JP2019220129A - 交通標識を認識するためのシステムおよび方法 - Google Patents
交通標識を認識するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2019220129A JP2019220129A JP2018175887A JP2018175887A JP2019220129A JP 2019220129 A JP2019220129 A JP 2019220129A JP 2018175887 A JP2018175887 A JP 2018175887A JP 2018175887 A JP2018175887 A JP 2018175887A JP 2019220129 A JP2019220129 A JP 2019220129A
- Authority
- JP
- Japan
- Prior art keywords
- image
- traffic sign
- gradient
- roi
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 59
- 238000001514 detection method Methods 0.000 claims description 49
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 26
- 238000007781 pre-processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition 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
- G06V20/582—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- 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
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
Abstract
Description
図3は、本開示の一実施形態による、前処理モジュール212の全体的動作を示す。ある態様において、前処理モジュール212は、ブロック302において、入力ユニット102の画像センサから1つまたは複数の画像フレームを受信する。受信された画像フレームは、ブロック304において、さらなる処理のためにグレースケールに変換されてもよい。
ある実施形態において、円形オブジェクト検出モジュール214は、多重スケール多重半径円形オブジェクト検出器を利用して、第1の解像度画像および第2の解像度画像の各々から取得される水平エッジ画像および垂直エッジ画像の個々のピクセルの勾配値を分析することにより、対称点の決定に基づいて、各画像フレームのROIにおける円形オブジェクトを検出する。
On(p+ve(p))=On(p+ve(p))+1
On(p−ve(p))=On(p−ve(p))+1
Mn(p+ve(p))=Mn(p+ve(p))+||g(p)||
Mn(p−ve(p))=Mn(p−ve(p))+||g(p)||
Sn=Fn*An
Fn(p)=||On(p)||(α)Mn(p)
ここで、On(p)およびMn(p)は、投票数および勾配の大きさの正規化された値を含む。項Anは、ピクセルの対称性寄与の影響をその近傍へ拡散するために画像フレームFnへ適用されるガウス核を示す。項αは、対称点を検出するために利用される技術の感度の逆数である半径方向の狭義性を示す。
ある実施形態において、事前分類モジュール216は、多段事前分類器を用いて、画像フレームセットの少なくとも1つの画像フレームに含まれる少なくとも1つの誤検出オブジェクトを分類しかつ除外する。
ある実施形態において、追跡モジュール218は、画像フレームセットの各画像フレームにおける前記円形オブジェクトの検出を分析することにより、状態の決定に基づいて、検出された円形オブジェクトを追跡する。前記状態は、画像フレームセットの1つまたは複数の連続する画像フレームにおける円形オブジェクトの検出に基づいて変更される、アイドル状態、追跡前状態、追跡状態およびキャンセル状態のうちの何れかである。
ある実施形態において、交通標識分類モジュール220は、畳み込みニューラルネットワーク(CNN)を用いる1つまたは複数の分類器により、検出された円形オブジェクトに基づいて少なくとも1つの制限速度交通標識を検出する。
1.21×21ピクセル〜88×88ピクセルの範囲の考察。
2.光度の変更、ピクセル値と[0.8 0.9 1.0 1.1 1.2]との乗算。
3.xおよびy位置の[−2 −1 0 +1 +2]ピクセル位置シフト。
4.画像スケーリング[0.93 1 1.05]。
5.ぼやけた状態および雨の状態の考察。
1.画像が30枚未満の追跡の放棄。
2.追跡が9未満のクラスの放棄。
3.残りの追跡に関して:追跡が30枚超の画像を含んでいれば、30枚の画像を等距離でサンプリングする。
1.訓練データセット:サンプルの80%を占める。
2.検証データセット:サンプルの15%を占める。
3.試験データセット:サンプルの5%を占める。
1.平行移動変動[−2 0 2]ピクセル。
2.回転変動[−10 0 10]度。
3.スケーリング変動[0.9 1 1.1]比。
1.層C1は、畳み込み層であって、6つの特徴マップと、各特徴マップにつき1つの5×5カーネルを有する。
2.層S1は、サブサンプリング層であって、6つの特徴マップと、各特徴マップにつき1つの2×2カーネルを有する。
3.層C2は、畳み込み層であって、16個の特徴マップと、各特徴マップにつき1つの5×5カーネルを有する。
4.層S2は、サブサンプリング層であって、16個の特徴マップと、各特徴マップにつき1つの2×2カーネルを有する。
5.層n1は、畳み込み層であって、120個の特徴マップと、各特徴マップにつき1つの5×5カーネルを有する。
6.層n2は、完全連結層加算バイアスであり、各層の後にtanh非線形性が使用される。
[式1]
(1)
ここで、yは、特徴マップの出力を指し、
m、nは、特徴マップの位置指数であり、
bは、訓練可能なバイアス値であり、
Kは、カーネルサイズを指し、
vは、畳み込みカーネルを指し、
xは、入力画像を指す。
[式2]
[式3]
によって定義されてもよく、ここで、
yは、サブサンプリングされた画像を指し、
m、nは、特徴マップの位置指数であり、
Ф(p)は、シグモイド活性化関数を指し、
uは、訓練可能な係数であり、
Sは、サブサンプリング係数を指し、
bは、バイアス値を指し、
xは、入力される特徴マップを指す。
[式4]
によって定義されてもよく、ここで、
yは、ニューロン層の出力を指し、
nは、位置指数を指し、
bは、バイアス値を指し、
Kは、重みの数を指し、
wは、重み行列を指し、
xは、先行層の入力を指し、
Ф(p)は、シグモイド活性化関数を指す。
本開示は、交通標識を認識するためのシステムおよび方法を提供する。
Claims (11)
- 車両内に実装される交通標識認識システムであって、前記システムは、
車両の運転者の視界を画像化するための画像センサと、
メモリと結合されるプロセッサと、を備え、
前記メモリは、
前記画像センサから1つまたは複数の画像フレームを受信し、かつ前記受信される1つまたは複数の画像フレームから選択される画像フレームセットの各画像フレームについて、関心領域(ROI)を画定する工程であって、前記ROIは、各画像フレームの一部分に基づいて画定され、かつ各ROIは、少なくとも第1の解像度画像および第2の解像度画像へサイズ変更される、工程と、
水平エッジ画像および垂直エッジ画像の個々のピクセルの勾配値を分析することにより、対称点の決定に基づいて、各画像フレームの前記ROIにおける円形オブジェクトを検出する工程であって、前記水平エッジ画像および前記垂直エッジ画像は、前記第1の解像度画像および前記第2の解像度画像の各々から取得される、工程と、
畳み込みニューラルネットワーク(CNN)を用いる1つまたは複数の分類器を使用し、検出される前記円形オブジェクトに基づいて少なくとも1つの制限速度交通標識を検出する工程を前記プロセッサによって実行可能な命令を記憶する、交通標識認識システム。 - 前記プロセッサは、多段事前分類器を用いて、前記画像フレームセットの少なくとも1つの画像フレームに含まれる少なくとも1つの誤検出オブジェクトを分類しかつ除外する、請求項1に記載の交通標識認識システム。
- 前記プロセッサは、前記画像フレームセットの各画像フレームにおける前記円形オブジェクトの検出を分析することにより、状態の決定に基づいて、検出された前記円形オブジェクトを追跡する、請求項1に記載の交通標識認識システム。
- 前記状態は、アイドル状態、追跡前状態、追跡状態およびキャンセル状態のうちの何れかであり、前記状態は、前記画像フレームセットの1つまたは複数の連続する画像フレームにおける前記円形オブジェクトの検出に基づいて、第1の状態から第2の状態へ変更される、請求項3に記載の交通標識認識システム。
- 前記追跡状態においては、前記画像フレームセットの前記1つまたは複数の連続する画像フレームにおける検出された前記円形オブジェクトの位置を推定しかつ更新するためにフィルタが利用される、請求項4に記載の交通標識認識システム。
- 前記第1の解像度画像は、遠距離領域における前記少なくとも1つの制限速度交通標識を効果的に検出するための前記ROIの解像度の2分の1に関係し、前記第2の解像度画像は、近傍領域における前記少なくとも1つの制限速度交通標識を効果的に検出するための前記ROIの解像度の4分の1に関係する、請求項1に記載の交通標識認識システム。
- 前記プロセッサは、前記円形オブジェクトを多重スケール多重半径円形オブジェクト検出器によって検出し、前記多重スケール多重半径円形オブジェクト検出器は、前記第1の解像度画像および前記第2の解像度画像の各々の予め規定された1つまたは複数の半径に投票手法を利用し、前記投票手法は、前記個々のピクセルの勾配値を基礎とする、請求項1に記載の交通標識認識システム。
- 前記多重スケール多重半径円形オブジェクト検出器は、前記円形オブジェクトを効果的に検出しかつ処理負荷を最小限に抑えるために、重なり合う半径を有する多重スケールを用いる前記1つまたは複数の予め規定された半径の検出を促進する、請求項7に記載の交通標識認識システム。
- 前記1つまたは複数の予め規定された半径のうちの少なくとも1つの半径に対する投票手法は、
前記個々のピクセルの勾配値を取得することであって、各勾配値は、勾配の大きさと勾配方向とを含むことと、
正の影響点と負の影響点とを含む少なくとも2つの勾配影響点を決定することであって、前記正の影響点は、中心点から勾配方向に沿って前記少なくとも1つの半径の距離にあり、かつ前記負の影響点は、前記中心点における勾配の方向と反対方向へ前記少なくとも1つの半径の距離にあることと、
前記少なくとも2つの勾配影響点の前記正の影響点および前記負の影響点の各々における勾配方向に基づいて投票値を増分することと、
前記正の影響点および前記負の影響点の各々へ前記中心点の勾配の大きさを加算すること、によって実行される、請求項7に記載の交通標識認識システム。 - 前記プロセッサは、検出された前記少なくとも1つの制限速度交通標識を認識しかつラベリングする、請求項1に記載の交通標識認識システム。
- 車両に実装されるコンピュータに記憶される命令に従って実行される方法であって、
前記車両と作動的に結合される画像センサから1つまたは複数の画像フレームを受信し、かつ前記受信される1つまたは複数の画像フレームから選択される画像フレームセットの各画像フレームについて、関心領域(ROI)を画定する工程であって、前記ROIは、各画像フレームの一部分に基づいて画定され、かつ各ROIは、少なくとも第1の解像度画像および第2の解像度画像へサイズ変更される、工程と、
水平エッジ画像および垂直エッジ画像の個々のピクセルの勾配値を分析することにより、対称点の決定に基づいて、各画像フレームの前記ROIにおける円形オブジェクトを検出する工程であって、前記水平エッジ画像および前記垂直エッジ画像は、前記第1の解像度画像および前記第2の解像度画像の各々から取得される、工程と、
畳み込みニューラルネットワーク(CNN)を用いる1つまたは複数の分類器を使用し、検出される前記円形オブジェクトに基づいて少なくとも1つの制限速度交通標識を検出する工程と、を含む方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201821022933 | 2018-06-19 | ||
IN201821022933 | 2018-06-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019220129A true JP2019220129A (ja) | 2019-12-26 |
JP7206082B2 JP7206082B2 (ja) | 2023-01-17 |
Family
ID=63405096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018175887A Active JP7206082B2 (ja) | 2018-06-19 | 2018-09-20 | 交通標識を認識するためのシステムおよび方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3584742A1 (ja) |
JP (1) | JP7206082B2 (ja) |
KR (1) | KR20200003349A (ja) |
CN (1) | CN109271934B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021157468A (ja) * | 2020-03-26 | 2021-10-07 | 株式会社Mobility Technologies | プログラム、ニューラルネットワークシステム、情報処理方法およびニューラルネットワークモデルの生成方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027554B (zh) * | 2019-12-27 | 2023-05-23 | 创新奇智(重庆)科技有限公司 | 商品价签文字精确检测定位系统及定位方法 |
CN113361303B (zh) * | 2020-03-05 | 2023-06-23 | 百度在线网络技术(北京)有限公司 | 临时交通标志牌识别方法、装置及设备 |
CN111414921B (zh) * | 2020-03-25 | 2024-03-15 | 抖音视界有限公司 | 样本图像处理方法、装置、电子设备及计算机存储介质 |
CN111753787A (zh) * | 2020-07-01 | 2020-10-09 | 江苏金海星导航科技有限公司 | 一种分离式的交通标志检测与识别方法 |
CN111931683B (zh) * | 2020-08-25 | 2023-09-05 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN113592033B (zh) * | 2021-08-20 | 2023-09-12 | 中科星睿科技(北京)有限公司 | 油罐图像识别模型训练方法、油罐图像识别方法和装置 |
KR20230174528A (ko) | 2022-06-21 | 2023-12-28 | 현대모비스 주식회사 | 임베딩 기반 객체 클래스 분류 시스템 및 그 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015187855A (ja) * | 2014-03-07 | 2015-10-29 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 多範囲オブジェクト検出装置および方法 |
US20160321511A1 (en) * | 2015-04-29 | 2016-11-03 | Mando Corporation | Method and apparatus for confirmation of relevant white inner circle in environment of circular traffic sign recognition |
JP2017505946A (ja) * | 2014-01-17 | 2017-02-23 | ケーピーアイティ テクノロジーズ リミテッド | 車両検出システムおよびその方法 |
JP2017130155A (ja) * | 2016-01-22 | 2017-07-27 | 富士通テン株式会社 | 物体認識装置および物体認識方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8041080B2 (en) * | 2009-03-31 | 2011-10-18 | Mitsubi Electric Research Laboratories, Inc. | Method for recognizing traffic signs |
KR20160108344A (ko) * | 2014-01-17 | 2016-09-19 | 케이피아이티 테크놀로지스 엘티디. | 차량 검출 시스템 및 방법 |
CN104517103A (zh) * | 2014-12-26 | 2015-04-15 | 广州中国科学院先进技术研究所 | 一种基于深度神经网络的交通标志分类方法 |
-
2018
- 2018-08-24 EP EP18190801.3A patent/EP3584742A1/en not_active Withdrawn
- 2018-09-17 CN CN201811082624.7A patent/CN109271934B/zh not_active Expired - Fee Related
- 2018-09-20 JP JP2018175887A patent/JP7206082B2/ja active Active
- 2018-10-05 KR KR1020180118929A patent/KR20200003349A/ko not_active Application Discontinuation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017505946A (ja) * | 2014-01-17 | 2017-02-23 | ケーピーアイティ テクノロジーズ リミテッド | 車両検出システムおよびその方法 |
JP2015187855A (ja) * | 2014-03-07 | 2015-10-29 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 多範囲オブジェクト検出装置および方法 |
US20160321511A1 (en) * | 2015-04-29 | 2016-11-03 | Mando Corporation | Method and apparatus for confirmation of relevant white inner circle in environment of circular traffic sign recognition |
JP2017130155A (ja) * | 2016-01-22 | 2017-07-27 | 富士通テン株式会社 | 物体認識装置および物体認識方法 |
Non-Patent Citations (2)
Title |
---|
JEA YOUNG JEON, 外4名: ""Polygonal symmetry transform for detecting rectangular traffic signs"", 2014 14TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND SYSTEMS (ICCAS 2014), JPN6022039294, 25 October 2014 (2014-10-25), US, pages 1064 - 1069, ISSN: 0004876485 * |
NADRA BEN ROMDHANE, 外2名: ""An improved traffic signs recognition and tracking method for driver assistance system"", 2016 IEEE/ACIS 15TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION SCIENCE (ICIS), JPN6022039297, 29 June 2016 (2016-06-29), US, ISSN: 0004876484 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021157468A (ja) * | 2020-03-26 | 2021-10-07 | 株式会社Mobility Technologies | プログラム、ニューラルネットワークシステム、情報処理方法およびニューラルネットワークモデルの生成方法 |
JP7453828B2 (ja) | 2020-03-26 | 2024-03-21 | Go株式会社 | プログラム、ニューラルネットワークシステム、情報処理方法およびニューラルネットワークモデルの生成方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20200003349A (ko) | 2020-01-09 |
EP3584742A1 (en) | 2019-12-25 |
CN109271934A (zh) | 2019-01-25 |
CN109271934B (zh) | 2023-05-02 |
JP7206082B2 (ja) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7206082B2 (ja) | 交通標識を認識するためのシステムおよび方法 | |
US8873856B1 (en) | Determining a class associated with an image | |
Van Pham et al. | Front-view car detection and counting with occlusion in dense traffic flow | |
WO2021018144A1 (zh) | 指示灯检测方法、装置、设备及计算机可读存储介质 | |
Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
Martinović et al. | Real-time detection and recognition of traffic signs | |
Shirazi et al. | Contextual combination of appearance and motion for intersection videos with vehicles and pedestrians | |
T'Jampens et al. | Automatic detection, tracking and counting of birds in marine video content | |
Ahmed et al. | Traffic sign detection and recognition model using support vector machine and histogram of oriented gradient | |
Zhang et al. | Fast and robust road sign detection in driver assistance systems | |
Pervej et al. | Real-time computer vision-based bangla vehicle license plate recognition using contour analysis and prediction algorithm | |
Kos et al. | Where to look for tiny objects? ROI prediction for tiny object detection in high resolution images | |
CN111402185A (zh) | 一种图像检测方法及装置 | |
Ho et al. | Intelligent speed bump system with dynamic license plate recognition | |
Satti et al. | Recognizing the Indian Cautionary Traffic Signs using GAN, Improved Mask R‐CNN, and Grab Cut | |
Yang et al. | High-speed rail pole number recognition through deep representation and temporal redundancy | |
Rao et al. | Convolutional Neural Network Model for Traffic Sign Recognition | |
Scherer et al. | Robust, Real-Time Number Sign Detection on a Mobile Outdoor Robot. | |
Gawande et al. | Scale invariant mask r-cnn for pedestrian detection | |
Sanjeewani et al. | A novel evolving classifier with a false alarm class for speed limit sign recognition | |
Nguyen et al. | Digital transformation for shipping container terminals using automated container code recognition | |
Kiruthika Devi et al. | A deep learning-based residual network model for traffic sign detection and classification | |
Nguyen et al. | A Lightweight Model for Real-time Traffic Sign Recognition | |
NGUYEN | License plate detection and refinement based on deep convolutional neural network | |
Tokmurzina | Road marking condition monitoring and classification using deep learning for city of Helsinki. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210909 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220912 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220920 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221118 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7206082 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |