CN116524725A - 一种智能驾驶的交通标志图像数据识别系统 - Google Patents
一种智能驾驶的交通标志图像数据识别系统 Download PDFInfo
- Publication number
- CN116524725A CN116524725A CN202310803767.7A CN202310803767A CN116524725A CN 116524725 A CN116524725 A CN 116524725A CN 202310803767 A CN202310803767 A CN 202310803767A CN 116524725 A CN116524725 A CN 116524725A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- data
- image
- vehicle
- traffic
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000006855 networking Effects 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 12
- 238000013499 data model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
Abstract
本发明公开了一种智能驾驶的交通标志图像数据识别系统,包括智能驾驶图像处理层以及与智能驾驶图像处理层通过无线网络建立通信的第三方应用层,智能驾驶图像处理层包括:中央处理模块,图像处理模块,车辆实时定位模块,联网识别分析单元,历史交通模型创建单元,本发明涉及智能驾驶图像处理技术领域。该智能驾驶的交通标志图像数据识别系统,可实现通过将第三方应用获取的道路交通数据来与实际行驶采集的道路数据之间进行有机结合,来对道路交通标志进行更加全面和精确的识别分析,结合联网道路与交通标志数据来针对交通标志部分缺失或背障碍物部分遮挡的情况下进行正常识别,从而既快速又精确的识别出部分残缺的交通标志。
Description
技术领域
本发明涉及智能驾驶图像处理技术领域,具体为一种智能驾驶的交通标志图像数据识别系统。
背景技术
道路交通标志识别作为高级驾驶辅助的一个基础分支,也是提高交通安全和效率的重要手段,其主要利用车载专用镜头,配合高清图像感光芯片,采集道路上的交通标志图像数据。采用数据处理器对采集到的原始图像数据进行裁剪、去噪、标准化等处理,以提高后续识别的准确性和效率。通过软件算法对图像进行颜色、形状、纹理等特征提取,从中提取出与交通标志相关的特征信息。利用机器学习算法对提取出来的特征信息进行特征分类,将其判别为不同的交通标志类型。根据特征分类的结果,对识别到的交通标志进行决策判别和输出,以提供给智能驾驶系统做出相应的行驶决策。
参考中国专利公开号为CN109886210B的一种交通图像识别方法、装置、计算机设备和介质,通过将车辆采集的视频流中的图片输入至去干扰自编码器,经过去干扰自编码器的预处理得到滤除干扰的图片,进而将无干扰的图片输入至交通标志识别模型进行识别处理,从而方便后续产生正确的车辆控制指令,解决了对抗样本对交通标志识别模型进行攻击导致交通标志识别错误的问题;可以降低交通图像中对抗样本的干扰,提高图像的识别正确率,提升无人驾驶或智能驾驶的安全性。参考中国专利公开号为CN109002764B的一种交通标志图像识别模型构建及识别方法,通过基于改进的ZF卷积神经网络,结合空间变换网络,训练得到应用于交通标志识别的网络模型,能够避免交通标志扭曲,形变造成的错识别问题,提高交通标志识别率。
综合分析上述参考专利,可得出以下缺陷:现有的交通标志识别系统仅仅是依靠图像特征提取识别对比分析方法,来对采集的道路视图内的交通标志进行识别分析,这样的识别方法在针对交通标志部分缺失或背障碍物部分遮挡的情况下无法正常识别,从而不能确保车辆安全智能驾驶,例如参考专利CN109886210B的一种交通图像识别方法、装置、计算机设备和介质和CN109002764B的一种交通标志图像识别模型构建及识别方法虽然采用去噪和神经网络特征训练的方法来对采集的视图中模糊不清的交通标志进行清晰识别,但是针对交通标志部分缺失,例如:交通标志在户外长期使用被部分腐蚀掉漆或者被道路旁树叶部分遮挡等情况出现时,仅仅依靠上述两个参考文件的清晰度处理算法进行处理,无法解决该问题,不能实现通过将第三方应用获取的道路交通数据来与实际行驶采集的道路数据之间进行有机结合,来实现对道路交通标志进行更加全面和精确的识别分析,无法达到通过利用车辆所处位置的联网道路交通标志数据辅助实际行驶识别的数据来建立识别出的完整交通标志模型的目的,从而不能既快速又精确的识别出部分残缺的交通标志,给人们的智能安全驾驶带来极大的不便。
发明内容
针对现有技术的不足,本发明提供了一种智能驾驶的交通标志图像数据识别系统,解决了现有的交通标志识别系统仅仅是依靠图像特征提取识别对比分析方法,来对采集的道路视图内的交通标志进行识别分析,这样的识别方法在针对交通标志部分缺失或背障碍物部分遮挡的情况下无法正常识别,从而不能确保车辆安全智能驾驶的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种智能驾驶的交通标志图像数据识别系统,包括智能驾驶图像处理层以及与智能驾驶图像处理层通过无线网络建立通信的第三方应用层,所述智能驾驶图像处理层包括:
中央处理模块,用于对整个图像识别系统进行控制;
视图采集终端,用于对汽车行驶道路周围环境的视频图像数据进行实时采集;
图像处理模块,用于通过采用图像识别分析算法对视图采集终端所采集视频图像中的道路交通标志特征进行提取、识别和分析处理;
车辆实时定位模块,用于对车辆所处位置进行实时定位;
联网识别分析单元,用于通过联网辅助分析算法对图像处理模块分析出来的图像数据进行再次辅助识别对比分析处理,使图像处理模块在对采集的部分残缺的交通标志图像进行二次分析判定和决策处理;
历史交通模型创建单元,用于通过数据存储建模算法对车辆智能行驶过程中经过视图采集终端、图像处理模块、车辆实施定位模块和联网识别分析单元处理后的道路路径交通标志数据进行历史路径交通模型的创建,使车辆行驶在历史路径过程中能够直接提取历史路径交通模型进行使用。
优选的,所述智能驾驶图像处理层还包括联网通讯模块,中央处理模块通过联网通讯模块与第三方应用层之间建立无线网络通讯,用于向第三方应用层获取无线道路交通数据。
优选的,所述智能驾驶图像处理层还包括数据存储模块,用于对车辆智能行驶过程中经过视图采集终端采集的视图数据、图像处理模块处理后的数据、车辆实施定位模块定位的车辆行驶轨迹数据、联网识别分析单元处理后的道路路径交通标志数据以及历史交通模型创建单元创建的历史路径交通模型数据进行存储。
优选的,所述视图采集终端是由n个视图采集模块组成,且n个视图采集模块安装分布于车辆车身的四周,用于实时拍摄采集车辆行驶过程中的道路交通图像数据。
优选的,所述联网辅助分析算法具体包括以下步骤:
S1、获取图像处理模块识别分析得到的实际道路交通标志特征数据集合,其中m为获取图像处理模块识别分析的图像的数量,而为经过图像处理模块处理后的第m张交通标志特征数据矩阵,其具体如下:其中:m表示识别的单个图像中交通标志种类的
个数,n为单个图像的每种交通标志中对应的图像纹理特征值个数,为识别的单个图像
中第m种交通标志数据组成的数据集合,为识别出单个图像的第m种交通标志数据中
第n个图像纹理特征值数据;
获取的图像处理模块识别分析得到的单个图像中交通标志数据组成的数据集合包括完整交通标志特征数据集合和不完整的交通标志特征数据集合,其中不完整的交
通标志特征数据集合即为采集识别的部分残缺的交通标志图像特征;
S2、此时通过获取车辆实时定位模块所定位的车辆所处位置数据信息,并向第三
方应用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合,其中d为获取此位置所对应的联网图像数量,而为向第
三方应用层获取的第d张交通标志特征数据矩阵,其具体如下:其中:d表示获取的此车辆位置的单个图像中交通标
志种类的个数,e为从第三方应用层获取此车辆位置的单个图像的每种交通标志中对应图
像纹理特征值个数,为从第三方应用层获取此车辆位置的单个图像中第d种交通标志
数据组成的数据集合,为从第三方应用层获取此车辆位置的单个图像的第d种交通标
志数据中第e个图像纹理特征值数据;
S3、将步骤S1获取的图像处理模块识别分析得到的交通标志特征数据集合中的每张完整的交通标志特征数据矩阵特征数据与步骤S2此
时向第三方应用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合中的每张交通标志特征数据矩阵特征数据进行求差对比,然后
将对比结果按照完全匹配和完全不匹配两种类型进行分类处理;
S4、当对比结果有完全匹配的交通标志数据组成的数据集合,即 时,
表示此对比结果为采集的图像中交通标志与联网获取车辆位置的交通标志相匹配,则车辆
按照完全匹配的交通标志数据组成的数据集合所对应的交通标志执行相应驾驶指令即可,
当对比结果有完全不匹配的交通标志数据组成的数据集合,即和完全不相等时,
表示此对比结果为采集的图像中交通标志与联网获取车辆位置的交通标志不相匹配,则车
辆按照步骤S1中获取图像处理模块识别分析得到的实际道路交通标志特征数据集合的交
通标志执行相应智能驾驶指令即可;S5、将步骤S1获取的图像处理模块识别分析得到的交
通标志特征数据集合中的每张不完整的交通标志特征数据矩
阵特征数据与步骤S2此时向第三方应用层获取该车辆位置数据信息所对应的联网交通标
志特征数据集合中的每张交通标志特征数据矩阵特征数据进
行求差对比,使获取的不完整的识别的单个图像中交通标志数据集合中的各个特征数
据与从第三方应用层获取此车辆位置的单个图像中交通标志数据集合中的各个特征
数据求差,然后统计每个从第三方应用层获取此车辆位置的单个图像中交通标志数据集合中相同特征值的个数a占从第三方应用层获取此车辆位置的单个图像中交通标志数据
集合中特征值的总个数b中的百分比,即为相似度δ,具体公式如下:S6、
将步骤S5中得到的各个相似度δ进行排序,再从中提取相似度最高的一组从第三方应用层
获取此车辆位置的单个图像中交通标志数据集合为预选特征集合,然后判断预选特征
集合是否大于临界相似度β%,若大于等于β%,则判定该预选特征集合为目标特征集
合,将不完整的识别的单个图像中交通标志数据集合替换成目标特征集合内的特征
值,从而完成将采集的部分残缺的交通标志图像补全,然后进行步骤S3的完全匹配类型的
识别操作;
S7、若小于β%,则判定该预选特征集合为非目标特征集合,即判定为未识别到
准确交通标志,然后车辆按照此时向第三方应用层获取该车辆位置数据信息所对应的联网
交通标志特征数据集合的交通标志执行相应智能驾驶指令即可。
优选的,所述步骤S3中对比时每张图像的交通标志特征数据矩阵与向第三方应用
层获取的该时刻和位置的交通标志特征数据矩阵进行对比,即判断和中各特
征数据是否相同,其中m=d。
优选的,所述步骤S3中在每张图像内的交通标志特征数据矩阵对比时,将中每种交通标志数据组成的数据集合中的特征数据进行排列组合一一对比,判断是否相同。
优选的,所述步骤S6中临界相似度β%的取值范围为30%-60%。
优选的,所述数据存储建模算法为哈希算法或树形结构算法中的一种。
本发明提供了一种智能驾驶的交通标志图像数据识别系统。与现有技术相比具备以下有益效果:
(1)、该智能驾驶的交通标志图像数据识别系统,可实现通过将第三方应用获取的道路交通数据来与实际行驶采集的道路数据之间进行有机结合,来对道路交通标志进行更加全面和精确的识别分析,很好的达到了通过利用车辆所处位置的联网道路交通标志数据辅助实际行驶识别的数据来建立识别出的完整交通标志模型的目的,在依靠图像特征提取识别对比分析的基础上,结合联网道路与交通标志数据,来针对交通标志部分缺失或背障碍物部分遮挡的情况下进行正常识别,从而确保车辆安全智能驾驶,即使遇到交通标志在户外长期使用被部分腐蚀掉漆或者被道路旁树叶部分遮挡等情况出现时,也能够进行智能判断分析处理,确保智能车辆的正常智能驾驶,从而既快速又精确的识别出部分残缺的交通标志,大大方便了人们的智能安全驾驶。
(2)、该智能驾驶的交通标志图像数据识别系统,可实现通过将用户行驶过的数据信息和与之对应的获取过联网道路信息进行路线标志模型的创建,并存入数据库中,来方便后期用户再次沿着该路线行驶时,只需从数据库中提取对应路线交通标志模型来与实际采集道路标志信息对比分析,很好的达到了既快速又准确的不重复获取经过路线的交通标志信息数据的目的,避免了在采用联网获取道路交通标志信息时,由于交通道路环境因素影响,容易出现由于通信网络信号差导致获取时间较长或获取失败,从而无法正常实现通过联网获取第三方应用道路交通标志信息来辅助现场交通标志识别的情况发生,通过直接从数据库内调取车辆行驶的历史轨迹并与之对应的交通标志数据信息,来实现无联网状态下的历史数据的调取和利用,从而对在网络环境较差的智能驾驶十分有益。
附图说明
图1为本发明系统的结构原理框图。
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,所描述的实施例仅仅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做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。
请参阅图1,本发明实施例提供两种技术方案:一种智能驾驶的交通标志图像数据识别系统,具体包括以下实施例:
一种智能驾驶的交通标志图像数据识别系统,包括智能驾驶图像处理层以及与智能驾驶图像处理层通过无线网络建立通信的第三方应用层,所述智能驾驶图像处理层包括:
中央处理模块,用于对整个图像识别系统进行控制;
视图采集终端,用于对汽车行驶道路周围环境的视频图像数据进行实时采集;
图像处理模块,用于通过采用图像识别分析算法对视图采集终端所采集视频图像中的道路交通标志特征进行提取、识别和分析处理;
车辆实时定位模块,用于对车辆所处位置进行实时定位;
联网识别分析单元,用于通过联网辅助分析算法对图像处理模块分析出来的图像数据进行再次辅助识别对比分析处理,使图像处理模块在对采集的部分残缺的交通标志图像进行二次分析判定和决策处理;
历史交通模型创建单元,用于通过数据存储建模算法对车辆智能行驶过程中经过视图采集终端、图像处理模块、车辆实施定位模块和联网识别分析单元处理后的道路路径交通标志数据进行历史路径交通模型的创建,使车辆行驶在历史路径过程中能够直接提取历史路径交通模型进行使用。
本发明实施例中,智能驾驶图像处理层还包括联网通讯模块,中央处理模块通过联网通讯模块与第三方应用层之间建立无线网络通讯,用于向第三方应用层获取无线道路交通数据,智能驾驶图像处理层还包括数据存储模块,用于对车辆智能行驶过程中经过视图采集终端采集的视图数据、图像处理模块处理后的数据、车辆实施定位模块定位的车辆行驶轨迹数据、联网识别分析单元处理后的道路路径交通标志数据以及历史交通模型创建单元创建的历史路径交通模型数据进行存储。
本发明实施例中,视图采集终端是由n个视图采集模块组成,且n个视图采集模块安装分布于车辆车身的四周,用于实时拍摄采集车辆行驶过程中的道路交通图像数据。
本发明实施例中,联网辅助分析算法具体包括以下步骤:
S1、获取图像处理模块识别分析得到的实际道路交通标志特征数据集合,其中m为获取图像处理模块识别分析的图像的数量,而为经过图像处理模块处理后的第m张交通标志特征数据矩阵,其具体如下:其中:m表示识别的单个图像中交通标志种类的个
数,n为单个图像的每种交通标志中对应的图像纹理特征值个数,为识别的单个图像中
第m种交通标志数据组成的数据集合,为识别出单个图像的第m种交通标志数据中第
n个图像纹理特征值数据;
获取的图像处理模块识别分析得到的单个图像中交通标志数据组成的数据集合包括完整交通标志特征数据集合和不完整的交通标志特征数据集合,其中不完整的交
通标志特征数据集合即为采集识别的部分残缺的交通标志图像特征;
S2、此时通过获取车辆实时定位模块所定位的车辆所处位置数据信息,并向第三
方应用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合,其中d为获取此位置所对应的联网图像数量,而为向第
三方应用层获取的第d张交通标志特征数据矩阵,其具体如下:其中:d表示获取的此车辆位置的单个图像中交通标
志种类的个数,e为从第三方应用层获取此车辆位置的单个图像的每种交通标志中对应图
像纹理特征值个数,为从第三方应用层获取此车辆位置的单个图像中第d种交通标志
数据组成的数据集合,为从第三方应用层获取此车辆位置的单个图像的第d种交通标
志数据中第e个图像纹理特征值数据;
S3、将步骤S1获取的图像处理模块识别分析得到的交通标志特征数据集合中的每张完整的交通标志特征数据矩阵特征数据与步骤S2此
时向第三方应用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合中的每张交通标志特征数据矩阵特征数据进行求差对比,然后
将对比结果按照完全匹配和完全不匹配两种类型进行分类处理;
S4、当对比结果有完全匹配的交通标志数据组成的数据集合,即 时,
表示此对比结果为采集的图像中交通标志与联网获取车辆位置的交通标志相匹配,则车辆
按照完全匹配的交通标志数据组成的数据集合所对应的交通标志执行相应驾驶指令即可,
当对比结果有完全不匹配的交通标志数据组成的数据集合,即和完全不相等时,
表示此对比结果为采集的图像中交通标志与联网获取车辆位置的交通标志不相匹配,则车
辆按照步骤S1中获取图像处理模块识别分析得到的实际道路交通标志特征数据集合的交
通标志执行相应智能驾驶指令即可;S5、将步骤S1获取的图像处理模块识别分析得到的交
通标志特征数据集合中的每张不完整的交通标志特征数据矩
阵特征数据与步骤S2此时向第三方应用层获取该车辆位置数据信息所对应的联网交通标
志特征数据集合中的每张交通标志特征数据矩阵特征数据进
行求差对比,使获取的不完整的识别的单个图像中交通标志数据集合中的各个特征数
据与从第三方应用层获取此车辆位置的单个图像中交通标志数据集合中的各个特征
数据求差,然后统计每个从第三方应用层获取此车辆位置的单个图像中交通标志数据集合中相同特征值的个数a占从第三方应用层获取此车辆位置的单个图像中交通标志数据
集合中特征值的总个数b中的百分比,即为相似度δ,具体公式如下:S6、
将步骤S5中得到的各个相似度δ进行排序,再从中提取相似度最高的一组从第三方应用层
获取此车辆位置的单个图像中交通标志数据集合为预选特征集合,然后判断预选特征
集合是否大于临界相似度β%,若大于等于β%,则判定该预选特征集合为目标特征集
合,将不完整的识别的单个图像中交通标志数据集合替换成目标特征集合内的特征
值,从而完成将采集的部分残缺的交通标志图像补全,然后进行步骤S3的完全匹配类型的
识别操作;
S7、若小于β%,则判定该预选特征集合为非目标特征集合,即判定为未识别到
准确交通标志,然后车辆按照此时向第三方应用层获取该车辆位置数据信息所对应的联网
交通标志特征数据集合的交通标志执行相应智能驾驶指令即可。
本发明实施例,步骤S3中对比时每张图像的交通标志特征数据矩阵与向第三方应
用层获取的该时刻和位置的交通标志特征数据矩阵进行对比,即判断和中各
特征数据是否相同,其中m=d。
本发明实施例,步骤S3中在每张图像内的交通标志特征数据矩阵对比时,将中每种交通标志数据组成的数据集合中的特征数据进行排列组合一一对比,判断是否相同。
本发明实施例,步骤S6中临界相似度β%的取值范围为30%-60%,具体相识度数值根据用户在实际使用的需求进行设定。
本发明实施例中,使用的图像识别分析算法为现有的OCR算法,具体包括以下步骤:
1、图像输入:对于不同的图像格式,有着不同的存储格式,不同的压缩方式。
二值化:对摄像头拍摄的图片,大多数是彩色图像,彩色图像所含信息量巨大,对于图片的内容,可以简单的分为前景与背景,为了让计算机更快的,更好的识别图像中的特征,需要先对彩色图进行处理,使图片只前景信息与背景信息,可以简单的定义前景信息为黑色,背景信息为白色,即可生成二值化图。
噪声去除:对于不同的图像,我们对燥声的定义可以不同,根据燥声的特征进行去燥,就叫做噪声去除,具体包括去雾和清晰度处理。
倾斜较正:由于车辆行驶过程中,遇到坑洼颠簸的路面时或者交通标志自身在外界因素下导致歪斜,采集的出来的图片不可避免的产生倾斜,这就需要通过识别算法进行较正。
图形分析:将采集图片根据特征点分多个部分,以便对交通标志图形特征进行提取。
识别对比:经识别出的多个特征数据从图形中提取出来,与预先存储有全部道路交通标志的数据库内的数据进行对比。
后处理、校对:根据特定的识别环境(雨天、雾天或黑夜),对识别结果进行较正处理。
本发明实施例中,数据存储建模算法为现有的哈希算法。
哈希算法是将数据映射到固定大小的表格中的算法,通过哈希函数将数据转换成唯一的哈希值,然后将哈希值与对应的表格位置进行映射,从而实现快速的数据查找和访问,再将系统处理的交通标志数据导入到数据通过历史交通模型创建单元在数据存储模块中创建若干个历史交通数据模型,每个存储的数据模型均能够通过哈希算法的数据查询算法进行快速查找和访问。
实施例2
本实施例相比于实施例1的区别技术方案在于:数据存储建模算法为现有的树形结构算法。
树形结构算法利用树形结构来组织数据,将数据按照一定的规则进行排序,然后将排序后的数据依次插入到树中。再将系统处理的交通标志数据导入到数据通过历史交通模型创建单元在数据存储模块中创建若干个历史交通数据模型,每个存储的数据模型均能够通过哈希算法的数据查询算法进行快速查找和访问,本实施例采用的现有树形结构算法的优点相比于实施例的现有哈希算法可以快速地进行查找和插入操作,并且在数据量较大时也能保持较好的性能表现。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种智能驾驶的交通标志图像数据识别系统,包括智能驾驶图像处理层以及与智能驾驶图像处理层通过无线网络建立通信的第三方应用层,其特征在于:所述智能驾驶图像处理层包括:
中央处理模块,用于对整个图像识别系统进行控制;
视图采集终端,用于对汽车行驶道路周围环境的视频图像数据进行实时采集;
图像处理模块,用于通过采用图像识别分析算法对视图采集终端所采集视频图像中的道路交通标志特征进行提取、识别和分析处理;
车辆实时定位模块,用于对车辆所处位置进行实时定位;
联网识别分析单元,用于通过联网辅助分析算法对图像处理模块分析出来的图像数据进行再次辅助识别对比分析处理,使图像处理模块在对采集的部分残缺的交通标志图像进行二次分析判定和决策处理;
历史交通模型创建单元,用于通过数据存储建模算法对车辆智能行驶过程中经过视图采集终端、图像处理模块、车辆实施定位模块和联网识别分析单元处理后的道路路径交通标志数据进行历史路径交通模型的创建,使车辆行驶在历史路径过程中能够直接提取历史路径交通模型进行使用。
2.根据权利要求1所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述智能驾驶图像处理层还包括联网通讯模块,中央处理模块通过联网通讯模块与第三方应用层之间建立无线网络通讯,用于向第三方应用层获取无线道路交通数据。
3.根据权利要求1所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述智能驾驶图像处理层还包括数据存储模块,用于对车辆智能行驶过程中经过视图采集终端采集的视图数据、图像处理模块处理后的数据、车辆实施定位模块定位的车辆行驶轨迹数据、联网识别分析单元处理后的道路路径交通标志数据以及历史交通模型创建单元创建的历史路径交通模型数据进行存储。
4.根据权利要求1所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述视图采集终端是由n个视图采集模块组成,且n个视图采集模块安装分布于车辆车身的四周,用于实时拍摄采集车辆行驶过程中的道路交通图像数据。
5.根据权利要求1所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述联网辅助分析算法具体包括以下步骤:
S1、获取图像处理模块识别分析得到的实际道路交通标志特征数据集合,其中m为获取图像处理模块识别分析的图像的数量,而为经过图像处理模块处理后的第m张交通标志特征数据矩阵,其具体如下:
其中:m表示识别的单个图像中交通标志种类
的个数,n为单个图像的每种交通标志中对应的图像纹理特征值个数,为识别的单个图
像中第m种交通标志数据组成的数据集合,为识别出单个图像的第m种交通标志数据
中第n个图像纹理特征值数据;
获取的图像处理模块识别分析得到的单个图像中交通标志数据组成的数据集合
包括完整交通标志特征数据集合和不完整的交通标志特征数据集合,其中不完整的交通标
志特征数据集合即为采集识别的部分残缺的交通标志图像特征;
S2、此时通过获取车辆实时定位模块所定位的车辆所处位置数据信息,并向第三方应
用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合,其中d为获取此位置所对应的联网图像数量,而为向第
三方应用层获取的第d张交通标志特征数据矩阵,其具体如下:其中:d表示获取的此车辆位置的单个图像中交通标
志种类的个数,e为从第三方应用层获取此车辆位置的单个图像的每种交通标志中对应图
像纹理特征值个数,为从第三方应用层获取此车辆位置的单个图像中第d种交通标志
数据组成的数据集合,为从第三方应用层获取此车辆位置的单个图像的第d种交通标
志数据中第e个图像纹理特征值数据;
S3、将步骤S1获取的图像处理模块识别分析得到的交通标志特征数据集合中的每张完整的交通标志特征数据矩阵特征数据与步骤S2此
时向第三方应用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合中的每张交通标志特征数据矩阵特征数据进行求差对比,然后
将对比结果按照完全匹配和完全不匹配两种类型进行分类处理;
S4、当对比结果有完全匹配的交通标志数据组成的数据集合,即 时,表示此
对比结果为采集的图像中交通标志与联网获取车辆位置的交通标志相匹配,则车辆按照完
全匹配的交通标志数据组成的数据集合所对应的交通标志执行相应驾驶指令即可,当对比
结果有完全不匹配的交通标志数据组成的数据集合,即和完全不相等时,表示此
对比结果为采集的图像中交通标志与联网获取车辆位置的交通标志不相匹配,则车辆按照
步骤S1中获取图像处理模块识别分析得到的实际道路交通标志特征数据集合的交通标志
执行相应智能驾驶指令即可;
S5、将步骤S1获取的图像处理模块识别分析得到的交通标志特征数据集合中的每张不完整的交通标志特征数据矩阵特征数据与步骤S2
此时向第三方应用层获取该车辆位置数据信息所对应的联网交通标志特征数据集合中的每张交通标志特征数据矩阵特征数据进行求差对比,使获
取的不完整的识别的单个图像中交通标志数据集合中的各个特征数据与从第三方应
用层获取此车辆位置的单个图像中交通标志数据集合中的各个特征数据求差,然后统
计每个从第三方应用层获取此车辆位置的单个图像中交通标志数据集合中相同特征
值的个数a占从第三方应用层获取此车辆位置的单个图像中交通标志数据集合中特征
值的总个数b中的百分比,即为相似度δ,具体公式如下:
S6、将步骤S5中得到的各个相似度δ进行排序,再从中提取相似度最高
的一组从第三方应用层获取此车辆位置的单个图像中交通标志数据集合为预选特征集合,然后判断预选特征集合是否大于临界相似度β%,若大于等于β%,则判定该预选特
征集合为目标特征集合,将不完整的识别的单个图像中交通标志数据集合替换成
目标特征集合内的特征值,从而完成将采集的部分残缺的交通标志图像补全,然后进行步
骤S3的完全匹配类型的识别操作;
S7、若小于β%,则判定该预选特征集合为非目标特征集合,即判定为未识别到准确
交通标志,然后车辆按照此时向第三方应用层获取该车辆位置数据信息所对应的联网交通
标志特征数据集合的交通标志执行相应智能驾驶指令即可。
6.根据权利要求5所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所
述步骤S3中对比时每张图像的交通标志特征数据矩阵与向第三方应用层获取的该时刻和
位置的交通标志特征数据矩阵进行对比,即判断和中各特征数据是否相同,
其中m=d。
7.根据权利要求6所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述步骤S3中在每张图像内的交通标志特征数据矩阵对比时,将中每种交通标志数据组成的数据集合中的特征数据进行排列组合一一对比,判断是否相同。
8.根据权利要求1所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述步骤S6中临界相似度β%的取值范围为30%-60%。
9.根据权利要求1所述的一种智能驾驶的交通标志图像数据识别系统,其特征在于:所述数据存储建模算法为哈希算法或树形结构算法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310803767.7A CN116524725B (zh) | 2023-07-03 | 2023-07-03 | 一种智能驾驶的交通标志图像数据识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310803767.7A CN116524725B (zh) | 2023-07-03 | 2023-07-03 | 一种智能驾驶的交通标志图像数据识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116524725A true CN116524725A (zh) | 2023-08-01 |
CN116524725B CN116524725B (zh) | 2023-09-01 |
Family
ID=87406704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310803767.7A Active CN116524725B (zh) | 2023-07-03 | 2023-07-03 | 一种智能驾驶的交通标志图像数据识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524725B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778457A (zh) * | 2023-08-16 | 2023-09-19 | 钧捷科技(北京)有限公司 | 一种车辆自动泊车辅助控制系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819728A (zh) * | 2012-07-17 | 2012-12-12 | 中国航天科工集团第三研究院第八三五七研究所 | 一种基于分类模板匹配的交通标志检测方法 |
CN104008377A (zh) * | 2014-06-07 | 2014-08-27 | 北京联合大学 | 基于时空关联的地面交通标志实时检测识别方法 |
US20200324787A1 (en) * | 2018-10-25 | 2020-10-15 | Samsung Electronics Co., Ltd. | Augmented reality method and apparatus for driving assistance |
CN114821519A (zh) * | 2022-03-21 | 2022-07-29 | 上海应用技术大学 | 一种基于坐标注意力的交通标志识别方法及系统 |
CN116259040A (zh) * | 2023-03-20 | 2023-06-13 | 智道网联科技(北京)有限公司 | 识别交通标志的方法、装置和电子设备 |
-
2023
- 2023-07-03 CN CN202310803767.7A patent/CN116524725B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819728A (zh) * | 2012-07-17 | 2012-12-12 | 中国航天科工集团第三研究院第八三五七研究所 | 一种基于分类模板匹配的交通标志检测方法 |
CN104008377A (zh) * | 2014-06-07 | 2014-08-27 | 北京联合大学 | 基于时空关联的地面交通标志实时检测识别方法 |
US20200324787A1 (en) * | 2018-10-25 | 2020-10-15 | Samsung Electronics Co., Ltd. | Augmented reality method and apparatus for driving assistance |
CN114821519A (zh) * | 2022-03-21 | 2022-07-29 | 上海应用技术大学 | 一种基于坐标注意力的交通标志识别方法及系统 |
CN116259040A (zh) * | 2023-03-20 | 2023-06-13 | 智道网联科技(北京)有限公司 | 识别交通标志的方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
唐智威 等: "基于视觉的无人驾驶汽车研究综述", 制造业自动化, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778457A (zh) * | 2023-08-16 | 2023-09-19 | 钧捷科技(北京)有限公司 | 一种车辆自动泊车辅助控制系统及装置 |
CN116778457B (zh) * | 2023-08-16 | 2023-11-03 | 钧捷科技(北京)有限公司 | 一种车辆自动泊车辅助控制系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116524725B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN112381075B (zh) | 一种机房特定场景下进行人脸识别的方法及系统 | |
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
CN110008909B (zh) | 一种基于ai的实名制业务实时稽核系统 | |
CN109697440A (zh) | 一种身份证信息提取方法 | |
CN111488875A (zh) | 基于图像识别的车险理赔核损方法、装置和电子设备 | |
CN111310662B (zh) | 一种基于集成深度网络的火焰检测识别方法及系统 | |
CN111382690B (zh) | 基于多损失融合模型的车辆再识别方法 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN112784834A (zh) | 一种自然场景下的车牌自动识别方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108323209A (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN110738100A (zh) | 一种基于深度学习的伪装军事目标识别方法及系统 | |
CN112784754A (zh) | 一种车辆再识别方法、装置、设备及存储介质 | |
CN113971821A (zh) | 驾驶员信息确定方法、装置、终端设备及存储介质 | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
CN116664944A (zh) | 一种基于属性特征知识图谱的葡萄园害虫识别方法 | |
CN110321890B (zh) | 一种电力巡检机器人的数字仪表识别方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN109255052B (zh) | 一种基于多特征的三阶段车辆检索方法 | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |