CN115273025A - 交通资产的盘点方法、装置、介质及电子设备 - Google Patents

交通资产的盘点方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN115273025A
CN115273025A CN202210806166.7A CN202210806166A CN115273025A CN 115273025 A CN115273025 A CN 115273025A CN 202210806166 A CN202210806166 A CN 202210806166A CN 115273025 A CN115273025 A CN 115273025A
Authority
CN
China
Prior art keywords
traffic sign
information
traffic
target picture
characteristic 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
CN202210806166.7A
Other languages
English (en)
Inventor
叶宏
黄清晰
钟冲
吕世跃
林秀灵
吴振楠
李俊卿
谢启鸣
林东昇
蔡晓文
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.)
Xiamen Road & Bridge Information Co ltd
Original Assignee
Xiamen Road & Bridge Information 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 Xiamen Road & Bridge Information Co ltd filed Critical Xiamen Road & Bridge Information Co ltd
Priority to CN202210806166.7A priority Critical patent/CN115273025A/zh
Publication of CN115273025A publication Critical patent/CN115273025A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/09—Recognition of logos

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请的实施例提供了一种交通资产的盘点方法、装置、介质及电子设备。该方法包括：根据图像采集设备在目标路段进行拍摄得到的视频流，从视频流中识别出包含交通标志牌的目标图片；根据识别出目标图片时图像采集设备的设备位置信息，确定交通标志牌的标志位置信息；获取交通标志牌对应的文字信息；将目标图片、标志位置信息以及文字信息作为新识别到的交通标志牌的特征信息，并与数据库中已存储的交通标志牌的特征信息进行比对，以对数据库中存储的已知的交通标志牌的特征信息进行更新。本申请实施例的技术方案可以避免交通标志牌被重复识别的同时，实现相同类别的交通标志牌的精确管理进而保证了交通资产盘点结果的准确性。

Description

交通资产的盘点方法、装置、介质及电子设备
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种交通资产的盘点方法、装置、介质及电子设备。
背景技术
在交通道路旁常设置有交通标志牌，其属于交通资产，管理部门经常需要对设置于路旁的交通标志牌进行盘点，以对交通资产进行确认。在目前的技术方案中，检测车辆通过采集位于道路旁的交通标志牌的图像，通过对图像进行图像识别以从该图像中获取交通标志牌的相关信息以进行记录。然而，仅通过图像进行识别，容易导致一个交通标志牌被重复识别多次，且相同类别的交通标志牌无法进行精确管理，影响了交通资产盘点结果的准确性。由此，如何避免交通标志牌被重复识别的同时，实现相同类别的交通标志牌的精确管理进而保证交通资产盘点结果的准确性成为了亟待解决的技术问题。
发明内容
本申请的实施例提供了一种交通资产的盘点方法、装置、介质及电子设备，进而至少在一定程度上可以避免交通标志牌被重复识别的同时，实现相同类别的交通标志牌的精确管理进而保证了交通资产盘点结果的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种交通资产的盘点方法，包括：
根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片；
根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息；
对所述目标图片进行文字识别，获取所述目标图片中的交通标志牌对应的文字信息；
将所述目标图片、所述标志位置信息以及所述文字信息作为所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对；
根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新。
根据本申请实施例的一个方面，提供了一种交通资产的盘点装置，包括：
识别模块，用于根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片；
确定模块，用于根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息；
获取模块，用于对所述目标图片进行文字识别，获取所述目标图片中的交通标志牌对应的文字信息；
比对模块，用于将所述目标图片、所述标志位置信息以及所述文字信息作为所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对；
处理模块，用于根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的交通资产的盘点方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的交通资产的盘点方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的交通资产的盘点方法。
在本申请的一些实施例所提供的技术方案中，根据图像采集设备在目标路段进行拍摄得到的视频流，从该视频流中识别出包含交通标志牌的目标图片，根据识别出的目标图片时图像采集设备的设备位置信息，确定交通标志牌的标志位置信息，对该目标图片进行识别，获取该目标图片中的交通标志牌对应的文字信息，将目标图片、标志位置信息以及文字信息作为新识别到的交通标志牌的特征信息，并将新识别到的交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对，再基于比对结果，对数据库中已存储的交通标志牌的特征信息进行更新。由此，通过多维数据相结合的方式，可以避免同一交通标志牌被多次识别，也可以对相同类别的交通标志牌进行精确化管理，进而保证了交通资产盘点结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了根据本申请的一个实施例的交通资产的盘点方法的流程示意图；
图2示出了根据本申请的一个实施例的图1的交通资产的盘点方法中步骤S110的流程示意图；
图3示出了根据本申请的一个实施例的图2的交通资产的盘点方法中步骤S230的流程示意图；
图4示出了根据本申请的一个实施例的交通资产的盘点装置的框图；
图5示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了根据本申请的一个实施例的交通资产的盘点方法的流程示意图，该方法可以应用于服务器中，例如物理服务器或者云服务器，在其他实施例中，该方法也可以应用于终端中，该终端包括但不限于智能手机、平板电脑、便携式电脑和台式电脑等。该方法还可以应用于车载设备中，等等。
参照图1所示，该交通资产的盘点方法至少包括步骤S110至步骤S150，详细介绍如下：
在步骤S110中，根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片。
其中，图像采集设备可以是具有图像采集功能、数据传输功能、GPS定位功能、图像识别功能的车载设备。
在该实施例中，交通资产的管理方能够将该图像采集设备安装于检测车辆上，以在该检测车辆行驶在目标路段时对道路旁进行拍摄以获取视频流。应该理解的，该目标路段可以是高速公路、城市道路或者乡村道路等。该目标路段的长度也可以根据实际需求进行设定，例如20Km、或者100Km等。以上数字仅为示例性举例，对此不作特殊限定。
当图像采集设备获取到视频流后，可以将该视频流向服务器进行发送，服务器在接收到该视频流后，可以识别出视频流中所包含的图像信息，并识别出包含有交通标志牌的目标图片。应该理解的，目标路段旁的交通标志牌的数量可能不止一个，因此，服务器可以从该视频流中识别出分别与各个交通标志牌对应的目标图片。
在步骤S120中，根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息。
在一实施例中，图像采集设备可以实时向服务器上传视频流，服务器也可以实时对视频流进行识别，当服务器从视频流中识别出包含有交通标志牌的目标图片时，即可获取图像采集设备当时的设备位置信息。在一示例中，服务器可以向图像采集设备发送位置信息获取请求，以使图像采集设备根据该位置信息获取请求，通过所配置的GPS定位模块向服务器反馈自身的设备位置信息。在其他示例中，图像采集设备也可以根据自身的GPS定位信息，确定检测车辆当前所在的具体路段，从而确定该具体路段对应的桩号，应该理解的，在道路两旁常设置有路桩，通过该路桩即可知晓车辆在该道路上的具体位置，例如高速公路上的路桩等。图像采集设备也可以将根据自身GPS定位信息所确定的桩号作为设备位置信息向服务器进行反馈。
在另一实施例中，图像采集设备也可以每隔预定间隔，向服务器上传视频流，从而节省传输资源，为此，图像采集设备可以将自身的GPS定位信息与视频流中的时间戳信息相对应，并与视频流一起上传。由此，当服务器识别到包含有交通标志牌的目标图片时，即可获取对应的时间戳信息，从而确定图像采集设备在获取该目标图片时的设备位置信息。
服务器在获取到图像采集设备的设备位置信息后，可以根据该设备位置信息，确定交通标志牌对应的标志位置信息。在一示例中，若位置信息精度要求不高的情况下，则可以直接将该设备位置信息作为交通标志牌的标志位置信息，等等。
在步骤S130中，对所述目标图片进行文字识别，获取所述目标图片中的交通标志牌对应的文字信息。
在该实施例中，服务器可以对目标图片采用OCR文字识别进行处理，从而获取该目标图片中的交通标志牌的文字信息。应该理解的，不同位置的交通标志牌的文字信息不同，因此，通过获取该文字信息，即使是相同类别的交通标志牌，也可以进行区别管理，以实现精细化管理。
在步骤S140中，将所述目标图片、所述标志位置信息以及所述文字信息作为新识别到的所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对。
在该实施例中，当服务器获取到某一交通标志牌对应的目标图片、标志位置信息以及文字信息后，可以将上述三种信息作为该交通标志牌的特征信息进行关联。服务器可以将新识别到的交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对。需要说明的，该数据库可以是在上轮交通资产盘点中所建立或者更新的，其可以与目标路段相对应。当每轮交通资产盘点时，则可以对该数据库进行更新，从而确定交通资产。
在步骤S150中，根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新。
在该实施例中，将新识别到的交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对，若二者相匹配，则表明新识别到的交通标志牌在上轮交通资产盘点或者在本次交通资产盘点中已经被识别和存储过，所以属于重复识别，可以对其进行过滤或者替换数据库中重复的交通标志牌的特征信息。若二者不存在匹配的特征信息，则表明该新识别到的交通标志牌在历史中未被识别过，属于新增加的交通资产，因此可以将新识别到的交通标志牌的特征信息添加至数据库中。
在图1所示的实施例中，通过获取包含有交通标志牌的目标图片、标志位置信息、文字信息，并将其作为该交通标志牌的特征信息进行存储，通过多维数据相结合的方式，可以避免同一交通标志牌被多次识别，也可以对相同类别的交通标志牌进行精确化管理，进而保证了交通资产盘点结果的准确性。
基于图1所示的实施例，图2示出了根据本申请的一个实施例的图1的交通资产的盘点方法中步骤S110的流程示意图。参照图2所示，步骤S110至少包括步骤S210至步骤S230，详细介绍如下：
在步骤S210中，将图像采集设备在目标路段进行拍摄得到的视频流进行分帧处理，得到对应的视频帧序列。
在该实施例中，服务器可以对图像采集设备在目标路段拍摄得到的视频流进行分帧处理，例如分成每秒30帧或者60帧等，从而得到对应的视频帧序列，该视频帧序列包括多张按照时间先后顺序排列得到的视频帧。
在步骤S220中，将所述视频针序列中所包含的视频帧输入至预先训练的标志牌识别模型中，以使所述标志牌识别模型输出各视频帧是否包含交通标志牌的识别结果。
在该实施例中，交通资产的管理方可以预先建立并训练标志牌识别模型，在一示例中，可以预先采集大量例如1000张含有交通标志牌的图片，并标注出其中标志牌的像素坐标作为正样本和若干不含有交通标志牌的图片作为负样本，通过yolov5算法进行训练以得到标志牌识别模型。在其他示例中，也可以采用卷积神经网络或者深度神经网络构建标志牌识别模型并对其训练。本领域技术人员可以根据实际实现需要，确定对应的标志牌识别模型的构建方法，对此不作特殊限定。
服务器可以调用该标志牌识别模型，并将视频帧序列中所包含的视频帧输入至预先训练的标志牌识别模型中，标志牌识别模型可以对各视频帧进行识别，从输出该视频帧是否包含交通标志牌的识别结果。
在步骤S230中，根据所述识别结果，确定包含交通标志牌的目标图片。
在该实施例中，服务器根据该识别结果，可以将包含有交通标志牌的视频帧作为该交通标志牌对应的目标图片。应该理解的，由于后续会采集对应的文字信息以及标志位置信息，所以即使多张目标图片中包含同一交通标志牌，也可以基于文字信息和标志位置信进行过滤，因此不会对同一交通标志牌出现重复识别的情况。
基于图1和图2所示的实施例，图3示出了根据本申请的一个实施例的图2的交通资产的盘点方法中步骤S230的流程示意图。参照图3所示，步骤S230至少包括步骤S310至步骤S330，详细介绍如下：
在步骤S310中，若所述视频帧中包含交通标志牌，预测当前视频帧中的检测框在下一视频帧中的位置。
在该实施例中，应该理解的，由于采用视频流的方式采集图像信息，则同一交通标志牌在视频流中会存在一定的时间。服务器可以采用目标检测跟踪算法对视频帧进行检测，若某一视频帧中包含有交通标志牌，则该目标检测跟踪算法会在所确定的交通标志牌在视频帧中的位置对应显示检测框。服务器可以根据当前检测车辆的速度等信息，预测该检测框在下一视频帧中的位置，应该理解的，如果是同一交通标志牌，则所预测的位置应与在下一视频帧中识别到该交通标志牌的位置(即实际检测框的位置)相近。
在步骤S320中，根据所预测的位置以及下一视频帧中检测框的实际位置，确定两个视频帧中所包含的交通标志牌是否为同一标志牌。
在该实施例中，服务器可以计算所预测的检测框的位置与在下一视频帧中检测框的实际位置之间的重叠度，从而确定该两个视频帧中所包含的交通标志牌的是否为同一标志牌。在一示例中，服务器可以计算实际检测框的与预测检测框的之间的重叠面积占预测检测框的面积的比例，当该比例达到一定阈值时，则可以确定二者位置相同，即在该两个视频帧中所检测到的交通标志牌为同一标志牌。
在步骤S330中，从包含同一交通标志牌的视频帧中，选择所包含的交通标志牌的面积占视频帧的面积的比例最大的视频帧作为目标图片。
在该实施例中，服务器可以确定包含同一交通标志牌的至少两张视频帧，并分别确定视频帧中所包含的交通标志牌的面积占该视频帧的面积的比例，从而选取交通标志牌所占面积比例最大的视频帧作为目标图片，以保证目标图片中交通标志牌的显示效果。同时，也可以避免同一交通标志牌被重复识别和存储，节省计算资源。
基于图1所示的实施例，在本申请的一个实施例中，根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息，包括：
根据所述目标图片中包含的交通标志牌的深度信息，确定所述交通标志牌的位置补偿量；
根据识别出所述目标图片时所述图像采集设备的设备位置信息以及所述位置补偿量，确定所述交通标志牌的标志位置信息。
在该实施例中，应该理解的，由于检测车辆与道路两旁的交通标志牌存在一定距离，因此将图像采集设备的设备位置信息作为交通标志牌的标志位置信息会导致精确度较低。由此，服务器可以对目标图片采用图像深度识别，从而获取交通标志牌对应的深度信息进而确定交通标志牌的位置补偿量。该位置补偿量可以用于对设备位置信息进行校正，从而保证交通标志牌的标志位置信息的准确性。即设备位置信息加上位置补偿量即可确定交通标志牌的标志位置信息。应该理解的，位置补偿量的符号与检测车辆的前进方向和图像采集设备的朝向相关，有可能是正，也有可能是负的。即若图像采集设备背向检测车辆的前进方向，则该位置补偿量的符号是负的，反之则为正的。
其他实施例中，图像采集设备中所配置的摄像机可以为双目相机，根据所获取的目标图片进行相机标定、双目校正、双目匹配和计算深度信息后也可以获取对应为的位置补偿量。
本领域技术人员可以根据实际实现需要，选择对应的位置补偿量的确定方式，本申请对此不作特殊限定。
基于图1所示的实施例，在本申请的一个实施例中，将所述目标图片、所述标志位置信息以及所述文字信息作为所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对，包括：
将新识别到的所述交通标志牌对应的目标图片与数据库中具有相同文字信息且二者的标志位置信息处于一定距离内的已存储的交通标识牌的图片信息进行比对，得到新识别到的交通标志牌是否已存储于数据库中的比对结果。
在该实施例中，当服务器将新识别到的交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对时，可以从数据库中选取文字信息相同且二者标志位置信息处于一定距离内(例如500m范围内等)的交通标志牌的特征信息进行比对，从而可以缩小比对范围，减少不必要的比对，节省计算资源。具体的，在比对二者图片信息是否匹配时，可以分别获取二者图片对应的特征向量，并计算两个特征向量之间的相似度，例如余弦距离等，以确定二者图片是否相匹配。若相匹配，则表示新识别到的交通标志牌已存储于数据库中，若不存在相匹配的特征信息，则确定新识别到的交通标志牌未存储于数据库中。
基于前述实施例，在本申请的一个实施例中，根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新，包括：
若存在所述数据库中已存储的交通标志牌的特征信息与新识别到的所述交通标志牌的特征信息相匹配，则过滤掉出现重复的交通标志牌的特征信息；
若不存在所述数据库中已存储的的交通标志牌的特征信息与新识别到的所述交通标志牌的特征信息相匹配，则将新识别到的所述交通标志牌的特征信息添加至所述数据库中。
基于上述实施例，在本申请的一个实施例中，在根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新之后，所述方法还包括：
将所述数据库中新增的交通标志牌判断为盘盈，以及将在预定轮数内所述数据库中均未识别到具有重复特征信息的交通标志牌判断为盘亏。
在该实施例中，应该理解的，数据库中新增的交通标志牌为新增的交通资产，因此可以将该交通标志牌判断为盘盈，而在预定轮数内(例如三轮、或者四轮等)的交通资产的盘点过程中，数据库中的某一交通标志牌均未识别到重复的交通标志牌，则表示在几轮盘点中，都未识别到该交通标志牌，即该交通标志牌可能出现丢失或者损坏，由此，可以将该交通标志牌判断为盈亏。在一示例中，可以将数据库中判断为盈亏的交通标志片的特征信息进行删除，从而保证交通资产的盘点的准确性。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的交通资产的盘点方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的交通资产的盘点方法的实施例。
图4示出了根据本申请的一个实施例的交通资产的盘点装置的框图。
参照图4所示，根据本申请的一个实施例的交通资产的盘点装置，包括：
识别模块410，用于根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片；
确定模块420，用于根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息；
获取模块430，用于对所述目标图片进行文字识别，获取所述目标图片中的交通标志牌对应的文字信息；
比对模块440，用于将所述目标图片、所述标志位置信息以及所述文字信息作为所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对；
处理模块450，用于根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新。
在本申请的一个实施例中，识别模块410用于：将图像采集设备在目标路段进行拍摄得到的视频流进行分帧处理，得到对应的视频帧序列；将所述视频针序列中所包含的视频帧输入至预先训练的标志牌识别模型中，以使所述标志牌识别模型输出各视频帧是否包含交通标志牌的识别结果；根据所述识别结果，确定包含交通标志牌的目标图片。
在本申请的一个实施例中，识别模块410用于：若所述视频帧中包含交通标志牌，预测当前视频帧中的检测框在下一视频帧中的位置；根据所预测的位置以及下一视频帧中检测框的实际位置，确定两个视频帧中所包含的交通标志牌是否为同一交通标志牌；从包含同一交通标志牌的视频帧中，选择所包含的交通标志牌的面积占视频帧的面积的比例最大的视频帧作为目标图片。
在本申请的一个实施例中，确定模块420用于：根据所述目标图片中包含的交通标志牌的深度信息，确定所述交通标志牌的位置补偿量；根据识别出所述目标图片时所述图像采集设备的设备位置信息以及所述位置补偿量，确定所述交通标志牌的标志位置信息。
在本申请的一个实施例中，比对模块440用于：将新识别到的所述交通标志牌对应的目标图片与数据库中具有相同文字信息且二者的标志位置信息处于一定距离内的已存储的交通标识牌的图片信息进行比对，得到新识别到的交通标志牌是否已存储于数据库中的比对结果。
在本申请的一个实施例中，处理模块450用于：若存在所述数据库中已存储的交通标志牌的特征信息与新识别到的所述交通标志牌的特征信息相匹配，则过滤掉出现重复的交通标志牌的特征信息；若不存在所述数据库中已存储的交通标志牌的特征信息与新识别到的所述交通标志牌的特征信息相匹配，则将新识别到的所述交通标志牌的特征信息添加至所述数据库中。
在本申请的一个实施例中，处理模块450还用于：将所述数据库中新增的交通标志牌判断为盘盈，以及将在预定轮数内所述数据库中均未识别到具有重复特征信息的交通标志牌判断为盘亏。
图5示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图5示出的电子设备的计算机系统仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统包括中央处理单元(Central Processing Unit，CPU)501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从储存部分508加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(Input/Output，I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分507；包括硬盘等的储存部分508；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入储存部分508。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Di sc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种交通资产的盘点方法，其特征在于，包括：
根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片；
根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息；
对所述目标图片进行文字识别，获取所述目标图片中的交通标志牌对应的文字信息；
将所述目标图片、所述标志位置信息以及所述文字信息作为新识别到的所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对；
根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新。
2.根据权利要求1所述的方法，其特征在于，根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片，包括：
将图像采集设备在目标路段进行拍摄得到的视频流进行分帧处理，得到对应的视频帧序列；
将所述视频针序列中所包含的视频帧输入至预先训练的标志牌识别模型中，以使所述标志牌识别模型输出各视频帧是否包含交通标志牌的识别结果；
根据所述识别结果，确定包含交通标志牌的目标图片。
3.根据权利要求2所述的方法，其特征在于，根据所述识别结果，确定包含交通标志牌的目标图片，包括：
若所述视频帧中包含交通标志牌，预测当前视频帧中的检测框在下一视频帧中的位置；
根据所预测的位置以及下一视频帧中检测框的实际位置，确定两个视频帧中所包含的交通标志牌是否为同一交通标志牌；
从包含同一交通标志牌的视频帧中，选择所包含的交通标志牌的面积占视频帧的面积的比例最大的视频帧作为目标图片。
4.根据权利要求1所述的方法，其特征在于，根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息，包括：
根据所述目标图片中包含的交通标志牌的深度信息，确定所述交通标志牌的位置补偿量；
根据识别出所述目标图片时所述图像采集设备的设备位置信息以及所述位置补偿量，确定所述交通标志牌的标志位置信息。
5.根据权利要求1所述的方法，其特征在于，将所述目标图片、所述标志位置信息以及所述文字信息作为所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对，包括：
将新识别到的所述交通标志牌对应的目标图片与数据库中具有相同文字信息且二者的标志位置信息处于一定距离内的已存储的交通标识牌的图片信息进行比对，得到新识别到的交通标志牌是否已存储于数据库中的比对结果。
6.根据权利要求1-5中任一项所述的方法，其特征在于，根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新，包括：
若存在所述数据库中已存储的交通标志牌的特征信息与新识别到的所述交通标志牌的特征信息相匹配，则过滤掉出现重复的交通标志牌的特征信息；
若不存在所述数据库中已存储的交通标志牌的特征信息与新识别到的所述交通标志牌的特征信息相匹配，则将新识别到的所述交通标志牌的特征信息添加至所述数据库中。
7.根据权利要求6所述的方法，其特征在于，在根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新之后，所述方法还包括：
将所述数据库中新增的交通标志牌判断为盘盈，以及将在预定轮数内所述数据库中均未识别到具有重复特征信息的交通标志牌判断为盘亏。
8.一种交通资产的盘点方法，其特征在于，包括：
识别模块，用于根据图像采集设备在目标路段进行拍摄得到的视频流，从所述视频流中识别出包含交通标志牌的目标图片；
确定模块，用于根据识别出所述目标图片时所述图像采集设备的设备位置信息，确定所述交通标志牌的标志位置信息；
获取模块，用于对所述目标图片进行文字识别，获取所述目标图片中的交通标志牌对应的文字信息；
比对模块，用于将所述目标图片、所述标志位置信息以及所述文字信息作为所述交通标志牌的特征信息，并将新识别到的所述交通标志牌的特征信息与数据库中已存储的交通标志牌的特征信息进行比对；
处理模块，用于根据比对结果，对所述数据库中存储的已知的交通标志牌的特征信息进行更新。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的交通资产的盘点方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的交通资产的盘点方法。
CN202210806166.7A 2022-07-08 2022-07-08 交通资产的盘点方法、装置、介质及电子设备 Pending CN115273025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210806166.7A CN115273025A (zh) 2022-07-08 2022-07-08 交通资产的盘点方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210806166.7A CN115273025A (zh) 2022-07-08 2022-07-08 交通资产的盘点方法、装置、介质及电子设备

Publications (1)

Publication Number Publication Date
CN115273025A true CN115273025A (zh) 2022-11-01

Family

ID=83765150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210806166.7A Pending CN115273025A (zh) 2022-07-08 2022-07-08 交通资产的盘点方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN115273025A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575878A (zh) * 2023-11-16 2024-02-20 杭州众诚咨询监理有限公司 交通设施资产数据智能管理方法、装置、电子设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575878A (zh) * 2023-11-16 2024-02-20 杭州众诚咨询监理有限公司 交通设施资产数据智能管理方法、装置、电子设备和介质
CN117575878B (zh) * 2023-11-16 2024-04-26 杭州众诚咨询监理有限公司 交通设施资产数据智能管理方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN107945198B (zh) 用于标注点云数据的方法和装置
CN110705405B (zh) 目标标注的方法及装置
CN108280477B (zh) 用于聚类图像的方法和装置
US7778447B2 (en) Method and device for mobile object information management, and computer product
CN110569856B (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN109284801B (zh) 交通指示灯的状态识别方法、装置、电子设备及存储介质
CN112432650B (zh) 高精地图数据的获取方法、车辆控制方法以及设备
CN111178357B (zh) 车牌识别方法、系统、设备和存储介质
CN112712036A (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN115273025A (zh) 交通资产的盘点方法、装置、介质及电子设备
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN113902740A (zh) 图像模糊程度评价模型的构建方法
CN112418026A (zh) 基于视频检测的车辆违章检测方法、系统和装置
CN114821513B (zh) 一种基于多层网络的图像处理方法及装置、电子设备
CN113902047B (zh) 图像元素匹配方法、装置、设备以及存储介质
CN107084728B (zh) 用于检测数字地图的方法和装置
CN115019511A (zh) 基于自动驾驶车辆的识别机动车违规变道的方法和装置
CN114119953A (zh) 快速车牌定位和矫正方法、存储介质及设备
CN111383337A (zh) 用于识别对象的方法和装置
CN115439838A (zh) 遮挡号牌车辆的识别方法、装置、电子设备和介质
CN111401224B (zh) 目标检测方法、装置及电子设备
US20230260257A1 (en) Iterative refinement of annotated datasets
CN111523409B (zh) 用于生成位置信息的方法和装置
CN117633277A (zh) 资产核实方法、装置、计算机可读介质及电子设备
Singh et al. Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions

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