车道路面数字颜色识别方法、限速信息识别方法及系统技术方案

本发明专利技术实施例提供一种车道路面数字颜色识别方法、限速信息识别方法及系统，方法包括：将待识别RGB图输入训练后的目标检测模型，以输出携带有矩形框的待识别RGB图，矩形框用来标记路面数字在RGB图中的位置；将输出的矩形框从待识别RGB图中剪切，将剪切得到的矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果；根据第一颜色识别结果和第二颜色识别结果，确定待识别RGB图中路面数字的颜色。本发明专利技术通过上述的方法可以精确地识别到车道路面上数字的颜色，进而解析出车道的限速信息，弥补了高精度地图领域缺乏道路限速信息的短板。

【技术实现步骤摘要】
车道路面数字颜色识别方法、限速信息识别方法及系统
本专利技术涉及颜色识别领域，更具体地，涉及一种车道路面数字颜色识别方法、限速信息识别方法及系统。
技术介绍
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，而路面印刷的数字则代表着该车道的限速情况，一般情况下，黄色代表最高限速，白色代表最低限速，目前，对于高精度地图制作，通常只是从图像中识别出车道线，对于车道上代表速度的数字并没有处理，因此，准确识别路面数字的颜色可以高度的还原限速信息，便于自动驾驶车辆合理的控制速度。
技术实现思路
本专利技术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路面数字颜色识别方法、限速信息识别方法及系统。基于本专利技术实施例的第一方面，提供了一种车道路面数字颜色识别方法，包括：将待识别RGB图输入训练后的目标检测模型，以输出携带有矩形框的待识别RGB图，其中，所述待识别RGB图中包括车道路面数字，所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来，所述矩形框用来标记路面数字在RGB图中的位置；将输出的矩形框从待识别RGB图中剪切，得到标记路面数字的矩形图像；将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果；根据第一颜色识别结果和第二颜色识别结果，确定待识别RGB图中路面数字的颜色。在上述技术方案的基础上，本专利技术实施例还可以作出如下改进。进一步的，所述目标检测模型为一阶网络模型，所述将待识别RGB图输入训练后的目标检测模型之前还包括：获取多张包括车道路面数字的RGB图，对每一张RGB图以矩形框的形式标记路面数字在其中的位置；将每一张RGB图和携带有矩形框的RGB图形成训练集；利用训练集对所述目标检测模型进行训练。进一步的，所述第一颜色识别模型为深度学习卷积神经网络，所述将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果包括：将所述矩形图像输入训练后的深度学习卷积神经网络，以输出所述矩形图像中路面数字的第一颜色识别结果；将所述矩形图像输入第二颜色识别模型，基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果。进一步的，所述将所述矩形图像输入训练后的深度学习卷积神经网络之前还包括：获取多张矩形图像，并为每张矩形图像标记颜色标签；将多张矩形图图像和对应的颜色标签形成训练集；利用训练集对深度学习卷积神经网络进行训练。进一步的，所述将所述矩形图像输入第二颜色识别模型，基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果：提取所述矩形图像中每一个像素点的RGB值；对于任一个像素点，根据所述任一个像素点的RGB值所落入的范围，确定所述任一个像素点的颜色，其中，每一种颜色具有对应的RGB值范围；根据每一个像素点的颜色，确定所述矩形图像中路面数字的颜色。进一步的，所述根据第一颜色识别结果和第二颜色识别结果，确定待识别RGB图中路面数字的颜色包括：若第一颜色识别结果与第二颜色识别结果一致，则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色；若第一颜色识别结果与第二颜色识别结果不一致，则将第一颜色识别结果确定为待识别RGB图中路面数字的颜色。根据本专利技术实施例的第二方面，提供了一种车道限速信息识别方法，包括：基于车道路面数字颜色识别方法识别车道路面上不同数字的颜色；根据识别出的车道路面上不同数字的颜色，确定车道的限速信息。根据本专利技术实施例的第三方面，提供了一种车道路面数字颜色识别系统，包括：第一输入模块，用于将待识别RGB图输入训练后的目标检测模型，以输出携带有矩形框的待识别RGB图，其中，所述待识别RGB图中包括车道路面数字，所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来，所述矩形框用来标记路面数字在RGB图中的位置；剪切模块，用于将输出的矩形框从待识别RGB图中剪切，得到标记路面数字的矩形图像；第二输入模块，用于将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果；第一确定模块，用于根据第一颜色识别结果和第二颜色识别结果，确定待识别RGB图中路面数字的颜色。根据本专利技术实施例的第四方面，提供了一种车道限速信息识别系统，包括：车道路面数字颜色识别系统，用于识别车道路面上不同数字的颜色；第二确定模块，用于根据识别出的车道路面上不同数字的颜色，确定车道的限速信息。根据本专利技术实施例的第五方面，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路面数字颜色识别方法和车道限速信息识别方法的步骤。根据本专利技术实施例的第六方面，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路面数字颜色识别方法和车道限速信息识别方法的步骤。本专利技术实施例提供的一种车道路面数字颜色识别方法、限速信息识别方法及系统，首先使用路面数字的目标检测模型标记目标位置；接着，将目标剪切，分别输入第一颜色识别模型和第二颜色识别模型，根据两种模型判别结果确定路面数字的最终颜色，可以精确地识别到路面数字的颜色，进而解析出车道的限速信息，弥补了高精度地图领域缺乏道路限速信息的短板。附图说明图1为本专利技术实施例提供的一种车道路面数字颜色识别方法流程图；图2为本专利技术实施例提供的一种车道路面数字颜色识别方法的整体流程图；图3为本专利技术实施例提供的一种车道限速信息识别方法流程图；图4为本专利技术实施例提供的一种车道路面数字颜色识别系统结构图；图5为本专利技术实施例提供的一种车道限速信息识别系统结构图；图6为本专利技术实施例提供的一种可能的电子设备的硬件结构示意图；图7为本专利技术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，对本专利技术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专利技术，但不用来限制本专利技术的范围。图1是本专利技术实施例提供的一种车道路面数字颜色识别方法流程图，如图1所示，所述方法包括：101、将待识别RGB图输入训练后的目标检测模型，以输出携带有矩形框的待识别RGB图，其中，所述待识别RGB图中包括车道路面数字，所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来，所述矩形框用来标记路面数字在RGB图中的位置；102、将输出的矩形框从待识别RGB图中剪切，得到标记路面数字的矩形图像；103、将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果；104、本文档来自技高网...

【技术保护点】
1.一种车道路面数字颜色识别方法，其特征在于，包括：/n将待识别RGB图输入训练后的目标检测模型，以输出携带有矩形框的待识别RGB图，其中，所述待识别RGB图中包括车道路面数字，所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来，所述矩形框用来标记路面数字在RGB图中的位置；/n将输出的矩形框从待识别RGB图中剪切，得到标记路面数字的矩形图像；/n将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果；/n根据第一颜色识别结果和第二颜色识别结果，确定待识别RGB图中路面数字的颜色。/n

【技术特征摘要】
1.一种车道路面数字颜色识别方法，其特征在于，包括：
将待识别RGB图输入训练后的目标检测模型，以输出携带有矩形框的待识别RGB图，其中，所述待识别RGB图中包括车道路面数字，所述目标检测模型为根据包括多张RGB图和对应的携带有矩形框的RGB图的训练集训练而来，所述矩形框用来标记路面数字在RGB图中的位置；
将输出的矩形框从待识别RGB图中剪切，得到标记路面数字的矩形图像；
将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果；
根据第一颜色识别结果和第二颜色识别结果，确定待识别RGB图中路面数字的颜色。


2.根据权利要求1所述的方法，其特征在于，所述目标检测模型为一阶网络模型，所述将待识别RGB图输入训练后的目标检测模型之前还包括：
获取多张包括车道路面数字的RGB图，对每一张RGB图以矩形框的形式标记路面数字在其中的位置；
将每一张RGB图和携带有矩形框的RGB图形成训练集；
利用训练集对目标检测模型进行训练。


3.根据权利要求1或2所述的方法，其特征在于，所述第一颜色识别模型为深度学习卷积神经网络，所述将所述矩形图像分别输入第一颜色识别模型和第二颜色识别模型，分别输出第一颜色识别结果和第二颜色识别结果包括：
将所述矩形图像输入训练后的深度学习卷积神经网络，以输出所述矩形图像中路面数字的第一颜色识别结果；
将所述矩形图像输入第二颜色识别模型，基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果。


4.根据权利要求3所述的方法，其特征在于，所述将所述矩形图像输入训练后的深度学习卷积神经网络之前还包括：
获取多张矩形图像，并为每张矩形图像标记颜色标签；
将多张矩形图图像和对应的颜色标签形成训练集；
利用训练集对深度学习卷积神经网络进行训练。


5.根据权利要求3所述的方法，其特征在于，所述将所述矩形图像输入第二颜色识别模型，基于阈值分割的方式得到矩形图像中路面数字的第二颜色识别结果：
提取所述矩形图像中每一个像素点的RGB值；
对于任一个像素点，根据所述任一个像...

【专利技术属性】
技术研发人员：万齐斌，何云，何豪杰，熊迹，刘奋，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：湖北;42