CN106803064B - 一种交通灯快速识别方法 - Google Patents
一种交通灯快速识别方法 Download PDFInfo
- Publication number
- CN106803064B CN106803064B CN201611214259.1A CN201611214259A CN106803064B CN 106803064 B CN106803064 B CN 106803064B CN 201611214259 A CN201611214259 A CN 201611214259A CN 106803064 B CN106803064 B CN 106803064B
- Authority
- CN
- China
- Prior art keywords
- traffic light
- image
- steps
- arrow
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种交通灯快速识别方法,包括获取车辆前方道路图像;快速定位交通灯所在的位置;对图像进行去噪处理;分割图像区域;对图像进行筛选;采用“十字验证”方法确认交通灯所在位置;然后进一步识别交通灯为圆形还是箭头。本发明通过多次验证,准确度率高;计算量小,识别速度快,能够识别圆形以及箭头形交通灯,受环境因素影响小,便于应用于无人驾驶汽车、车辆辅助驾驶***。
Description
技术领域
本发明涉及车辆主动安全***领域,具体涉及一种交通灯快速识别方法。
背景技术
如今,现有交通灯识别技术大多数使用的是计算机图形处理技术、计算机学习、神经网络等技术。一般使用的是直接使用模板匹配的算法或基于SVM支持向量机的交通灯识别算法。由于模板匹配的算法存在识别正确率低、识别速率慢等缺陷;而用SVM支持向量机的交通灯识别算法,需要根据不同的环境(如白天、夜晚、阴天、反光等)进行大量的样本训练,还需要根据不同的道路交通路口位置进行训练,运算量大,识别速度慢,受环境影响较大。
发明内容
为了解决现有技术所存在的技术问题,本发明提供一种交通灯快速识别方法,该方法运算量少、识别速度快、识别准确率高、受环境因素影响小,便于应用于无人驾驶汽车、车辆辅助驾驶***。
本发明的交通灯快速识别方法,包括以下步骤:
一:获取车辆前方道路信息图像;
二:从获取的前方道路信息图像中,根据交通灯颜色对交通灯图片进行快速跳步定位,获取交通灯初步位置;
三:对快速跳步定位得到的交通灯初步位置进行区域划分,分为RGB三个通道;分别对交通灯的颜色进行分离,将分离结果二值化;进行均值去噪处理;
四:对步骤三处理后图像的连续像素点区域进行分割;
五:使用width/height≈1.0的方法筛选分割后的图像,大致确认交通灯位置,并记录交通灯位置在原图的位置,其中width指分割后图像的宽度,height指分割后图像的高度;
六:利用“十字验证”方法进一步确认,检测某个区域是否为交通灯所在的位置;
所述“十字验证”方法以步骤五所筛选图像为中心位置,沿该中心位置的上、下、左、右四个方向分别延伸出一个与其大小相同的正方形,对四个方向的正方形进行检测运算;如果检测到某一个方向为定义的交通灯颜色占比达到85%或以上,则判断中心位置为交通灯所在的位置;
七:对所确认交通灯位置的区域进行检测,是否为圆形,若否则执行步骤八;
八:使用canny获取图像的轮廓,计算图像HU矩,与标准箭头HU矩进行匹配;若与标准箭头HU矩匹配不成功则执行步骤九;
九:将图片传送给SVM分类器进行分类识别。
与现有技术相比,本发明具有如下优点和有益效果:
1、本发明首先通过快速跳步进行可疑区域的定位,大大减少了对图像处理的计算量。例如在步骤S3中需要对图像进行二值化处理,若不进行可疑区域定位则需要对图像所有的像素点进行计算,现只需进行对可疑区域进行处理,从而缩短了计算时间。
2、分割图像后,采用十字验证法对交通灯位置进行确认,提高了算法的准确率。
3、对交通灯进行识别时,充分使用规则几何图形进行辅助性识别,当遇到圆形交通信号灯时,可不进行HU矩计算,也无需使用SVM分类器,缩短了图像处理的时间。
4、引入HU矩进行匹配,能有效识别箭头型的交通信号灯;使用SVM分类器提高了图像不清晰时候的识别率。
附图说明
图1是本发明交通灯快速识别方法的流程示意图;
图2是进行交通灯颜色分离后的图片;
图3是对图2进行图像分割并筛选的交通灯信号图片之一;
图4是对图2进行图像分割并筛选的交通灯信号图片之二。
具体实施方式
下面将结合附图和具体实施方式对本发明做进一步的说明,但本发明的实施方式不限于此。
实施例
参见图1,本发明的一种交通灯快速识别方法,包括以下步骤:
S1:利用摄像头获取车辆前方道路信息图像。
S2:从获取的前方道路信息图像中,对交通灯图片进行快速跳步定位,获取交通灯初步位置。快速跳步是通过检测交通灯颜色以确定交通灯可疑区域,可以选择(5x,5y)的方式,即以5个像素为单位进行快速跳步定位,读取图像信息快速预定位交通灯可疑区域,以达到减少处理图像信息加快处理速度的目的。其中,交通灯颜色包括红、黄、绿及黑色。
S3:对快速跳步定位得到的交通灯初步位置进行区域划分,并将该区域分为RGB三个通道,分别对交通灯的颜色进行分离,将分离结果二值化,使每一个通道仅存在0与255的值;进行均值去噪处理,将零散的像素点清除掉。结果如图2所示。对交通灯的颜色进行分离时,主要是通过RGB三个通道的计算并与预设的阈值进行比较。
S4:对步骤S3处理后图像的连续像素点区域进行分割。本步骤首先计算图像连续区域,然后将每一个图像连续区域分成独立的一小块图像。当分割出两个图像部分存在重复部分时,将两个图像部分合并,取其长宽最大值。
S5:使用width/height≈1.0的方法筛选分割后的图像,以去掉图像边缘比较独立的像素,大致确认交通灯位置,并记录交通灯位置在原图的位置,并且给每一个符合条件的图像标记2R=width,其中width指分割后图像的宽度,height指分割后图像的高度。无论交通灯是箭头还是圆形,均可采用本步骤进行处理,箭头交通灯的结果如图3所示,圆形交通灯的结果如图4所示。
S6:利用“十字验证”方法进一步确认,检测某个区域是否为交通灯所在的位置。
本发明主要是应用于无人驾驶机动车在道路上的启停、转向等时对交通灯的快速识别,由于指示车辆启停、转向类型的交通灯一般都是三个以上,且三个交通灯横向设置或竖向设置,因此某一交通灯的上、下、左、右四个方向一般至少有一个方向是存在相邻交通灯的。本步骤“十字验证法”,正是基于这一前提来实现的。
由于步骤S5中筛选的图像高度与宽带比接近1:1,“十字验证”方法以待检测区域为中心位置,沿该中心位置的上、下、左、右四个方向分别延伸出边长为2R的正方形,即在步骤S5所筛选图像的上、下、左、右分别取一个与其大小相同的区域,对四个方向的正方形进行检测运算。如果检测到某一个方向为定义的交通灯颜色(交通灯为红色、黄色、绿色或黑色)占比达到85%或以上,则认为中心位置为交通灯信号;也就是说,延伸出来的正方形区域内,若交通灯颜色占比达到85%以上,则判断中心位置为交通灯所在的位置。
S7:据观察统计,大部分的交通灯面板外面均有白色铁圈,因而本发明还可进一步检测“十字验证”方法所确定的交通灯位置,是否存在白色铁圈,从而最终确认交通灯位置。若没有计算出交通灯面板外的白色铁圈,则转入步骤S8。
本步骤不是必要的。通过步骤S6已经大致确认了交通灯所在位置,在该位置周围进一步检测是否存在白色区域,可进一步确定交通灯位置。若周围存在白色区域,则沿着白色区域检测,当白色区域闭合并包围着步骤S6采用“十字验证”方法所检测的交通灯所在位置时则认为白色铁圈存在。
S8:对所确认交通灯位置的区域进行检测,是否为圆形。本步骤检测所确认交通灯位置的区域是否为圆形时,所用方法为:计算图形面积S,计算图像周长C,由于圆形的面积、周长有以下特征:
S/C=(πR2)/(2πR)=R/2
如果此时S/C=(width+height)/8则认为该形状为圆形。若检测结果为圆形则转入步骤S11,否则执行步骤S9。
S9:使用canny获取图像的轮廓,计算图像HU矩,与标准箭头HU矩进行匹配;若与标准箭头HU矩匹配成功则转入步骤S11,否则执行步骤S10。
在步骤S9中,计算图形的HU矩所用的公式为:
I1=y20+y02
I2=(y20+y02)2+4y11 2
I3=(y30+3y)2+(3y21-y03)2
I4=(y30+y12)2+(y21+y03)2
I5=(y30-y12)(y30-y12)[(y30+y12)2-3(y21+y03)2]+(3y21-y03)(y21+y30)[3(y30+y12)2-(y21+y03)2]
I6=(y20-y02)[(y30+y12)2-(y21+y03)2]+4y11(y30+y12)(y21+y03)
I7=(3y21+y03)(y30+y12)[(y30+y12)2-3(y21+y03)2]+9y30-3y12)(y21+y30)[3(y30+y12)2-(y21+y03)2]
其中,Ik为不变矩,ypq为(p+q)阶归一化中心矩,k、q及p均为整数,且1≤k≤7,0≤p≤3,0≤q≤3。上述七个不变矩是由二阶和三阶中心矩构造的,无论所得到的箭头是哪一个方向,或者检测到的箭头大小不一致,它的HU矩都不会发生变化,所以能够达到快速检测的目的。
S10:将图片传送给SVM分类器进行分类识别。其中,SVM分类器需进行训练。训练时,采用SVM分类器提取图片的特征,形成多维向量特征,然后人工标记样本为左、右、前进箭头,最后SVM分类器将人工识别结果储存到特征库。
S11:将运算结果通过串口发送出去。
由于步骤S8、步骤S9、步骤S10是逐层进入的,所以大部分的结果能够在运算量较少的步骤S8、步骤S9完成,减少识别时间。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种交通灯快速识别方法,其特征在于,包括以下步骤:
一:获取车辆前方道路信息图像;
二:从获取的前方道路信息图像中,根据交通灯颜色对交通灯图片进行快速跳步定位,获取交通灯初步位置;
三:对快速跳步定位得到的交通灯初步位置进行区域划分,分为RGB三个通道;分别对交通灯的颜色进行分离,将分离结果二值化;进行均值去噪处理;
四:对步骤三处理后图像的连续像素点区域进行分割;
五:使用width/height≈1.0的方法筛选分割后的图像,大致确认交通灯位置,并记录交通灯位置在原图的位置,其中width指分割后图像的宽度,height指分割后图像的高度;
六:利用“十字验证”方法进一步确认,检测某个区域是否为交通灯所在的位置;
所述“十字验证”方法以步骤五所筛选图像为中心位置,沿该中心位置的上、下、左、右四个方向分别延伸出一个与其大小相同的正方形,对四个方向的正方形进行检测运算;如果检测到某一个方向为定义的交通灯颜色占比达到85%或以上,则判断中心位置为交通灯所在的位置;
七:对所确认交通灯位置的区域进行检测,是否为圆形,若否则执行步骤八;
八:使用canny获取图像的轮廓,计算图像HU矩,与标准箭头HU矩进行匹配;若与标准箭头HU矩匹配不成功则执行步骤九;
九:将图片传送给SVM分类器进行分类识别。
2.根据权利要求1所述的交通灯快速识别方法,其特征在于,所述步骤九SVM分类器需进行训练;训练时,采用SVM分类器提取图片的特征,形成多维向量特征,然后人工标记样本为左、右、前进箭头,最后SVM分类器将人工识别结果储存到特征库。
3.根据权利要求1所述的交通灯快速识别方法,其特征在于,所述步骤六与步骤七之间还执行:
检测“十字验证”方法所确定的交通灯位置的周围是否存在白色区域;若周围存在白色区域,则沿着白色区域检测,当白色区域闭合并包围着采用“十字验证”方法所检测的交通灯所在位置时则认为白色铁圈存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611214259.1A CN106803064B (zh) | 2016-12-26 | 2016-12-26 | 一种交通灯快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611214259.1A CN106803064B (zh) | 2016-12-26 | 2016-12-26 | 一种交通灯快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106803064A CN106803064A (zh) | 2017-06-06 |
CN106803064B true CN106803064B (zh) | 2020-05-19 |
Family
ID=58984236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611214259.1A Active CN106803064B (zh) | 2016-12-26 | 2016-12-26 | 一种交通灯快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106803064B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563301A (zh) * | 2017-08-09 | 2018-01-09 | 上海炬宏信息技术有限公司 | 基于图像处理技术的红灯信号检测方法 |
CN109635640B (zh) * | 2018-10-31 | 2020-12-08 | 百度在线网络技术(北京)有限公司 | 基于点云的交通灯识别方法、装置、设备及存储介质 |
CN110021176B (zh) * | 2018-12-21 | 2021-06-15 | 文远知行有限公司 | 交通灯决策方法、装置、计算机设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011216051A (ja) * | 2010-04-02 | 2011-10-27 | Institute Of National Colleges Of Technology Japan | 信号灯識別プログラムおよび信号灯識別装置 |
CN102819263A (zh) * | 2012-07-30 | 2012-12-12 | 中国航天科工集团第三研究院第八三五七研究所 | 多摄像头无人车视觉感知*** |
CN103996017A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
CN104021378A (zh) * | 2014-06-07 | 2014-09-03 | 北京联合大学 | 基于时空关联与先验知识的交通信号灯实时识别方法 |
CN104574960A (zh) * | 2014-12-25 | 2015-04-29 | 宁波中国科学院信息技术应用研究院 | 一种交通灯识别方法 |
CN104766046A (zh) * | 2015-02-06 | 2015-07-08 | 哈尔滨工业大学深圳研究生院 | 一种利用交通标识颜色及形状特征进行检测与识别算法 |
CN104791113A (zh) * | 2015-03-20 | 2015-07-22 | 武汉理工大学 | 基于行驶路况的发动机自动启停智能触发方法及*** |
CN104851288A (zh) * | 2015-04-16 | 2015-08-19 | 宁波中国科学院信息技术应用研究院 | 一种交通灯定位方法 |
US9442487B1 (en) * | 2014-08-15 | 2016-09-13 | Google Inc. | Classifier hierarchies for traffic light and traffic indicator detection |
CN106023623A (zh) * | 2016-07-28 | 2016-10-12 | 南京理工大学 | 基于机器视觉的车载交通信号与标志的识别及预警方法 |
-
2016
- 2016-12-26 CN CN201611214259.1A patent/CN106803064B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011216051A (ja) * | 2010-04-02 | 2011-10-27 | Institute Of National Colleges Of Technology Japan | 信号灯識別プログラムおよび信号灯識別装置 |
CN102819263A (zh) * | 2012-07-30 | 2012-12-12 | 中国航天科工集团第三研究院第八三五七研究所 | 多摄像头无人车视觉感知*** |
CN103996017A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
CN104021378A (zh) * | 2014-06-07 | 2014-09-03 | 北京联合大学 | 基于时空关联与先验知识的交通信号灯实时识别方法 |
US9442487B1 (en) * | 2014-08-15 | 2016-09-13 | Google Inc. | Classifier hierarchies for traffic light and traffic indicator detection |
CN104574960A (zh) * | 2014-12-25 | 2015-04-29 | 宁波中国科学院信息技术应用研究院 | 一种交通灯识别方法 |
CN104766046A (zh) * | 2015-02-06 | 2015-07-08 | 哈尔滨工业大学深圳研究生院 | 一种利用交通标识颜色及形状特征进行检测与识别算法 |
CN104791113A (zh) * | 2015-03-20 | 2015-07-22 | 武汉理工大学 | 基于行驶路况的发动机自动启停智能触发方法及*** |
CN104851288A (zh) * | 2015-04-16 | 2015-08-19 | 宁波中国科学院信息技术应用研究院 | 一种交通灯定位方法 |
CN106023623A (zh) * | 2016-07-28 | 2016-10-12 | 南京理工大学 | 基于机器视觉的车载交通信号与标志的识别及预警方法 |
Non-Patent Citations (2)
Title |
---|
Real time recognition of traffic light and their signal count-down timings;Sathiya 等;《International Conference on Information Communication & Embedded Systems IEEE》;20151231;全文 * |
智能车交通灯识别;李广亮 等;《杭州电子科技大学学报》;20140531;第80-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106803064A (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111212772B (zh) | 用于确定车辆的驾驶策略的方法和设备 | |
US10133941B2 (en) | Method, apparatus and device for detecting lane boundary | |
Siogkas et al. | Traffic lights detection in adverse conditions using color, symmetry and spatiotemporal information | |
CN109190523B (zh) | 一种基于视觉的车辆检测跟踪预警方法 | |
Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
Chen et al. | Nighttime brake-light detection by Nakagami imaging | |
CN107978165A (zh) | 基于计算机视觉的交叉口标志标线与信号灯智能感知方法 | |
KR101094752B1 (ko) | 에이치에스아이 색정보의 통계적 모델을 이용한 차선 분류방법 | |
CN102298693B (zh) | 基于计算机视觉的高速公路弯道检测方法 | |
CN107316486A (zh) | 基于双摄像头的无人驾驶汽车视觉识别*** | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN108090459B (zh) | 一种适用于车载视觉***的交通标志检测识别方法 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN106803064B (zh) | 一种交通灯快速识别方法 | |
KR101922852B1 (ko) | 영상 기반 색상정보를 이용한 초지 경계 검출 방법 | |
JP6527013B2 (ja) | 交通標識から英数字を抽出/認識するコンピュータ実施システムおよび方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN110688907A (zh) | 基于夜间道路光源识别物体的方法及装置 | |
CN106022268A (zh) | 一种限速标识的识别方法和装置 | |
Devane et al. | Lane detection techniques using image processing | |
CN107025796A (zh) | 汽车辅助驾驶视觉预警***及其预警方法 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别***及方法 | |
KR101787292B1 (ko) | 영상을 이용한 차선 인식 성능 향상 방법 | |
CN110889342A (zh) | 一种减速带的识别方法 | |
KR20140104516A (ko) | 차선 인식 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |