CN116311193A - 交通灯检测方法、计算机设备和汽车 - Google Patents

交通灯检测方法、计算机设备和汽车 Download PDF

Info

Publication number
CN116311193A
CN116311193A CN202111555895.1A CN202111555895A CN116311193A CN 116311193 A CN116311193 A CN 116311193A CN 202111555895 A CN202111555895 A CN 202111555895A CN 116311193 A CN116311193 A CN 116311193A
Authority
CN
China
Prior art keywords
traffic light
inner frame
model
light detection
image
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
CN202111555895.1A
Other languages
English (en)
Inventor
覃小艺
闵欢
刘文如
张剑锋
王玉龙
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 Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group 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 Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202111555895.1A priority Critical patent/CN116311193A/zh
Publication of CN116311193A publication Critical patent/CN116311193A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种交通灯检测方法、计算机设备和汽车。该方法包括：获取待检测交通灯图像；采用预先训练的目标交通灯检测模型，将待检测交通灯图像划分为N个网格进行识别，输出每个网格对应的M个尺度对应的交通灯检测结果，每一交通灯检测结果包括外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状，外框位置包括交通灯外框相对于网格的中心位置及宽高偏移量，内框位置包括交通灯内框相对于网格的中心位置及宽高偏移量，N≥2，M≥2。该方法可保障交通灯检测的准确率和效率。

Description

交通灯检测方法、计算机设备和汽车
技术领域
本发明涉及人工智能技术领域，尤其涉及一种交通灯检测方法、计算机设备和汽车。
背景技术
交通灯检测是无人驾驶与辅助驾驶技术中不可或缺的一部分，其识别精度直接关系到智能驾驶的安全。当前交通灯检测技术主要分为传统方法和深度学习方法，这两种检测方法均存在效率低和准确性低的问题。
发明内容
本发明实施例提供一种交通灯检测方法、计算机设备和汽车，以解决现有交通灯检测存在效率低和准确性低的问题。
本发明实施例提供一种交通灯检测方法，包括：
获取待检测交通灯图像；
采用预先训练的目标交通灯检测模型，将所述待检测交通灯图像划分为N个网格进行识别，输出每个网格对应的M个尺度对应的交通灯检测结果，每一所述交通灯检测结果包括外框置信度、外框位置和至少一个内框属性，每一所述内框属性包括内框置信度、内框位置、内框颜色和内框形状，所述外框位置包括交通灯外框相对于所述网格的中心位置及宽高偏移量，所述内框位置包括交通灯内框相对于所述网格的中心位置及宽高偏移量，N≥2，M≥2。
优选地，所述交通灯检测方法还包括：
根据所述交通灯检测结果，确定所述待检测交通灯图像是否包含数字形状；
若所述待检测交通灯图像包含数字形状，则采用预先设置的倒计时识别模型，对所述待检测交通灯图像进行识别，获取交通灯倒计时。
优选地，所述采用预先设置的倒计时识别模型，对所述待检测交通灯图像进行识别，获取交通灯倒计时，包括：
对所述待检测交通灯图像中的数字形状区域进行裁剪，获取有效交通灯图像；
根据所述有效交通灯图像，获取至少一个有效数字图像；
采用预先设置的倒计时识别模型，对至少一个所述有效数字图像进行识别，获取交通灯倒计时。
优选地，所述根据所述有效交通灯图像，获取至少一个有效数字图像，包括：
获取所述有效交通灯图像对应的有效宽高比，将所述有效宽高比与宽高比阈值进行比较；
若所述有效宽高比小于宽高比阈值，则将所述有效交通灯图像确定为有效数字图像；
若所述有效宽高比不小于宽高比阈值，则将所述有效交通灯图像分割为至少两个有效数字图像。
优选地，所述采用预先设置的倒计时识别模型，对至少一个所述有效数字图像进行识别，获取交通灯倒计时，包括：
采用倒计时识别模型，对每一所述有效数字图像进行识别，获取所有标准数字的识别置信度；
根据所有所述标准数字的识别置信度，获取所述有效数字图像对应的有效数字；
根据至少一个所述有效数字图像对应的有效数字，获取交通灯倒计时。
优选地，所述根据所有所述标准数字的识别置信度，获取所述有效数字图像对应的有效数字，包括：
从至少一个所述标准数字的识别置信度，选取识别置信度较大的前M个标准数字对应的标准数字图像；
对所述有效数字图像和每一所述标准数字对应的标准数字图像进行结构相似度判断，获取所述标准数字对应的结构相似度；
根据所述标准数字对应的识别置信度和结构相似度，获取所述标准数字对应的目标识别概率；
将所述目标识别概率最高的标准数字，确定为所述有效数字图像对应的有效数字。
优选地，所述交通灯检测方法还包括：
获取模型训练样本，将所述模型训练样本划分为训练集和测试集；所述模型训练样本包括训练交通灯图像和训练标签，所述训练标签包括外框置信度、外框位置和至少一个内框属性，每一所述内框属性包括内框置信度、内框位置、内框颜色和内框形状；
