[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112434583A - 车道横向减速标线检测方法、系统、电子设备及存储介质 - Google Patents

车道横向减速标线检测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112434583A
CN112434583A CN202011273985.7A CN202011273985A CN112434583A CN 112434583 A CN112434583 A CN 112434583A CN 202011273985 A CN202011273985 A CN 202011273985A CN 112434583 A CN112434583 A CN 112434583A
Authority
CN
China
Prior art keywords
transverse
marked line
transverse deceleration
candidate target
deceleration
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
CN202011273985.7A
Other languages
English (en)
Other versions
CN112434583B (zh
Inventor
万齐斌
何云
何豪杰
熊迹
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202011273985.7A priority Critical patent/CN112434583B/zh
Publication of CN112434583A publication Critical patent/CN112434583A/zh
Application granted granted Critical
Publication of CN112434583B publication Critical patent/CN112434583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种车道横向减速标线检测方法、系统、电子设备及存储介质，首先标注数据集，统计数据集中的横向减速标线的长宽，再使用聚类方法进行聚类分析，得到横向减速标线的多种anchor尺寸；之后，进行目标检测模型进行训练，得到待检测RGHB图像中横向减速标线的多个候选矩形框，使用soft‑nms挑选最佳的目标框，避免重叠面积过大的横向减速标线目标被误删；最终，得到横向减速标线的目标矩形框。通过以上方法，解决了高精度地图制作过程中横向减速标线目标检测适应性不强，易漏检的问题，提升了车道横向减速标线检测的准确率。

Description

车道横向减速标线检测方法、系统、电子设备及存储介质
技术领域
本发明涉及图像识别领域，更具体地，涉及一种车道横向减速标线检测方法、系统、电子设备及存储介质。
背景技术
在高精度地图制作领域，为了地图制作的准确性，需要高度还原道路的真实情况，而在真实道路中，横向减速标线作为极其重要的要素之一，需要更精确的检测方法。
目前的横向减速标线的检测方法大多采用固定anchor尺寸进行检测，该类方法对于横向减速标线这类长宽比严重失衡的目标适用性不强，容易造成漏检现象，降低了高精度地图制作的精度。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种车道横向减速标线检测方法、系统、电子设备及存储介质。
根据本发明实施例的第一方面，提供了车道横向减速标线检测方法，包括：
将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；
采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；
其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
在上述技术方案的基础上，本发明实施例还可以作出如下改进。
进一步的，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来包括：
获取数据集，所述数据集中包括多张包含横向减速标线的RGB图像；
统计每一个RGB图像中横向减速标线的长度和宽度；
对所有RGB图像中横向减速标线的长度和宽度进行聚类分析，得到横向减速标线的多个固定anchor尺寸，所述anchor尺寸是指横向减速标线的长度和宽度的比例。
进一步的，所述统计每一个RGB图像中横向减速标线的长度和宽度包括：
对于数据集中的任一张RGB图像，以矩形框的形式标记其中的横向减速标线的位置；
统计每一个矩形框的长度和宽度；
遍历所有RGB图像，统计出所有RGB图像中每一个矩形框的长度和宽度。
进一步的，所述对所有RGB图像中横向减速标线的长度和宽度进行聚类分析，得到横向减速标线的多个固定anchor尺寸包括：
基于统计出的每一个矩形框的长度和宽度，采用K-means聚类方法进行聚类分析，得到K个分组，其中，每一个分组中包括多对长度和宽度；
对于同一个分组中的多对长度和宽度，计算每一对长度和宽度的长宽比值，并求取同一个分组中的多个长宽比值的平均值，作为所述同一个分组的长宽比值；
计算K个分组对应的长宽比值，得到K个anchor尺寸；
其中，K为正整数。
进一步的，将聚类得到的K个anchor尺寸设置为所述目标检测模型的其中一个参数，使得所述目标检测模型输出的每一个候选目标框的尺寸为K个anchor尺寸中的其中一个。
进一步的，所述目标检测模型为根据包含横向减速标线的RGB图像和标记有矩形框的RGB图像的训练集训练而来，所述矩形框标记RGB图像中横向减速标线的位置。
进一步的，所述采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置包括：
若待检测RGB图像中包含多条横向减速标线，则最终保留的候选目标框的数量为多个；
若待检测RGB图像中包括一条横向减速标线，则最终保留的候选目标框的数量为一个。
根据本发明的第二方面，提供一种车道横向减速标线检测系统，包括：
输入模块，用于将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；
确定模块，用于采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；
其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现车道横向减速标线检测方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现车道横向减速标线检测方法的步骤。
本发明实施例提供的一种车道横向减速标线检测方法、系统、电子设备及存储介质，首先标注数据集，统计数据集中的横向减速标线的长宽，再使用聚类方法进行聚类分析，得到横向减速标线的多种anchor尺寸；之后，进行目标检测模型进行训练，得到待检测RGB图像中横向减速标线的多个候选矩形框，使用soft-nms挑选最佳的目标框，避免重叠面积过大的横向减速标线目标被误删；最终，得到横向减速标线的目标矩形框。通过以上方法，解决了高精度地图制作过程中横向减速标线目标检测适应性不强，易漏检的问题，提升了车道横向减速标线检测的准确率。
附图说明
图1为本发明实施例提供的一种车道横向减速标线检测方法流程图；
图2为本发明实施例提供的一种车道横向减速标线检测方法整体流程图；
图3为本发明实施例的一种车道横向减速线检测系统结构图；
图4为本发明实施例提供的一种可能的电子设备的硬件结构示意图；
图5为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本发明实施例提供的一种车道横向减速标线检测方法流程图，如图1所示，所述方法包括：101、将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；102、采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
可以理解的是，对于目前基于几种固定尺寸检测车道横向标线方式，容易误检或漏检的缺陷，本发明实施例提出了一种能够更加准确检测车道横向减速标线的方法，首先标注数据集，数据集中包括大量的包含横向减速标线的RGB图像，统计数据集中每一张RGB图像中的横向减速标线的长宽，再使用聚类方法进行聚类分析，得到横向减速标线的多种anchor尺寸。之后，对目标检测模型进行训练，将待检测RGB图像输入训练后的目标检测模型，得到待检测RGB图像中横向减速标线的多个候选矩形框，每一个候选矩形框的尺寸为聚类分析后的多种anchor尺寸中的其中一个。对于多个候选目标框，使用soft-nms挑选最佳的目标框，避免重叠面积过大的横向减速标线目标被误删；最终，得到横向减速标线的目标矩形框
传统的统计横向减速标线的几种固定的尺寸比较随意，没有太大的依据，也无法适应每一条横向减速标线。本发明实施例中，通过统计大量的横向减速标线的anchor尺寸，并通过对大量的横向减速标线的anchor尺寸进行聚类，得到具有典型性的多种anchor尺寸，更具有适应性，解决了高精度地图制作过程中横向减速标线目标检测适应性不强，易漏检的问题，提升了车道横向减速标线检测的准确率。
在一种可能的实施例方式中，多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来包括：获取数据集，所述数据集中包括多张包含横向减速标线的RGB图像；统计每一个RGB图像中横向减速标线的长度和宽度；对所有RGB图像中横向减速标线的长度和宽度进行聚类分析，得到横向减速标线的多个固定anchor尺寸，所述anchor尺寸是指横向减速标线的长度和宽度的比例。
可以理解的是，在通过聚类分析得到横向减速标线的多个anchor尺寸的过程中，首先，收集数据集，数据集中包括大量的包含横向减速标线的RGB图像，对于每一张RGB图像，以矩形框的形式标记RGB图像中横向减速标记的位置。记录每一个矩形框的坐标信息，比如，记录每一个矩形框的左上角坐标(x1,y1)和右下角坐标(x2,y2)。根据每一个矩形框的左上角坐标(x1,y1)和右下角坐标(x2,y2)，统计每一个矩形框的长度和宽度，其中，长度设置为x2-x1,记为length，宽度设置为y2-y1，记为width。
然后，对所有矩形框的长度和宽度进行聚类分析，其中，基于统计出的每一个矩形框的长度和宽度，采用K-means聚类方法进行聚类分析，得到K个分组，其中，每一个分组中包括多对长度和宽度。对于同一个分组中的多对长度和宽度，计算每一对长度和宽度的长宽比值，并求取同一个分组中的多个长宽比值的平均值，将该平均值作为同一个分组的长宽比值，也就是anchor尺寸；计算K个分组对应的长宽比值，得到K个anchor尺寸。在本发明实施例中，为了尽可能多的符合实际目标的大小尺寸，K的取值设为9，那么经过聚类分析后得到的anchor尺寸有9个。
在一种可能的实施例方式中，将聚类得到的K个anchor尺寸设置为所述目标检测模型的其中一个参数，使得所述目标检测模型输出的每一个候选目标框的尺寸为K个anchor尺寸中的其中一个。
可以理解的是，当通过聚类分析得到的K个anchor尺寸设置为目标检测模型的模型参数，那么当待检测RGB图像输入目标检测模型后输出的多个候选目标框的尺寸为K个anchor尺寸中的一个。对于其它尺寸的目标框，目标检测模型直接不输出，减少了输出目标框的数量，也避免了那些不准确的目标框的输出，避免后续判断过程浪费资源。
在一种可能的实施例方式中，目标检测模型为根据包含横向减速标线的RGB图像和标记有矩形框的RGB图像的训练集训练而来，所述矩形框标记RGB图像中横向减速标线的位置。
可以理解的是，本发明实施例的目标检测模型采用常用的two-stage目标检测网络，但为了更快的收敛，得到更佳的目标检测模型，融入了一种自适应衰减学习率策略，该策略会根据每个迭代的损失率实时调整目标检测模型的学习率，避免学习率过大会过小造成的震荡或收敛缓慢等问题。
在一种可能的实施例方式中，采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置包括：若待检测RGB图像中包含多条横向减速标线，则最终保留的候选目标框的数量为多个；若待检测RGB图像中包括一条横向减速标线，则最终保留的候选目标框的数量为一个。
可以理解的是，当目标检测模型输出待检测RGB图像中标记其中横向减速标线的多个候选目标框后，通过soft-nms方法从所有的候选目标框中保留至少一个候选目标框作为最终的目标框，该目标框即为待检测RGB图像中横向减速标线的位置，也即识别出RGB图像中的横向减速标线。
其中，常用的nms方法是抑制与分数最高的框有明显重叠的目标框，而本发明实施例针对横向减速标线，目标与目标之间距离相对较近，使用nms很容易去除正确的目标框，因此，采用soft-nms抑制方法，其通过降低置信度来达到去除非目标框，而不是直接根据重叠进行计算，从多个目标框中保留最终的目标框的soft-nms方式比较常见，在此不再具体说明。
需要说明的是，待检测RGB图像中的横向减速标线可能为一条，也可能为多条，那么对应的，通过soft-nms方法保留下来的最终的目标框也可能为一个，也可能为多个。
参见图2，为本发明实施例提供的车道横向减速标线检测方法，首先，标注数据集，统计数据集中的横向减速标线的长宽，再使用聚类方法进行聚类分析，得到横向减速标线的多种anchor尺寸；之后，进行目标检测模型进行训练，得到待检测RGB图像中横向减速标线的多个候选矩形框，使用soft-nms挑选最佳的目标框，避免重叠面积过大的横向减速标线目标被误删；最终，得到横向减速标线的目标矩形框。通过以上方法，解决了高精度地图制作过程中横向减速标线目标检测适应性不强，易漏检的问题，提升了车道横向减速标线检测的准确率。
图3是本发明实施例提供的一种车道横向减速标线检测系统结构图，如图3所示，一种车道横向减速标线检测系统，包括：输入模块301和确定模块302，其中：
输入模块301，用于将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；
确定模块302，用于采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；
其中，每一个候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
请参阅图4，图4为本申请实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备，包括存储器410、处理器420及存储在存储器420上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现以下步骤：将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
请参阅图5，图5为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现如下步骤：将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。

Claims (10)

1.一种车道横向减速标线检测方法，其特征在于，包括：
将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；
采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；
其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
2.根据权利要求1所述的检测方法，其特征在于，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来包括：
获取数据集，所述数据集中包括多张包含横向减速标线的RGB图像；
统计每一个RGB图像中横向减速标线的长度和宽度；
对所有RGB图像中横向减速标线的长度和宽度进行聚类分析，得到横向减速标线的多个固定anchor尺寸，所述anchor尺寸是指横向减速标线的长度和宽度的比例。
3.根据权利要求2所述的检测方法，其特征在于，所述统计每一个RGB图像中横向减速标线的长度和宽度包括：
对于数据集中的任一张RGB图像，以矩形框的形式标记其中的横向减速标线的位置；
统计每一个矩形框的长度和宽度；
遍历所有RGB图像，统计出所有RGB图像中每一个矩形框的长度和宽度。
4.根据权利要求2或3所述的检测方法，其特征在于，所述对所有RGB图像中横向减速标线的长度和宽度进行聚类分析，得到横向减速标线的多个固定anchor尺寸包括：
基于统计出的每一个矩形框的长度和宽度，采用K-means聚类方法进行聚类分析，得到K个分组，其中，每一个分组中包括多对长度和宽度；
对于同一个分组中的多对长度和宽度，计算每一对长度和宽度的长宽比值，并求取同一个分组中的多个长宽比值的平均值，作为所述同一个分组的长宽比值；
计算K个分组对应的长宽比值，得到K个anchor尺寸；
其中，K为正整数。
5.根据权利要求4所述的检测方法，其特征在于，
将聚类得到的K个anchor尺寸设置为所述目标检测模型的其中一个参数，使得所述目标检测模型输出的每一个候选目标框的尺寸为K个anchor尺寸中的其中一个。
6.根据权利要求1或5所述的检测方法，其特征在于，所述目标检测模型为根据包含横向减速标线的RGB图像和标记有矩形框的RGB图像的训练集训练而来，所述矩形框标记RGB图像中横向减速标线的位置。
7.根据权利要求1所述的检测方法，其特征在于，所述采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置包括：
若待检测RGB图像中包含多条横向减速标线，则最终保留的候选目标框的数量为多个；
若待检测RGB图像中包括一条横向减速标线，则最终保留的候选目标框的数量为一个。
8.一种车道横向标线检测系统，其特征在于，包括：
输入模块，用于将包含横向减速标线的待检测RGB图像输入训练后的目标检测模型，输出多个候选目标框，每一个所述候选目标框标记横向减速标线在待识别RGB图像中的位置；
确定模块，用于采用soft-nms方法从所述多个候选目标框中确定出至少一个候选目标框最为待检测RGB图像中横向减速标线的位置；
其中，每一个所述候选目标框的anchor尺寸为固定的多个尺寸中的其中一个，所述多个固定尺寸为通过对包含多个横向减速标线的anchor尺寸的数据集聚类分析而来。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的车道横向减速标线检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的车道横向减速标线检测方法的步骤。
CN202011273985.7A 2020-11-14 2020-11-14 车道横向减速标线检测方法、系统、电子设备及存储介质 Active CN112434583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273985.7A CN112434583B (zh) 2020-11-14 2020-11-14 车道横向减速标线检测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273985.7A CN112434583B (zh) 2020-11-14 2020-11-14 车道横向减速标线检测方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112434583A true CN112434583A (zh) 2021-03-02
CN112434583B CN112434583B (zh) 2023-04-07

Family

ID=74699787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273985.7A Active CN112434583B (zh) 2020-11-14 2020-11-14 车道横向减速标线检测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112434583B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409923A (zh) * 2021-05-25 2021-09-17 济南大学 骨髓图像个体细胞自动标记中的纠错方法及系统
CN113470012A (zh) * 2021-07-28 2021-10-01 浙江大华技术股份有限公司 标线识别方法、装置、存储介质及电子装置
CN113920140A (zh) * 2021-11-12 2022-01-11 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车管盖脱落故障识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447034A (zh) * 2018-11-14 2019-03-08 北京信息科技大学 基于YOLOv3网络的自动驾驶中交通标识检测方法
CN109903331A (zh) * 2019-01-08 2019-06-18 杭州电子科技大学 一种基于rgb-d相机的卷积神经网络目标检测方法
CN109934131A (zh) * 2019-02-28 2019-06-25 南京航空航天大学 一种基于无人机的小目标检测方法
CN109934121A (zh) * 2019-02-21 2019-06-25 江苏大学 一种基于YOLOv3算法的果园行人检测方法
CN111401148A (zh) * 2020-02-27 2020-07-10 江苏大学 一种基于改进的多级YOLOv3的道路多目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447034A (zh) * 2018-11-14 2019-03-08 北京信息科技大学 基于YOLOv3网络的自动驾驶中交通标识检测方法
CN109903331A (zh) * 2019-01-08 2019-06-18 杭州电子科技大学 一种基于rgb-d相机的卷积神经网络目标检测方法
CN109934121A (zh) * 2019-02-21 2019-06-25 江苏大学 一种基于YOLOv3算法的果园行人检测方法
CN109934131A (zh) * 2019-02-28 2019-06-25 南京航空航天大学 一种基于无人机的小目标检测方法
CN111401148A (zh) * 2020-02-27 2020-07-10 江苏大学 一种基于改进的多级YOLOv3的道路多目标检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409923A (zh) * 2021-05-25 2021-09-17 济南大学 骨髓图像个体细胞自动标记中的纠错方法及系统
CN113409923B (zh) * 2021-05-25 2022-03-04 济南大学 骨髓图像个体细胞自动标记中的纠错方法及系统
CN113470012A (zh) * 2021-07-28 2021-10-01 浙江大华技术股份有限公司 标线识别方法、装置、存储介质及电子装置
CN113920140A (zh) * 2021-11-12 2022-01-11 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车管盖脱落故障识别方法
CN113920140B (zh) * 2021-11-12 2022-04-19 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车管盖脱落故障识别方法

Also Published As

Publication number Publication date
CN112434583B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112434583B (zh) 车道横向减速标线检测方法、系统、电子设备及存储介质
CN111640089B (zh) 一种基于特征图中心点的缺陷检测方法及装置
CN109087510B (zh) 交通监测方法及装置
CN103759758B (zh) 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法
CN110807496B (zh) 一种密集目标检测方法
CN104299243B (zh) 一种基于霍夫森林的目标跟踪方法
CN111797829A (zh) 一种车牌检测方法、装置、电子设备和存储介质
WO2013063820A1 (zh) 一种车牌图像定位的方法和装置
CN111680681B (zh) 排除非正常识别目标的图像后处理方法及系统及计数方法
CN112634201B (zh) 目标检测方法、装置和电子设备
US20240265521A1 (en) Cell alignment metric detection method, controller, detection system and storage medium
CN106845482A (zh) 一种车牌定位方法
JP6936961B2 (ja) 情報提供装置、端末、本人確認システム、情報提供方法及びプログラム
CN111881752B (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN110765963A (zh) 车辆制动检测方法、装置、设备及计算机可读存储介质
CN113487555A (zh) 一种基于点云网格化的输电线路隐患点快速检测方法
CN108596032B (zh) 一种视频中打架行为检测方法、装置、设备及介质
CN115063579B (zh) 基于二维图像和三维点云投影的列车定位销松动检测方法
CN112329886A (zh) 双车牌识别方法、模型训练方法、装置、设备及存储介质
CN105447863A (zh) 一种基于改进vibe的遗留物检测方法
CN109934151B (zh) 一种基于movidius计算芯片和Yolo face的人脸检测方法
CN109584208B (zh) 一种针对工业结构缺陷智能识别模型的检验方法
CN110909772A (zh) 一种高精度实时多尺度表盘指针检测方法和系统
CN112434585A (zh) 一种车道线的虚实识别方法、系统、电子设备及存储介质
CN114926817B (zh) 识别车位的方法、装置、电子设备和计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant