CN116563816A - 一种基于智能灯杆的道路识别方法及系统 - Google Patents
一种基于智能灯杆的道路识别方法及系统 Download PDFInfo
- Publication number
- CN116563816A CN116563816A CN202310351661.8A CN202310351661A CN116563816A CN 116563816 A CN116563816 A CN 116563816A CN 202310351661 A CN202310351661 A CN 202310351661A CN 116563816 A CN116563816 A CN 116563816A
- Authority
- CN
- China
- Prior art keywords
- road monitoring
- road
- feature map
- image
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 325
- 239000013598 vector Substances 0.000 claims description 101
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 239000011800 void material Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004513 sizing Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000546 pharmaceutical excipient Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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 Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于智能灯杆的道路识别方法及系统。其采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。通过这样的方式，可以精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
Description
技术领域
本申请涉及智能识别技术领域，且更为具体地，涉及一种基于智能灯杆的道路识别方法及系统。
背景技术
目前，随着城市的智能化程度的加快，人们在出行前及出行时，需要精准的掌握道路信息，以提高出行的安全性。而现有技术方案采用工作人员或者用户对道路信息进行录入更新，以保证道路信息的及时性。但采用工作人员和用户录入道路信息的方式，存在道路实时信息不全面、不精准以及用户使用不方便的问题，无法满足用户出行对道路信息获取的需求。
因此，期待一种优化的道路信息识别方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于智能灯杆的道路识别方法及系统。其采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。通过这样的方式，可以精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
根据本申请的一个方面，提供了一种基于智能灯杆的道路识别方法，其包括：
获取由部署于智能灯杆的摄像头采集的道路监控图像；
将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；
将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；
将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；
融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；
对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；
将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
在上述的基于智能灯杆的道路识别方法中，所述将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像，包括：
通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；
通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
在上述的基于智能灯杆的道路识别方法中，所述将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图，包括：
所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到第一卷积特征图；
对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；
对所述第一池化特征图进行非线性激活以得到第一激活特征图；
其中，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度道路监控特征图，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的第一层的输入为所述增强道路监控图像。
在上述的基于智能灯杆的道路识别方法中，所述将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图，包括：
所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到第二卷积特征图；
对所述第二卷积特征图进行均值池化处理以得到第二池化特征图；
对所述第二池化特征图进行非线性激活以得到第二激活特征图；
其中，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度道路监控特征图，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的第一层的输入为所述增强道路监控图像。
在上述的基于智能灯杆的道路识别方法中，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图，包括：
将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量；
对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
将所述优化后道路监控展开特征向量重构为所述优化后道路监控特征图。
在上述的基于智能灯杆的道路识别方法中，将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量，包括：将所述道路监控特征图沿着列向量进行展开以得到所述道路监控展开特征向量。
在上述的基于智能灯杆的道路识别方法中，对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量，包括：
以如下公式对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
其中，所述公式为：
其中，μ和σ是特征集合vi∈V的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，V表示所述道路监控展开特征向量，VT表示所述道路监控展开特征向量的转置，exp表示以自然常数e为底的指数函数值，vi是所述道路监控展开特征向量V的第i个位置的特征值，vi′是所述优化后道路监控展开特征向量的第u个位置的特征值。
在上述的基于智能灯杆的道路识别方法中，所述将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：
将所述优化后道路监控特征图按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种基于智能灯杆的道路识别系统，其包括：
监控图像获取模块，用于获取由部署于智能灯杆的摄像头采集的道路监控图像；
自动编解码模块，用于将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；
第一卷积编码模块，用于将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；
第二卷积编码模块，用于将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；
融合模块，用于融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；
优化模块，用于对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；
分类结果生成模块，用于将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
在上述的基于智能灯杆的道路识别系统中，所述自动编解码模块，包括：
编码单元，用于通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；
解码单元，用于通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
与现有技术相比，本申请提供的基于智能灯杆的道路识别方法及系统，其采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。通过这样的方式，可以精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于智能灯杆的道路识别方法的场景示意图。
图2为根据本申请实施例的基于智能灯杆的道路识别方法的流程图。
图3为根据本申请实施例的基于智能灯杆的道路识别方法的架构示意图。
图4为根据本申请实施例的基于智能灯杆的道路识别方法中步骤S120的子步骤流程图。
图5为根据本申请实施例的基于智能灯杆的道路识别方法中步骤S170的子步骤流程图。
图6为根据本申请实施例的基于智能灯杆的道路识别系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，由于采用工作人员和用户录入道路信息的方式，存在道路实时信息不全面、不精准以及用户使用不方便的问题，无法满足用户出行对道路信息获取的需求。因此，期待一种优化的道路信息识别方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为智慧交通中道路信息的智能识别提供了新的解决思路和方案。
相应地，考虑到在对于道路信息进行识别时，可以通过对于摄像头采集的道路监控图像来获取道路的拥挤情况。但是，考虑到在所述摄像头采集的道路监控图像中会存在有较多的无用干扰信息，这对于道路的拥挤程度判断产生影响，并且在监控图像采集的过程中，还可能会因天气等环境因素造成采集的图像不清晰，这给道路信息的识别带来困难。基于此，在本申请的技术方案中，采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。这样，能够精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
具体地，在本申请的技术方案中，首先，通过部署于智能灯杆的摄像头采集道路监控图像。接着，考虑到在对于道路信息进行识别时，由于天气、粉尘等环境因素会对于所述道路监控图像的清晰度产生影响，这也就会导致所述道路监控图像中关于道路信息的特征变得模糊，进而降低对于道路拥挤情况判断的精准度。因此，在本申请的技术方案中，需要进一步对于所述道路监控图像进行清晰度增强。具体地，将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像。特别地，这里，所述编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；且所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
进一步地，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述增强道路监控图像的特征挖掘。特别地，考虑到在所述增强道路监控图像中具有与道路拥挤程度无关的干扰特征信息，而关于所述道路拥挤情况的特征信息在图像中的不同位置处具有不同程度的关联关系。也就是说，所述道路信息特征在所述增强道路监控图像中具有多尺度的关联特征分布表示。因此，在本申请的技术方案中，使用具有不同空洞率的空洞卷积核的卷积神经网络模型来进行所述增强道路监控图像的特征挖掘，以提取出所述增强道路监控图像中关于所述道路拥挤情况的多尺度隐含关联特征分布信息。具体地，将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图，并将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图。
然后，再融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图，以此来表示不同尺度的道路监控图像中关于道路拥挤情况的特征差异，并以该所述道路监控特征图来作为分类特征图通过分类器中进行分类处理，以得到用于表示道路拥挤程度的等级标签的分类结果。这样，能够对于道路的实时情况进行智能识别，以满足人们的出行需求。
特别地，在本申请的技术方案中，这里，在融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图时，为了充分利用所述第一尺度道路监控特征图和所述第二尺度道路监控特征图表达的道路车辆分布的不同尺度的图像特征，优选地直接级联所述所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到所述道路监控特征图，但是，这会导致所述道路监控特征图的整体特征分布的离散化，从而使得所述道路监控特征图在通过分类器进行分类时存在相对于分类器的预定的多个类标签收敛性差的问题，这样，就会影响分类器的训练速度和分类结果的准确性。
因此，在本申请的技术方案中，对所述道路监控特征图展开得到的道路监控展开特征向量，例如表示为V进行正定赋范空间的几何约束重参数化，具体为：
μ和σ是特征集合vi∈V的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，vi和vi′分别是校正前和校正后的所述道路监控展开特征向量V的第i个位置的特征值，且V是行向量形式。
这里，所述道路监控展开特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述道路监控展开特征向量V整体的特征分布在预定的多个类标签下的收敛性，从而提升了分类器的训练速度和分类结果的准确性，再将所述优化后道路监控展开特征向量重构为所述优化后道路监控特征图。这样，能够精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
基于此，本申请提供了一种基于智能灯杆的道路识别方法，其包括：获取由部署于智能灯杆的摄像头采集的道路监控图像；将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；以及，将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
图1为根据本申请实施例的基于智能灯杆的道路识别方法的应用场景图。如图1所示，在该应用场景中，获取由部署于智能灯杆(例如，如图1中所示意的L)的摄像头(例如，如图1中所示意的C)采集的道路监控图像(例如，如图1中所示意的D)，然后，将所述道路监控图像输入至部署有基于智能灯杆的道路识别算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于所述基于智能灯杆的道路识别算法生成用于表示道路拥挤程度的等级标签的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的基于智能灯杆的道路识别方法的流程图。如图2所示，根据本申请实施例的基于智能灯杆的道路识别方法，包括步骤：S110，获取由部署于智能灯杆的摄像头采集的道路监控图像；S120，将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；S130，将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；S140，将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；S150，融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；S160，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；以及，S170，将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
图3为根据本申请实施例的基于智能灯杆的道路识别方法的架构示意图。如图3所示，在该网络架构中，首先，获取由部署于智能灯杆的摄像头采集的道路监控图像；接着，将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；然后，将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；接着，将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；然后，融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；接着，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；最后，将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
更具体地，在步骤S110中，获取由部署于智能灯杆的摄像头采集的道路监控图像。由于采用工作人员和用户录入道路信息的方式，存在道路实时信息不全面、不精准以及用户使用不方便的问题，无法满足用户出行对道路信息获取的需求。因此，采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。
更具体地，在步骤S120中，将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像。在对于道路信息进行识别时，由于天气、粉尘等环境因素会对于所述道路监控图像的清晰度产生影响，这也就会导致所述道路监控图像中关于道路信息的特征变得模糊，进而降低对于道路拥挤情况判断的精准度。因此，在本申请的技术方案中，需要进一步对于所述道路监控图像进行清晰度增强。
相应地，在一个具体示例中，如图4所示，所述将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像，包括：S121，通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；以及，S122，通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述增强道路监控图像的特征挖掘。特别地，考虑到在所述增强道路监控图像中具有与道路拥挤程度无关的干扰特征信息，而关于所述道路拥挤情况的特征信息在图像中的不同位置处具有不同程度的关联关系。也就是说，所述道路信息特征在所述增强道路监控图像中具有多尺度的关联特征分布表示。因此，在本申请的技术方案中，使用具有不同空洞率的空洞卷积核的卷积神经网络模型来进行所述增强道路监控图像的特征挖掘，以提取出所述增强道路监控图像中关于所述道路拥挤情况的多尺度隐含关联特征分布信息。
更具体地，在步骤S130中，将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图。
相应地，在一个具体示例中，所述将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图，包括：所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；以及，对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度道路监控特征图，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的第一层的输入为所述增强道路监控图像。
更具体地，在步骤S140中，将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图。
相应地，在一个具体示例中，所述将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图，包括：所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行均值池化处理以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度道路监控特征图，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的第一层的输入为所述增强道路监控图像。
更具体地，在步骤S150中，融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图。
相应地，在一个具体示例中，融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图，包括：以级联的方式融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到所述道路监控特征图。
特别地，在本申请的技术方案中，在融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图时，为了充分利用所述第一尺度道路监控特征图和所述第二尺度道路监控特征图表达的道路车辆分布的不同尺度的图像特征，优选地直接级联所述所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到所述道路监控特征图，但是，这会导致所述道路监控特征图的整体特征分布的离散化，从而使得所述道路监控特征图在通过分类器进行分类时存在相对于分类器的预定的多个类标签收敛性差的问题，这样，就会影响分类器的训练速度和分类结果的准确性。
更具体地，在步骤S160中，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图。也就是，基于上述原因，在本申请的技术方案中，对所述道路监控特征图展开得到的道路监控展开特征向量，例如表示为V进行正定赋范空间的几何约束重参数化。
相应地，在一个具体示例中，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图，包括：将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量；对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；以及将所述优化后道路监控展开特征向量重构为所述优化后道路监控特征图。
相应地，在一个具体示例中，将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量，包括：将所述道路监控特征图沿着列向量进行展开以得到所述道路监控展开特征向量。
相应地，在一个具体示例中，对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量，包括：
以如下公式对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
其中，所述公式为：
其中，μ和σ是特征集合vi∈V的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，V表示所述道路监控展开特征向量，VT表示所述道路监控展开特征向量的转置，exp表示以自然常数e为底的指数函数值，vi是所述道路监控展开特征向量V的第i个位置的特征值，vi′是所述优化后道路监控展开特征向量的第i个位置的特征值。
这里，所述道路监控展开特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述道路监控展开特征向量V整体的特征分布在预定的多个类标签下的收敛性，从而提升了分类器的训练速度和分类结果的准确性。
更具体地，在步骤S170中，将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。该所述优化后道路监控特征图来作为分类特征图通过分类器中进行分类处理，以得到用于表示道路拥挤程度的等级标签的分类结果。这样，能够对于道路的实时情况进行智能识别，以满足人们的出行需求。
相应地，在一个具体示例中，如图5所示，所述将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：S171，将所述优化后道路监控特征图按照行向量或列向量展开为分类特征向量；S172，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，S173，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于智能灯杆的道路识别方法，其采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。通过这样的方式，可以精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
示例性系统
图6为根据本申请实施例的基于智能灯杆的道路识别系统100的框图。如图6所示，根据本申请实施例的基于智能灯杆的道路识别系统100，包括：监控图像获取模块110，用于获取由部署于智能灯杆的摄像头采集的道路监控图像；自动编解码模块120，用于将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；第一卷积编码模块130，用于将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；第二卷积编码模块140，用于将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；融合模块150，用于融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；优化模块160，用于对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；以及，分类结果生成模块170，用于将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述自动编解码模块120，包括：编码单元，用于通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；以及，解码单元，用于通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述第一卷积编码模块130，用于：所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；以及，对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度道路监控特征图，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的第一层的输入为所述增强道路监控图像。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述第二卷积编码模块140，用于：所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行均值池化处理以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度道路监控特征图，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的第一层的输入为所述增强道路监控图像。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述优化模块160，包括：特征图展开单元，用于将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量；重参数化单元，用于对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；以及，重构单元，用于将所述优化后道路监控展开特征向量重构为所述优化后道路监控特征图。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述特征图展开单元，包括：将所述道路监控特征图沿着列向量进行展开以得到所述道路监控展开特征向量。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述重参数化单元，包括：
以如下公式对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
其中，所述公式为：
其中，μ和σ是特征集合vi∈V的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，V表示所述道路监控展开特征向量，VT表示所述道路监控展开特征向量的转置，exp表示以自然常数e为底的指数函数值，vi是所述道路监控展开特征向量V的第i个位置的特征值，vi′是所述优化后道路监控展开特征向量的第i个位置的特征值。
在一个示例中，在上述基于智能灯杆的道路识别系统100中，所述分类结果生成模块170，进一步用于：将所述优化后道路监控特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述基于智能灯杆的道路识别系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于智能灯杆的道路识别方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于智能灯杆的道路识别系统100可以实现在各种无线终端中，例如基于智能灯杆的道路识别算法的服务器等。在一个示例中，根据本申请实施例的基于智能灯杆的道路识别系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于智能灯杆的道路识别系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于智能灯杆的道路识别系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于智能灯杆的道路识别系统100与该无线终端也可以是分立的设备，并且该基于智能灯杆的道路识别系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于智能灯杆的道路识别方法，其特征在于，包括：
获取由部署于智能灯杆的摄像头采集的道路监控图像；
将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；
将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；
将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；
融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；
对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；
将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
2.根据权利要求1所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像，包括：
通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；
通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
3.根据权利要求2所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图，包括：
所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到第一卷积特征图；
对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；
对所述第一池化特征图进行非线性激活以得到第一激活特征图；
其中，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度道路监控特征图，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的第一层的输入为所述增强道路监控图像。
4.根据权利要求3所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图，包括：
所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到第二卷积特征图；
对所述第二卷积特征图进行均值池化处理以得到第二池化特征图；
对所述第二池化特征图进行非线性激活以得到第二激活特征图；
其中，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度道路监控特征图，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的第一层的输入为所述增强道路监控图像。
5.根据权利要求4所述的基于智能灯杆的道路识别方法，其特征在于，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图，包括：
将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量；
对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
将所述优化后道路监控展开特征向量重构为所述优化后道路监控特征图。
6.根据权利要求5所述的基于智能灯杆的道路识别方法，其特征在于，将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量，包括：将所述道路监控特征图沿着列向量进行展开以得到所述道路监控展开特征向量。
7.根据权利要求6所述的基于智能灯杆的道路识别方法，其特征在于，对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量，包括：
以如下公式对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到所述优化后道路监控展开特征向量；
其中，所述公式为：
其中，μ和σ是特征集合vi∈V的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，V表示所述道路监控展开特征向量，VT表示所述道路监控展开特征向量的转置，exp表示以自然常数e为底的指数函数值，vi是所述道路监控展开特征向量V的第i个位置的特征值，vi′是所述优化后道路监控展开特征向量的第i个位置的特征值。
8.根据权利要求7所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：
将所述优化后道路监控特征图按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量：
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基于智能灯杆的道路识别系统，其特征在于，包括：
监控图像获取模块，用于获取由部署于智能灯杆的摄像头采集的道路监控图像；
自动编解码模块，用于将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；
第一卷积编码模块，用于将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；
第二卷积编码模块，用于将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；
融合模块，用于融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；
优化模块，用于对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；
分类结果生成模块，用于将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
10.根据权利要求9所述的基于智能灯杆的道路识别系统，其特征在于，所述自动编解码模块，包括：
编码单元，用于通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；
解码单元，用于通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351661.8A CN116563816A (zh) | 2023-04-04 | 2023-04-04 | 一种基于智能灯杆的道路识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351661.8A CN116563816A (zh) | 2023-04-04 | 2023-04-04 | 一种基于智能灯杆的道路识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116563816A true CN116563816A (zh) | 2023-08-08 |
Family
ID=87490582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310351661.8A Pending CN116563816A (zh) | 2023-04-04 | 2023-04-04 | 一种基于智能灯杆的道路识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563816A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118172935A (zh) * | 2024-05-11 | 2024-06-11 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理系统及方法 |
-
2023
- 2023-04-04 CN CN202310351661.8A patent/CN116563816A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118172935A (zh) * | 2024-05-11 | 2024-06-11 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
| CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 | |
| CN110263786B (zh) | 一种基于特征维度融合的道路多目标识别系统及方法 | |
| US20180165547A1 (en) | Object Recognition Method and Device | |
| CN111898431B (zh) | 一种基于注意力机制部件遮挡的行人再识别方法 | |
| CN104200228B (zh) | 一种安全带识别方法与系统 | |
| CN113591770A (zh) | 基于人工智能导盲的多模态融合障碍物检测方法及装置 | |
| CN116563816A (zh) | 一种基于智能灯杆的道路识别方法及系统 | |
| KR20210137213A (ko) | 이미지 처리 방법 및 장치, 프로세서, 전자 기기, 저장 매체 | |
| CN115761900B (zh) | 用于实训基地管理的物联网云平台 | |
| Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
| CN109446897B (zh) | 基于图像上下文信息的场景识别方法及装置 | |
| CN116978011B (zh) | 一种用于智能目标识别的图像语义通信方法及系统 | |
| CN116311005A (zh) | 一种用于运动图像处理装置、方法及存储介质 | |
| CN111291695B (zh) | 人员违章行为识别模型训练方法、识别方法及计算机设备 | |
| WO2023279799A1 (zh) | 对象识别方法、装置和电子系统 | |
| CN114611672A (zh) | 模型训练方法、人脸识别方法及装置 | |
| CN114078243A (zh) | 基于循环图卷积网络的驾驶员驾驶行为识别方法及系统 | |
| CN114998583A (zh) | 图像处理方法、图像处理装置、设备及存储介质 | |
| CN116204821B (zh) | 用于轨道交通车辆的振动评估方法及系统 | |
| CN116320459B (zh) | 一种基于人工智能的计算机网络通信数据处理方法及系统 | |
| CN116597163A (zh) | 红外光学透镜及其制备方法 | |
| CN116977761A (zh) | 训练样本图像的提取方法、样本图像提取模型的训练方法 | |
| CN113284042B (zh) | 一种多路并行图像内容特征优化风格迁移方法及系统 | |
| CN114757819A (zh) | 一种结构引导的风格偏差校正型风格迁移方法及系统 |
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 |