成果介绍
本成果针对交通标志牌中限速、限高和限重信息的提取难题,提出了一种高效的智能识别方法。在研究背景上,随着智能交通和自动驾驶技术的发展,快速准确地获取道路交通标志信息成为关键需求,而传统人工标注或简单图像处理方法难以应对复杂场景和低频标志。
本成果过预处理路网数据与街景全景图,结合深度学习与文本识别技术,实现了从数据采集到信息提取的全流程自动化。关键技术包括基于Swin-Transformer的Faster R-CNN目标检测、PP-OCRv3文字识别以及规则约束与文本清洗策略。成果水平上,该方法能够在多样化场景下准确提取低频交通标志信息,显著提升识别效率与精度,为智能交通系统提供了低成本、高适配性的解决方案。
成果亮点
1、高效目标检测与定位
本成果采用Swin-Transformer优化的Faster R-CNN模型,通过多头自注意力机制(MHSA)和滑动窗口技术,精准定位街景中的交通标志牌。相比传统的卷积神经网络(如YOLO或普通CNN),这种方法能同时关注标志牌的细节特征(如边缘形状)和整体背景(如周围环境),在复杂场景下表现更出色。例如,面对遮挡或光线变化,它仍能准确框选标志牌位置,为后续识别奠定基础。
2、智能文字识别与优化
在文字提取方面,利用PP-OCRv3模型对标志牌上的数字和字符进行检测与识别,并结合SVTR的Transformer结构优化字符序列建模。针对远距离拍摄时小数点模糊、难以辨识的问题,该技术通过上下文信息增强数字识别能力。比如,能准确分辨“3.5”和“35”的差别,避免误读,提升限高、限重数据的可靠性
3、规则约束与文本清洗
为确保提取结果实用,本成果设计了多重过滤机制:一是面积约束,要求标志牌检测区域大于300像素,避免误识小块干扰物;二是数值范围先验,如限速限制在0-150km/h,限高在1-100m;三是语义清洗,例如要求限速值必须是5的倍数(如60而不是63)。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料