CN117095262A - 交通标识牌识别对象处理方法、装置、设备及存储介质 - Google Patents
交通标识牌识别对象处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117095262A CN117095262A CN202311060165.3A CN202311060165A CN117095262A CN 117095262 A CN117095262 A CN 117095262A CN 202311060165 A CN202311060165 A CN 202311060165A CN 117095262 A CN117095262 A CN 117095262A
- Authority
- CN
- China
- Prior art keywords
- recall
- identification
- truth
- determining
- recognition
- 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
- 238000003672 processing method Methods 0.000 title claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种交通标识牌识别对象处理方法、装置、设备及存储介质，属于交通图像处理技术领域。该方法包括：获取待识别图像，并对待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置；确定真值对象；根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将空间距离满足备选条件的识别对象确定为一个备选对象；若备选对象的投影与真值对象之间存在投影面积交集，则将备选对象确定为召回对象；对召回对象进行精度对比处理，得到召回评价结果；将待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。本申请能在减少误判的同时还能提高召回率和准确率。
Description
技术领域
本申请涉及交通图像处理技术领域，尤其涉及一种交通标识牌识别对象处理方法、装置、设备及存储介质。
背景技术
随着自动化驾驶技术的迅速发展，高精地图作为自动化驾驶技术的基础支撑，高精地图的数据准确性也变得越来越重要，其中对交通标识牌中的识别对象是否满足精度的要求也更高。
目前，在现有技术中，通常以面来表达交通标识牌的，对识别算法的识别召回率和准确率的对比分析是将识别结果和人工识别的真值以面的四个顶点或两个顶点进行对比分析，得出识别对象是否满足召回条件。
然而，发明人发现，现有技术至少存在以下技术问题：在识别对象判断时以四个顶点过于严格，会出现误判导致召回率低的问题，而以两个顶点又会出现相邻的交通标识牌靠在一起，导致误判率高的问题。
发明内容
本申请提供一种交通标识牌识别对象处理方法、装置、设备及存储介质，用于解决召回率低或误判率高的问题。
第一方面，本申请提供一种交通标识牌识别对象处理方法，包括：
获取待识别图像，并对所述待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置；
基于点云数据生成真值库，并根据所述真值库，确定真值对象；
根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将所述空间距离满足备选条件的识别对象确定为一个备选对象；
将所述备选对象按预设投影规则向真值对象投影；若所述备选对象的投影与真值对象之间存在投影面积交集，则将所述备选对象确定为召回对象；
根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果；
若所述召回评价结果满足召回精度要求，则将所述待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。
在一种可能的实现方式中，所述预设投影规则为沿经过真值对象的基准面的法向量进行投影；相应地，所述将所述备选对象按预设投影规则向真值对象投影，包括：将真值对象的任意三个点组成的面作为基站面，并根据基准面确定平面法向量；将备选对象沿平面法向量投影到真值对象上，以得到所述真值对象和备选对象投影的投影面积交集。
在一种可能的实现方式中，所述根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果，包括：根据真值对象，确定真值对象的真值个数，并根据识别对象，确定识别对象的识别个数；根据所有的召回对象，确定召回对象的召回个数；根据所述真值个数和所述召回个数，确定召回率；根据所述识别个数和所述召回个数，确定冗余率；根据所述真值对象和所述识别结果位置，从召回对象中确定满足位置精度条件的召回对象的目标召回个数，并根据所述目标召回个数和所述真值个数，确定准确率。
在一种可能的实现方式中，所述根据所述真值个数和所述召回个数，确定召回率，的计算公式为：
式中，Recall为召回率，f为召回个数，a为真值个数；
所述根据识别个数和召回个数，确定冗余率，的计算公式为：
式中，RR为冗余率，d为识别个数，f为召回个数
所述根据所述目标召回个数和所述真值个数，确定准确率：
式中，Accuracy为准确率，r为目标召回个数，a为真值个数。
在一种可能的实现方式中，所述将所述备选对象按预设投影规则向真值对象投影；若所述备选对象的投影与真值对象之间存在投影面积交集，则将所述备选对象确定为召回对象之后，还包括：若存在投影面积交集的备选对象有多个，则根据所有的投影面积交集，确定投影面积最大的投影面积交集对应的备选对象为召回对象。
在一种可能的实现方式中，所述根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果之后，还包括：若召回评价结果不满足召回精度要求，则获取训练样本，并根据所述训练样本对待验证识别算法进行迭代更新，得到更新的识别算法；返回所述获取待识别图像，并对所述待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置的步骤。
在一种可能的实现方式中，所述根据所述训练样本对待验证识别算法进行迭代更新，包括：根据训练样本基于生产验收用户的评测操作对待验证识别算法进行迭代更新。
第二方面，本申请提供一种交通标识牌识别对象处理装置，包括：
数据获取模块，用于获取待识别图像，并对所述待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置；
所述数据获取模块，还用于基于点云数据生成真值库，并根据所述真值库，确定真值对象；
召回模块，用于根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将所述空间距离满足备选条件的识别对象确定为一个备选对象；
所述召回模块，还用于将所述备选对象按预设投影规则向真值对象投影；若所述备选对象的投影与真值对象之间存在投影面积交集，则将所述备选对象确定为召回对象；
对比分析模块，用于根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果；
所述对比分析模块，还用于若所述召回评价结果满足召回精度要求，则将所述待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。
第三方面，本申请提供了一种交通标识牌识别对象处理设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面描述的交通标识牌识别对象处理方法。
第四方面，本申请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中存储有计算机一项所执行指令，当处理器执行所述计算机执行指令时，实现如上述第一方面描述的交通标识牌识别对象处理方法。
本申请提供的一种交通标识牌识别对象处理方法、装置、设备及存储介质，通过使用待验证识别算法对待识别图像进行识别，得到识别对象和识别结果位置。再根据真值库，确定真值对象，并根据识别对象和真值对象，确定备选对象。然后将备选对象按预设投影规则向真值对象投影，基于二者的投影面积交集，确定召回对象，减少因只判断两个顶点是否匹配而造成的误判，并减少因同时判断四个顶点是否匹配来判断是否召回造成的无法召回本该召回的对象。再对召回对象进行精度对比处理，得到召回评价结果。若召回评价结果满足召回精度要求，则将待验证识别算法确定为目标识别算法，用于交通标识牌召回操作，以达到减少误判的同时还能提高召回率和准确率的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的现有的交通标识牌识别对象判断时的分析对比示意图；
图2为本申请实施例提供的交通标识牌识别对象方法的应用场景示意图；
图3为本申请实施例提供的交通标识牌识别对象处理方法的流程示意图；
图4为本申请实施例提供的待识别图像的示意图；
图5为本申请实施例提供的基于点云数据生成的显示内容示意图；
图6为本申请实施例提供的交通标识牌的召回识别示意图；
图7为本申请实施例提供的交通标识牌识别对象处理装置的结构示意图一；
图8为本申请实施例提供的交通标识牌识别对象处理装置的结构示意图二；
图9为本申请实施例提供的交通标识牌识别对象处理设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的现有的交通标识牌识别对象判断时的分析对比示意图。如图1所示，现有技术中，实线框ABCD表示作为对比分析参照的真值，虚线框EFGH与真值对象对应的需要召回的交通标识牌，虚线框abcd表示与另一真值对象对应的需要召回的交通标识牌。当采用四顶点进行分析对比时，需要依次用A顶点与E顶点对比，B顶点与F顶点对比，依次类推，只有四个顶点均重合时，才满足召回判断条件。当采用两顶点进行分析对比时，容易出现如图1所示的情况，顶点D和顶点C与顶点a和顶点b重合，导致出被错误的识别为与实线框ABCD对应的真值，发生误判。因此，亟需一种交通标识牌识别对象处理方法，在减少误判的同时还能提高召回率和准确率。
为解决上述技术问题，本申请实施例提供了以下解决问题的技术构思：首先，基于真值对象和识别对象的投影面积的相交部分的面积占比多少来判断识别对象和真值对象之间是否匹配。
图2为本申请实施例提供的交通标识牌识别对象方法的应用场景示意图，如图2所示，包括：终端201和服务器202。
其中，终端201，用于响应用户端输入的操作和显示交通标识牌识别对象的处理结果。服务器202，用于接收从云端、其他服务器或移动端传输的交通标识牌数据，并执行交通标识牌识别对象处理操作，生成处理结果。
图3为本申请实施例提供的交通标识牌识别对象处理方法的流程示意图，本实施例的执行主体可以为图2所示实施例中的服务器202，也可以是其他的计算机的相关设备，对此实施例不作特别限制。
如图3所示，该交通标识牌识别对象处理方法包括：
S301：获取待识别图像，并对待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置。
图4为本申请实施例提供的待识别图像的示意图。本实施例中，待识别图像可以是用户终端采集的任一路段上的含交通标识牌的图像，例如图4所示的照片，待识别图像中包括多个待识别的交通标识牌。待验证识别算法可以是机器学习的图像识别算法，例如：区域卷积神经网络R-CNN算法。将待识别图像输入待验证识别算法进行识别处理，即可输出识别对象和识别结果位置。此处，待识别对象可以是框选的图像，例如图4所示的交通标识牌靠近边缘的线框中的内容，识别结果位置可以是识别对象的地理坐标，例如：图1所示的交通标识牌ABCD对应的识别结果位置可以是(40°N，116°/E，x1，y1，z1)。
S302：基于点云数据生成真值库，并根据真值库，确定真值对象。
图5为本申请实施例提供的基于点云数据生成的显示内容示意图。如图5所示，本实施例中，点云数据可以是通过三维激光雷达设备扫描得到的空间点的数据集，每个空间的包含了三维坐标信息，图5所示的网格线中的每个交点可以表示一个空间点。请回看图4，真值对象可以是图4中各交通标识牌的实际边框及边框内包含的内容。一个交通标识牌对应一个真值对象。
S303：根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将空间距离满足备选条件的识别对象确定为一个备选对象。
本实施例中，识别对象与真值对象之前的空间距离可以是识别对象的几何中心点与真值对象的几何中心点之间的距离。备选条件可以是空间距离小于或等于预先设定的一个距离上限值，例如：该距离上限值可以是50厘米。当空间距离小于或等于50厘米时，表示识别对象与真值对象可能是同一个交通标识牌，则该识别对象可以作为被召回的备选对象。
S304：将备选对象按预设投影规则向真值对象投影，若备选对象的投影与真值对象之间存在投影面积交集，则将备选对象确定为召回对象。
图6为本申请实施例提供的交通标识牌的召回识别示意图。如图6所示，真值对象A与真值对象A对应的备选对象的投影之间的投影交集面积为A2，真值对象B与真值对象B对应的备选对象的投影之间的投影交集面积为B2。则与真值对象A对应的备选对象可以作为召回对象。同理，与真值对象B对应的备选对象也可以作为召回对象。
本实施例中，预设投影规则是预先规定的投影规则，向真值对象的基准面投影可以是将识别对象按照预先规定的投影规则投影到真值对象所在平面。
具体地，在本申请一可选的实施例中，预设投影规则为沿经过真值对象的基准面的法向量进行投影，相应地，步骤S304具体包括：
将真值对象的任意三个点组成的面作为基准面，并根据基准面确定平面法向量；将备选对象沿平面法向量投影到真值对象上，以得到真值对象和备选对象投影的投影面积交集。
本实施例中，沿平面法向量投影到真值对象上指的是先将备选对象旋转沿几何中心旋转至与平面法向量垂直的位置，然后再将旋转后的备选对象沿平面法向量移动至与真值对象重合的位置。
在本申请一可选的实施例中，则步骤S304之后，还包括：
步骤A：若存在投影面积交集的备选对象有多个，则根据所有的投影面积交集，确定投影面积最大的投影面积交集对应的备选对象为召回对象。
本实施例中，备选对象有多个指的是同一个真值对象如果有两个及以上的备选对象。投影交集面积进行对比处理指的是将所有的备选对象与真值对象的投影交集面积进行面积大小的对比，然后选择面积最大的备选对象作为召回对象。例如：图6所示的与真值对象C对应的备选对象1和2中，与真值对象C对应的备选对象2的投影之间的投影交集面积C2大于与真值对象C对应的备选对象1的投影之间的投影交集面积C1，因此，将与真值对象C对应的备选对象2确定为召回对象。
S305：根据真值对象、识别对象和识别结果位置对召回对象进行精度对比处理，得到召回评价结果。
本实施例中，精度对比处理可以采用计算参数的方法依次确定召回率、冗余率和准确率。召回评价结果为召回率、冗余率和准确率等参数的数值。
具体地，在本申请一可选的实施例中，步骤S305包括：
S305a：根据真值对象，确定真值对象的真值个数，并根据识别对象，确定识别对象的识别个数。
S305b：根据所有的召回对象，确定召回对象的召回个数。
S305c：根据真值个数和召回个数，确定召回率。
在本申请一可选的实施例中，步骤S305c的计算公式为：
式中，Recall为召回率，f为召回个数，a为真值个数。
本实施例中，召回个数f指的是识别结果位置满足召回率要求的个数，真值个数a为真值对象的总个数。
S305d：根据识别个数和召回个数，确定冗余率。
在本申请一可选的实施例中，步骤S305d的计算公式为：
式中，RR为冗余率，d为识别个数，f为召回个数。
本实施例中，识别个数d为识别对象的总个数，f指的是识别结果位置满足召回率要求的个数。
S305c：根据真值对象和识别结果位置，从召回对象中确定满足位置精度条件的召回对象的目标召回个数，并根据目标召回个数和真值个数，确定准确率。
本实施例中，满足位置精度条件可以是真值对象上的位置坐标与召回对象上的位置坐标之间的差值小于或等于一个特定的数值。该特定的数值可以是10厘米或15厘米等人为指定的数值。
在本申请一可选的实施例中，步骤S305c中根据目标召回个数和真值个数，确定准确率，的计算公式为：
式中，Accuracy为准确率，r为目标召回个数，a为真值个数。
本实施例中，目标召回个数r指的是识别结果位置满足召回精度要求的个数，a为真值对象的总个数。
S306：若召回评价结果满足召回精度要求，则将待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。
本实施例中，召回精度条件可以是召回评价结果中的每个参数都达到一个固定的数值，例如：召回率不小于96％，准确率不小于80％。当召回评价结果满足召回精度要求，则表明待验证识别算法能用于后续的交通标识牌召回操作，不仅能提高召回率，还能提高准确率。
综上，本申请提供的交通标识牌识别对象处理方法，通过使用待验证识别算法对待识别图像进行识别，得到识别对象和识别结果位置。再根据真值库，确定真值对象，并根据识别对象和真值对象，确定备选对象。然后将备选对象按预设投影规则向真值对象投影，基于二者的投影面积交集，确定召回对象，减少因只判断两个顶点是否匹配而造成的误判，并减少因同时判断四个顶点是否匹配来判断是否召回造成的无法召回本该召回的对象。再对召回对象进行精度对比处理，得到召回评价结果。若召回评价结果满足召回精度要求，则将待验证识别算法确定为目标识别算法，用于交通标识牌召回操作，以达到减少误判的同时还能提高召回率和准确率的效果。
以上述实施例为基础，在本申请一可选的实施例中，步骤S305之后还包括：
步骤B：若召回评价结果不满足召回精度要求，则获取训练样本，并根据训练样本对待验证识别算法进行迭代更新，得到更新的识别算法；返回步骤S301。
本实施例中，训练样本可以包括一部分人工标注的真值对象和拍摄的待识别图像。迭代更新可以采用机器学习的迭代更新方法。
综上，本申请实施例提供的交通标识牌识别对象处理方法，还通过获取训练样本，并根据训练样本对待验证识别算法进行迭代更新，使得更新的识别算法更适用于交通标识牌图像的识别，以提高图像识别的准确率，进而提高召回率和准确率。
在本申请一可选的实施例中，步骤B中根据训练样本对待验证识别算法进行迭代更新，包括：根据训练样本基于生产验收用户的评测操作对待验证识别算法进行迭代更新。
本实施例中，生产验收用户可以是通过如图1所示的终端执行交通标识牌识别对象处理方法的用户，评测操作可以是用户通过终端人为从待识别图像中框选识别对象的过程。
综上，本申请实施例提供的交通标识牌识别对象处理方法，还通过人工验证的方式，辅助机器学习的识别算法的迭代更新，进一步提高迭代更新后的图像识别的准确率，进而提高召回率和准确率。
图7为本申请实施例提供的交通标识牌识别对象处理装置的结构示意图一，该装置包括：数据获取模块71、召回模块72和对比分析模块73。
其中，数据获取模块71，用于获取待识别图像，并对待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置。
数据获取模块71，还用于基于点云数据生成真值库，并根据真值库，确定真值对象。
召回模块72，用于根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将空间距离满足备选条件的识别对象确定为一个备选对象。
召回模块72，还用于将备选对象按预设投影规则向真值对象投影，若备选对象的投影与真值对象之间存在投影面积交集，则将备选对象确定为召回对象。
对比分析模块73，用于根据真值对象、识别对象和识别结果位置对召回对象进行精度对比处理，得到召回评价结果。
对比分析模块73，还用于若召回评价结果满足召回精度要求，则将待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。
在本申请一可选的实施例中，预设投影规则为沿经过真值对象的基准面的法向量进行投影，相应地，召回模块72，具体用于：将真值对象的任意三个点组成的面作为基站面，根据基准面确定平面法向量，再将备选对象沿平面法向量投影到真值对象上，以得到真值对象和备选对象投影的投影面积交集。
在本申请一可选的实施例中，召回模块72，还用于：若存在投影面积交集的备选对象有多个，则根据所有的投影面积交集，确定投影面积最大的投影面积交集对应的备选对象为召回对象。
在本申请一可选的实施例中，对比分析模块73，具体用于：根据真值对象，确定真值对象的真值个数，并根据识别对象，确定是被对象的识别个数。根据所有的召回对象，确定召回对象的召回个数。根据真值个数和召回个数，确定召回率。根据识别个数和召回个数，确定冗余率。根据真值对象和识别结果位置，从召回对象中确定满足位置精度条件的召回对象的目标召回个数，并根据目标召回个数和真值个数，确定准确率。
在本申请一可选的实施例中，对比分析模块73，还具体用于：根据真值个数和召回个数，确定召回率，的计算公式为：
式中，Recall为召回率，f为召回个数，a为真值个数。
对比分析模块73，还具体用于：根据识别个数和召回个数，确定冗余率，的计算公式为：
式中，RR为冗余率，d为识别个数，f为召回个数。
对比分析模块73，还具体用于：根据目标召回个数和真值个数，确定准确率，的计算公式为：
式中，Accuracy为准确率，r为目标召回个数，a为真值个数。
图8为本申请实施例提供的交通标识牌识别对象处理装置的结构示意图二，以图7所示实施例为基础，在本申请一可选的实施例中，该装置还包括：迭代更新模块74。
迭代更新模块74，用于若召回评价结果不满足召回精度要求，则获取训练样本，并根据训练样本对待验证识别算法进行迭代更新，得到更新的识别算法，并返回数据获取模块71继续执行的步骤。
在本申请一可选的实施例中，迭代更新模块74，还用于：基于生产验收用户的评测操作对待验证识别算法进行迭代更新。
本实施例提供的交通标识牌识别对象处理装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图9为本申请实施例提供的交通标识牌识别对象处理设备的硬件结构示意图，如图9所示，该设备包括：至少一个处理器901以及存储器902。
其中，存储器902，用于存储计算机执行指令。
处理器901，用于执行存储器902存储的计算机执行指令，以实现上述方法实施例中所涉及的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选的，存储器902既可以是独立的，也可以跟处理器901集成在一起。
当存储器902独立设置时，该设备还包括总线903，用于连接存储器902和处理器901。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上的交通标识牌识别对象处理方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上的交通标识牌识别对象处理方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块组成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例的方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (10)
1.一种交通标识牌识别对象处理方法，其特征在于，包括：
获取待识别图像，并对所述待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置；
基于点云数据生成真值库，并根据所述真值库，确定真值对象；
根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将所述空间距离满足备选条件的识别对象确定为一个备选对象；
将所述备选对象按预设投影规则向真值对象投影；若所述备选对象的投影与真值对象之间存在投影面积交集，则将所述备选对象确定为召回对象；
根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果；
若所述召回评价结果满足召回精度要求，则将所述待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。
2.根据权利要求1所述的方法，其特征在于，所述预设投影规则为沿经过真值对象的基准面的法向量进行投影；
相应地，所述将所述备选对象按预设投影规则向真值对象投影，包括：
将真值对象的任意三个点组成的面作为基站面，并根据基准面确定平面法向量；将备选对象沿平面法向量投影到真值对象上，以得到所述真值对象和备选对象投影的投影面积交集。
3.根据权利要求1所述的方法，其特征在于，所述根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果，包括：
根据真值对象，确定真值对象的真值个数，并根据识别对象，确定识别对象的识别个数；
根据所有的召回对象，确定召回对象的召回个数；
根据所述真值个数和所述召回个数，确定召回率；
根据所述识别个数和所述召回个数，确定冗余率；
根据所述真值对象和所述识别结果位置，从召回对象中确定满足位置精度条件的召回对象的目标召回个数，并根据所述目标召回个数和所述真值个数，确定准确率。
4.根据权利要求3所述的方法，其特征在于，所述根据所述真值个数和所述召回个数，确定召回率，的计算公式为：
式中，Recall为召回率，f为召回个数，a为真值个数；
所述根据识别个数和召回个数，确定冗余率，的计算公式为：
式中，RR为冗余率，d为识别个数，f为召回个数
所述根据所述目标召回个数和所述真值个数，确定准确率：
式中，Accuracy为准确率，r为目标召回个数，a为真值个数。
5.根据权利要求1所述的方法，其特征在于，所述将所述备选对象按预设投影规则向真值对象投影；若所述备选对象的投影与真值对象之间存在投影面积交集，则将所述备选对象确定为召回对象之后，还包括：
若存在投影面积交集的备选对象有多个，则根据所有的投影面积交集，确定投影面积最大的投影面积交集对应的备选对象为召回对象。
6.根据权利要求1所述的方法，其特征在于，所述根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果之后，还包括：
若召回评价结果不满足召回精度要求，则获取训练样本，并根据所述训练样本对待验证识别算法进行迭代更新，得到更新的识别算法；返回所述获取待识别图像，并对所述待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置的步骤。
7.根据权利要求6所述的方法，其特征在于，所述根据所述训练样本对待验证识别算法进行迭代更新，包括：
根据训练样本基于生产验收用户的评测操作对待验证识别算法进行迭代更新。
8.一种交通标识牌识别对象处理装置，其特征在于，包括：
数据获取模块，用于获取待识别图像，并对所述待识别图像使用待验证识别算法进行识别处理，生成至少一个识别对象和识别结果位置；
所述数据获取模块，还用于基于点云数据生成真值库，并根据所述真值库，确定真值对象；
召回模块，用于根据至少一个识别对象和真值对象，确定每个识别对象与真值对象之间的空间距离，并将所述空间距离满足备选条件的识别对象确定为一个备选对象；
所述召回模块，还用于将所述备选对象按预设投影规则向真值对象投影；若所述备选对象的投影与真值对象之间存在投影面积交集，则将所述备选对象确定为召回对象；
对比分析模块，用于根据所述真值对象、所述识别对象和所述识别结果位置对所述召回对象进行精度对比处理，得到召回评价结果；
所述对比分析模块，还用于若所述召回评价结果满足召回精度要求，则将所述待验证识别算法确定为目标识别算法，用于后续交通标识牌召回操作。
9.一种交通标识牌识别对象处理设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的交通标识牌识别对象处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的交通标识牌识别对象处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311060165.3A CN117095262A (zh) | 2023-08-21 | 2023-08-21 | 交通标识牌识别对象处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311060165.3A CN117095262A (zh) | 2023-08-21 | 2023-08-21 | 交通标识牌识别对象处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117095262A true CN117095262A (zh) | 2023-11-21 |
Family
ID=88779827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311060165.3A Pending CN117095262A (zh) | 2023-08-21 | 2023-08-21 | 交通标识牌识别对象处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095262A (zh) |
-
2023
- 2023-08-21 CN CN202311060165.3A patent/CN117095262A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241947B (zh) | 目标检测模型的训练方法、装置、存储介质和计算机设备 | |
| CN108345882B (zh) | 用于图像识别的方法、装置、设备和计算机可读存储介质 | |
| CN113239982A (zh) | 检测模型的训练方法、目标检测方法、装置和电子系统 | |
| CN111739016B (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
| CN110096929A (zh) | 基于神经网络的目标检测 | |
| CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
| US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
| CN111915657A (zh) | 一种点云配准方法、装置、电子设备及存储介质 | |
| CN114742789B (zh) | 一种基于面结构光的通用零件拾取方法、系统及电子设备 | |
| CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
| CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
| CN111461113A (zh) | 一种基于变形平面物体检测网络的大角度车牌检测方法 | |
| CN114387199A (zh) | 图像标注方法及装置 | |
| CN114120149A (zh) | 一种倾斜摄影测量建筑物特征点提取方法、装置、电子设备及介质 | |
| CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
| CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
| CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
| CN111368860A (zh) | 重定位方法及终端设备 | |
| CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
| CN117095262A (zh) | 交通标识牌识别对象处理方法、装置、设备及存储介质 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN115457202A (zh) | 一种三维模型更新的方法、装置及存储介质 | |
| CN113435502B (zh) | 站点流量确定方法、装置、设备及存储介质 | |
| CN113283821B (zh) | 虚拟场景处理方法、装置、电子设备及计算机存储介质 | |
| CN112464753B (zh) | 图像中关键点的检测方法、检测装置及终端设备 |
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 |