji+c×Pradar-qi
POSEi＝d×POSEODOM-ji+f×POSEIMU-ki
上述公式中a、b、c分别为GPS传感器、车载里程计、激光雷达的定位精度的权重系数，d和f分别为车载里程计、惯性测量单元姿态定位的权重系数。
在另一个可选实施例中，各个传感器输出的数据可以携带有时间戳，在多个传感器所输出的每帧传感数据中，对于采集数据频率最低的传感器所输出的每一帧传感器数据，可以从其他传感器所输出的传感数据中查找出与该帧传感数据的时间戳误差最小的多帧传感数据进行融合，得到车辆的位置数据和姿态数据，示例性地，GPS传感器采集数据频率最低，对于GPS传感器在时间T输出的传感数据，可以在时间T附近搜索其他诸如车载里程计、惯性测量单元以及激光雷达所输出的传感数据进行融合得到车辆的位姿数据。示例性地，可以通过以下方式计算位置数据PTi和姿态数据POSETi可以通过以下公式计算：
PTi＝(PGPS-Ti+PODOM-Tj+Pradar-tq)÷3
POSETi＝(POSEODOM-Tj+POSEIMU-Tk)÷2
上述公式中，PTi为车辆在时间Ti的位置数据，PGPS-Ti为GPS传感器在时间Ti输出的位置数据，PODOM-Tj为车载里程计在时间Tj输出的位置数据，Pradar-tq为激光雷法在时间Tq输出的点云数据后定位所得的位置数据，POSETi为车辆在时间Ti的姿态数据，POSEODOM-Tj为车载里程计在时间Tj输出的姿态数据，POSEIMU-Tk为惯性测量单元在时间Tk输出的姿态数据，其中，时间Tj、Tq、Tk为与时间Ti相接近的时间。
虽然本实施例以上述示例说明融合多个定位传感器的传感数据来计算车辆的位姿数据的方法，在实际应用中本领域技术人员还可以采样其他融合方法获得车辆位姿，本发明实施例对此不作限制。
本发明实施例融合GPS传感器、车载里程计、惯性测量单元以及激光雷达的传感数据得到车辆的位姿数据，避免直接采用GPS传感器进行绝对定位精度低，而直接采用车载里程计进行相对定位存在累计误差的问题，提高了车辆的位姿数据的精确度。
S202、控制车辆上的摄像头采集包含交通信号灯的图像。
在本发明实施例中，车辆行驶的过程中可以控制车辆上的摄像头按照预设周期采集包含交通信号灯的多张图像，优选地，可以预先生成包含有交通信号灯的位置的电子地图，并根据S101中确定出的车辆的位姿数据中的位置数据确定车辆在电子地图中的位置，从而可以确定车辆当前所在位置到各个交通信号灯的距离，在该距离小于预设距离时控制车辆上的摄像头按照预设周期采集图像，使得摄像头可以拍摄到交通信号灯。示例性地，在电子地图中确定车辆的位置之后，确定电子地图中车辆行驶道路方向是否标注有交通信号灯，若是则实时计算车辆与交通信号灯的距离，在距离小于预设距离时控制摄像头开始采集图像，其中，预设距离可以根据摄像头的性能和车速来确定，例如，摄像头性能高并且车速较快时可，预设距离大，反之，预设距离小，一方面，可以拍摄到包含交通信号灯的清晰的图像，提高后续交通信号灯的识别准确度，另一方面，在距离小于预设距离时开始采集图像，相对于实时采集图像，避免摄像头一直占用硬件计算资源。
S203、根据位置数据和预设的电子地图从图像中确定出交通信号灯的初始定位区域。
在本发明的可选实施例中，可以根据车辆的位置数据将电子地图中交通信号灯的位置数据转换为车辆坐标系下的位置数据，根据摄像头在车辆上的安装关系，将交通信号灯在车辆坐标系下的位置数据转换为在摄像头坐标系下的位置数据，利用图像的图像坐标系，将交通信号灯在摄像头坐标系下的位置数据转换在图像坐标系下的位置数据，将图像中包含交通信号灯在图像坐标系下的位置数据所指示的像素点的区域确定为交通信号灯的图像区域，对图像区域进行外扩处理得到交通信号灯的初始定位区域。
具体地，车辆的位置数据和电子地图中标注的交通信号灯的位置数据可以是世界坐标系下的坐标，以车辆中心为坐标系原点可以建立车辆坐标系，通过车辆坐标系与世界坐标系的相对关系，可以将世界坐标系小交通信号灯的坐标转换为车辆坐标系下的坐标，同时，摄像头在车辆上的安装位置相对固定，可以通过预先的摄像头的标定参数将车辆坐标系下交通信号灯的坐标转换为摄像头坐标系下的坐标，然后将摄像头坐标系下交通信号灯的坐标转换为图像坐标，图像坐标对应的像素点即为交通信号灯的图像区域，其中，上述两个坐标系下坐标的转换为现有技术中常用的坐标转换，在此不再详述。
在得到图像中交通信号灯的图像区域后，可以对该图像区域进行外扩得到图像中交通信号灯的初始定位区域，其中，外扩可以是确定交通信号灯的图像区域的最小外接矩形，得到的初始定位区域如图2B中a图所示。
本发明实施例通过在电子地图中标识交通信号灯的位置数据，然后通过坐标转换在图像中确定出交通信号灯的初始定位区域作为后续处理的输入，初始定位区域准确，解决了整张图像输入将后车灯识别为交通信号灯，或者车辆位置不准确造成初始定位区域不准确漏检交通信号灯的问题。
S204、将初始定位区域输入目标检测网络中得到交通信号灯的感兴趣区域。
如图2B所示，初始定位区域中除了包含交通信号灯之外，还包括交通信号灯的支撑杆、指示牌等对象以及图像背景，为了避免对识别造成干扰，需要识别出交通信号灯的像素区域作为感兴趣区域。
在一个可选实施例中，可以预先训练目标检测网络，该目标检测网络可以识别出感兴趣区域，示例性地，可以采集大量如图2B中图a的图像作为训练图像，并在每张训练图像中标注出交通信号灯的显示区域作为标签，通过训练图像训练目标检测网络，具体训练方法可参考现有神经网络的训练方法，在此不再详述。
优选地，目标检测网络可以是YOLOX网络，可选地，可以是在原生网络YOLOX_tiny进行精简之后的网络，采用YOLOX网络能够快速响应识别，精度高，结构简单占用硬件计算资源少。
在将图2B图a所示的初始定位区域输入目标检测网络之后，目标检测网络输出如图2B中图b所示的交通信号灯的感兴趣区域，避免背景环境对后续识别的影响，可以提高识别交通信号灯的准确度。
S205、将感兴趣区域输入亮灯区域检测模型中，得到交通信号灯的亮灯区域。
通常地，如图2B中图b所示，交通信号灯通常包括灯框以及一个以上灯泡，一个以上的灯泡中通常只有一个指示灯被点亮，在车辆辅助驾驶中，交通信号灯的识别主要是识别点亮的灯泡的指示标识，如点亮时所显示的箭头方向等，因此需要识别出点亮的灯泡，即从感兴趣区域中识别出亮灯区域。
本发明实施例预先训练可以检测亮灯区域的亮灯区域检测模型，示例性地，可以采用标注有亮灯区域的图像样本来训练亮灯区域检测模型，该亮灯区域检测模型可以是深度神经网络、循环神经网络等，具体训练方法可采用现有的有监督或者无监督训练方法，在此不再详述，在训练好亮灯区域检测模型后，将感兴趣区域输入该亮灯区域检测模型即可以得到感兴趣区域中交通信号灯的亮灯区域，如图2B所示，将图b的感兴趣区域输入亮灯区域检测模型之后得到图c的亮灯区域。
S206、将亮灯区域输入识别网络的输入层，识别网络中特征提取子网络用于提取亮灯区域的图像特征并分别输入形状分类子网络和颜色分类子网络，以通过形成分类网络输出亮灯区域的指示标识的形状，以及通过颜色分类子网络输出指示标识的颜色。
如图2C所示，识别网络包括输入层、与输入层的输出连接的特征提取子网络、共用特征提取子网络的形状分类子网络和颜色分类子网络，亮灯区域输入到输入层之后，特征提取子网络可以亮度区域提取图像特征，该图像特征分别输入到形状分类子网络和颜色分类子网络，最终得到亮灯区域中交通信号标识的形状(如箭头、数字、禁行、通行等标识的形状)，以及得到交通信号标识的颜色(红色、绿色、黄色中的一种)作为交通信号灯的识别结果。
需要说明的是，识别网络可以是CNN、DNN等各种神经网络，其训练方法可以参考现有的有监督或者无监督训练方法，在此不再详述。
优选地，摄像头按照预设周期采集到多张图像之后，可以按照每张图像的采集顺序，将多张图像的识别结果序列化，得到序列化识别结果，从而使得决策模块可以根据序列号识别结果进行决策，例如，序列化识别结果为：交通信号灯中向左转指示箭头由红色变为绿色、直行指示箭头由红色变为绿色等。
本发明实施例，一方面通过融合GPS传感器、车载里程计、惯性测量单元以及激光雷达的传感数据得到车辆的位姿数据，避免直接采用GPS传感器进行绝对定位精度低，而直接采用车载里程计进行相对定位存在累计误差的问题，提高了车辆的位姿数据的精确度，另一方面，根据位置数据和预设的电子地图从图像中确定出交通信号灯的初始定位区域，将初始定位区域输入目标检测网络中得到交通信号灯的感兴趣区域，将感兴趣区域输入亮灯区域检测模型中，得到交通信号灯的亮灯区域，最终将将亮灯区域输入识别网络的输入层，特征提取子网络用于提取亮灯区域的图像特征并分别输入形状分类子网络和颜色分类子网络，以通过形成分类网络输出亮灯区域的指示标识的形状，以及通过颜色分类子网络输出指示标识的颜色，初始定位区域准确，解决了整张图像输入将后车灯识别为交通信号灯，或者车辆位置不准确造成初始定位区域不准确漏检交通信号灯的问题，交通信号灯的识别准确度高，又一方面，识别网络中形状分类子网络和颜色分类子网络共用特征提取子网络，交通信号灯识别占用硬件计算资源低，识别速度快，有利于车辆实时驾驶决策。
进一步地，通过神经网络来识别交通信号灯，相对于采用模板匹配来匹配交通信号灯的形状特征，可以适应各种形状的交通信号灯，鲁棒性高，适用范围更广。
实施例三
图3是本发明实施例三提供的一种交通信号灯识别装置的结构框图，如图3所示，本发明实施例的交通信号灯识别装置具体可以包括如下模块：
位姿数据确定模块301，用于通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，所述位姿数据包括所述车辆的位置数据；
图像采集模块302，用于控制车辆上的摄像头采集包含交通信号灯的图像；
感兴趣区域确定模块303，用于根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，所述电子地图上标注有所述交通信号灯的位置数据；
识别模块304，用于将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，其中，所述识别网络包括输入层、与所述输入层连接的特征提取子网络、与所述特征提取子网络连接的形状分类子网络和颜色分类子网络。
可选地，所述定位传感器包括GPS传感器、车载里程计、惯性测量单元以及激光雷达，所述位姿数据确定模块301包括：
融合子模块，用于融合所述车载里程计、所述惯性测量单元以及所述激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据。
可选地，所述融合子模块包括：
第一位置数据确定子模块，用于将所述GPS传感器输出的位置数据作为所述车辆的第一位置数据；
目标位置和姿态数据确定子模块，用于在所述车载里程计所采集的第二位置数据中确定出与所述第一位置数据误差最小的目标位置数据，以及与所述目标位置数据关联的第一姿态数据，所述第一姿态数据为所述车载里程计在采集所述目标位置数据时所采集到的姿态数据；
第二姿态数据获取子模块，用于获取所述车辆在所述目标位置数据所指示的位置时所述惯性测量单元输出的第二姿态数据；
姿态数据计算子模块，用于根据所述第一姿态数据和所述第二姿态数据计算所述车辆的姿态数据；
点云匹配子模块，用于将所述激光雷达所采集到的每帧点云数据与点云地图进行匹配，得到所述车辆在采集到每帧点云数据时的第三位置数据，并从所述第三位置数据中确定出与所述第一位置数据误差最小的第四位置数据；
位置修正子模块，用于采用所述目标位置数据和所述第四位置数据对所述第一位置数据进行修正得到所述车辆的位置数据。
可选地，所述感兴趣区域确定模块303包括：
初始定位区域确定子模块，用于根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的初始定位区域；
感兴趣区域检测子模块，用于将所述初始定位区域输入目标检测网络中得到所述交通信号灯的感兴趣区域。
可选地，所述初始定位区域确定子模块包括：
第一坐标转换单元，用于根据所述车辆的位置数据将所述电子地图中所述交通信号灯的位置数据转换为车辆坐标系下的位置数据；
第二坐标转换单元，用于根据所述摄像头在所述车辆上的安装关系，将所述交通信号灯在车辆坐标系下的位置数据转换为在所述摄像头坐标系下的位置数据；
第三坐标转换单元，用于利用所述图像的图像坐标系，将所述交通信号灯在所述摄像头坐标系下的位置数据转换在所述图像坐标系下的位置数据；
图像区域确定单元，用于将所述图像中包含所述交通信号灯在所述图像坐标系下的位置数据所指示的像素点的区域确定为所述交通信号灯的图像区域；
初始定位区域确定单元，用于对所述图像区域进行外扩处理得到所述交通信号灯的初始定位区域。
可选地，还包括：
亮灯区域检测模块，用于将所述感兴趣区域输入亮灯区域检测模型中，得到所述交通信号灯的亮灯区域。
可选地，所述识别模块304包括：
识别子模块，用于识别将所述亮灯区域输入所述识别网络的输入层，所述识别网络中特征提取子网络用于提取所述亮灯区域的图像特征并分别输入形状分类子网络和颜色分类子网络，以通过形成分类网络输出所述亮灯区域的指示标识的形状，以及通过所述颜色分类子网络输出所述指示标识的颜色。
可选地，所述图像采集模块302包括：
图像采集子模块，用于控制车辆上的摄像头按照预设周期采集包含交通信号灯的多张图像；
在识别模块304之后，还包括：
识别结果序列号模块，用于按照每张图像的采集顺序，将多张图像的所述识别结果序列化，得到序列化识别结果。
本发明实施例所提供的交通信号灯识别装置可执行本发明实施例一、实施例二所提供的交通信号灯识别方法，具备执行方法相应的功能和有益效果。
实施例四
参照图4，示出了本发明一个示例中的一种计算机设备的结构示意图。如图4所示，该计算机设备可以包括：处理器401、存储器402、传感器403、输入装置404、输出装置405、通信装置406以及摄像头407。该计算机设备中处理器401的数量可以是一个或者多个，图4中以一个处理器401为例。该计算机设备中存储器402的数量可以是一个或者多个，图4中以一个存储器402为例。该计算机设备的处理器401、存储器402、传感器403、输入装置404、输出装置405、通信装置406以及摄像头407可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器402作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的交通信号灯识别方法对应的程序指令/模块(例如，上述交通信号灯识别装置中的位姿数据确定模块301、图像采集模块302、感兴趣区域确定模块303和识别模块304)，存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器402可进一步包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传感器403包括GSP传感器、车载里程计、惯性测量单元以及激光雷达，传感器403用于根据处理器401的指示进行采集定位数据，并将相应的定位数据发送至处理器401或其他装置。
通信装置406，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。
摄像头407用于采集图像，并将图像发送到处理器401。
输入装置404可用于接收输入的数字或者字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置405可以包括扬声器等音频设备。需要说明的是，输入装置404和输出装置405的具体组成可以根据实际情况设定。
处理器401通过运行存储在存储器402中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的交通信号灯识别方法。
具体地，实施例中，处理器401执行存储器402中存储的一个或多个程序时，具体实现本发明实施例提供的交通信号灯识别方法的步骤。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现本发明任意实施例中的交通信号灯识别方法。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明应用于计算机设备上任意实施例所提供的交通信号灯识别方法中的相关操作。
需要说明的是，对于装置、计算机设备、存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。根据这样的理解，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得计算机设备执行本发明各个实施例所述的交通信号灯识别方法。
值得注意的是，上述交通信号灯识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种交通信号灯识别方法，其特征在于，包括：
通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，所述位姿数据包括所述车辆的位置数据；
控制车辆上的摄像头采集包含交通信号灯的图像；
根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，所述电子地图上标注有所述交通信号灯的位置数据；
将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，其中，所述识别网络包括输入层、与所述输入层连接的特征提取子网络、与所述特征提取子网络连接的形状分类子网络和颜色分类子网络。
2.如权利要求1所述的交通信号灯识别方法，其特征在于，所述定位传感器包括GPS传感器、车载里程计、惯性测量单元以及激光雷达，所述通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，包括：
融合所述车载里程计、所述惯性测量单元以及所述激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据。
3.如权利要求2所述的交通信号灯识别方法，其特征在于，所述融合所述车载里程计、惯性测量单元以及激光雷达中的至少一个的传感数据和所述GPS传感器的传感数据得到所述车辆的位姿数据，包括：
将所述GPS传感器输出的位置数据作为所述车辆的第一位置数据；
在所述车载里程计所采集的第二位置数据中确定出与所述第一位置数据误差最小的目标位置数据，以及与所述目标位置数据关联的第一姿态数据，所述第一姿态数据为所述车载里程计在采集所述目标位置数据时所采集到的姿态数据；
获取所述车辆在所述目标位置数据所指示的位置时所述惯性测量单元输出的第二姿态数据；
根据所述第一姿态数据和所述第二姿态数据计算所述车辆的姿态数据；
将所述激光雷达所采集到的每帧点云数据与点云地图进行匹配，得到所述车辆在采集到每帧点云数据时的第三位置数据，并从所述第三位置数据中确定出与所述第一位置数据误差最小的第四位置数据；
采用所述目标位置数据和所述第四位置数据对所述第一位置数据进行修正得到所述车辆的位置数据。
4.如权利要求1-3任一项所述的交通信号灯识别方法，其特征在于，所述根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，包括：
根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的初始定位区域；
将所述初始定位区域输入目标检测网络中得到所述交通信号灯的感兴趣区域。
5.如权利要求4所述的交通信号灯识别方法，其特征在于，所述根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的初始定位区域，包括：
根据所述车辆的位置数据将所述电子地图中所述交通信号灯的位置数据转换为车辆坐标系下的位置数据；
根据所述摄像头在所述车辆上的安装关系，将所述交通信号灯在车辆坐标系下的位置数据转换为在所述摄像头坐标系下的位置数据；
利用所述图像的图像坐标系，将所述交通信号灯在所述摄像头坐标系下的位置数据转换在所述图像坐标系下的位置数据；
将所述图像中包含所述交通信号灯在所述图像坐标系下的位置数据所指示的像素点的区域确定为所述交通信号灯的图像区域；
对所述图像区域进行外扩处理得到所述交通信号灯的初始定位区域。
6.如权利要求1-3任一项所述的交通信号灯识别方法，其特征在于，在将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果之前，还包括：
将所述感兴趣区域输入亮灯区域检测模型中，得到所述交通信号灯的亮灯区域。
7.如权利要求6所述的交通信号灯识别方法，其特征在于，所述将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，包括：
将所述亮灯区域输入所述识别网络的输入层，所述识别网络中特征提取子网络用于提取所述亮灯区域的图像特征并分别输入形状分类子网络和颜色分类子网络，以通过形成分类网络输出所述亮灯区域的指示标识的形状，以及通过所述颜色分类子网络输出所述指示标识的颜色。
8.如权利要求1-3任一项所述的交通信号灯识别方法，其特征在于，所述控制车辆上的摄像头采集包含交通信号灯的图像，包括：
控制车辆上的摄像头按照预设周期采集包含交通信号灯的多张图像；
在将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果之后，还包括：
按照每张图像的采集顺序，将多张图像的所述识别结果序列化，得到序列化识别结果。
9.一种交通信号灯识别装置，其特征在于，包括：
位姿数据确定模块，用于通过车辆上的多个定位传感器的传感数据确定所述车辆的位姿数据，所述位姿数据包括所述车辆的位置数据；
图像采集模块，用于控制车辆上的摄像头采集包含交通信号灯的图像；
感兴趣区域确定模块，用于根据所述位置数据和预设的电子地图从所述图像中确定出所述交通信号灯的感兴趣区域，所述电子地图上标注有所述交通信号灯的位置数据；
识别模块，用于将所述感兴趣区域输入识别网络中获得所述交通信号灯的识别结果，其中，所述识别网络包括输入层、与所述输入层连接的特征提取子网络、与所述特征提取子网络连接的形状分类子网络和颜色分类子网络。
10.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，
当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的交通信号灯识别方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的交通信号灯识别方法。
CN202210186497.5A 2022-02-28 2022-02-28 交通信号灯识别方法、装置、计算机设备和存储介质 Pending CN114639085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210186497.5A CN114639085A (zh) 2022-02-28 2022-02-28 交通信号灯识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210186497.5A CN114639085A (zh) 2022-02-28 2022-02-28 交通信号灯识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114639085A true CN114639085A (zh) 2022-06-17

Family

ID=81946925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210186497.5A Pending CN114639085A (zh) 2022-02-28 2022-02-28 交通信号灯识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114639085A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984823A (zh) * 2023-02-27 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
CN116592888A (zh) * 2023-05-08 2023-08-15 五八智能科技(杭州)有限公司 一种巡逻机器人全局定位的方法、系统、装置和介质
CN117292360A (zh) * 2023-11-24 2023-12-26 福思(杭州)智能科技有限公司 交通信号灯识别方法和装置、存储介质及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984823A (zh) * 2023-02-27 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
CN116592888A (zh) * 2023-05-08 2023-08-15 五八智能科技(杭州)有限公司 一种巡逻机器人全局定位的方法、系统、装置和介质
CN117292360A (zh) * 2023-11-24 2023-12-26 福思(杭州)智能科技有限公司 交通信号灯识别方法和装置、存储介质及电子设备
CN117292360B (zh) * 2023-11-24 2024-02-09 福思(杭州)智能科技有限公司 交通信号灯识别方法和装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN112069856B (zh) 地图生成方法、驾驶控制方法、装置、电子设备及系统
CN102208013B (zh) 风景匹配参考数据生成系统和位置测量系统
CN110146097B (zh) 自动驾驶导航地图的生成方法、系统、车载终端及服务器
JP5062498B2 (ja) 風景マッチング用参照データ生成システム及び位置測位システム
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
CN110796007B (zh) 场景识别的方法与计算设备
CN112700470A (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN112740225B (zh) 一种路面要素确定方法及装置
CN113435237B (zh) 物体状态识别装置、识别方法和计算机可读的记录介质以及控制装置
CN111310708A (zh) 交通信号灯状态识别方法、装置、设备和存储介质
CN112001235A (zh) 车辆通行信息的生成方法、装置和计算机设备
CN117576652B (zh) 道路对象的识别方法、装置和存储介质及电子设备
JP2015194397A (ja) 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラムならびに車両位置検出システム
CN114037972A (zh) 目标检测方法、装置、设备及可读存储介质
JP2021128705A (ja) 物体状態識別装置
CN117130010A (zh) 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车
CN113611008B (zh) 一种车辆行驶场景采集方法、装置、设备及介质
CN114677658A (zh) 十亿像素动态大场景图像采集和多目标检测方法及装置
WO2021056185A1 (en) Systems and methods for partially updating high-definition map based on sensor data matching
JPWO2020110802A1 (ja) 車載用物体識別システム、自動車、車両用灯具、分類器の学習方法、演算処理装置
CN112880692A (zh) 地图数据标注方法及装置、存储介质
JP5434745B2 (ja) 基準パターン情報生成装置、方法、プログラムおよび一般車両位置特定装置
CN113822932B (zh) 设备定位方法、装置、非易失性存储介质及处理器
US20230024799A1 (en) Method, system and computer program product for the automated locating of a vehicle
CN113932820A (zh) 对象检测的方法和装置

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