CN117542023A - 交通标志检测方法、装置、电子设备和存储介质 - Google Patents

交通标志检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117542023A
CN117542023A CN202410011899.0A CN202410011899A CN117542023A CN 117542023 A CN117542023 A CN 117542023A CN 202410011899 A CN202410011899 A CN 202410011899A CN 117542023 A CN117542023 A CN 117542023A
Authority
CN
China
Prior art keywords
image
detected
traffic sign
feature
features
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
Application number
CN202410011899.0A
Other languages
English (en)
Other versions
CN117542023B (zh
Inventor
林俊杰
彭易锦
方志杰
何山波
王志伟
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.)
GAC Aion New Energy Automobile Co Ltd
Original Assignee
GAC Aion New Energy Automobile 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 GAC Aion New Energy Automobile Co Ltd filed Critical GAC Aion New Energy Automobile Co Ltd
Priority to CN202410011899.0A priority Critical patent/CN117542023B/zh
Publication of CN117542023A publication Critical patent/CN117542023A/zh
Application granted granted Critical
Publication of CN117542023B publication Critical patent/CN117542023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/582—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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种交通标志检测方法、装置、电子设备和存储介质，其中，交通标志检测方法包括：基于第一网络提取所述待测图像的第一尺度图像特征；基于第二网络对所述待测图像进行上采样，得到所述待测图像的上采样结果，并基于所述待测图像的上采样结果提取所述待测图像的第二尺度图像特征；基于所述第二网络融合所述待测图像的第一尺度图像特征和所述待测图像的第二尺度图像特征，得到所述待测图像的多尺度图像特征等步骤。本申请是能够降低交通标志检测的计算量，提高交通标志检测的实时性。

Description

交通标志检测方法、装置、电子设备和存储介质
技术领域
本申请涉及图像识别领域，具体而言，涉及一种交通标志检测方法、装置、电子设备和存储介质。
背景技术
交通标志检测是实现车辆自动驾驶的关键一环，是智能驾驶环境感知的重要组成部分。在实际使用过程中，检测系统通常安装在汽车移动检测装备上，因此，交通标志牌的检测需实时快速的进行以满足车辆自动行驶过程的安全性和规章性。目前，现有经典的交通标志检测方法存在计算量大、无法满足目标检测的实时性这一缺点。
发明内容
本申请实施例的目的在于提供一种交通标志检测方法、装置、电子设备和存储介质，用以降低交通标志检测的计算量，提高交通标志检测的实时性。
第一方面，本发明提供一种交通标志检测方法，所述方法包括：
获取待测图像；
基于第一网络提取所述待测图像的第一尺度图像特征；
基于第二网络对所述待测图像进行上采样，得到所述待测图像的上采样结果，并基于所述待测图像的上采样结果提取所述待测图像的第二尺度图像特征；
基于所述第二网络融合所述待测图像的第一尺度图像特征和所述待测图像的第二尺度图像特征，得到所述待测图像的多尺度图像特征，其中，所述待测图像的多尺度图像特征为所述待测图像的全局信息最优解；
将所述多尺度图像特征作为交通标志检测头的输入，以基于所述交通标志检测头输出所述待测图像的特征图，其中，所述待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，所述宽高特征、中心点偏移特征基于中心点坐标特征确定，所述交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取所述中心点坐标特征，所述训练集包括样本和样本标注，所述样本标注包括坐标标注和存在性标注；
基于所述存在性特征判断所述待测图像是否存在检测目标，如果存在所述检测目标，确定所述检测目标的位置索引和所述检测目标的坐标；
基于所述交通标志类别特征确定所述检测目标的类别；
基于所述检测目标的位置索引和所述中心点偏移特征确定所述检测目标的中心点偏移值；
基于所述检测目标的位置索引和所述宽高特征确定所述检测目标的外接矩阵宽高。
