CN115512331A - 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 - Google Patents
一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115512331A CN115512331A CN202211214338.8A CN202211214338A CN115512331A CN 115512331 A CN115512331 A CN 115512331A CN 202211214338 A CN202211214338 A CN 202211214338A CN 115512331 A CN115512331 A CN 115512331A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- data
- training
- sign detection
- detection model
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种交通标志检测方法,包括采集真实场景图像数据并标注生成原始标注数据;基于所述原始标注数据生成样本数据;构建初始交通标志检测模型;利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,其中,训练包括在线难样本挖掘与数据增强相融合的训练方法;采用所述交通标志检测模型对待检测交通标志图像进行检测。通过基于真实场景图像数据生成样本数据,并且在训练中加入在线难样本挖掘与数据增强相融合的训练方法,改善了训练样本位置、尺度、类别分布不均衡的问题,同时降低了数据采集和人工标注的工作量。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种交通标志检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
交通标志检测是基于道路场景图像数据结合计算机视觉图像处理算法,实现图像中交通标志的检测与识别,包括交通标志在图像中的位置和所属类别。交通标志检测在地图数据获取或自动驾驶等领域有着十分重要的研究与应用价值。
早期训练交通标志图像识别模型时,比较常用的方法是:基于深度学习目标检测算法,将自然场景图像作为训练样本得到交通标志图像识别模型,以获得交通标志在图像中的位置和所属类别。在实际应用场景中,标志牌磨损、反光、遮挡等因素,雨雪雾等极端天气因素,均会导致交通标志图像识别模型准确率降低;形状相似的背景、轮廓相似的交通标志、低分辨率交通标志都会导致模型出现误检或误识别情况;部分交通标志并不常见,训练数据容易出现分布不均衡问题,这些问题都仍然有待完善与解决。
发明内容
本发明的目的在于提供一种交通标志检测方法、装置、计算机设备及计算机可读存储介质,旨在解决现有技术中真实场景训练样本位置、尺度、和类别分布不均衡,以及相似交通标志牌识别准确率有待提升的问题。
第一方面,本发明提供了一种交通标志检测方法,包括:
S101、采集真实场景图像数据并标注生成原始标注数据;
S102、基于所述原始标注数据生成样本数据;
S103、构建初始交通标志检测模型;
S104、利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,其中,训练包括在线难样本挖掘与数据增强相融合的训练方法;
S105、采用所述交通标志检测模型对待检测交通标志图像进行检测。
第二方面,本发明提供了一种交通标志检测装置,包括:
数据采集与标注模块,用于采集真实场景图像数据并标注生成原始标注数据;
样本数据生成模块,用于基于所述原始标注数据生成样本数据;
构建模块,用于构建初始交通标志检测模型;
训练模块,用于利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,其中,训练包括在线难样本挖掘与数据增强相融合的训练方法;
检测模块,用于采用所述交通标志检测模型对待检测交通标志图像进行检测。
第三方面,本发明提供了一种计算机设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现如上所述的交通标志检测方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的交通标志检测方法的步骤。
本发明通过采集真实场景图像数据进行数据生成,构建基于Yolox交通标志检测模型,在模型训练中加入在线难样本挖掘与数据增强相融合的训练方法,改善了训练样本位置、尺度、类别分布不均衡的问题,同时降低了数据采集和人工标注的工作量。还将Yolox中的二分类损失函数替换为多分类损失函数,并且基于分类难度和分辨率难度两个因素引入样本惩罚系数项,促使模型训练中更多关注分类难度较高和低分辨率的样本识别,从而提升了模型精细分类能力。
附图说明
图1是本发明实施例一提供的交通标志检测方法的流程图;
图2是本发明实施例二提供的交通标志检测装置的功能模块框图;
图3是本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
如图1所示,本发明实施例一提供了一种交通标志检测方法100,基于Yolox目标检测算法用于识别交通标志,包括以下步骤:
S101、采集真实场景图像数据并标注生成原始标注数据。具体地,利用行车记录仪等摄像头设备采集实际道路场景数据,这些数据中包含雨雪雾、异物遮挡、强光/弱光照射等特殊情况下的图片,然后使用LabelImg软件进行标注。标注内容包括交通标志在图像中的位置和所属类别,标注完成后的图像数据可以以xml文件格式存储。
S102、基于原始标注数据生成样本数据。原始标注数据会存在目标位置、尺度、类别分布不均衡的问题,即在图像边缘、小目标或大目标数量较少,不常见交通标志数量较少,因此需要对原始标注数据进行处理后生成样本数据,缓解原先的样本数据位置、尺度、类别分布不均衡等问题。具体地,步骤S102包括以下步骤:
S1021、选择包含交通标志的图片进行抠图获取交通标志小图,具体地,首选在已采集的真实场景图像中选择包含交通标志的图像,然后进行抠图,即将包含交通标志的图像中的交通标志部分图片抠取出来作为单独的一张图片作为交通标志小图,此图片仅包含一种类型的交通标志;
S1022、获取背景图片并基于背景图片对交通标志小图进行效果变换,具体地,从原始标注数据中选择包含图像边缘、小目标、或大目标中的至少一种场景数据作为背景图片,结合背景图片亮度和/或对比度等特点,对交通标志小图进行添加噪声、亮度变换、锐化、或尺寸变换中的至少一种效果变换;
S1023、将效果变换后的交通标志小图替换背景图片中的交通标志,生成样本数据。所生成的样本数据同样包括融合后的图片数据和存储标签信息的xml文件,样本数据的具体生成数量与比例可根据基础数据样本量进行选择。这样生成的数据可以保证交通标志与天、树、马路等背景相对位置的真实性,避免对模型训练引入干扰。
S103、构建初始交通标志检测模型。参考Yolox算法使用Pytorch深度学习框架搭建基础模型,然后将基础模型中的二分类损失函数替换为多分类损失函数,基于类别难度和分辨率难度两个因素,引入样本惩罚系数项,促使模型训练中更多关注类别难度较高和低分辨率的样本识别,从而提升模型精细分类能力。具体地,步骤S103包括以下步骤:
S1031、基于Yolox算法使用Pytorch深度学习框架搭建基础模型。
S1032、构建多分类损失函数,具体地,基于改进的余弦交叉熵损失函数(cosineSoftmax loss)生成分类损失函数,以Wj表示当前类别权重向量、j为类别序号,即第j个类别,x表示特征向量,cosθj为Wj和x之间的夹角,||Wj||为Wj的L2归一化(Normalization)项,||x||为特征向量x的L2归一化(Normalization)项,s表示x和权重Wj做L2归一化(Normalization)缩放后的值,则:
Wj Tx=||Wj||||x||cosθj=s cosθj 公式(1)
以N表示样本数,m为边缘(margin)阈值,α为惩罚系数项、i表示第i个样本,i是大于等于1且小于等于N的整数,αi为第i个样本的惩罚系数,多分类损失函数Lcos具体形式如下:
由于不同交通标志分类难度存在差异,细节较复杂的或存在相似标志的类别容易出现误分类情况,并且目标的分辨率大小同样会影响分类准确率,所以本发明在余弦交叉熵损失函数(cosine Softmax loss)基础上加入惩罚系数项α,具体为:
β为样本所属类别难度系数,训练前可由人根据经验设置,γ超参为分辨率难度系数,由场景整图面积与目标交通标志图面积比值决定。即:αi为第i个样本惩罚系数,βi为第i个样本所属类别难度系数,γi为第i个样本超参为分辨率难度系数,W为场景整图宽度、H为场景整图高度,wi为第i个目标交通标志图宽度、hi为第i个目标交通标志图高度。
S1033、将基础模型中的二分类损失函数替换为多分类损失函数。
S1034、修正样本数据并划分训练集与测试集,为同时保证模型精度和网络输入的像素标准要求,将输入大小为1080*1920的场景图像使用灰度补全为1920*1920、并改变尺寸到1664*1664,数据集中的样本数据按照训练集:测试集为8:2的比例进行随机划分。
S1035、设置Yolox基础模型参数,由于步骤S1034中所选择的输入尺寸较大,为保证模型效率,将Yolox的基础模型选择Yolox-s版本,depth和width参数可以取0.33和0.50,设置数据增强参数mosaic_prob为1.0、mixup_prob为1.0、flip_prob为0、mosaic_scale为(0.8,1.6)、mixup_scale为(0.1,2)。由于部分交通标志图是区分左右方向(如:禁止左转和禁止右转),因此训练时flip_prob设置为0;由于部分交通标志图除颜色外外观基本相同,因此关闭颜色相关数据增强效果。
S1036、设置训练相关参数,根据服务器GPU配置以及模型输入尺寸大小设置训练相关参数,具体地,warmup epoch取3,max epoch设置为70,batch_size取12,初始学习率为0.01,warmup学习率为0,学习率在每轮按指数形式下降。
S1037、训练模型并验证模型性能后生成初始交通标志检测模型,训练模型,之后使用训练好的模型对测试集图片进行推理,结合标签比较,以各个类别平均精度mAP作为模型评价指标,保存最优mAP模型作为初始交通标志检测模型。
S104、利用样本数据训练初始交通标志检测模型,训练结束后生成交通标志检测模型。原有的Yolox分为两个训练阶段,本发明在这两个阶段中加入在线难样本挖掘与数据增强相融合的训练方法,采取三阶段训练方式,第一训练阶段是在Yolox常规迭代训练中加入数据增强操作,第二阶段训练,在线难样本挖掘后进行数据增强相融合的训练方法,进一步提升模型性能和改善数据分布不均衡问题。在第三训练阶段,关闭数据增强操作进行迭代训练,降低数据增强对模型引入的噪声干扰。三阶段训练过程具体如下:
第一阶段,基于原始标注数据加入Mosaic、Mixup、随机缩放、随机翻转、中心剪裁、亮度变换、或对比度变换中的至少一种数据增强操作,将增强后的数据作为输入进行模型训练,训练后得到第一阶段交通标志检测模型。具体是,在每个epoch训练后进行测试,保存最优mAP值模型,训练过程中连续5个epoch loss不再下降且测试精度不再提升,则进行提前结束(early_stopping)本阶段训练。结合数据量选择epoch个数,例如数据量在2万左右选择迭代50个epoch后结束第一阶段训练,从而得到第一阶段交通标志检测模型,应当理解的是,当数据量增加或减少时,epoch个数相应进行增减;
第二阶段,在线难样本挖掘后进行数据增强操作后作为输入进行模型训练,具体是,将每个batch样本数据通过第一阶段交通标志检测模型计算定位和分类损失(loss)值,并对综合损失(loss)值进行排序,选择综合损失值最大的n(n为预先设置的值,例如n为6)个样本作为难样本,进行与第一阶段同样的数据增强操作,并将生成的数据和标签信息作为新的输入,完成后续的模型训练。在每个epoch训练后进行测试,保存最优mAP值模型,训练过程中连续3个epoch loss不再下降且测试精度不再提升,则进行提前结束(early_stopping)本阶段训练。结合数据量选择epoch个数,例如数据量在2万左右选择迭代10个epoch后结束本阶段训练,得到第二阶段交通标志检测模型;
第三阶段,关闭所有数据增强操作,使用原始标注数据作为输入,完成最后10个epoch的迭代,同样在每个epoch训练后进行测试,保存最优mAP值模型,得到的最终模型作为交通标志检测模型。
S105、采用交通标志检测模型对待检测交通标志图像进行检测。
实施例二:
本发明实施例二提供了一种交通标志检测装置200,包括:
数据采集与标注模块201,用于采集真实场景图像数据并标注生成原始标注数据;
样本数据生成模块202,用于基于所述原始标注数据生成样本数据;
构建模块203,用于构建初始交通标志检测模型;
训练模块204,用于利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,其中,训练包括在线难样本挖掘与数据增强相融合的训练方法;
检测模块205,用于采用所述交通标志检测模型对待检测交通标志图像进行检测。
本发明实施例二提供的交通标志检测装置及本构建初始交通标志检测模型发明实施例一提供的交通标志检测方法属于同一构思,其具体实现过程详见说明书全文,此处不再赘述。
实施例三:
如图3所示,本发明实施例三提供了一种计算机设备300,包括:
一个或多个处理器301;
存储器302;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现如实施例一提供的交通标志检测方法的步骤。
实施例四:
本发明实施例四提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一提供的交通标志检测方法的步骤。
在本发明中,通过采集真实场景图像数据进行数据生成,构建基于Yolox交通标志检测模型,在模型训练中加入在线难样本挖掘与数据增强相融合的训练方法,改善了训练样本位置、尺度、类别分布不均衡的问题,同时降低了数据采集和人工标注的工作量。还将Yolox中的二分类损失函数替换为多分类损失函数,并且基于分类难度和分辨率难度两个因素引入样本惩罚系数项,促使模型训练中更多关注分类难度较高和低分辨率的样本识别,从而提升了模型精细分类能力。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种交通标志检测方法,其特征在于,所述方法包括:
S101、采集真实场景图像数据并标注生成原始标注数据;
S102、基于所述原始标注数据生成样本数据;
S103、构建初始交通标志检测模型;
S104、利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,其中,训练包括在线难样本挖掘与数据增强相融合的训练方法;
S105、采用所述交通标志检测模型对待检测交通标志图像进行检测。
2.如权利要求1所述的方法,其特征在于,所述基于所述原始标注数据生成样本数据,包括:
选择包含交通标志的图片进行抠图获取交通标志小图;
获取背景图片并基于所述背景图片对所述交通标志小图进行效果变换;和
将效果变换后的交通标志小图替换所述背景图片中的交通标志生成所述样本数据。
3.如权利要求2所述的方法,其特征在于,所述获取背景图片并基于所述背景图片对所述交通标志小图进行效果变换,具体是:
从所述原始标注数据中选择包含图像边缘、小目标、或大目标中的至少一种场景数据作为背景图片,结合所述背景图片的亮度和/或对比度,对所述交通标志小图进行添加噪声、亮度变换、锐化、或尺寸变换中的至少一种效果变换。
4.如权利要求1所述的方法,其特征在于,所述构建初始交通标志检测模型,包括:
基于Yolox算法使用Pytorch深度学习框架搭建基础模型;
构建多分类损失函数;
将所述基础模型中的二分类损失函数替换为所述多分类损失函数;
修正所述样本数据并划分训练集与测试集;
设置所述基础模型的参数;
设置训练相关参数;
训练模型并验证模型性能后生成初始交通标志检测模型;
其中,所述多分类损失函数是:
5.如权利要求1所述的方法,其特征在于,所述利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,训练包括三个阶段,具体是:
第一阶段,基于所述原始标注数据加入数据增强操作,将增强后的数据作为输入进行模型训练,训练完成后得到第一阶段交通标志检测模型;
第二阶段,在线难样本挖掘后进行所述数据增强操作后作为输入进行模型训练;
第三阶段,关闭所有数据增强操作,使用所述原始标注数据作为输入完成迭代训练,训练完成后得到所述交通标志检测模型。
6.如权利要求5所述的方法,其特征在于,所述在线难样本挖掘具体是:将每个batch样本数据通过所述第一阶段交通标志检测模型计算定位和分类损失值,并对综合损失值进行排序,选择综合损失值最大的n个样本作为难样本,其中n为预先设置的值。
7.如权利要求5所述的方法,其特征在于,所述数据增强操作是Mosaic、Mixup、随机缩放、随机翻转、中心剪裁、亮度变换、或对比度变换中的至少一种。
8.一种交通标志检测装置,其特征在于,所述装置包括:
数据采集与标注模块,用于采集真实场景图像数据并标注生成原始标注数据;
样本数据生成模块,用于基于所述原始标注数据生成样本数据;
构建模块,用于构建初始交通标志检测模型;
训练模块,用于利用所述样本数据训练所述初始交通标志检测模型,训练结束后生成交通标志检测模型,其中,训练包括在线难样本挖掘与数据增强相融合的训练方法;
检测模块,用于采用所述交通标志检测模型对待检测交通标志图像进行检测。
9.一种计算机设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的交通标志检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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任一项所述的交通标志检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211214338.8A CN115512331A (zh) | 2022-09-30 | 2022-09-30 | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211214338.8A CN115512331A (zh) | 2022-09-30 | 2022-09-30 | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115512331A true CN115512331A (zh) | 2022-12-23 |
Family
ID=84508226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211214338.8A Pending CN115512331A (zh) | 2022-09-30 | 2022-09-30 | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512331A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744745A (zh) * | 2023-12-29 | 2024-03-22 | 江苏理工学院 | 一种基于YOLOv5网络模型的图像优化方法及优化系统 |
-
2022
- 2022-09-30 CN CN202211214338.8A patent/CN115512331A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744745A (zh) * | 2023-12-29 | 2024-03-22 | 江苏理工学院 | 一种基于YOLOv5网络模型的图像优化方法及优化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
Al-Shemarry et al. | Ensemble of adaboost cascades of 3L-LBPs classifiers for license plates detection with low quality images | |
CN111931684B (zh) | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN102509091B (zh) | 一种飞机尾号识别方法 | |
CN105069481B (zh) | 基于空间金字塔稀疏编码的自然场景多标记分类方法 | |
Zhang et al. | CDNet: A real-time and robust crosswalk detection network on Jetson nano based on YOLOv5 | |
CN104361313B (zh) | 一种基于多核学习异构特征融合的手势识别方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN109711448A (zh) | 基于判别关键域和深度学习的植物图像细粒度分类方法 | |
CN108427919B (zh) | 一种基于形状引导显著性模型的无监督油罐目标检测方法 | |
CN109977899B (zh) | 一种物品识别的训练、推理以及增加新种类的方法和系统 | |
CN109753962B (zh) | 基于混合网络的自然场景图像中文本区域的处理方法 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN112232371A (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN109858570A (zh) | 图像分类方法及系统、计算机设备及介质 | |
CN111259733A (zh) | 一种基于点云图像的船舶识别方法及装置 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN115512331A (zh) | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 | |
CN114550134A (zh) | 基于深度学习的交通标志检测与识别方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 |
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 |