【技术实现步骤摘要】
本申请涉及标识识别领域，尤其涉及一种道路标识识别方法及道路标识识别装置。
技术介绍
1、在自动驾驶和高级辅助驾驶系统快速发展的背景下，道路标识的准确和实时识别成为了一个至关重要的问题。道路标识为驾驶员和自动驾驶系统提供了关键的导航和交通规则信息，如速度限制、转向指示等。然而，识别这些标识面临许多挑战，例如不同的光照条件、天气变化、物理遮挡以及由于摄像机角度和距离引起的变形。此外，由于道路标识的多样性，需要一个能够识别大量不同标识的系统。传统的道路标识识别技术在处理这些问题时遭遇了一些困难，如数据采集单一、数据增强不足、优化方法存在的局限性和特定的分类器问题等。这些局限性可能导致在实际驾驶场景中，系统的准确性和实时性不满足现实要求，从而影响驾驶安全和效率。
2、中国专利技术专利cn202310724151.0提出一种基于点云数据和图像识别的道路标识识别方法及系统，包括：获取点云数据和目标图像；提取边缘数据,确定深度数据；形成三维像素矩阵；对点云数据进行聚类分析获取疑似道路标识的数据作为疑似数据；获取疑似元素；根据疑似元素的r通道、g通道和b通道数据判断疑似元素是否为道路标识,以及对应的道路标识种类。本专利技术基于点云数据和图像识别的道路标识识别方法及系统，通过将点云数据中识别出的疑似数据反向映射回目标图像中，可以有效的提高道路标识的识别精度,将悬挂的其他类型的标识噪音过滤掉；同时,还可以准确的识别道路标识的种类,为后续交通大数据的调整提供了准确的依据。
3、中国技术专利cn202223373515.5提出一
4、中国专利技术专利cn201811341411.1提出一种道路标识识别方法及装置、介质、终端，所述识别方法可以包括：获取三维点云数据集合，所述三维点云数据集合包括多个对道路进行检测获得的三维点云数据点；映射所述三维点云数据集合为二维平面图像；采用机器学习模型识别所述二维平面图像内的道路标识；逆映射所述二维平面图像内的道路标识至三维坐标位置。本专利技术实施例中的技术方案的准确率更高。
5、然而上述方案及现有技术存在以下问题解决不利：如，数据扩充不足，现有的数据扩充方法可能较为传统，如简单的图像旋转、平移、缩放等，这样的数据增强手段可能不足以覆盖真实世界中的各种场景变化。如，参数优化局限，传统的基于梯度下降的参数优化方法可能存在局部最优、梯度消失和梯度爆炸等问题，这些问题可能会影响模型的收敛速度和性能。如，分类器的局限性，现有的分类算法可能没有考虑到道路标识的具体实际情境，例如特定的颜色和形状组合，这可能导致在某些特定场景下，分类的准确性受到影响。如，特征提取不足，现有的特征提取方法可能较为简单或没有利用最新的深度学习技术，这可能会限制模型对于复杂场景中道路标识的识别能力。如，计算效率问题，现有的道路标识识别方法可能未考虑到实时性要求，因此在实时驾驶场景中，模型的推理速度可能不满足需求。
6、因此，需要一种道路标识识别的方案，更加先进、鲁棒且适应各种场景，引入了多种新颖技术和策略，旨在克服现有技术的局限性，提供高性能的道路标识识别功能。
技术实现思路
1、本专利技术的目的在于提供一种道路标识识别方法及道路标识识别装置，至少解决上述的一个技术问题。
2、本专利技术提供了下述方案：
3、根据本专利技术的一个方面，提供一种道路标识识别方法，所述道路标识识别方法包括：
4、基于人工智能，由训练获得道路标识识别模型；
5、其中，所述由训练获得道路标识识别模型的步骤包括：数据采集与标注的步骤、数据预处理的步骤、数据扩充的步骤、特征提取的步骤、训练分类器的步骤以及道路标识识别的步骤；
6、其中，在所述数据扩充的步骤中，基于变分自编码生成对抗网络，进行样本生成，实现样本扩充；
7、其中，在所述特征提取的步骤中，基于量子态振荡优化，使用量子态表示训练道路标识识别模型的状态，所述振荡描述量子态在不同状态之间的转换；
8、其中，在所述训练分类器的步骤中，导入随机森林分类算法，基于问题约束的随机森林算法，在构建决策树时引入额外问题约束，确保道路标识识别模型的判决符合道路标识的实际情境。
9、进一步的，所述数据预处理的步骤包括：
10、获取道路附近视觉终端采集的图像数据信息；
11、识别图像数据信息，标注包含道路标识的图像数据，生成第一训练样本数据集；
12、其中，所述图像数据设置为jpeg格式的图像数据；
13、将所述jpeg格式的图像数据的rgb值，表示为图像数据元素i，其形状为w×h×3；
14、其中，每个图像数据元素i(i,j,k)表示图像在i,j坐标下的颜色通道k的强度，其w为图像的宽度、h为图像的高度；
15、所述jpeg格式的图像数据为rgb格式的3通道图像数据。
16、进一步的，所述数据预处理的步骤包括：
17、对所述第一训练样本数据集进行数据预处理包括，将图像数据元素i转换为图像数据ig，获得第二训练样本数据集；
18、其中，
19、所述图像数据i元素表示为
20、其中，i(i,j,:)为3维向量，表示该像素的rgb值；
21、其中，定义亮度l＝0.299r+0.587g+0.114b，其中，r,g,b分别是红、绿、蓝通道的像素值；
22、其中，亮度l归一化处理，获得像素值其中，∈大于零；
23、其中，将像素值从0,255映射到0,1，根据图像数据进行转换；
24、其中，使用高斯滤波器滤波图像数据istd抑制图像噪声，获得像素值其中，*表示卷积操作，σ表示高斯滤波器的标准差，用于控制模糊程度。
25、进一步的，所述数据扩充的步骤包括：基于变分自编码生成对抗网络，
26、进行样本生成，实现样本扩充，所述对抗网络包括编码器、解码器和判别器；
27、其中，首先所述编码器将输入的图像数据，编码为潜在向量，其次，解码器从潜在空间中采样，生成新的图像数据，最后，判别器负责区分真实的图像数据和生成的图像数据；
28、其中，根据所述基于变分自编码生成对抗网络，进行样本生成，实现样本扩充，获得第三训练样本数据集的步骤包括，初始化的步骤、编码的步骤、潜在空间操作的步骤、dna重组的步骤、解码的步骤、判别的步骤、优化的步骤和迭代的步骤。
29、进一步的本文档来自技高网...
【技术保护点】
1.一种道路标识识别方法，其特征在于，所述道路标识识别方法包括：
2.根据权利要求1所述的道路标识识别方法，其特征在于，所述数据预处理的步骤包括：
3.根据权利要求1所述的道路标识识别方法，其特征在于，所述数据预处理的步骤包括：
4.根据权利要求1所述的道路标识识别方法，其特征在于，所述数据扩充的步骤包括：基于变分自编码生成对抗网络，进行样本生成，实现样本扩充，所述对抗网络包括编码器、解码器和判别器；
5.根据权利要求1所述的道路标识识别方法，其特征在于，所述特征提取的步骤包括：
6.根据权利要求1所述的道路标识识别方法，其特征在于，所述训练分类器的步骤包括：
7.根据权利要求4所述的道路标识识别方法，其特征在于，所述图像数据包括：
8.根据权利要求5所述的道路标识识别方法，其特征在于，所述神经网络包括：输入层、第一隐藏层、第二隐藏层和第三隐藏层；
9.根据权利要求6所述的道路标识识别方法，其特征在于，所述第四训练样本数据集包括：
10.一种道路标识识别装置，其特征在于，所
...【技术特征摘要】
1.一种道路标识识别方法，其特征在于，所述道路标识识别方法包括：
2.根据权利要求1所述的道路标识识别方法，其特征在于，所述数据预处理的步骤包括：
3.根据权利要求1所述的道路标识识别方法，其特征在于，所述数据预处理的步骤包括：
4.根据权利要求1所述的道路标识识别方法，其特征在于，所述数据扩充的步骤包括：基于变分自编码生成对抗网络，进行样本生成，实现样本扩充，所述对抗网络包括编码器、解码器和判别器；
5.根据权利要求1所述的道路标识识别方法，其特征在于，所...
【专利技术属性】
技术研发人员：张鑫妍，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。