[发明专利]车道路面数字颜色识别方法、限速信息识别方法及系统

权利要求书

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。

6.根据权利要求1或2或4或5所述的方法，其特征在于，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。

7.一种车道限速信息识别方法，其特征在于，包括：

基于权利要求1-6任一项所述的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。

8.一种车道路面数字颜色识别系统，其特征在于，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。