交通牌识别方法、装置、设备和计算机可读介质制造方法及图纸

本公开的实施例涉及交通牌识别方法、装置、设备和计算机可读介质。在一种方法中，获取具有交通牌的原始图像；通过机器学习模型，基于原始图像生成目标图像，机器学习模型是基于多对样本图像来训练的，其中每一对样本图像包括具有交通牌的原始样本图像和对原始样本图像进行修改之后的修改样本图像；以及至少基于目标图像来训练交通牌识别模型。

Traffic License Plate Recognition Method, Device, Equipment and Computer Readable Media

【技术实现步骤摘要】
交通牌识别方法、装置、设备和计算机可读介质
本公开的实施例一般地涉及自动驾驶或辅助驾驶，并且更具体地涉及交通牌识别方法、装置、设备和计算机可读介质。
技术介绍
交通牌识别是自动驾驶、辅助驾驶或无人车的核心功能之一，直接关系到乘客和行人安全。然而，目前的交通牌识别通常使用神经网络来完成。然而，数据集依赖开源数据集和人工采集，数据量极其有限。由于交通牌数据严重匮乏，训练样本少容易导致神经网络发生过拟合，这严重影响了交通牌识别的效果。因此，需要提供一种至少部分解决上述技术问题的用于训练识别交通牌的模型的方案。
技术实现思路
根据本公开的实施例，提供了一种与交通牌识别模型相关的方案。在本公开的第一方面，提供了一种用于训练交通牌识别模型的方法。该方法包括：获取具有交通牌的原始图像；通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及至少基于所述目标图像来训练所述交通牌识别模型。在本公开的第二方面，提供了一种用于识别交通牌的方法。该方法包括：获取待识别图像；以及通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据第一方面所述的方法而训练的。在本公开的第三方面，提供了一种用于训练交通牌识别模型的装置。该装置包括：获取模块，被配置为获取具有交通牌的原始图像；生成模块，被配置为通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及训练模块，被配置为至少基于所述目标图像来训练所述交通牌识别模型。在本公开的第四方面，提供了一种用于识别交通牌的装置。该装置包括：待识别图像获取模块，被配置为获取待识别图像；以及识别模块，被配置为通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据第一方面所述的方法而训练的。在本公开的第五方面，提供了一种电子设备。该电子设备包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现根据第一方面所述的方法。在本公开的第六方面，提供了一种电子设备。该电子设备包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现根据第二方面所述的方法。在本公开的第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据第一方面所述的方法。在本公开的第八方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据第二方面所述的方法。应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。附图说明结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了能够在其中实现本公开的实施例的示例性环境的示意图；图2A示出了根据本公开的一些实施例的用于训练交通牌识别模型的方法的流程图；图2B示出了根据本公开的一些实施例的用于识别交通牌的方法的流程图；图3示出了根据本公开的一些实施例的对抗生成网络的训练的示意图；图4示出了根据本公开的一些实施例的对抗生成网络的训练的示意图；图5A示出了根据本公开的一些实施例的用于训练交通牌识别模型的装置的方框图；图5B示出了根据本公开的一些实施例的用于识别交通牌的装置的方框图；以及图6示出了能够实施本公开的一些实施例的电子设备的方框图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。如上所述，目前由于数据集较少，导致交通牌识别模型容易出现过拟合的问题。另外，尽管国家对交通的样式规格有统一规定，但是各地执行情况不一，交通牌的样式多样，现有数据集难以穷尽。此外，实际环境与理想的交通牌也会出现各种各样的偏差，从而对识别效果造成严重的影响。针对上述问题以及其他可能的潜在问题，本公开的实施例提供了一种用于训练交通牌识别模型的方案。在该方案中，通过机器学习模型，基于原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的。所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像。目标图像可以用于训练交通牌识别模型。以这种方式，可以获得充分的训练数据来训练交通牌识别模型，从而避免过拟合的现象。在这里，“交通牌”也称交通标志牌，其可以是道路两侧或者道路上等各个位置处的指示交通规则的标志牌等，例如左转、右转、直行、限速等。以下结合图1-图4来具体描述本公开的实施例。图1示出了能够在其中实现本公开的实施例的示意性环境100的示意图。如图1所示，原始样本图像102可以是交通牌的真实拍摄图像，也可以是交通牌的设计图像。可以对原始样本图像102进行修改，以生成修改样本图像104。例如，可以修改原始样本图像102的光照、拍摄角度、拍摄距离、清晰度以及遮挡等一个或者多个方面，以生成修改样本图像104。在一些实施例中，可以通过计算机程序来自动修改原始样本图像102，例如，可以借助于OpenCV来进行修改。备选地，也可以手动修改原始样本图像102，以增加灵活性。原始样本图像102和修改样本图像104可以提供给机器学习模型106，以对其进行训练。训练后的机器学习模型106可以知晓从原始样本图像102到修改样本图像104之间的映射关系。以这种方式，将交通牌的原始图像110提供给机器学习模型106。机器学习模型106获取与原始图像110对应的修改图像，也称为目标图像。目标图像提供给识别模型108，对识别模型108进行训练。识别模型108可以是多分类模型，其对接收的图像进行识别，以确定交通牌的类型。原始图像110也可以与目标图像一起提供给识别模型108，对识别模型108进行训练。图2A示出了根据本公开的一些实施例的用于训练交通牌识别模型的方法200的流程图。以下将结合图1的示例性环境100来描述方法200，然而，应当理解，方法200也可以应用于如图1所示的示例性环境100之外的任何其他合适的环境。在框202，获取具有交通牌的原始图像110。原始图像可以是通过各种方法来获得的，例如，在车辆行驶过程中拍摄的道路周围的包含交通牌的图像，例如，视频的一帧。在框204，通过机器学习模型106，基于原始图像110来生成目标图像。机器学习模型106是基于多对样本图像来训练的，每一对样本图像包括具有交通牌的原始样本图像102和对原始样本图像102进行修改之后的修改样本图像104。通过对机器学习模本文档来自技高网...

【技术保护点】
1.一种用于训练交通牌识别模型的方法，包括：获取具有交通牌的原始图像；通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及至少基于所述目标图像来训练所述交通牌识别模型。

【技术特征摘要】
1.一种用于训练交通牌识别模型的方法，包括：获取具有交通牌的原始图像；通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及至少基于所述目标图像来训练所述交通牌识别模型。2.根据权利要求1所述的方法，其中执行以下至少一项，以获得与所述原始样本图像成对的修改样本图像：修改所述原始样本图像的拍摄角度；修改所述原始样本图像的光照；修改所述原始样本图像的拍摄距离；修改所述原始样本图像的清晰度；以及对所述原始样本图像随机施加遮挡。3.根据权利要求1所述的方法，其中所述机器学习模型包括对抗生成网络。4.根据权利要求3所述的方法，其中所述对抗生成网络包括生成器和判别器，并且所述对抗生成网络是如下训练的：通过所述生成器基于所述原始样本图像来生成假修改图像；以及通过将所述多对样本图像作为真样本并将成对的所述原始样本图像和所述假修改图像作为假样本来训练所述对抗生成网络。5.根据权利要求4所述的方法，其中生成所述目标图像包括：通过所述生成器从所述原始图像来生成所述目标图像。6.根据权利要求1-5中任一项所述的方法，其中所述机器学习模型表示从所述原始样本图像到所述修改样本图像之间的映射关系，其中生成所述目标图像包括：通过将所述映射关系应用于所述原始图像来获得所述目标图像。7.一种用于识别交通牌的方法，包括：获取待识别图像；以及通过交通牌识别模型来识别所述待识别图像，所述交通牌识别模型是通过根据权利要求1-6中任一项所述的方法而训练的。8.一种用于训练交通牌识别模型的装置，包括：获取模块，被配置为获取具有交通牌的原始图像；生成模块，被配置为通过机器学习模型，基于所述原始图像生成目标图像，所述机器学习模型是基于多对样本图像来训练的，其中所述多对样本图像中的每一对样本图像包括具有交通牌的原始样本图像和对所述原始样本图像进行修改之后的修改样本图像；以及训练模块，被配置为至少基于所述目标图像来训练所述交通牌识别模...

【专利技术属性】
技术研发人员：刘焱，王洋，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11