CN117173669A - 一种基于人工智能的图片识别方法和系统 - Google Patents
一种基于人工智能的图片识别方法和系统 Download PDFInfo
- Publication number
- CN117173669A CN117173669A CN202311345489.1A CN202311345489A CN117173669A CN 117173669 A CN117173669 A CN 117173669A CN 202311345489 A CN202311345489 A CN 202311345489A CN 117173669 A CN117173669 A CN 117173669A
- Authority
- CN
- China
- Prior art keywords
- information
- identification
- picture
- road
- pictures
- 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 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明适用于图像识别技术领域,提供了一种基于人工智能的图片识别方法和系统,所述方法包括:实时采集车辆周围的图片;对已采集的图片进行分析,识别图片中存在的有效的交通标识牌;获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比;根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。相比于传统的静态图像处理方法,该系统能够提供更及时和准确的路况信息。利用图像处理和机器学习技术,能够自动识别图片中的交通标识牌,并检索其含义。相比于人工识别和查询的方式,该系统能够大大提高处理效率和准确性。且不仅能够识别交通标识牌,还能够分析道路图片中的其他信息,如车辆信息、障碍物信息和道路损坏信息等。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种基于人工智能的图片识别方法和系统。
背景技术
基于人工智能的图片识别系统是指一种使用机器学习和深度学习等技术,对图片进行自动分析和理解的系统。通过应用基于人工智能的图片识别系统,辅助驾驶系统能够更好地感知道路环境、检测障碍物、分析路况并提供实时导航等功能。这些应用可以提升驾驶安全性、舒适性和效率,为驾驶员提供更好的驾驶体验;
传统的交通标识识别方法需要人工对道路图片进行分析和判断,然后查询相关的交通标识含义。这种人工操作的方式效率低下,容易出错。且驾驶者在驾驶的过程中还要分心去判断标识牌的含义,特别是部分临时设置的标识牌,极容易分心,影响驾驶安全,同时部分路障可能已经清除,道路已经可以使用,但临时设置的标识牌尚未清除,容易误导驾驶员,无法全面分析道路图片中的其他信息,如车辆信息、障碍物信息和道路损坏等信息。
发明内容
本发明的目的在于提供一种基于人工智能的图片识别方法,旨在解决背景技术中确定的现有技术存在的技术问题。
本发明是这样实现的,一种基于人工智能的图片识别方法,所述方法包括:
实时采集车辆周围的图片,获取道路信息;
建立包含全部交通标识信息的数据库,并对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,并在数据库中检索该交通标识牌的含义;
获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,若采集到的交通标识牌的含义与原始标识数据不符,则对实时采集的图片进行分析,获取当前的实时路况;
根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。
作为本发明更进一步的方案,所述实时采集车辆周围的图片,获取道路信息,具体包括:
实时采集车辆周围的图片,包括车辆前侧、后侧和左右两侧,并将采集到的图片存储于图片库中;
对已采集的图片进行图像增强和图像去噪处理;
设定更新时间阈值,并当图片处于图片库中的时间超过该更新时间阈值后,将该图片进行删除,以实时更新道路图像。
作为本发明更进一步的方案,所述对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,具体包括:
建立包含全部现有的交通标识信息的数据库;
搭建识别模型,并提取数据库中全部的交通标识进行特征识别,利用每一种类的交通标识符的形状信息、颜色信息、符号信息和纹理特征对该识别模型进行识别训练;
通过识别模型对采集到的图片进行检测,识别出图片中存在的标识牌;
获取识别出的标识牌的形状信息、颜色信息、符号信息和纹理特征,并将其与数据库中的数据进行比对,获取图片中存在的标识牌的信息。
作为本发明更进一步的方案,所述获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,具体包括:
获取车辆的当前位置,并获取该位置的原始标识信息;
将原始标识信息与图片中存在的标识牌信息进行比对,若比对不符,则读取图片库中的全部图片,并按序对图片中的道路信息进行读取,包括:车辆信息、障碍物信息和道路损坏信息;
当道路信息不存在异常,则向用户提供标识牌可能有误的反馈信息。
作为本发明更进一步的方案,所述根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线,具体包括:
当道路信息存在异常,则在本次行驶过程中,使用图片中存在的标识牌信息取代该位置的原始标识信息,并重新对用户预设的路线进行规划;
替换原始的路线图,并反馈给用户。
本发明的另一目的在于提供一种基于人工智能的图片识别系统,所述系统包括:
图像采集模块,用于实时采集车辆周围的图片,获取道路信息;
标识识别模块,用于建立包含全部交通标识信息的数据库,并对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,并在数据库中检索该交通标识牌的含义;
路况分析模块,用于获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,若采集到的交通标识牌的含义与原始标识数据不符,则对实时采集的图片进行分析,获取当前的实时路况;
路线规划模块,用于根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。
作为本发明更进一步的方案,所述图像采集模块包括:
图像拍摄单元,用于实时采集车辆周围的图片,包括车辆前侧、后侧和左右两侧,并将采集到的图片存储于图片库中;
图像预处理单元,用于对已采集的图片进行图像增强和图像去噪处理;
实时更新单元,用于设定更新时间阈值,并当图片处于图片库中的时间超过该更新时间阈值后,将该图片进行删除,以实时更新道路图像。
作为本发明更进一步的方案,所述标识识别模块包括:
数据库搭建单元,用于建立包含全部现有的交通标识信息的数据库;
模型搭建单元,用于搭建识别模型,并提取数据库中全部的交通标识进行特征识别,利用每一种类的交通标识符的形状信息、颜色信息、符号信息和纹理特征对该识别模型进行识别训练;
特征识别单元,用于通过识别模型对采集到的图片进行检测,识别出图片中存在的标识牌;
图像比对单元,用于获取识别出的标识牌的形状信息、颜色信息、符号信息和纹理特征,并将其与数据库中的数据进行比对,获取图片中存在的标识牌的信息。
作为本发明更进一步的方案,所述路况分析模块包括:
位置获取单元,用于获取车辆的当前位置,并获取该位置的原始标识信息;
信息对比单元,用于将原始标识信息与图片中存在的标识牌信息进行比对,若比对不符,则读取图片库中的全部图片,并按序对图片中的道路信息进行读取,包括:车辆信息、障碍物信息和道路损坏信息;
当道路信息不存在异常,则向用户提供标识牌可能有误的反馈信息。
作为本发明更进一步的方案,所述路线规划模块包括:
路线修改单元,用于当道路信息存在异常,则在本次行驶过程中,使用图片中存在的标识牌信息取代该位置的原始标识信息,并重新对用户预设的路线进行规划;
路线反馈单元,用于替换原始的路线图,并反馈给用户。
本发明的有益效果是:
本发明能够实时采集车辆周围的图片,并实时分析和处理这些图片,以获取道路信息和实时路况。相比于传统的静态图像处理方法,该系统能够提供更及时和准确的路况信息。利用图像处理和机器学习技术,能够自动识别图片中的交通标识牌,并检索其含义。相比于人工识别和查询的方式,该系统能够大大提高处理效率和准确性。
且不仅能够识别交通标识牌,还能够分析道路图片中的其他信息,如车辆信息、障碍物信息和道路损坏信息等。通过综合分析这些信息,可以提供更全面的路况和环境情况。同时能够根据实时路况的分析结果,重新规划可行驶的路线。相比于传统的静态路线规划方法,该系统能够根据当前道路状况和在线地图数据,动态调整路线,以提供更安全和高效的驾驶体验。
附图说明
图1为本发明实施例提供的一种基于人工智能的图片识别方法的流程图;
图2为本发明实施例提供的实时采集车辆周围的图片,获取道路信息的流程图;
图3为本发明实施例提供的对已采集的图片进行分析,识别图片中存在的有效的交通标识牌的流程图;
图4为本发明实施例提供的获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比的流程图;
图5为本发明实施例提供的根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线的流程图;
图6为本发明实施例提供的一种基于人工智能的图片识别系统的结构框图;
图7为本发明实施例提供的图像采集模块的结构框图;
图8为本发明实施例提供的标识识别模块的结构框图;
图9为本发明实施例提供的路况分析模块的结构框图;
图10为本发明实施例提供的路线规划模块的结构框图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的一种基于人工智能的图片识别方法的流程图,如图1所示,一种基于人工智能的图片识别方法,所述方法包括:
S100,实时采集车辆周围的图片,获取道路信息;
在本步骤中,使用适当的摄像设备实时捕获车辆周围的图像,包括车辆前侧、后侧以及左右两侧的景象。这些实时采集到的图片被保存在图片库中,为后续的分析和处理提供基础。
接下来,对已采集的图片进行图像增强和去噪处理,以优化图像质量并去除可能存在的噪音和模糊。这个步骤有助于提高后续交通标识的识别准确性。
为了保证道路信息的实时性,系统设定了更新时间阈值。当图片在图片库中的存储时间超过该阈值时,系统将删除它们,以便随时更新道路图像。这确保了采集到的图片始终是最新的道路信息。
S200,建立包含全部交通标识信息的数据库,并对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,并在数据库中检索该交通标识牌的含义;
在本步骤中,建立一个全面的交通标识数据库,其中包含了现有的各种类型的交通标识牌。这些交通标识牌被存储在数据库中,并记录了它们的形状、颜色、符号和纹理等特征信息。
接下来,系统搭建一个识别模型,利用数据库中的交通标识牌进行特征识别训练。这个识别模型可以基于深度学习算法,如卷积神经网络,通过学习交通标识牌的特征,来实现对交通标识牌的自动识别。
当系统采集到一张车辆周围的图片时,识别模型会被应用于该图片,通过检测和识别的过程,系统能够自动地定位和提取出图片中存在的交通标识牌。
接着,系统将识别出的交通标识牌的形状、颜色、符号和纹理等特征信息与数据库中的数据进行比对。通过比对,系统能够检索数据库,并获取该交通标识牌的具体含义和规定,例如速限、禁止通行等。
这样,S200的工作完成后,系统能够准确地识别出图片中存在的有效的交通标识牌,并获取它们的具体含义。这为后续的实时路况分析和路线规划提供了基础数据和重要信息。
S300,获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,若采集到的交通标识牌的含义与原始标识数据不符,则对实时采集的图片进行分析,获取当前的实时路况;
在本步骤中,首先获取车辆的当前位置,并获取该位置的原始标识信息。这些原始标识信息可以来自地图数据、交通管理部门的数据库或其他可靠的数据源。通过获取当前位置的原始标识信息,系统可以了解道路上本应存在的标识牌含义和规定。随后将原始标识信息与图片中存在的标识牌信息进行比对。这里的标识牌信息来自S200步骤中对采集到的图片进行分析和识别得到的有效交通标识牌。通过比对两者之间的差异,系统可以判断采集到的交通标识牌是否与原始标识数据一致。
如果比对结果显示采集到的交通标识牌的含义与原始标识数据不符,则系统会认为标识牌可能有误,并进一步分析实时采集的图片。系统会从图片库中读取全部图片,并按序对图片中的道路信息进行读取,包括车辆信息、障碍物信息和道路损坏信息等。
在读取图片中的道路信息时,系统可以应用图像处理和计算机视觉技术来抽取和识别关键的元素,如交通流量、道路障碍物、路面状况等。通过对这些信息的分析,系统可以得出当前道路的实时路况,例如交通拥堵、道路封闭、事故发生等。
总之,S300是基于人工智能的图片识别方法中的一个关键步骤,通过比对原始标识数据和采集到的交通标识牌,结合实时图片分析,系统可以获取准确的实时路况信息,并基于此进行路线规划和导航建议。
S400,根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。
在本步骤中,对比结果显示采集到的交通标识牌的含义与原始标识数据不符时,系统会判断道路信息存在异常。在这种情况下,系统会利用S200步骤中识别出的交通标识牌信息来取代该位置的原始标识信息。通过使用图片中存在的标识牌信息,系统可以更准确地了解当前道路的规定和限制条件。在获取了更新的标识信息后,系统会重新对用户预设的路线进行规划。这个过程包括分析所犯的交通规则、限速规定以及其他影响行车的因素。系统会综合考虑交通流量、道路状况、交叉口信号等因素,并结合用户的目的地和优先级设置,重新计算可行的路线。
在完成路线规划后,系统会生成替换原始的路线图,并将其反馈给用户。这个路线图会显示更新后的道路信息,包括更新后的标识牌信息、道路限速、交通拥堵情况等。通过提供最新的路线图,系统可以帮助用户及时了解道路状况,并根据实时路况做出相应的调整。
图2为本发明实施例提供的实时采集车辆周围的图片,获取道路信息的流程图,如图2所示,所述实时采集车辆周围的图片,获取道路信息,具体包括:
S110,实时采集车辆周围的图片,包括车辆前侧、后侧和左右两侧,并将采集到的图片存储于图片库中;
S120,对已采集的图片进行图像增强和图像去噪处理;
S130,设定更新时间阈值,并当图片处于图片库中的时间超过该更新时间阈值后,将该图片进行删除,以实时更新道路图像。
在本步骤中,会设定一个更新时间阈值,用于判断图片在图片库中的存储时间。当某张图片在图片库中的存储时间超过设定的更新时间阈值后,说明该图片已经不再是当前的实时道路情况,需要进行更新。因此,该子单元会将超过时间阈值的图片从图片库中删除,以确保图片库中的图片始终保持实时性,以便后续的路况分析和处理。
图3为本发明实施例提供的对已采集的图片进行分析,识别图片中存在的有效的交通标识牌的流程图,如图3所示,所述对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,具体包括:
S210,建立包含全部现有的交通标识信息的数据库;
S220,搭建识别模型,并提取数据库中全部的交通标识进行特征识别,利用每一种类的交通标识符的形状信息、颜色信息、符号信息和纹理特征对该识别模型进行识别训练;
在本步骤中,识别模型用于对采集到的图片中的交通标识进行识别。首先,我们将从数据库中提取出所有交通标识的形状、颜色、符号和纹理等特征信息。然后,使用这些特征信息对识别模型进行训练,使其能够准确地识别不同类型的交通标识。
S230,通过识别模型对采集到的图片进行检测,识别出图片中存在的标识牌;
在本步骤中,使用已经训练好的识别模型,对实时采集到的图片进行检测和识别。通过模型的识别能力,可以确定图片中是否存在交通标识牌,并将其标记出来。
S240,获取识别出的标识牌的形状信息、颜色信息、符号信息和纹理特征,并将其与数据库中的数据进行比对,获取图片中存在的标识牌的信息。
图4为本发明实施例提供的获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比的流程图,如图4所示,所述获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,具体包括:
S310,获取车辆的当前位置,并获取该位置的原始标识信息;
在本步骤中,获取原始标识信息可以通过车载GPS或其他定位系统来实现。通过这些系统,我们可以获取车辆所在的经纬度坐标或具体的位置描述。然后使用该位置信息来获取该位置的原始标识信息。
S320,将原始标识信息与图片中存在的标识牌信息进行比对,若比对不符,则读取图片库中的全部图片,并按序对图片中的道路信息进行读取,包括:车辆信息、障碍物信息和道路损坏信息;
在本步骤中,把获取到的原始标识信息与图片中存在的标识牌信息进行比对。首先会识别图片中的交通标识牌,并提取其特征信息,如形状、颜色、符号等。然后,将这些特征信息与原始标识信息进行比对,以确定是否存在不符的情况。如果比对结果不符,则意味着采集到的交通标识牌的含义与原始标识数据不一致。在这种情况下,将读取图片库中的全部图片,并按序对这些图片中的道路信息进行读取。这些道路信息包括车辆信息、障碍物信息和道路损坏信息等。通过分析这些信息,可以获取当前的实时路况。
当道路信息不存在异常,则向用户提供标识牌可能有误的反馈信息。
图5为本发明实施例提供的根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线的流程图,如图5所示,所述根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线,具体包括:
S410,当道路信息存在异常,则在本次行驶过程中,使用图片中存在的标识牌信息取代该位置的原始标识信息,并重新对用户预设的路线进行规划;
S420,替换原始的路线图,并反馈给用户。
图6为本发明实施例提供的一种基于人工智能的图片识别系统的结构框图,如图6所示,一种基于人工智能的图片识别系统,所述系统包括:
图像采集模块100,用于实时采集车辆周围的图片,获取道路信息;
在本模块中,使用适当的摄像设备实时捕获车辆周围的图像,包括车辆前侧、后侧以及左右两侧的景象。这些实时采集到的图片被保存在图片库中,为后续的分析和处理提供基础。
接下来,对已采集的图片进行图像增强和去噪处理,以优化图像质量并去除可能存在的噪音和模糊。这个步骤有助于提高后续交通标识的识别准确性。
为了保证道路信息的实时性,系统设定了更新时间阈值。当图片在图片库中的存储时间超过该阈值时,系统将删除它们,以便随时更新道路图像。这确保了采集到的图片始终是最新的道路信息。
标识识别模块200,用于建立包含全部交通标识信息的数据库,并对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,并在数据库中检索该交通标识牌的含义;
在本模块中,建立一个全面的交通标识数据库,其中包含了现有的各种类型的交通标识牌。这些交通标识牌被存储在数据库中,并记录了它们的形状、颜色、符号和纹理等特征信息。
接下来,系统搭建一个识别模型,利用数据库中的交通标识牌进行特征识别训练。这个识别模型可以基于深度学习算法,如卷积神经网络,通过学习交通标识牌的特征,来实现对交通标识牌的自动识别。
当系统采集到一张车辆周围的图片时,识别模型会被应用于该图片,通过检测和识别的过程,系统能够自动地定位和提取出图片中存在的交通标识牌。
接着,系统将识别出的交通标识牌的形状、颜色、符号和纹理等特征信息与数据库中的数据进行比对。通过比对,系统能够检索数据库,并获取该交通标识牌的具体含义和规定,例如速限、禁止通行等。
这样,系统能够准确地识别出图片中存在的有效的交通标识牌,并获取它们的具体含义。这为后续的实时路况分析和路线规划提供了基础数据和重要信息。
路况分析模块300,用于获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,若采集到的交通标识牌的含义与原始标识数据不符,则对实时采集的图片进行分析,获取当前的实时路况;
在本模块中,首先获取车辆的当前位置,并获取该位置的原始标识信息。这些原始标识信息可以来自地图数据、交通管理部门的数据库或其他可靠的数据源。通过获取当前位置的原始标识信息,系统可以了解道路上本应存在的标识牌含义和规定。随后将原始标识信息与图片中存在的标识牌信息进行比对。这里的标识牌信息来自前一个模块对采集到的图片进行分析和识别得到的有效交通标识牌。通过比对两者之间的差异,系统可以判断采集到的交通标识牌是否与原始标识数据一致。
如果比对结果显示采集到的交通标识牌的含义与原始标识数据不符,则系统会认为标识牌可能有误,并进一步分析实时采集的图片。系统会从图片库中读取全部图片,并按序对图片中的道路信息进行读取,包括车辆信息、障碍物信息和道路损坏信息等。
在读取图片中的道路信息时,系统可以应用图像处理和计算机视觉技术来抽取和识别关键的元素,如交通流量、道路障碍物、路面状况等。通过对这些信息的分析,系统可以得出当前道路的实时路况,例如交通拥堵、道路封闭、事故发生等。
总之,该模块是基于人工智能的图片识别方法中的一个关键步骤,通过比对原始标识数据和采集到的交通标识牌,结合实时图片分析,系统可以获取准确的实时路况信息,并基于此进行路线规划和导航建议。
路线规划模块400,用于根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。
在本模块中,对比结果显示采集到的交通标识牌的含义与原始标识数据不符时,系统会判断道路信息存在异常。在这种情况下,系统会利用S200步骤中识别出的交通标识牌信息来取代该位置的原始标识信息。通过使用图片中存在的标识牌信息,系统可以更准确地了解当前道路的规定和限制条件。在获取了更新的标识信息后,系统会重新对用户预设的路线进行规划。这个过程包括分析所犯的交通规则、限速规定以及其他影响行车的因素。系统会综合考虑交通流量、道路状况、交叉口信号等因素,并结合用户的目的地和优先级设置,重新计算可行的路线。
在完成路线规划后,系统会生成替换原始的路线图,并将其反馈给用户。这个路线图会显示更新后的道路信息,包括更新后的标识牌信息、道路限速、交通拥堵情况等。通过提供最新的路线图,系统可以帮助用户及时了解道路状况,并根据实时路况做出相应的调整。
图7为本发明实施例提供的图像采集模块的结构框图,如图7所示,所述图像采集模块包括:
图像拍摄单元110,用于实时采集车辆周围的图片,包括车辆前侧、后侧和左右两侧,并将采集到的图片存储于图片库中;
图像预处理单元120,用于对已采集的图片进行图像增强和图像去噪处理;
实时更新单元130,用于设定更新时间阈值,并当图片处于图片库中的时间超过该更新时间阈值后,将该图片进行删除,以实时更新道路图像。
在本单元中,会设定一个更新时间阈值,用于判断图片在图片库中的存储时间。当某张图片在图片库中的存储时间超过设定的更新时间阈值后,说明该图片已经不再是当前的实时道路情况,需要进行更新。因此,该子单元会将超过时间阈值的图片从图片库中删除,以确保图片库中的图片始终保持实时性,以便后续的路况分析和处理。
图8为本发明实施例提供的标识识别模块的结构框图,如图8所示,所述标识识别模块包括:
数据库搭建单元210,用于建立包含全部现有的交通标识信息的数据库;
模型搭建单元220,用于搭建识别模型,并提取数据库中全部的交通标识进行特征识别,利用每一种类的交通标识符的形状信息、颜色信息、符号信息和纹理特征对该识别模型进行识别训练;
在本单元中,识别模型用于对采集到的图片中的交通标识进行识别。首先,我们将从数据库中提取出所有交通标识的形状、颜色、符号和纹理等特征信息。然后,使用这些特征信息对识别模型进行训练,使其能够准确地识别不同类型的交通标识。
特征识别单元230,用于通过识别模型对采集到的图片进行检测,识别出图片中存在的标识牌;
在本单元中,使用已经训练好的识别模型,对实时采集到的图片进行检测和识别。通过模型的识别能力,可以确定图片中是否存在交通标识牌,并将其标记出来。
图像比对单元240,用于获取识别出的标识牌的形状信息、颜色信息、符号信息和纹理特征,并将其与数据库中的数据进行比对,获取图片中存在的标识牌的信息。
图9为本发明实施例提供的路况分析模块的结构框图,如图9所示,所述路况分析模块包括:
位置获取单元310,用于获取车辆的当前位置,并获取该位置的原始标识信息;
在本单元中,获取原始标识信息可以通过车载GPS或其他定位系统来实现。通过这些系统,我们可以获取车辆所在的经纬度坐标或具体的位置描述。然后使用该位置信息来获取该位置的原始标识信息。
信息对比单元320,用于将原始标识信息与图片中存在的标识牌信息进行比对,若比对不符,则读取图片库中的全部图片,并按序对图片中的道路信息进行读取,包括:车辆信息、障碍物信息和道路损坏信息;
在本单元中,把获取到的原始标识信息与图片中存在的标识牌信息进行比对。首先会识别图片中的交通标识牌,并提取其特征信息,如形状、颜色、符号等。然后,将这些特征信息与原始标识信息进行比对,以确定是否存在不符的情况。如果比对结果不符,则意味着采集到的交通标识牌的含义与原始标识数据不一致。在这种情况下,将读取图片库中的全部图片,并按序对这些图片中的道路信息进行读取。这些道路信息包括车辆信息、障碍物信息和道路损坏信息等。通过分析这些信息,可以获取当前的实时路况。
当道路信息不存在异常,则向用户提供标识牌可能有误的反馈信息。
图10为本发明实施例提供的路线规划模块的结构框图,如图10所示,所述路线规划模块包括:
路线修改单元410,用于当道路信息存在异常,则在本次行驶过程中,使用图片中存在的标识牌信息取代该位置的原始标识信息,并重新对用户预设的路线进行规划;
路线反馈单元420,用于替换原始的路线图,并反馈给用户。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的图片识别方法,其特征在于,所述方法包括:
实时采集车辆周围的图片,获取道路信息;
建立包含全部交通标识信息的数据库,并对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,并在数据库中检索该交通标识牌的含义;
获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,若采集到的交通标识牌的含义与原始标识数据不符,则对实时采集的图片进行分析,获取当前的实时路况;
根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。
2.根据权利要求1所述的方法,其特征在于,所述实时采集车辆周围的图片,获取道路信息,具体包括:
实时采集车辆周围的图片,包括车辆前侧、后侧和左右两侧,并将采集到的图片存储于图片库中;
对已采集的图片进行图像增强和图像去噪处理;
设定更新时间阈值,并当图片处于图片库中的时间超过该更新时间阈值后,将该图片进行删除,以实时更新道路图像。
3.根据权利要求2所述的方法,其特征在于,所述对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,具体包括:
建立包含全部现有的交通标识信息的数据库;
搭建识别模型,并提取数据库中全部的交通标识进行特征识别,利用每一种类的交通标识符的形状信息、颜色信息、符号信息和纹理特征对该识别模型进行识别训练;
通过识别模型对采集到的图片进行检测,识别出图片中存在的标识牌;
获取识别出的标识牌的形状信息、颜色信息、符号信息和纹理特征,并将其与数据库中的数据进行比对,获取图片中存在的标识牌的信息。
4.根据权利要求3所述的方法,其特征在于,所述获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,具体包括:
获取车辆的当前位置,并获取该位置的原始标识信息;
将原始标识信息与图片中存在的标识牌信息进行比对,若比对不符,则读取图片库中的全部图片,并按序对图片中的道路信息进行读取,包括:车辆信息、障碍物信息和道路损坏信息;
当道路信息不存在异常,则向用户提供标识牌可能有误的反馈信息。
5.根据权利要求4所述的方法,其特征在于,所述根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线,具体包括:
当道路信息存在异常,则在本次行驶过程中,使用图片中存在的标识牌信息取代该位置的原始标识信息,并重新对用户预设的路线进行规划;
替换原始的路线图,并反馈给用户。
6.一种基于人工智能的图片识别系统,其特征在于,所述系统包括:
图像采集模块,用于实时采集车辆周围的图片,获取道路信息;
标识识别模块,用于建立包含全部交通标识信息的数据库,并对已采集的图片进行分析,识别图片中存在的有效的交通标识牌,并在数据库中检索该交通标识牌的含义;
路况分析模块,用于获取当前道路的原始标识数据,并与采集到的交通标识牌进行对比,若采集到的交通标识牌的含义与原始标识数据不符,则对实时采集的图片进行分析,获取当前的实时路况;
路线规划模块,用于根据实时路况的分析结果,基于所设定的目的地重新规划可行驶的路线。
7.根据权利要求6所述的系统,其特征在于,所述图像采集模块包括:
图像拍摄单元,用于实时采集车辆周围的图片,包括车辆前侧、后侧和左右两侧,并将采集到的图片存储于图片库中;
图像预处理单元,用于对已采集的图片进行图像增强和图像去噪处理;
实时更新单元,用于设定更新时间阈值,并当图片处于图片库中的时间超过该更新时间阈值后,将该图片进行删除,以实时更新道路图像。
8.根据权利要求7所述的系统,其特征在于,所述标识识别模块包括:
数据库搭建单元,用于建立包含全部现有的交通标识信息的数据库;
模型搭建单元,用于搭建识别模型,并提取数据库中全部的交通标识进行特征识别,利用每一种类的交通标识符的形状信息、颜色信息、符号信息和纹理特征对该识别模型进行识别训练;
特征识别单元,用于通过识别模型对采集到的图片进行检测,识别出图片中存在的标识牌;
图像比对单元,用于获取识别出的标识牌的形状信息、颜色信息、符号信息和纹理特征,并将其与数据库中的数据进行比对,获取图片中存在的标识牌的信息。
9.根据权利要求8所述的系统,其特征在于,所述路况分析模块包括:
位置获取单元,用于获取车辆的当前位置,并获取该位置的原始标识信息;
信息对比单元,用于将原始标识信息与图片中存在的标识牌信息进行比对,若比对不符,则读取图片库中的全部图片,并按序对图片中的道路信息进行读取,包括:车辆信息、障碍物信息和道路损坏信息;
当道路信息不存在异常,则向用户提供标识牌可能有误的反馈信息。
10.根据权利要求9所述的系统,其特征在于,所述路线规划模块包括:
路线修改单元,用于当道路信息存在异常,则在本次行驶过程中,使用图片中存在的标识牌信息取代该位置的原始标识信息,并重新对用户预设的路线进行规划;
路线反馈单元,用于替换原始的路线图,并反馈给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345489.1A CN117173669A (zh) | 2023-10-18 | 2023-10-18 | 一种基于人工智能的图片识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345489.1A CN117173669A (zh) | 2023-10-18 | 2023-10-18 | 一种基于人工智能的图片识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117173669A true CN117173669A (zh) | 2023-12-05 |
Family
ID=88937642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345489.1A Pending CN117173669A (zh) | 2023-10-18 | 2023-10-18 | 一种基于人工智能的图片识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173669A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870713A (zh) * | 2024-03-11 | 2024-04-12 | 武汉视普新科技有限公司 | 基于大数据车载影像的路径规划方法及系统 |
CN117870713B (zh) * | 2024-03-11 | 2024-05-31 | 武汉视普新科技有限公司 | 基于大数据车载影像的路径规划方法及系统 |
-
2023
- 2023-10-18 CN CN202311345489.1A patent/CN117173669A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870713A (zh) * | 2024-03-11 | 2024-04-12 | 武汉视普新科技有限公司 | 基于大数据车载影像的路径规划方法及系统 |
CN117870713B (zh) * | 2024-03-11 | 2024-05-31 | 武汉视普新科技有限公司 | 基于大数据车载影像的路径规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102015947B1 (ko) | 자율주행을 위한 학습대상 이미지 추출 장치 및 방법 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
KR102015945B1 (ko) | 자율주행을 위한 학습대상 이미지 패키징 장치 및 방법 | |
CN111815742A (zh) | 一种车道线生成方法及系统 | |
CN112364898B (zh) | 图像识别自动标注方法、装置、设备及存储介质 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN112241442B (zh) | 地图更新方法、装置、计算机设备和存储介质 | |
CN111444798A (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN112990293A (zh) | 一种点云标注方法、装置和电子设备 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN111854766A (zh) | 一种道路信息确定方法、装置、电子设备及存储介质 | |
CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
US11823368B1 (en) | Automated road surface condition quality assessment using smart (IoT) devices | |
JP5327241B2 (ja) | 物体識別装置 | |
CN109344776B (zh) | 数据处理方法 | |
CN117173669A (zh) | 一种基于人工智能的图片识别方法和系统 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN110751837A (zh) | 高速行车路径确定方法、装置、设备和存储介质 | |
CN114333328B (zh) | 基于浮动车定位数据的卡口标定方法、装置和存储介质 | |
CN114359859A (zh) | 一种含遮挡的目标物处理方法、装置及存储介质 | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
CN114359233A (zh) | 图像分割模型训练方法、装置、电子设备及可读存储介质 |
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 |