本申请的方法能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
在可选的实施方式中，在所述获取待测图像之后，所述基于第一网络提取所述待测图像的第一尺度图像特征之前，所述方法还包括：
对所述待测图像进行裁剪处理，以去除所述待测图像的下半部分。
本可选的实施方式通过对所述待测图像进行裁剪处理，能够去除所述待测图像的下半部分，这样一来，就能够减少大部分背景信息，降低计算量。
在可选的实施方式中，所述检测目标的位置索引基于所述待测图像的热图确定。
本可选的实施方式可基于待测图像的热图确定检测目标的位置索引。
在可选的实施方式中，所述方法还包括：
基于CrossEntryLoss损失函数优化所述交通标志检测头提取所述交通标志类别特征的参数。
本可选的实施方式能够基于CrossEntryLoss损失函数优化所述交通标志检测头提取所述交通标志类别特征的参数。
在可选的实施方式中，所述方法包括：
基于FocalLoss损失函数优化所述交通标志检测头提取所述存在性特征的参数。
本可选的实施方式能够基于FocalLoss损失函数优化所述交通标志检测头提取所述存在性特征的参数。
在可选的实施方式中，所述方法还包括：
基于L1Loss损失函数优化所述交通标志检测头提取所述中心点坐标特征的参数。
本可选的实施方式能够基于L1Loss损失函数优化所述交通标志检测头提取所述中心点坐标特征的参数。
在可选的实施方式中，所述第一网络为MobileNetv2网络，所述第二网络为FPN网络。
本可选的实施方式能够将MobileNetv2网络作为第一网络，且能够将FPN网络作为第二网络。
第二方面，本发明提供一种交通标志检测装置，所述装置包括：
获取模块，用于获取待测图像；
提取模块，用于基于第一网络提取所述待测图像的第一尺度图像特征；
第一特征提取模块，用于基于第二网络对所述待测图像进行上采样，得到所述待测图像的上采样结果，并基于所述待测图像的上采样结果提取所述待测图像的第二尺度图像特征；
第二特征提取模块，用于基于所述第二网络融合所述待测图像的第一尺度图像特征和所述待测图像的第二尺度图像特征，得到所述待测图像的多尺度图像特征，其中，所述待测图像的多尺度图像特征为所述待测图像的全局信息最优解；
第三特征提取模块，用于将所述多尺度图像特征作为交通标志检测头的输入，以基于所述交通标志检测头输出所述待测图像的特征图，其中，所述待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，所述宽高特征、中心点偏移特征基于中心点坐标特征确定，所述交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取所述中心点坐标特征，所述训练集包括样本和样本标注，所述样本标注包括坐标标注和存在性标注；
检测模块，用于基于所述存在性特征判断所述待测图像是否存在检测目标，如果存在所述检测目标，确定所述检测目标的位置索引和所述检测目标的坐标；
第一确定模块，用于基于所述交通标志类别特征确定所述检测目标的类别；
第二确定模块，用于基于所述检测目标的位置索引和所述中心点偏移特征确定所述检测目标的中心点偏移值；
第三确定模块，用于基于所述检测目标的位置索引和所述宽高特征确定所述检测目标的外接矩阵宽高。
本申请的装置能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
第三方面，本发明提供一种电子设备，包括：
处理器；以及
存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时，执行如前述实施方式任一项所述的交通标志检测方法。
本申请的电子设备通过执行交通标志检测方法，能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
第四方面，本发明提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行如前述实施方式任一项所述的交通标志检测方法。
本申请的存储介质通过执行交通标志检测方法，能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例公开的一种交通标志检测方法的流程示意图；
图2是本申请实施例公开的一种交通标志检测框架的示意图；
图3是本申请实施例公开的一种交通标志检测装置的结构示意图；
图4是本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
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描述。
实施例一
请参阅图1，图1是本申请实施例公开的一种交通标志检测方法的流程示意图，如图1所示，本申请实施例的方法包括以下步骤：
101、获取待测图像；
102、基于第一网络提取待测图像的第一尺度图像特征；
103、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征；
104、基于第二融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解；
105、将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注；
106、基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标；
107、基于交通标志类别特征确定检测目标的类别；
108、基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值；
