本发明公开了一种基于YOLOv3改进的交通标志检测与识别方法，包括以下步骤：(1)获取和标注交通标志图像数据集，作为训练集；(2)构建YOLOv3改进网络模型；(3)通过训练集对所述的YOLOv3改进网络模型进行训练；(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。通过上述方法，本发明实现了相较于YOLOv3原有算法相近的检测性能，同时模型得到了精简。
📄 2019114223116
📂 G06K9_00
👤 浙江工业大学
📅 2019-12-30
本发明公开了一种用于商用车主动安全的交通标志识别方法与系统，所述识别方法的具体步骤如下：S1、通过车载摄像头装置捕获道路全景图像信息，并对道路全景图像信息进行预处理操作，通过色彩变换空间设定阈值提取感兴趣区域图像；S2、将上述感兴趣区域图像与交通标志模板库图片进行匹配，根据匹配结果定位道路全景图像中的标志图像；S3、设计并搭建神经网络模型，在采样交通标志数据集上训练所述神经网络模型，获得最优交通标志识别模型；S4、合并上述最优交通标志识别模型中的多分支结构，获得重塑模型；S5、针对步骤S2中所述的标志图像进行分类识别，将标志图像进行归一化处理后输入步骤S4的重塑模型，根据输出结果判断交通标志类型。
📄 2023107099727
📂 G06V20_58
👤 浙江工业大学
📅 2023-06-15
本发明公开了一种基于层阶的地面交通标志识别方法，首先对视频图像进行分析处理，通过车道线检测对提取出的矩形区域的大小和角度的筛选，对视频图像中的车道线进行检测和追踪，得到稳定、准确的车道线，并截取出所感兴趣的区域；然后，采用自适应二值化技术，定义灰度图像的像素值，将所有的像素点分为n个层级，将最上层和最下层的像素值舍去，得到有效的像素值，对分好的每个层阶像素点聚居区域分别进行目标检测，实现交通标志的识别。本发明具有准确和高效的优点，基于层阶算出的阈值能够突出所需要的车道线部分，有利于地面交通标志的识别。
📄 2019101025564
📂 G06K9_00
👤 深圳立专科技成果转化有限公司
📅 2019-02-01
本发明涉及一种基于DS证据理论的多摄像头融合的路面交通标志识别方法，属于图像处理技术领域。该方法主要针对直行、左转、右转、直行左转、直行右转这五类路面交通指示标志进行识别，分为训练和测试两部分。在训练阶段，提取训练样本的方向梯度直方图特征，将样本特征和类别标签导入支持向量机中进行分类训练，得到训练好的分类器；在测试阶段，通过图像预处理得到感兴趣区域，提取感兴趣区域的方向梯度直方图特征并送入分类器中进行分类，根据分类器获取的待识别标志属于每个类别的可信度，结合DS证据理论数据融合方法和最大信任值决策规则，确定最终标志识别结果。本发明采用基于DS证据理论的多摄像头数据融合方法，融合多摄像头的信息得到最终识别结果，能够稳定、高效地识别路面交通标志。
📄 2016102449955
📂 G06K9_00
👤 重庆邮电大学
📅 2016-04-19
本发明涉及一种道路交通标志自动检测识别方法。本发明基于自动检测识别系统实现，所述自动检测识别系统包括，交通标志采集模块、交通标志检测处理模块和交通标志识别模块。交通标志采集模块用于采集行车视频，交通标志检测处理模块对采集到的视频进行处理，检测出含有交通标志的图像帧，并对兴趣区域进行提取。交通标志识别模块用于对提取的兴趣区域图像进行分类和识别。本发明所述道路交通标志自动检测识别方法，识别交通标志种类多、精度高、识别准确性高、鲁棒性好；并有效降低了光照、几何形变、旋转等影响，具有较高的抗干扰能力。
📄 2017102839128
📂 G06K9_00
👤 聊城大学
📅 2017-04-26
本发明公开了一种基于显著性的交通标志检测方法，本发明方提出一种端到端的卷积神经网络模型。本方法针对交通标志检测任务做出优化，提出了一个以基于VGGNet的特征金字塔网络为主干的显著性检测模型。网络在自下而上过程中的不同尺度特征图上提取了图片中的不同层级的信息，并在金字塔网络自上而下通路中进行融合。通过将特征聚合模块添加在自上而下通路中的每个融合操作之前，可以有助于全局引导模块中包含的深层次特征图中的高级语义信息与较浅层次的特征无缝进行融合。通过这两个建立在池化操作上的模块有助于高级语义信息逐步精细，使本网络模型生成的显著性图拥有更加丰富的细节。其结果为一张像素值在[0，1]的灰度图，图中的1表示为交通标志所在区域，0表示为背景区域，成功实现对交通标志的检测任务。
📄 2021107187606
📂 G06K9_00
👤 杭州电子科技大学
📅 2021-06-28
本发明公开了基于深度学习的夜间交通标志图像检测模型建立方法，采集包含夜间交通标志的图像作为训练集；聚类先验框；在YOLOv3特征提取网络中引入注意力机制，得到改进的YOLOv3网络；所述注意力机制通过浅层特征图实现空间注意力，通过深层特征图实现通道注意力；确定边框损失函数；将所述训练集输入改进的YOLOv3网络进行训练，得到夜间交通标志图像检测模型。本发明提供基于深度学习的夜间交通标志图像检测模型建立方法，以解决现有技术中的图像检测模型在夜间交通标志识别中面临的定位不准、特征提取困难、识别失败率较高等问题，实现改善对夜间交通标志的识别效果、提高识别精确率的目的。
📄 2022113427071
📂 G06V10_774
👤 成都信息工程大学
📅 2022-10-31
本发明公开了一种基于量子脉冲神经网络的节能绿色交通标志分类方法，包括：构建融合量子时间通道注意力编码QTCAC与膜残差神经网络MS‑ResNet的QTCAC‑SNN模型；通过QTCAC模块，利用量子神经网络QNNs提取输入图像在时间维度和通道维度的注意力特征，再经由注意力融合单元对特征进行融合处理，将图像编码为表示能力更强的脉冲序列；本发明采用QNN与SNN的混合训练方法对模型进行训练，在交通标志图像分类任务中部署训练完成的模型以实现绿色高效计算。本发明创新性提出量子时间通道注意力编码机制，结合量子计算和混合训练方法执行分类任务，在保证模型高准确率的同时显著降低能耗。
📄 2025116973945
📂 G06V10_764
👤 南京信息工程大学
📅 2025-11-19
本发明公开了一种融合Transformer机制的交通标志检测方法，包括如下步骤：步骤1、根据Transformer机制，设计结合图像全局特征的编码模块Trans；步骤2、利用GhostConv代替普通卷积模块搭建特征融合网络，通过GhostConv轻量便捷的线性操作轻量化冗余特征的提取过程，释放计算力和内存占用；步骤3、设计精简的解耦检测头Slim Decoupled Head，将分类与回归任务分开解析，加强网络模型的输出能力。本发明能够在复杂的道路场景中，以较高的准确率完成小型交通标志的检测。
📄 2022114335819
📂 G06V20_58
👤 南京信息工程大学
📅 2022-11-16
本发明涉及冲压设备，具体是指一种交通标志铝板冲压装置，包括冲压机、冲压模具和冲压工装，所述冲压工装包括变形机构、板材固定支架、180度翻转机构和给进机构，变形机构可带动板材固定支架变形，180度翻转机构用于带动变形机构和板材固定支架翻转180度，所述给进机构用于带动变形机构、板材固定支架和180度翻转机构靠近和远离冲压模具，通过翻转180度连续定位板材的多个角部，并能够适用于三角形和长方形板材，实现了交通标牌冲压过程中的自动化定位。
📄 2024100120295
📂 B21D43_14
👤 江苏宁丰智慧交通科技有限公司
📅 2024-01-04
本发明提出一种基于类池化连接注意力融合的交通标志检测方法与系统，该方法将可缩放通道注意力模块插入基于多头自注意力模块的Transformer中，并同多头自注意力模块串行，得到双注意力模块，将PM模块、PC模块以及至少一对双注意力模块采用串行的方式封装为类池连接注意力模块，利用若干类池连接注意力模块构建分层式特征提取网络，利用分层式特征提取网络提取不同尺寸的二维特征图，并进行特征融合后送入分类和回归阶段进行预测，以实现交通标志检测。本发明可解决Transformer缺乏获取通道维度信息的能力，同时加强Transformer对目标区域的关注而减少对背景信息的关注。
📄 2023118280561
📂 G06V10_80
👤 华东交通大学
📅 2023-12-28
本发明公开了一种基于联邦学习的个性化交通标志判别方法，包括：服务器初始化模型参数，并将模型发送给客户端；客户端接收来自服务器端初始化模型参数；对数据数据预处理；在客户端训练模型；服务器聚合来自客户端的模型参数；客户端接收来自服务器的聚合后模型参数，并将聚合后的模型加载进本地模型中；继续训练模型，直到达到各自的迭代次数输出模型。本发明基于AIDE和DANE的分布式方法的修正项，个性化联邦学习和动态校准项的混合模型用于智慧车联网的交通标志判别的方法。该模型可以考虑每个用户的算力与其数据分布情况，在保证数据隐私安全的情况下以很小的性能进行交通标志判别。
📄 2023106881539
📂 G06V20_58
👤 南京信息工程大学
📅 2023-06-12
柿子坊 · 知识产权运营
柿子坊知识产权运营平台