将所述训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取原始交通灯检测模型；
采用所述测试集中的模型训练样本对所述原始交通灯检测模型进行测试，获取所述原始交通灯检测模型的识别准确率；
若所述识别准确率大于准确率阈值，则将所述原始交通灯检测模型，确定为目标交通灯检测模型。
优选地，所述将所述训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取原始交通灯检测模型，包括：
将所述训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取所述模型训练样本对应的识别标签；
根据所有模型训练样本对应的识别标签和训练标签，计算置信度损失值、位置损失值和类别损失值，所述置信度损失值为所述外框置信度和所述内框置信度对应的损失值，所述位置损失值为所述外框位置和所述内框位置对应的损失值，所述类别损失值为所述内框颜色和所述内框形状对应的损失值；
根据所述置信度损失值、所述位置损失值和所述类别损失值，评估满足模型收敛条件时，获取原始交通灯检测模型。
本发明实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述交通灯检测方法。
本发明实施例提供一种汽车，包括摄像模块和车载控制器，所述摄像模块，用于采集待检测交通灯图像，并将待检测交通灯图像发送给车载控制器，所述车载控制器，用于执行上述交通灯检测方法。
本发明实施例提供的交通灯检测方法、计算机设备和汽车中，采用目标交通灯检测模型对待检测交通灯图像进行识别，可使其交通灯检测结果包含交通灯外框对应的置信度和位置，以及至少一个交通灯内框对应的内框属性，其内框属性包括置信度、位置、颜色和形状等信息，有助于提高交通灯检测的通用性和准确性。而且，采用目标交通灯检测模型对待检测交通图像进行检测时，需采用N个网格进行识别，可输出每个网格对应的M个尺度对应的交通灯检测结果，使其输出结果覆盖面较广且结果更准确，有助于保障交通灯检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中交通灯检测方法的一流程图；
图2是本发明一实施例中交通灯检测方法的一流程图；
图3是本发明一实施例中交通灯检测方法的另一流程图；
图4是本发明一实施例中交通灯检测方法的另一流程图；
图5是本发明一实施例中交通灯检测方法的另一流程图；
图6是本发明一实施例中交通灯检测方法的另一流程图；
图7是本发明一实施例中交通灯检测方法的另一流程图；
图8是本发明一实施例中交通灯检测方法的另一流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种交通灯检测方法，该交通灯检测方法可应用在计算机设备上，该计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现交通灯检测方法。本示例中，该计算机设备可以为设置在汽车上的车载控制器，也可以是其他设备。
在一实施例中，如图1所示，提供一种交通灯检测方法，以该交通灯检测方法应用在计算机设备为例进行说明，该计算机设备可以为设置在汽车上的车载控制器。该交通灯检测方法包括如下步骤：
S101：获取待检测交通灯图像；
S102：采用预先训练的目标交通灯检测模型，将待检测交通灯图像划分为N个网格进行识别，输出每个网格对应的M个尺度对应的交通灯检测结果，每一交通灯检测结果包括外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状，外框位置包括交通灯外框相对于网格的中心位置及宽高偏移量，内框位置包括交通灯内框相对于网格的中心位置及宽高偏移量，N≥2，M≥2。
其中，待检测交通灯图像是指需要进行检测的交通灯图像。
作为一示例，步骤S101中，计算机设备可获取当前时刻采集到的待检测交通灯图像，以便检测识别待检测交通灯图像中的交通灯检测结果。本示例中，在计算机设备为设置在汽车上的车载控制器时，车载控制器与摄像头相连，可接收摄像头实时拍摄汽车正前方的待检测交通灯图像，以识别该待检测交通灯图像中的交通灯检测结果，以根据交通灯检测结果辅助车辆智能驾驶。
其中，外框置信度是用于反映交通灯外框是否亮灯的信息，交通灯检测结果中的外框置信度可理解为待测交通灯图像中的交通灯外框是否亮灯的真实置信度。外框位置是用于反映交通灯外框相对于预设检测框的中心位置及宽高偏移量的信息，交通灯检测结果中的外框位置可理解为待测交通灯图像中的交通灯外框与预设检测框的真实位置。内框属性是指交通灯内框对应的属性。内框置信度是用于反映交通灯内框是否亮灯的信息，交通灯检测结果中的内框置信度可理解为待测交通灯图像中的交通灯内框的真实信息。内框位置是用于反映交通灯内框相对于预设检测框的中心位置及宽高偏移量的信息，交通灯检测结果中的内框位置可理解为待测交通灯图像中的交通灯内框的真实位置。内框颜色是用于反映交通灯内框的颜色的信息，交通灯检测结果中的内框颜色可理解为待测交通灯图像中的交通灯内框的真实颜色。内框形状是用于反映交通灯内框的形状的信息，交通灯检测结果中的内框形状可理解为待测交通灯图像中的交通灯内框的真实形状。
作为一示例，步骤S102中，计算机设备在获取到待检测交通灯图像之后，可调用预先设置的目标交通灯检测模型，对待检测交通灯图像进行识别，以获取交通灯检测结果。本示例中，采用目标交通灯检测模型，将待检测交通灯图像划分为N(N≥2)个网格进行识别，输出每个网格对应的M(M≥2)个尺度对应的交通灯检测结果。该交通灯检测结果包含外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状。
在一具体示例中，在目标交通灯检测模型为YOLOv3构建的用于进行交通灯检测的模型时，采用基于YOLOv3构建的目标交通灯检测模型，对待检测交通灯图像进行检测时，可将待检测交通灯图像划分为3个不同尺度的网格，每个网格可输出相对于不同尺度的预设检测框的交通灯检测结果，例如，每个网格可输出19*19、38*38和76*76三个不同尺度的交通灯检测结果，每一交通灯检测结果中包括外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状。外框置信度和内框置信度可采用1位数字表示，例如，1表示亮灯，0表示不亮灯。外框位置和内框位置可采用4位数字表示，分别交通灯外框和交通灯内框相对于预设检测框的中心位置及其宽高偏移量；内框颜色可采用4位数字表示，例如，0表示红灯，1表示黄灯，2表示绿灯；其内框形状可采用13位数字表示，例如，0表示圆形，1表示直行，2表示左转，3表示右转，4表示调头，5表示直行左转，6表示直行右转，7表示允许通行(绿灯箭头向下)，8表示禁止通行，9表示数字，10表示矩形灯，11表示自行车，12表示行人。
一般来说，每个交通灯最多包括3个内框，则其输出的每个交通灯检测结果均包括交通灯外框对应的外框置信度(1位)和外框位置(4位)、以及3个交通灯内框对应的内框置信度(1位)、内框位置(4位)、内框颜色(3位)和内框形状(13位)等属性，即输出的每个交通灯检测结果均包括68位数值，也就是每个网格输出3个不同尺度的交通灯检测结果为204位数值。此处的外框位置和内框位置，可以理解为交通灯外框和交通灯内框，相对于预设检测框的中心位置及宽高位移量等信息。在交通灯检测过程中，3个交通灯内框按亮灯区域由上至下，或者由左至右排列，若亮灯区域数量不足3个，例如，只有一个交通灯内框时，可检测出第1个交通灯内框的内框置信度为1，后面2个交通灯内框的内框置信度为0。在目标交通灯检测模型进行检测过程中，需采用3*3＝9个不同宽高的预设检测框，可将待检测交通图像划分为3个不同尺度的网格，每个网格需输出3个不同尺度的交通灯检测结果。
本示例中，采用目标交通灯检测模型，对待检测交通图像进行检测时，若待检测交通灯图像中的交通灯位置距离第i个网格的第j个预设检测框的偏差最小，则采用第i个网格第j个预设检测框对该交通灯进行检测。此处的预设检测框是当前时刻之前，对数据集的所有目标检测框的长宽进行聚类，选择9个聚点值，确定为预设检测框。9个预设检测框应包含3种不同大小等级，应有3种不同的网格划分尺寸的输出，比如19*19的网格较大，负责检测面积较大的框，76*76的网格较小，检测小框的效果较好，有助于保障交通灯检测结果的准确性。
本实施例所提供的交通灯检测方法，采用目标交通灯检测模型对待检测交通灯图像进行识别，可使其交通灯检测结果包含交通灯外框对应的置信度和位置，以及至少一个交通灯内框对应的内框属性，其内框属性包括置信度、位置、颜色和形状等信息，有助于提高交通灯检测的通用性和准确性。而且，采用目标交通灯检测模型对待检测交通图像进行检测时，需采用N个网格进行识别，可输出每个网格对应的M个尺度对应的交通灯检测结果，使其输出结果覆盖面较广且结果更准确，有助于保障交通灯检测结果的准确性。
在一实施例中，如图2所示，交通灯检测方法还包括：
S201：根据交通灯检测结果，确定待检测交通灯图像是否包含数字形状；
S202：若待检测交通灯图像包含数字形状，则采用预先设置的倒计时识别模型，对待检测交通灯图像进行识别，获取交通灯倒计时。
其中，数字形状是指在交通灯上显示的数字的形状属性，该数字形状一般应用在有交通灯倒计时的场景。
作为一示例，步骤S201中，计算机设备在获取交通灯检测结果之后，可从交通灯检测结果中，提取数字属性位置对应的识别特征值，若识别特征值为目标特征值，则确定待检测交通灯图像中包含数字形状；若待识别特征值不为目标特征值，则确定待检测交通灯图像中不包含数字形状。其中，数字属性位置用于反映数字属性在交通灯检测结果中的位置。识别特征值是指交通灯检测结果中，与数字属性位置相对应的特征值，可以为0或1。目标特征值是用于反映待检测交通灯图像存在数字形状的特征值，例如，用1表示存在数字形状。
例如，在获取目标交通灯检测模型输出的交通灯检测结果中，外框置信度和内框置信度采用1位数字表示，例如，1表示亮灯，0表示不亮灯。外框位置和内框位置采用4位数字表示，分别交通灯外框和交通灯内框相对于预设检测框的中心位置及其宽高偏移量；内框颜色采用4位数字表示，例如，0表示红灯，1表示黄灯，2表示绿灯；其内框形状采用13位数字表示，例如，0表示圆形，1表示直行，2表示左转，3表示右转，4表示调头，5表示直行左转，6表示直行右转，7表示允许通行(绿灯箭头向下)，8表示禁止通行，9表示数字，10表示矩形灯，11表示自行车，12表示行人。本示例中，交通灯检测结果由68位的0/1特征值组成，其数字属性位置具体为三个内框属性中的内框形状下的第10个形状，其在交通灯检测结果中的位置为23位、44位和65位；此时，计算机设备可将交通灯检测结果中，第23位、44位和65位等位置对应的0/1特征值，确定为数字属性位置对应的识别特征值，在识别特征值为目标特征值(如1)时，可认定待检测交通灯图像包含数字形状，在识别特征值不为目标特征值(如0)时，可认定待检测交通灯图像不包含数字形状。
其中，倒计时识别模型是预先训练的用于识别交通灯倒计时的模型。可理解地，由于交通灯倒计时为数字，可采用文本识别模型作为倒计时识别模型，也可以采用MNIST数字集进行训练所确定的模型。
作为一示例，步骤S202中，计算机设备可采用预先设置的倒计时识别模型，对待检测交通灯图像中的数字形状进行识别，以确定待检测交通灯图像中的交通灯倒计时，以实现对待检测交通灯图像中的交通灯倒计时进行识别，保障交通灯检测的精确率。
在一实施例中，如图3所示，步骤S202，即若待检测交通灯图像包含数字形状，则采用预先设置的倒计时识别模型，对待检测交通灯图像进行识别，获取交通灯倒计时，包括：
S301：对待检测交通灯图像中的数字形状区域进行裁剪，获取有效交通灯图像；
S302：根据有效交通灯图像，获取至少一个有效数字图像；
S303：采用预先设置的倒计时识别模型，对至少一个有效数字图像进行识别，获取交通灯倒计时。
作为一示例，步骤S301中，计算机设备在对待检测交通灯图像进行倒计时识别过程中，可先对待检测交通灯图像中的数字形状区域进行裁剪，以裁剪出仅包含交通灯倒计时对应的数字形状区域，获取有效交通灯图像。此处的有效交通灯图像是指仅包含交通灯倒计时对应的数字形状区域的图像。
本示例中，计算机设备可采用二值化处理技术和边缘裁剪技术，对待检测交通灯图像进行二值化处理和边缘裁剪，获取仅包含交通灯倒计时对应的数字形状区域的有效交通灯图像。
作为一示例，步骤S302中，计算机设备在获取有效交通灯图像之后，可评估有效交通灯图像中的交通灯倒计时对应的倒计时数字；若倒计时数字为单一数字，例如，为0-9等数字，此时，可直接将有效交通灯图像确定为有效数字图像；若倒计时数字不为单一数字，即为至少两个单一数字的组合，例如11，此时，需对有效交通灯图像进行分割，以形成包含单一数字的有效数字图像。此处的有效数字图像可理解为仅包含单一数字的图像。
作为一示例，步骤S303中，计算机设备在根据有效交通灯图像获取至少一个有效数字图像之后，可采用倒计时识别模型，对至少一个有效数字图像进行识别，获取每一有效数字图像对应的有效数字；再对至少一个有效数字图像对应的有效数字进行拼接，获取交通灯倒计时。
可理解地，根据有效交通灯图像确定仅包含单一数字的有效数字图像，再采用倒计时识别模型对有效数字图像进行识别，可准确识别出每一有效数字图像对应的有效数字，保障所有有效数字识别的准确性和效率；最后，将所有有效数字图像对应的有效数字拼接形成交通灯倒计时，可保障交通灯倒计时识别的准确性和效率。
在一实施例中，如图4所示，步骤S302，即根据有效交通灯图像，获取至少一个有效数字图像，包括：
S401：获取有效交通灯图像对应的有效宽高比，将有效宽高比与宽高比阈值进行比较；
S402：若有效宽高比小于宽高比阈值，则将有效交通灯图像确定为有效数字图像；
S403：若有效宽高比不小于宽高比阈值，则将有效交通灯图像分割为至少两个有效数字图像。
其中，有效宽高比可理解为有效交通灯图像的宽度与高度的比值。宽高比阈值是预先设置的用于评估图像是否包含单一数字的宽高比的阈值。
作为一示例，步骤S401中，计算机设备可识别获取有效交通灯图像对应的有效宽高比，即将有效交通灯图像的宽度与高度的比值，确定为有效宽高比。然后，计算机设备可将有效交通灯图像对应的有效宽高比与预先设置的宽高比阈值进行比较，以评估有效交通灯图像是否仅包含单一数字。
作为一示例，步骤S402中，计算机设备将有效交通灯图像对应的有效宽高比与宽高比阈值进行比较，在有效宽高比小于宽高比阈值时，认定有效交通灯图像对应的有效宽高比较小，认定有效交通灯图像极可能仅包含单一数字，因此，可将有效交通灯图像确定为仅包含单一数字的有效数字图像。
作为一示例，步骤S403中，计算机设备将有效交通灯图像对应的有效宽高比与宽高比阈值进行比较，在有效宽高比不小于宽高比阈值时，认定有效交通灯图像对应的有效宽高比较大，认定有效交通灯图像不可能仅包含单一数字，即认定有效交通灯图像包含至少两个单一数字，因此，需对有效交通灯图像进行分割，获取至少两个有效数字图像。
可理解地，根据有效交通灯图像的有效宽高比与预先设置的宽高比阈值的比较结果，评估有效交通灯图像是否包含至少两个单一数字，以确定是否需要对有效交通灯图像进行分割，以获取仅包含单一数字的有效数字图像，以保障后续利用有效数字图像进行倒计时识别的准确性和效率。
在一实施例中，如图5所示，步骤S303，即采用预先设置的倒计时识别模型，对至少一个有效数字图像进行识别，获取交通灯倒计时，包括：
S501：采用预先设置的倒计时识别模型，对每一有效数字图像进行识别，获取所有标准数字的识别置信度；
S502：根据所有标准数字的识别置信度，获取有效数字图像对应的有效数字；
S501：根据至少一个有效数字图像对应的有效数字，获取交通灯倒计时。
其中，标准数字是指倒计时识别模型中预先采用的数字，例如，标准格式的0、1、2、3、4、5、6、7、8和9等数字。识别置信度是指倒计时识别模型对有效数字图像进行识别，确定其为某一标准数字的置信度/概率。
作为一示例，步骤S501中，计算机设备可采用预先设置的倒计时识别模型，对每一有效数字图像进行识别，获取倒计时识别模型对应的所有标准数字对应的识别置信度，即获取0、1、2、3、4、5、6、7、8和9等标准数字对应的识别置信度。
作为一示例，步骤S502中，计算机设备在获取所有标准数字对应的识别置信度之后，可采用预先配置的目标筛选策略，对所有标准数字对应的识别置信度进行筛选处理，将满足筛选条件的识别置信度对应的标准数字，确定为有效数字图像对应的有效数字。此处的目标筛选策略是预先设置的用于筛选确定有效数字的策略。例如，计算机设备执行目标筛选策略，可从对所有标准数字对应的识别置信度中，选取识别置信度最高的标准数字，确定为有效数字；或者可从所有标准数字对应的识别置信度中，选取大于置信度阈值的识别置信度对应的标准数字，确定为有效数字。
作为一示例，步骤S503中，计算机设备在获取到至少一个有效数字图像对应的有效数字之后，可依据至少一个有效数字图像的顺序，对至少一个有效数字进行拼接，获取交通灯倒计时。
可理解地，采用倒计时识别模型对有效数字图像进行识别，识别出所有标准数字对应的识别置信度，再根据识别置信度筛选确定每一有效数字图像对应的有效数字，保障所有有效数字的准确性和效率；最后，将所有有效数字图像对应的有效数字拼接形成交通灯倒计时，可保障交通灯倒计时识别的准确性和效率。
在一实施例中，如图6所示，步骤S502，即根据所有标准数字的识别置信度，获取有效数字图像对应的有效数字，包括：
S601：从至少一个标准数字的识别置信度，选取识别置信度较大的前M个标准数字对应的标准数字图像；
S602：对有效数字图像和每一标准数字对应的标准数字图像进行结构相似度判断，获取标准数字对应的结构相似度；
S603：根据标准数字对应的识别置信度和结构相似度，获取标准数字对应的目标识别概率；
S604：将目标识别概率最高的标准数字，确定为有效数字图像对应的有效数字。
其中，M为预先设置的筛选数量，例如，M可以设置为3。标准数字图像是倒计时识别模型训练过程中，包含标准数字的图像。
作为一示例，步骤S601中，计算机设备从至少一个标准数字的识别置信度，获取识别置信度较大的前M个标准数字对应的标准数字图像，也就是说，从每一有效数字图像对应的所有标准数字的识别置信度中，选取确定概率较大的前M个标准数字对应的标准数字图像。
作为一示例，步骤S602中，计算机设备可采用结构相似度(StructuralSimilarity,SSIM)算法，对有效数字图像和每一标准数字对应的标准数字图像进行结构相似度判断，获取每一标准数字对应的结构相似度，该结构相似度可以在一定程度上反映两个图像中的数字的结构相似度。例如，可采用结构相似度算法
Figure BDA0003418662000000151
其中，x和y分别指有效数字图像和标准数字图像，μ为灰度均值，σ为灰度标准差，c1和c2为用于维持稳定的常数。
作为一示例，步骤S603中，计算机设备可对每一标准数字对应的识别置信度和结构相似度进行加权处理，以获取每一标准数字对应的目标识别概率，以使目标识别概率既与倒计时识别模型识别出的识别置信度相关，又与图像中数字的形状结构相关，有助于保障交通灯倒计时识别的准确性。
作为一示例，步骤S604中，计算机设备可根据识别置信度较大的前M个标准数字对应的目标识别概率，选取目标识别概率最高的标准数字，确定为有效数字图像对应的有效数字。
可理解地，由于倒计时识别模型一般为采用手写数字图像进行模型训练所获取到的模型，而手写数字图像与LED显示的有效数字图像形态不同，对LED显示的个别相似数字(如5和6)，利用倒计时识别模型对有效数字图像进行识别，可能会出现误检，即个别相似数字对应的识别置信度差别不大，不利于准确识别其有效数字，因此，可选取识别置信度较高的前M个标准数字，利用M个标准数字对应的标准数字图像进行结构相似度验证，有助于保障算法的鲁棒性，提高识别结果的准确性。
在一实施例中，如图7所示，交通灯检测方法还包括：
S701：获取模型训练样本，将模型训练样本划分为训练集和测试集；模型训练样本包括训练交通灯图像和训练标签，训练标签包括外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状；
S702：将训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取原始交通灯检测模型；
S703：采用测试集中的模型训练样本对原始交通灯检测模型进行测试，获取原始交通灯检测模型的识别准确率；
S704：若识别准确率大于准确率阈值，则将原始交通灯检测模型，确定为目标交通灯检测模型。
其中，训练交通灯图像是用于实现模型训练的包含交通灯的图像。
其中，训练标签是在模型训练之前，给训练交通灯图像进行标注的标签。作为一示例，训练标签包括外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状。
其中，预设检测框是预先设置的检测框。
本示例中，在模型训练之前，可根据目标神经网络模型对应的多个不同尺度要求，预先设置不同的检测框，可以对当前时刻之前存在的所有检测框的长宽进行聚类，选取聚类数较多的几个检测框确定为预设检测框，以便在后续模型训练和识别过程中，选取与交通灯图像偏差最小的预设检测框进行处理，有助于提高后续处理效率和准确性。预设检测框的数量可由用户根据实际需求自主设置。考虑到交通灯检测主要应用在辅助车辆驾驶的场景下，在车辆行驶过程中，交通灯由远及近，所占图中面积有所不同，为覆盖多种情况，预设检测框的面积可以分为3种不同大小等级，而交通灯的长宽比例又有横框、竖框和正方形的区别，为覆盖多种情况，长宽比例也应该有3种不同情况，因此预设约有3*3种不同尺寸的预设检测框。由于训练集中的数据量很大，难以用主观方式总结，因此，使用聚类方法选取9个聚点对应的尺度确定预设检测框，比手动设置预设检测框的尺寸更为快速有效。由于模型设计过程中，9个预设检测框包含3种不同大小等级，可保障后续模型输出时，其可有3种不同的网格输出，可输出每个网格对应的3个尺度对应的交通灯检测结果，比如19*19的网格较大，负责检测面积较大的框，76*76的网格较小，检测小框的效果较好。
作为一示例，步骤S701中，计算机设备可从数据库中获取用于进行模型训练的训练交通灯图像，或者采用网络爬取方式获取用于进行模型训练的训练交通灯图像。接着，计算机设备可接收用户对训练交通灯图像进行标注的训练标签，基于训练交通灯图像和训练标签，确定模型训练样本。最后，计算机设备可依据特定的划分规则，对所有模型训练样本进行划分，确定训练集和测试集，例如，可依据8:2的划分比例，对所有模型训练样本进行划分，确定训练集和测试集。
本示例中，训练交通灯图像的训练标签包括外框置信度、外框位置和至少一个内框属性，每一内框属性包括内框置信度、内框位置、内框颜色和内框形状。
一般来说，外框置信度和内框置信度可采用1位数字表示，例如，1表示亮灯，0表示不亮灯。外框位置和内框位置可采用4位数字表示，分别交通灯外框和交通灯内框相对于预设检测框的中心位置及其宽高偏移量；内框颜色可采用4位数字表示，例如，0表示红灯，1表示黄灯，2表示绿灯；其内框形状可采用13位数字表示，例如，0表示圆形，1表示直行，2表示左转，3表示右转，4表示调头，5表示直行左转，6表示直行右转，7表示允许通行(绿灯箭头向下)，8表示禁止通行，9表示数字，10表示矩形灯，11表示自行车，12表示行人。每个交通灯最多包括3个交通灯内框，可依据特定顺序将外框置信度、外框位置和至少一个内框属性进行排序，并对每一内框属性国的内框置信度、内框位置、内框颜色和内框形状进行排序，形成39位的训练标签，可根据训练标签中的具体数值确定其真实信息。
本示例中，内框颜色和内框形状采用双标签标注方式，即内框颜色和内框形状分别采用单独标签，有助于减少训练标签的维度，有助于保障模型训练的快速收敛。例如，针对内框颜色可采用3位的0/1向量表示，针对内框形状可采用13位的0/1向量表示，例如，绿色可用100表示，直行可采用1000000000000表示，这种双标签标注方式，可采用3+13维表示绿色直行。相比于针对内框颜色和内框形状组合采用一个单标签标注方式，则3维的内框颜色和13维的内框形状需形成3*13维的0/1向量，例如，绿色直行：1000...000(38个0)，这种训练标签的维度较长，会影响后续模型训练的收敛速度，也会影响后续模型识别的速度。
其中，目标神经网络模型是本次进行模型训练所需采用的神经网络模型，例如，目标神经网络模型可以为YOLOv3，YOLOv3包括卷积层、归一化层和激活层等，可输出多个不同尺度的检测结果。例如，目标神经网络模型可输出19*19、38*38和76*76三个不同尺度的检测结果，分别表示将图像划分为不同尺度的网格，每个网格将输出3个相对于不同尺度的预设检测框的检测结果。本示例中，目标神经网络模型的层数和每层通道数适中，以保障最终形成的目标交通灯检测模型的识别准确率和识别效率。
其中，原始交通灯检测模型是模型训练确定的用于实现交通灯检测的模型，是未经测试的模型。
作为一示例，步骤S702中，计算机设备可将训练集中的模型训练样本输入到目标神经网络模型进行模型训练，以更新调整目标神经网络模型中的模型参数，即更新调整目标神经网络模型中的卷积层、归一化层和激活层对应的模型参数，以获取可识别交通灯检测结果的原始交通灯检测模型。可理解地，由于模型训练样本的训练标签中，内框颜色和内框形状可采用双标签标注方式，可使其训练标签的维度较短，有助于保障原始交通灯检测模型训练过程的快速收敛，提高模型训练速度。而且，训练标签包含外框置信度、外框位置和至少一个内框属性，且内框属性包括内框置信度、内框位置、内框颜色和内框形状等信息，有助于保障后续交通灯检测的准确性。
作为一示例，步骤S703中，计算机设备可将测试集中的模型训练样本输入到原始交通灯检测模型进行模型测试，获取原始交通灯检测模型输出的每一模型训练样本对应的测试结果；将模型训练样本对应的测试结果和训练标签相同，则认定该模型训练样本的测试结果准确；统计测试结果准确的模型训练样本对应的准确样本数量和测试集中所有模型训练样本的总样本数量，将准确样本数量和总样本数量的比值，确定原始交通灯检测模型的识别准确率。
其中，准确率阈值是预先设置的用于评估原始交通灯检测模型的准确率是否达标的阈值。
作为一示例，步骤S704中，计算机设备可将原始交通灯检测模型的识别准确率与预先设置的准确率阈值进行比较；若识别准确率大于准确率阈值，则认定原始交通灯检测模型的识别准确率较高，此时，可将原始交通灯检测模型确定为目标交通灯检测模型，以保障目标交通灯检测模型的识别准确率。
本实施例所提供的交通灯检测模型训练方法中，由于模型训练样本的训练标签中，内框颜色和内框形状可采用双标签标注方式，可使其训练标签的维度较短，有助于保障目标交通灯检测模型训练过程的快速收敛，提高模型训练速度。训练标签包含外框置信度、外框位置和至少一个内框属性，且内框属性包括内框置信度、内框位置、内框颜色和内框形状等信息，可保障目标交通灯检测模型可识别到交通灯外框及其内框列表，具体包括亮灯、位置、颜色和形状等信息，有助于提高交通灯检测的通用性和准确性。在模型训练过程中，只将识别准确率大于准确率阈值的原始交通灯检测模型确定为目标交通灯检测模型，有助于保障目标交通灯检测模型的识别准确率。
在一实施例中，如图8所示，步骤S702，即将训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取原始交通灯检测模型，包括：
S801：将训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取模型训练样本对应的识别标签；
S802：根据所有模型训练样本对应的识别标签和训练标签，计算置信度损失值、位置损失值和类别损失值，置信度损失值为外框置信度和内框置信度对应的损失值，位置损失值为外框位置和内框位置对应的损失值，类别损失值为内框颜色和内框形状对应的损失值；
S803：根据置信度损失值、位置损失值和类别损失值，评估满足模型收敛条件时，获取原始交通灯检测模型。
其中，识别标签是采用目标神经网络模型对模型训练样本进行处理过程中识别出的标签，是对模型训练样本进行识别预测的标签。
作为一示例，步骤S801中，计算机设备可将训练集中的模型训练样本输入到目标神经网络模型进行模型训练，可获取每一模型训练样本对应的识别标签，识别标签与训练标签格式相同，也包括外框置信度、外框位置和至少一个内框属性等信息，每一内框属性也包括内框置信度、内框位置、内框颜色和内框形状等信息。可理解地，模型训练样本的训练标签反映模型训练样本中交通灯的真实信息，而识别标签为模型训练样本中交通灯的预测信息。
作为一示例，步骤S802中，计算机设备可根据测试集中所有模型训练样本的识别标签和训练标签，计算模型损失值，此处的模型损失值包括基于外框置信度和内框置信度计算的置信度损失值，基于外框位置和内框位置计算的位置损失值，基于内框颜色和内框形状确定的类别损失值。
本示例中，可采用平方损失函数，对识别标签中的外框置信度和内框置信度，以及训练标签中的外框置信度和内框置信度进行计算，获取置信度损失值。本示例中，置信度损失值为
Figure BDA0003418662000000221
Figure BDA0003418662000000222
L0为置信度损失值，out_conf*为训练标签中的外框置信度，是模型训练样本的真实值；out_conf为识别标签中的外框置信度，是模型训练样本的预测值；in_conf*为训练标签中的内框置信度，是模型训练样本的真实值；in_conf为识别标签中的内框置信度，是模型训练样本的预测值；N为内框数量。
本示例中，可采用平方损失函数，对识别标签中的外框位置和内框位置，以及训练标签中的外框位置和内框位置进行计算，获取位置损失值。本示例中，位置损失值为
Figure BDA0003418662000000223
L1为位置损失值，out_loc*为训练标签中的外框位置，是模型训练样本的真实值；out_loc为识别标签中的外框位置，是模型训练样本的预测值；in_loc*为训练标签中的内框位置，是模型训练样本的真实值；in_loc为识别标签中的内框位置，是模型训练样本的预测值；N为内框数量。
本示例中，可采用交叉熵损失函数，对识别标签中的内框颜色和内框形状，以及训练标签中的内框颜色和内框形状进行计算，获取类别损失值。本示例中，类别损失值为
Figure BDA0003418662000000224
L2为类别损失值；Ik表示第k个内框是否亮灯区域；c*为训练标签中的内框颜色，为模型训练样本的真实值；c为识别标签中的内框颜色，为模型训练样本的预测值；s*是训练标签中的内框形状，为模型训练样本的真实值，s是识别标签中的内框形状，为模型训练样本的预测值。
作为一示例，步骤S803中，计算机设备可根据置信度损失值、位置损失值和类别损失值，评估目标神经网络模型是否满足模型收敛条件，在满足模型收敛条件时，可获取原始交通灯检测模型。本示例中，计算机设备可对置信度损失值、位置损失值和类别损失值进行加权处理，获取总损失值，在总损失值满足模型收敛条件时，采用梯度下降法对模型进行优化，即可获取原始交通灯检测模型。
可理解地，由于模型训练样本的训练标签和识别标签均包含外框置信度、外框位置和至少一个内框属性，且内框属性包括内框置信度、内框位置、内框颜色和内框形状等信息，可根据训练标签和识别标签，分别计算置信度损失值、位置损失值和类别损失值，然后，根据置信度损失值、位置损失值和类别损失值，评估是否满足模型收敛条件，只有在满足模型收敛条件时，获取训练好的原始交通灯检测模型，可保障原始交通灯检测模型可识别到交通灯外框及其内框列表，具体包括亮灯、位置、颜色和形状等信息，有助于提高交通灯检测的通用性和准确性。
在一实施例中，提供一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的交通灯检测方法，为避免重复，此处不一一赘述。
在一实施例中，提供一种汽车，包括摄像模块和车载控制器，摄像模块，用于采集待检测交通灯图像，并将待检测交通灯图像发送给车载控制器，车载控制器，用于执行上述实施例中的交通灯检测方法，为避免重复，此处不一一赘述。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种交通灯检测方法，其特征在于，包括：
获取待检测交通灯图像；
采用预先训练的目标交通灯检测模型，将所述待检测交通灯图像划分为N个网格进行识别，输出每个网格对应的M个尺度对应的交通灯检测结果，每一所述交通灯检测结果包括外框置信度、外框位置和至少一个内框属性，每一所述内框属性包括内框置信度、内框位置、内框颜色和内框形状，所述外框位置包括交通灯外框相对于所述网格的中心位置及宽高偏移量，所述内框位置包括交通灯内框相对于所述网格的中心位置及宽高偏移量，N≥2，M≥2。
2.如权利要求1所述的交通灯检测方法，其特征在于，所述交通灯检测方法还包括：
根据所述交通灯检测结果，确定所述待检测交通灯图像是否包含数字形状；
若所述待检测交通灯图像包含数字形状，则采用预先设置的倒计时识别模型，对所述待检测交通灯图像进行识别，获取交通灯倒计时。
3.如权利要求2所述的交通灯检测方法，其特征在于，所述采用预先设置的倒计时识别模型，对所述待检测交通灯图像进行识别，获取交通灯倒计时，包括：
对所述待检测交通灯图像中的数字形状区域进行裁剪，获取有效交通灯图像；
根据所述有效交通灯图像，获取至少一个有效数字图像；
采用预先设置的倒计时识别模型，对至少一个所述有效数字图像进行识别，获取交通灯倒计时。
4.如权利要求3所述的交通灯检测方法，其特征在于，所述根据所述有效交通灯图像，获取至少一个有效数字图像，包括：
获取所述有效交通灯图像对应的有效宽高比，将所述有效宽高比与宽高比阈值进行比较；
若所述有效宽高比小于宽高比阈值，则将所述有效交通灯图像确定为有效数字图像；
若所述有效宽高比不小于宽高比阈值，则将所述有效交通灯图像分割为至少两个有效数字图像。
5.如权利要求3所述的交通灯检测方法，其特征在于，所述采用预先设置的倒计时识别模型，对至少一个所述有效数字图像进行识别，获取交通灯倒计时，包括：
采用倒计时识别模型，对每一所述有效数字图像进行识别，获取所有标准数字的识别置信度；
根据所有所述标准数字的识别置信度，获取所述有效数字图像对应的有效数字；
根据至少一个所述有效数字图像对应的有效数字，获取交通灯倒计时。
6.如权利要求5所述的交通灯检测方法，其特征在于，所述根据所有所述标准数字的识别置信度，获取所述有效数字图像对应的有效数字，包括：
从至少一个所述标准数字的识别置信度，选取识别置信度较大的前M个标准数字对应的标准数字图像；
对所述有效数字图像和每一所述标准数字对应的标准数字图像进行结构相似度判断，获取所述标准数字对应的结构相似度；
根据所述标准数字对应的识别置信度和结构相似度，获取所述标准数字对应的目标识别概率；
将所述目标识别概率最高的标准数字，确定为所述有效数字图像对应的有效数字。
7.如权利要求1-6任一项所述的交通灯检测方法，其特征在于，所述交通灯检测方法还包括：
获取模型训练样本，将所述模型训练样本划分为训练集和测试集；所述模型训练样本包括训练交通灯图像和训练标签，所述训练标签包括外框置信度、外框位置和至少一个内框属性，每一所述内框属性包括内框置信度、内框位置、内框颜色和内框形状；
将所述训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取原始交通灯检测模型；
采用所述测试集中的模型训练样本对所述原始交通灯检测模型进行测试，获取所述原始交通灯检测模型的识别准确率；
若所述识别准确率大于准确率阈值，则将所述原始交通灯检测模型，确定为目标交通灯检测模型。
8.如权利要求7所述的交通灯检测方法，其特征在于，所述将所述训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取原始交通灯检测模型，包括：
将所述训练集中的模型训练样本输入到目标神经网络模型进行模型训练，获取所述模型训练样本对应的识别标签；
根据所有模型训练样本对应的识别标签和训练标签，计算置信度损失值、位置损失值和类别损失值，所述置信度损失值为所述外框置信度和所述内框置信度对应的损失值，所述位置损失值为所述外框位置和所述内框位置对应的损失值，所述类别损失值为所述内框颜色和所述内框形状对应的损失值；
根据所述置信度损失值、所述位置损失值和所述类别损失值，评估满足模型收敛条件时，获取原始交通灯检测模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，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8任一项所述交通灯检测方法。
10.一种汽车，包括摄像模块和车载控制器，所述摄像模块，用于采集待检测交通灯图像，并将待检测交通灯图像发送给车载控制器，其特征在于，所述车载控制器，用于执行权利要求1-8任一项所述交通灯检测方法。
CN202111555895.1A 2021-12-17 2021-12-17 交通灯检测方法、计算机设备和汽车 Pending CN116311193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111555895.1A CN116311193A (zh) 2021-12-17 2021-12-17 交通灯检测方法、计算机设备和汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111555895.1A CN116311193A (zh) 2021-12-17 2021-12-17 交通灯检测方法、计算机设备和汽车

Publications (1)

Publication Number Publication Date
CN116311193A true CN116311193A (zh) 2023-06-23

Family

ID=86789246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111555895.1A Pending CN116311193A (zh) 2021-12-17 2021-12-17 交通灯检测方法、计算机设备和汽车

Country Status (1)

Country Link
CN (1) CN116311193A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475411A (zh) * 2023-12-27 2024-01-30 安徽蔚来智驾科技有限公司 信号灯倒计时识别方法、计算机可读存储介质及智能设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475411A (zh) * 2023-12-27 2024-01-30 安徽蔚来智驾科技有限公司 信号灯倒计时识别方法、计算机可读存储介质及智能设备
CN117475411B (zh) * 2023-12-27 2024-03-26 安徽蔚来智驾科技有限公司 信号灯倒计时识别方法、计算机可读存储介质及智能设备

Similar Documents

Publication Publication Date Title
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
Janahiraman et al. Traffic light detection using tensorflow object detection framework
CN112712057B (zh) 交通信号识别方法、装置、电子设备及存储介质
CN106845487A (zh) 一种端到端的车牌识别方法
CN111079602A (zh) 基于多尺度区域特征约束的车辆细粒度识别方法及装置
EP3329425A1 (en) Media classification
KR20200047306A (ko) 다른 라벨 세트를 가지는 복수의 라벨링된 데이터베이스를 이용하여 학습하는 방법 및 장치 그리고 이를 이용한 테스트 방법 및 장치
CN104050447A (zh) 一种交通信号灯识别方法和装置
CN113822247A (zh) 基于航拍影像的违章建筑识别方法及系统
CN111178451A (zh) 一种基于YOLOv3网络的车牌检测方法
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN111295666A (zh) 一种车道线检测方法、装置、控制设备及存储介质
CN116311193A (zh) 交通灯检测方法、计算机设备和汽车
CN110909674A (zh) 一种交通标志识别方法、装置、设备和存储介质
EP3764335A1 (en) Vehicle parking availability map systems and methods
CN118196573A (zh) 一种基于深度学习的车辆检测方法及系统
CN111553368A (zh) 伪造车牌的识别方法、训练方法、装置、设备及存储介质
CN116311157A (zh) 障碍物识别方法、障碍物识别模型训练方法
CN115620047A (zh) 目标对象属性信息确定方法、装置、电子设备及存储介质
Liu et al. Efficient dense attention fusion network with channel correlation loss for road damage detection
CN114519791A (zh) 车牌字符识别方法以及装置
CN113963238A (zh) 多任务感知识别模型的构建方法以及多任务感知识别方法
CN111860396A (zh) 识别归纳车辆当前区域拥堵状况的方法
CN112528787A (zh) 基于深度学习的信号灯故障检测方法
CN113159153A (zh) 一种基于卷积神经网络的车牌识别方法

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