109、基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高。
本申请实施例的方法能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
在本申请实施例中，作为一种示例，通常在检测到待测图像保护交通标志时，需要在画面中显示交通标志的信息和交通标志的矩形框，其中，用户可根据交通标志的信息知道交通标志的类别，另一方面交通标志的矩形可便于用户直观快速地锁定画面中的交通标志。进一步地，确定交通标志的矩形框需要基于交通标志的中心点坐标，目前现有技术是基于交通标志的坐标信息计算其中心点坐标，例如根据交通标志的多个点的坐标计算其中心点坐标，这种方法会导致车载设备需要花费额外的算力去执行该计算过程，尤其是，当待测图像中包括多个交通标志时，针对每个交通标志都需要根据其坐标中的x、y计算其中心点坐标。基于此，本申请通过预选训练交通检测头，使交通检测头能够学习提取中心点坐标特征，进而在输入待测图像后，可利用交通检测头已获得的能力，直接输出待测图像的中心点坐标特征和基于中心点坐标特征直接输出中心点偏移特征和宽高特征，在此基础上，当待测图像存在多个检测目标时，能够根据检测目标的位置索引直接查询每个检测目标的中心点偏移特征和宽高特征，从而不需要遍历每个检测目标的x、y，以计算每个检测目标的中心点坐标并基于此中心点坐标确定中心点偏移特征和宽高特征。
在本申请实施例中，针对步骤101，待测图像可以由车载摄像头拍摄的图像，其中，待测图像可以实施车载摄像头的成像画面中的某一帧图像。
在本申请实施例中，针对步骤102和103，由于在不同的分辨率下，可以提取到不同的图像特征，因此需要提取多尺度的图像特征，具体地，第一尺度图像特征可以基于原始分辨率提取的图像特征，而第二尺度图像特征是在原始分辨率提高后的基础上提取，其中，基于第二网络对待测图像进行上采样，可得到分辨率更高的图像，即基于第二网络对待测图像进行上采样，能够放大待测图像，以增加待测图像的像素点密度。
在本申请实施例中，针对步骤104，待测图像的全局信息最优解是指待测图像的多尺度图像特征能够最准确地反映待测图像的全局信息，其中，关于全局信息最优解的其他说明，请参阅现有技术，本申请实施例对此不作赘述。
在本申请实施例中，针对步骤105，交通标志检测头是指提取特征的神经网络，其中，关于其具体结构可参阅现有技术，本申请实施例对此不作限定。
在本申请实施例中，针对步骤105，待测图像的特征图是指Feature map。进一步地，单通道学习方式是指交通标志检测头只需要学习如何提取中心点坐标特征，而不需要学习如何宽高特征、中心点偏移特征，其中，宽高特征、中心点偏移特征在提取中心点坐标特征后，可依据中心点坐标特征得计算得到。
在本申请实施例中，针对步骤105，存在性标注可以包括标志交通标志的类型的第一标志和表示交通标志是否有的第二标注，其中，当第二标注的值为1，表示图像存在交通标志，为0时，表示图像不存在交通标志。
在本申请实施例中，针对步骤105，测试集用于测试交通标志检测头的训练结果是否满足收敛条件。
在本申请实施例中，针对步骤106，由于训练集包括了坐标标注，因此，交通标志检测头能够学习特征与坐标标注之间的对应关系，进而在检测时，可根据待测图像的特征确定其检测目标的坐标。
在本申请实施例中，针对步骤106，待测图像存在检测目标可以是待测图像包括一个检测目标，也可以是指待测图像包括K个检测目标，其中，K的数值为大于等于2。进一步地，检测目标是指交通标志，其中，交通标志可以是圆形交通标志、方形交通标志和三角型交通标志，其中，每种交通标志又可包括多种表示不同含义的交通标志，例如，圆形交通标志可包括限速60的交通标志、禁止通行的交通标志。
在本申请实施例中，针对步骤108、109，基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值是指：以检测目标的位置索引为查询条件，在所有的中心点偏移特征中查询与检测目标的位置索引对应的中心点偏移特征，其中，当待测图像包含多个检测目标时，检测头会基于待测图像的热图确定每个检测目标的位置索引，进而建立检测目标的位置索引与中心点偏移特征、宽高特征之间的关联，这样一来，在输出时，就能够根据位置索引查询心点偏移特征、宽高特征。需要说明的是，在一些可选的实施方式，如果待测图像保护多个检测目标，则可将匹配度最高的检测目标作为最终的检测目标，其中，匹配度最高的检测目标是指分数最高的检测目标。
在可选的实施方式中，在步骤：获取待测图像之后，步骤：基于第一网络提取待测图像的第一尺度图像特征之前，本申请实施例的方法还包括以下步骤：
对待测图像进行裁剪处理，以去除待测图像的下半部分。
本可选的实施方式通过对待测图像进行裁剪处理，能够去除待测图像的下半部分，这样一来，就能够减少大部分背景信息，降低计算量，其中，背景信息对目标检测起到干扰作用，进而在识别过程增加了计算量。
在可选的实施方式中，检测目标的位置索引基于待测图像的热图确定，进而可基于待测图像的热图确定检测目标的位置索引。其中，待测图像的热图的具体生成方式，其参阅现有技术，本申请实施例对此不作赘述。
在可选的实施方式中，本申请实施例的方法还包括以下步骤：
基于CrossEntryLoss损失函数优化交通标志检测头提取交通标志类别特征的参数。
本可选的实施方式能够基于CrossEntryLoss损失函数优化交通标志检测头提取交通标志类别特征的参数。在可选的实施方式中，本申请实施例的方法还包括以下步骤：
基于FocalLoss损失函数优化交通标志检测头提取存在性特征的参数。
本可选的实施方式能够基于FocalLoss损失函数优化交通标志检测头提取存在性特征的参数。
在可选的实施方式中，本申请实施例的方法还包括以下步骤：
基于L1Loss损失函数优化交通标志检测头提取中心点坐标特征的参数。
本可选的实施方式能够基于L1Loss损失函数优化交通标志检测头提取中心点坐标特征的参数。
需要说明的是，关于交通标志检测头提取特征的参数具体包括何种参数，请参阅现有技术，本申请实施例对此不作限定。此外，优化交通标志检测头提取特征的参数可在交通标志检测头的训练、测试阶段进行，而待测图像的目标检测也可视为一种训练过程。在可选的实施方式中，第一网络为MobileNetv2网络，第二网络为FPN网络，具体地，如图2所示，FPN网络和MobileNetv2网络可构成图像编码模块，其中，图2是本申请实施例公开的一种交通标志检测框架的示意图。
本可选的实施方式能够将MobileNetv2网络作为第一网络，且能够将FPN网络作为第二网络，其中，待测图像的全局信息最优解可以是FPN网络的Feat[0]通道的输出，而FPN网络一共有四个输出通道。
需要说明的是，关于MobileNetv2网络和FPN网络的其他具体说明，请参阅现有技术，本申请实施例对此不作赘述。
实施例二
请参阅图3，图3是本申请实施例公开的一种交通标志检测装置的结构示意图，如图3所示，本申请实施例的装置包括以下功能模块：
获取模块201，用于获取待测图像；
提取模块202，用于基于第一网络提取待测图像的第一尺度图像特征；
第一特征提取模块203，用于基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征；
第二特征提取模块204，用于基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解；
第三特征提取模块205，用于将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注；
检测模块206，用于基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标；
第一确定模块207，用于基于交通标志类别特征确定检测目标的类别；
第二确定模块208，用于基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值；
第三确定模块209，用于基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高。
本申请实施例的装置能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
需要说明的是，关于本申请实施例的装置的其他详细说明，请参阅本申请实施例一的相关说明，本申请实施例对此不作赘述。
实施例三
请参阅图4，图4是本申请实施例公开的一种电子设备的结构示意图，如图4所示，本申请实施例的电子设备包括：
处理器301；以及
存储器302，配置用于存储机器可读指令，指令在由处理器301执行时，执行如前述实施方式任一项的交通标志检测方法。
本申请实施例的电子设备通过执行交通标志检测方法，能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
实施例四
本申请实施例提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行如前述实施方式任一项的交通标志检测方法。
本申请实施例的存储介质通过执行交通标志检测方法，能够获取待测图像，进而能够基于第一网络提取待测图像的第一尺度图像特征、基于第二网络对待测图像进行上采样，得到待测图像的上采样结果，并基于待测图像的上采样结果提取待测图像的第二尺度图像特征，进而能够基于FPN网络融合待测图像的第一尺度图像特征和待测图像的第二尺度图像特征，得到待测图像的多尺度图像特征，其中，待测图像的多尺度图像特征为待测图像的全局信息最优解，进而能够将多尺度图像特征作为交通标志检测头的输入，以基于交通标志检测头输出待测图像的特征图，其中，待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，宽高特征、中心点偏移特征基于中心点坐标特征确定，交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取中心点坐标特征，训练集包括样本和样本标注，样本标注包括坐标标注和存在性标注，进而能够基于存在性特征判断待测图像是否存在检测目标，如果存在检测目标，确定检测目标的位置索引和检测目标的坐标，进而能够基于交通标志类别特征确定检测目标的类别，进而能够基于检测目标的位置索引和中心点偏移特征确定检测目标的中心点偏移值，进而能够基于检测目标的位置索引和宽高特征确定检测目标的外接矩阵宽高，最终完成交通标志的检测。与现有技术相比，本申请能够不需要先计算交通标志的坐标，然后再基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标，而是能够通过交通检测头直接提取中心点坐标特征，进而可基于索引直接查询目标的中心点坐标特征，省去基于交通标志的坐标中的x、y坐标计算交通标志的中心点坐标这一过程，进而降低了计算量，从而提高了提取交通标志的检测实时性。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，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，又例如，多个单元或组件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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
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。
以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种交通标志检测方法，其特征在于，所述方法包括：
获取待测图像；
基于第一网络提取所述待测图像的第一尺度图像特征；
基于第二网络对所述待测图像进行上采样，得到所述待测图像的上采样结果，并基于所述待测图像的上采样结果提取所述待测图像的第二尺度图像特征；
基于所述第二网络融合所述待测图像的第一尺度图像特征和所述待测图像的第二尺度图像特征，得到所述待测图像的多尺度图像特征，其中，所述待测图像的多尺度图像特征为所述待测图像的全局信息最优解；
将所述多尺度图像特征作为交通标志检测头的输入，以基于所述交通标志检测头输出所述待测图像的特征图，其中，所述待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，所述宽高特征、中心点偏移特征基于中心点坐标特征确定，所述交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取所述中心点坐标特征，所述训练集包括样本和样本标注，所述样本标注包括坐标标注和存在性标注；
基于所述存在性特征判断所述待测图像是否存在检测目标，如果存在所述检测目标，确定所述检测目标的位置索引和所述检测目标的坐标；
基于所述交通标志类别特征确定所述检测目标的类别；
基于所述检测目标的位置索引和所述中心点偏移特征确定所述检测目标的中心点偏移值；
基于所述检测目标的位置索引和所述宽高特征确定所述检测目标的外接矩阵宽高。
2.如权利要求1所述的方法，其特征在于，在所述获取待测图像之后，所述基于第一网络提取所述待测图像的第一尺度图像特征之前，所述方法还包括：
对所述待测图像进行裁剪处理，以去除所述待测图像的下半部分。
3.如权利要求1所述的方法，其特征在于，所述检测目标的位置索引基于所述待测图像的热图确定。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于CrossEntryLoss损失函数优化所述交通标志检测头提取所述交通标志类别特征的参数。
5.如权利要求1所述的方法，其特征在于，所述方法包括：
基于FocalLoss损失函数优化所述交通标志检测头提取所述存在性特征的参数。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于L1Loss损失函数优化所述交通标志检测头提取所述中心点坐标特征的参数。
7.如权利要求1所述的方法，其特征在于，所述第一网络为MobileNetv2网络，所述第二网络为FPN网络。
8.一种交通标志检测装置，其特征在于，所述装置包括：
获取模块，用于获取待测图像；
提取模块，用于基于第一网络提取所述待测图像的第一尺度图像特征；
第一特征提取模块，用于基于第二网络对所述待测图像进行上采样，得到所述待测图像的上采样结果，并基于所述待测图像的上采样结果提取所述待测图像的第二尺度图像特征；
第二特征提取模块，用于基于所述第二网络融合所述待测图像的第一尺度图像特征和所述待测图像的第二尺度图像特征，得到所述待测图像的多尺度图像特征，其中，所述待测图像的多尺度图像特征为所述待测图像的全局信息最优解；
第三特征提取模块，用于将所述多尺度图像特征作为交通标志检测头的输入，以基于所述交通标志检测头输出所述待测图像的特征图，其中，所述待测图像的特征图包括存在性特征、宽高特征、中心点偏移特征和交通标志类别特征，其中，所述宽高特征、中心点偏移特征基于中心点坐标特征确定，所述交通标志检测头预先基于训练集和测试集，以单通道学习方式学习提取所述中心点坐标特征，所述训练集包括样本和样本标注，所述样本标注包括坐标标注和存在性标注；
检测模块，用于基于所述存在性特征判断所述待测图像是否存在检测目标，如果存在所述检测目标，确定所述检测目标的位置索引和所述检测目标的坐标；
第一确定模块，用于基于所述交通标志类别特征确定所述检测目标的类别；
第二确定模块，用于基于所述检测目标的位置索引和所述中心点偏移特征确定所述检测目标的中心点偏移值；
第三确定模块，用于基于所述检测目标的位置索引和所述宽高特征确定所述检测目标的外接矩阵宽高。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时，执行如权利要求1-7任一项所述的交通标志检测方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行如权利要求1-7任一项所述的交通标志检测方法。
CN202410011899.0A 2024-01-04 2024-01-04 交通标志检测方法、装置、电子设备和存储介质 Active CN117542023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410011899.0A CN117542023B (zh) 2024-01-04 2024-01-04 交通标志检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410011899.0A CN117542023B (zh) 2024-01-04 2024-01-04 交通标志检测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN117542023A true CN117542023A (zh) 2024-02-09
CN117542023B CN117542023B (zh) 2024-04-19

Family

ID=89782641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410011899.0A Active CN117542023B (zh) 2024-01-04 2024-01-04 交通标志检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117542023B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221867A (zh) * 2021-05-11 2021-08-06 北京邮电大学 一种基于深度学习的pcb图像字符检测方法
WO2022155967A1 (zh) * 2021-01-25 2022-07-28 京东方科技集团股份有限公司 利用对象实时检测模型实时检测对象的方法及优化方法
CN115578615A (zh) * 2022-10-31 2023-01-06 成都信息工程大学 基于深度学习的夜间交通标志图像检测模型建立方法
CN116630802A (zh) * 2023-05-24 2023-08-22 中国科学院合肥物质科学研究院 一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法
CN116704308A (zh) * 2023-04-04 2023-09-05 南通大学 一种基于改进YOLOv2的电力安全标志牌检测方法
CN117152414A (zh) * 2023-08-31 2023-12-01 西安交通大学 一种基于尺度注意力辅助学习方法的目标检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022155967A1 (zh) * 2021-01-25 2022-07-28 京东方科技集团股份有限公司 利用对象实时检测模型实时检测对象的方法及优化方法
CN113221867A (zh) * 2021-05-11 2021-08-06 北京邮电大学 一种基于深度学习的pcb图像字符检测方法
CN115578615A (zh) * 2022-10-31 2023-01-06 成都信息工程大学 基于深度学习的夜间交通标志图像检测模型建立方法
CN116704308A (zh) * 2023-04-04 2023-09-05 南通大学 一种基于改进YOLOv2的电力安全标志牌检测方法
CN116630802A (zh) * 2023-05-24 2023-08-22 中国科学院合肥物质科学研究院 一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法
CN117152414A (zh) * 2023-08-31 2023-12-01 西安交通大学 一种基于尺度注意力辅助学习方法的目标检测方法及系统

Also Published As

Publication number Publication date
CN117542023B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN111639629B (zh) 一种基于图像处理的猪只体重测量方法、装置及存储介质
CN110378254B (zh) 车损图像修改痕迹的识别方法、系统、电子设备及存储介质
CN113159024A (zh) 一种基于改进YOLOv4的车牌识别技术
CN113657409A (zh) 车辆损失检测方法、装置、电子设备及存储介质
CN112784724A (zh) 一种车辆变道检测方法、装置、设备及存储介质
CN111582272A (zh) 双行车牌识别方法、装置、设备及计算机可读存储介质
CN111753642B (zh) 一种确定关键帧的方法及装置
CN113378675A (zh) 一种同时检测和特征提取的人脸识别方法
CN114842524B (zh) 一种基于不规则显著性像素簇的人脸鉴伪方法
CN112115800A (zh) 一种基于深度学习目标检测的车辆组合识别系统及方法
CN111753610A (zh) 天气识别方法及装置
CN112580531B (zh) 一种真假车牌的识别检测方法及系统
JP2014016710A (ja) 対象物検出装置及びプログラム
CN106778765B (zh) 一种车牌识别的方法及装置
CN117542023B (zh) 交通标志检测方法、装置、电子设备和存储介质
CN111582278B (zh) 人像分割方法、装置及电子设备
CN109543610B (zh) 车辆检测跟踪方法、装置、设备及存储介质
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
CN115546762A (zh) 图像聚类方法、装置、存储介质及服务器
CN112364693B (zh) 基于双目视觉的障碍识别方法、装置、设备及存储介质
CN110929613A (zh) 一种智能交通违法审核的图像筛选算法
CN112348044A (zh) 车牌检测方法、装置及设备
CN115063594B (zh) 一种基于自动驾驶的特征提取方法及装置
CN115359346B (zh) 基于街景图片的小微空间识别方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant