CN107527511B - 一种智能车辆行车提醒方法及装置 - Google Patents

Abstract

本申请实施例公开了一种智能车辆行车提醒方法及装置，涉及信息处理技术领域，应用于车辆中安装的行车记录设备，其中，上述方法包括：获得待检测图像；确定所述待检测图像中的目标交通信号灯区域；获得所述目标交通信号灯区域中交通信号灯的状态；根据第一图像对应的交通信号灯的状态、以及待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间；根据所述第一时间和所述第二时间检测是否发生交通信号灯转换；在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。应用本申请实施例提供的方案进行提醒，提高了交通信号灯转换检测的准确度，进而提高了提醒的准确度。

Description

一种智能车辆行车提醒方法及装置

技术领域

本申请涉及信息处理技术领域，特别涉及一种智能车辆行车提醒方法及装置。

背景技术

随着经济的快速增长和社会的快速发展，私家车的拥有量逐年升高，行车安全和交通拥堵备受关注。实际应用中，为减少交通事故发生，提高路面行车效率，通常会对交通信号灯的转换进行检测，这样可以及时通知驾驶员改变行车状态。

现有技术中，检测交通信号灯是否发生转换时，一般通过对采集的图像进行分析，确定其中的交通信号灯所在区域，然后获得上述区域中交通信号灯的颜色，并根据交通信号灯的颜色判断是否发生了转换。

通常情况下，应用上述方式能够检测出是否发生了交通信号灯转换，然而，实际道路上情况比较复杂，例如，可能会存在其他车辆车灯、路灯、广告灯等等，这些因素均有可能会造成所获得的交通信号灯的颜色错误，进而导致检测交通信号灯转换失败，检测准确度低，进一步的，基于上述方式生成行车提醒信息时，所生成的行车提醒准确率低。

发明内容

本申请实施例公开了一种智能车辆行车提醒方法及装置，以提高检测准确度，进而提高所生成的行车提醒信息的准确度。

为达到上述目的，本申请实施例公开了一种智能车辆行车提醒方法，所述方法包括：

获得待检测图像；

确定所述待检测图像中的目标交通信号灯区域；

获得所述目标交通信号灯区域中交通信号灯的状态；

根据第一图像对应的交通信号灯的状态、以及所述待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，其中，所述第一图像为：采集时刻位于所述待检测图像的采集时刻之前、且与所述待检测图像相邻的图像；

根据所述第一时间和所述第二时间检测是否发生交通信号灯转换；

在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。

在本申请的一种实现方式中，所述根据所述第一时间和所述第二时间检测是否发生交通信号灯转换，包括：

判断所述第一时间和所述第二时间是否满足预设的时间关系；

若为是，获得所述目标交通信号灯区域中红灯的第一位置和绿灯的第二位置；

判断所述第一位置和所述第二位置是否满足预设的位置关系；

若满足，判定发生交通信号灯转换。

在本申请的一种实现方式中，在所述红灯的当前状态为：熄灭状态，所述绿灯的当前状态为：亮起状态的情况下，所述判断所述第一时间和所述第二时间是否满足预设的时间关系，包括：

判断所述第一时间和所述第二时间是否满足以下表达式：

t_{red_dark}-t_{grn_light}<T

其中，t_{red_dark}表示所述第一时间，t_{grn_light}表示所述第二时间，T表示预设的时间阈值。

在本申请的一种实现方式中，所述判断所述第一位置和所述第二位置是否满足预设的位置关系，包括：

判断所述第一位置和所述第二位置是否满足以下关系式中的至少一个：

|x_red-x_grn|<D₁且|y_red-y_grn|<D₂

|x_red-x_grn|<D₂且|y_red-y_grn|<D₁

其中，x_red、y_red表示所述第一位置中心点的横坐标、纵坐标，x_grn、y_grn表示所述第二位置中心点的横坐标、纵坐标，D₁表示第一预设位置阈值，D₂表示第二预设位置阈值。

在本申请的一种实现方式中，所述确定所述待检测图像中的目标交通信号灯区域，包括：

获得所述待检测图像中交通信号灯的目标嫌疑区域；

通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域。

在本申请的一种实现方式中，所述获得所述待检测图像中交通信号灯的目标嫌疑区域，包括：

获得所述待检测图像中的连通区域；

根据所述连通区域的几何特征，获得所述待检测图像中交通信号灯的目标嫌疑区域。

在本申请的一种实现方式中，所述通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域，包括：

获得当前车辆的状态，并获得所述目标嫌疑区域与当前车辆之间的相对状态；

根据当前车辆的状态以及所述相对状态，对所述目标嫌疑区域进行过滤处理；

通过预设的机器学习算法从过滤处理后的所述目标嫌疑区域中确定目标交通信号灯区域。

在本申请的一种实现方式中，所述通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域，包括：

计算所述目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度；

通过预设的机器学习算法，从关联置信度大于第一预设阈值的所述目标嫌疑区域中确定目标交通信号灯区域。

在本申请的一种实现方式中，所述交通信号灯转换检测方法还包括：

从当前时刻之前第二预设时段内所检测图像中，确定交通信号灯区域与所述目标交通信号灯区域之间关联置信度大于第二预设阈值的图像；

依据所确定图像的针对交通信号灯转换的检测结果，对所述待检测图像的针对交通信号灯转换的检测结果进行校正。

为达到上述目的，本申请实施例公开了一种智能车辆行车提醒装置，所述装置包括：

图像获得模块，用于获得待检测图像；

区域确定模块，用于确定所述待检测图像中的目标交通信号灯区域；

状态获得模块，用于获得所述目标交通信号灯区域中交通信号灯的状态；

时间获得模块，用于根据第一图像对应的交通信号灯的状态、以及所述待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，其中，所述第一图像为：采集时刻位于所述待检测图像的采集时刻之前、且与所述待检测图像相邻的图像；

转换检测模块，用于根据所述第一时间和所述第二时间检测是否发生交通信号灯转换；

提醒生成模块，用于在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。

在本申请的一种实现方式中，所述转换检测模块，包括：

时间判断子模块，用于判断所述第一时间和所述第二时间是否满足预设的时间关系；

位置获得子模块，用于在所述时间判断子模块的判断结果为是的情况下，获得所述目标交通信号灯区域中红灯的第一位置和绿灯的第二位置；

位置判断子模块，用于判断所述第一位置和所述第二位置是否满足预设的位置关系；

转换判定子模块，用于在所述位置判断子模块的判定结果为是的情况下，判定发生交通信号灯转换。

在本申请的一种实现方式中，在所述红灯的当前状态为：熄灭状态，所述绿灯的当前状态为：亮起状态的情况下，所述时间判断子模块，具体用于判断所述第一时间和所述第二时间是否满足以下表达式：

t_{red_dark}-t_{grn_light}<T

其中，t_{red_dark}表示所述第一时间，t_{grn_light}表示所述第二时间，T表示预设的时间阈值。

在本申请的一种实现方式中，所述位置判断子模块，具体用于判断所述第一位置和所述第二位置是否满足以下关系式中的至少一个：

|x_red-x_grn|<D₁且|y_red-y_grn|<D₂

|x_red-x_grn|<D₂且|y_red-y_grn|<D₁

其中，x_red、y_red表示所述第一位置中心点的横坐标、纵坐标，x_grn、y_grn表示所述第二位置中心点的横坐标、纵坐标，D₁表示第一预设位置阈值，D₂表示第二预设位置阈值。

在本申请的一种实现方式中，所述区域确定模块，包括：

嫌疑区域获得子模块，用于获得所述待检测图像中交通信号灯的目标嫌疑区域；

区域确定子模块，用于通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域。

在本申请的一种实现方式中，所述嫌疑区域获得子模块，包括：

连通区域获得单元，用于获得所述待检测图像中的连通区域；

嫌疑区域获得单元，用于根据所述连通区域的几何特征，获得所述待检测图像中交通信号灯的目标嫌疑区域。

在本申请的一种实现方式中，所述区域确定子模块，包括：

第一状态获得单元，用于获得当前车辆的状态；

第二状态获得单元，用于获得所述目标嫌疑区域与当前车辆之间的相对状态；

区域过滤单元，用于根据当前车辆的状态以及所述相对状态，对所述目标嫌疑区域进行过滤处理；

第一区域确定单元，用于通过预设的机器学习算法从过滤处理后的所述目标嫌疑区域中确定目标交通信号灯区域。

在本申请的一种实现方式中，所述区域确定子模块，包括：

置信度计算子单元，用于计算所述目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度；

第二区域确定单元，用于通过预设的机器学习算法，从关联置信度大于第一预设阈值的所述目标嫌疑区域中确定目标交通信号灯区域。

在本申请的一种实现方式中，所述交通信号灯转换检测装置还包括：

图像确定模块，用于从当前时刻之前第二预设时段内所检测图像中，确定交通信号灯区域与所述目标交通信号灯区域之间关联置信度大于第二预设阈值的图像；

结果校验模块，用于依据所确定图像的针对交通信号灯转换的检测结果，对所述待检测图像的针对交通信号灯转换的检测结果进行校正。

由以上可见，本申请实施例中，行车记录设备获得待检测图像，并确定待检测图像中的目标交通信号灯区域后，获得交通信号的状态，并根据第一图像对应的交通信号灯的状态、待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，然后根据上述第一时间和第二时间检测是否发生了交通信号灯转换，在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。由以上可见，本申请实施例中不仅仅考虑了交通信号灯的状态，也就是灯光的颜色信息，还考虑的了交通信号灯处于当前状态的时间，从时间维度上减少了周围环境因素对检测结果的影响，因此，提高了检测准确度，进而提高了所生成的行车提醒信息的准确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的第一种智能车辆行车提醒方法的流程示意图；

图2为本申请实施例提供的第二种智能车辆行车提醒方法的流程示意图；

图3为本申请实施例提供的第一种智能车辆行车提醒装置的结构示意图；

图4为本申请实施例提供的第二种智能车辆行车提醒装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的第一种智能车辆行车提醒方法的流程示意图，该方法可以应用于车辆上安装的行车记录设备。

具体的，上述行车记录设备可以理解为：行车记录仪。

上述方法包括：

S101：获得待检测图像。

本步骤中，上述待检测图像可以理解为图像采集设备实时采集的、车辆前方场景对应的图像。上述图像采集设备位于车辆上，例如，可以位于车辆的前挡风玻璃上部中央位置，当然还可以位于车辆的其他位置，本申请并不对此进行限定。具体的，上述图像采集设备可以是车辆上安装的行车记录仪携带的图像采集设备，还可以是单独安装于车辆上的图像采集设备。

当然，上述待检测图像也可以是有条件采集的，例如，行车记录设备根据车辆导航信息，确定车辆当前位置与前方设置有交通信号灯的路口之间的距离，当该距离小于一定数值时，启动图像采集设备进行图像采集，进而获得上述待检测图像。

另外，在上述图像采集设备为行车记录仪携带的图像采集设备的情况下，本申请实施例的执行主体可以理解为：行车记录仪的MCU(Microcontroller Unit，微控制单元)。

S102：确定待检测图像中的目标交通信号灯区域。

由于交通信号灯具有特定的特征，例如，包括：红灯区域、黄灯区域、绿灯区域，且三区域按照固定的顺序横向或者纵向排列等等，所以，确定待检测图像中的目标交通信号灯区域时，可以结合交通信号灯的特征以及图像识别算法，确定待检测图像中的目标交通信号灯区域。

具体的，在确定待检测图像中的目标交通信号灯区域时，还可以考虑所检测到的区域的大小，如果所检测到的区域虽然符合交通信号灯的特征，但是区域过小，可以认为车辆当前距离设置有交通信号灯的路口较远，当车辆行驶至该路口时，交通信号灯的状态可能已经发生变化，所以，可以在这种情况下生成行车提醒信息，因而，可以不将上述区域作为待检测图像的目标交通信号灯区域。

可以理解的，行车场景中往往存在复杂、多样化的信息，尤其是夜间行车，行车场景中灯光信息更加丰富，例如，周围车辆的车灯信息、周围建筑物上的装饰灯信息、广告牌匾上的灯光信息等等，从一定拍摄角度来看，这些信息中可能会存在与交通信号灯类似的信息。鉴于此，在本申请的一种实现方式中，确定待检测图像中的目标交通信号灯区域时，可以先获得待检测图像中交通信号灯的目标嫌疑区域，然后通过预设的机器学习算法从目标嫌疑区域中确定目标交通信号灯区域。

需要说明的是，所获得的待检测图像中的目标嫌疑区域可以是一个区域，也可以是多个区域，本申请并不对此进行限定。

另外，现有技术中存在多种机器学习算法，本领域内的技术人员可以根据已有知识获得，这里不再详述。

在本申请的一种实现方式中，获得待检测图像中交通信号灯的目标嫌疑区域时，可以先获得待检测图像中的连通区域，然后再根据上述连通区域的几何特征，获得待检测图像中交通信号灯的目标嫌疑区域。

可选的，获得待检测图像中交通信号灯的目标嫌疑区域可以通过BLOB聚类的方式获得，具体的，首先根据根据待检测图像中各个像素点的颜色信息，对待检测图像进行二值化处理，然后根据二值化处理结果对待检测图像中的各个像素点进行标记，得到连通区域。

连通区域的几何特征可以包括：区域的长宽比、区域的面积等等。由于交通信号灯种类有限，且其形状具有一定限制，所以其长宽比一般对应几个特殊的取值，又图像采集设备所采集的图像中对象物越小，也就是在图像中对象物的面积越小，说明对象物与车辆之间的距离越远，而当交通信号灯与车辆之间的距离较远时，交通信号灯的切换一般对行车影响不大，基于上述情况，可以结合连通区域的区域长宽比、区域面积等几何特征对二值化处理后得到的连通区域进行过滤，从而更加准确的得到待检测图像中交通信号灯的目标嫌疑区域。

例如，二值化处理后得到的一个连通区域的区域长宽比为10：1，根据交通信号灯的设计规则，该长宽比显然不符合交通信号灯的设计要求，所以在确定目标嫌疑区域时，可以将该连通区域排除在外。

另一方面来讲，图像采集设备是实时进行图像采集的，按照采集时间的前后顺序，各个图像之间具有较强的相关性，各个图像所对应的场景也是相似的。基于此，在本申请的另一种实现方式中，通过预设的机器学习算法从目标嫌疑区域中确定目标交通信号灯区域时，可以先计算目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度，然后通过预设的机器学习算法，从关联置信度大于第一预设阈值的目标嫌疑区域中确定目标交通信号灯区域。计算目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度，获得每一帧的关联结果，进而获得信号灯运动轨迹。其中，上述关联置信度大于第一预设阈值时，可以认为关联成功。

可以理解为车辆具有两种状态：静止状态和运动状态，而运动状态又可以划分为慢速运动状态和快速运动状态等等；交通信号灯只具有一种状态：静止状态。不管车辆处于哪种状态，车辆的状态与交通信号灯相对于车辆的状态是相互匹配的。

例如，车辆处于静止状态，由于交通信号灯是静止的，则交通信号灯相对于车辆的状态为静止状态，交通信号灯与车辆之间的距离不变；

车辆处于运动状态，由于交通信号灯是静止的，则交通信号灯相对于车辆的状态为运动状态，且是向着车辆方向运动的，交通信号灯与车辆之间的距离越来越近。

在本申请的一种实现方式中，通过预设的机器学习算法从目标嫌疑区域中确定目标交通信号灯区域时，可以先获得当前车辆的状态，并获得目标嫌疑区域与当前车辆之间的相对状态，根据当前车辆的状态以及上述相对状态，对目标嫌疑区域进行过滤处理，然后通过预设的机器学习算法从过滤处理后的目标嫌疑区域中确定目标交通信号灯区域。

一种情况：假设，所获得的当前车辆的状态为静止状态，所获得的目标嫌疑区域与当前车辆之间的相对状态为向车辆方向运动的状态，则可以认为当前车辆的状态与目标嫌疑区域相对于当前车辆之间的相对状态不匹配，可以过滤掉该目标嫌疑区域。

另一种情况：假设，所获得的当前车辆的状态为运动状态，所获得的目标嫌疑区域与当前车辆之间的相对状态为向车辆方向运动的状态，则可以认为当前车辆的状态与目标嫌疑区域相对于当前车辆之间的相对状态匹配，可以不过滤掉该目标嫌疑区域。

另一种情况：假设，所获得的当前车辆的状态为静止状态，所获得的目标嫌疑区域与当前车辆之间的相对状态为静止状态，则可以认为当前车辆的状态与目标嫌疑区域相对于当前车辆之间的相对状态匹配，可以不过滤掉该目标嫌疑区域。

需要说明的是，本申请只是以上述几种情况为例进行说明，实际应用中并不仅限于上述几种情况。

S103：获得目标交通信号灯区域中交通信号灯的状态。

交通信号灯所包含灯的颜色不同，交通信号灯的状态也所有差别。

例如，交通信号灯仅仅包含红灯和绿灯，则交通信号灯的状态可以有：红灯亮起状态、红灯熄灭状态、绿灯亮起状态、绿灯熄灭状态；

交通信号灯包含红灯、黄灯、绿灯，则交通信号灯的状态可以有：红灯亮起状态、红灯熄灭状态、黄灯亮起状态、黄灯熄灭状态、绿灯亮起状态、绿灯熄灭状态。

具体的，获得目标交通信号灯区域中交通信号灯的状态时，可以通过分析目标交通信号灯区域中像素点的颜色值获得。

S104：根据第一图像对应的交通信号灯的状态、以及待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间。

其中，第一图像为：采集时刻位于所述待检测图像的采集时刻之前、且与所述待检测图像相邻的图像。

图像采集设备所采集的图像可以携带有时间戳信息，在对当前图像之前的图像进行检测时，已经获得了各个图像中交通信号灯的状态，因此，可以根据已检测过图像中交通信号灯的状态、时间戳以及当前图像的时间戳，获得红灯处于当前状态的时间以及绿灯处于当前状态的时间。

可选的，上述当前图像之前的图像可以仅仅选择当前时刻前一定时长内所采集的图像，例如，60秒等等，因为交通信号灯是不断变化的，选择一定时长内的图像作为参考获得红灯处于当前状态的时间以及绿灯处于当前状态的时间，有助于提高所获得时间的有效性。

另外，在对每一张图像进行检测时，若检测到交通信号灯发生了转变，可以针对交通信号灯转变后的状态记录当前图像的时间戳，以便于后期进行时间计算。

例如，红灯从前一帧的熄灭状态转换为亮起状态，则可以将当前图像作为红灯亮起的第一帧，记录当前图像的时间戳，也就是红灯亮起的时间，当后期还需要获得红灯处于亮起状态的时间时，可以根据检测时刻图像的时间戳与上述所记录的时间戳的差值得到，这样可以方便后期计算红灯处于亮起状态的时间。

同理，还可以记录红灯熄灭的时间、绿灯亮起的时间、绿灯熄灭的时间。

S105：根据第一时间和第二时间检测是否发生交通信号灯转换。

需要说明的是，交通信号灯转换可以包括：红灯熄灭绿灯亮起的转换，还可以包括：红灯亮起绿灯熄灭的转换，本申请并不对交通信号灯转换的具体类型进行限定。

对于仅仅包含红灯和绿灯的交通信号灯而言，红灯亮起则绿灯熄灭，红灯熄灭则绿灯亮起，正常情况下两者不会同时亮起，也不会同时熄灭，因此，理想状态下，红灯处于亮起状态的时间和绿灯处于熄灭状态的时间相等，或者说，红灯处于熄灭状态的时间与绿灯处于亮起状态的时间相等。综合以上，也就是说，理想状态下红灯处于当前状态的时间和绿灯处于当前状态的时间相等。

而对于包含红灯、黄灯和绿灯的交通信号灯而言，红灯和绿灯的转换之间会有黄灯的亮起、黄灯的熄灭，所以红灯处于当前状态的时间和绿灯处于当前状态的时间会有一定间隔，也就是说，理想状态下红灯处于当前状态的时间和绿灯处于当前状态的时间不相等。

另外，受图像检测算法的准确度以及所采集图像质量等因素的影响，检测到红灯亮处于当前状态的时间或者绿灯处于当前状态的时间可能会存在误差，这样也可能会带来红灯处于当前状态的时间与绿灯处于当前状态的时间之间的间隔。

鉴于上述情况，可以通过红灯处于当前状态的时间以及绿灯处于当前状态的时间之间的数值关系来判断交通信号灯是否发生了转换。

再者，除了考虑上述的间隔之外，还可以考虑上述时间的大小，例如，红灯处于熄灭状态的时间为1秒，绿灯处于亮起状态的时间也为1秒，则可以认为红灯刚刚熄灭，绿灯刚刚亮起，因此，可以判定发生了红灯熄灭到绿灯亮起的转换。

从前面的描述中可以得知，待检测图像与当前时刻之前一定时长内采集的图像之间具有相关性，所以这些图像的针对交通信号灯转换的检测结果也是具有相关性的，基于此，在本申请的一种实现方式中，上述交通信号灯检测方法还可以包括：从当前时刻之前第二预设时段内所检测图像中，确定交通信号灯区域与目标交通信号灯区域之间关联置信度大于第二预设阈值的图像，依据所确定图像的针对交通信号灯转换的检测结果，对所述待检测图像的针对交通信号灯转换的检测结果进行校正。这样可以消除误判情况，大大提高交通信号灯检测的准确度。

需要说明的是，上述第二预设时段和第一预设时段的取值可以相等，也可以不相等，上述第二预设阈值和第一预设阈值可以相等，也可以不相等，本申请并不对此进行限定。

S106：在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。

上述行车提醒信息可以是声音提醒信息，例如，语音提醒信息或者蜂鸣提醒信息等等。

对于实际的交通路况，若当前交通信号灯发生了红灯熄灭到绿灯亮起的转换，则车辆可以正常通行了，为防止驾驶人员没有及时发现交通信号灯转换，造成交通拥堵，可以生成语音提醒信息，提示驾驶员；

若当前交通信号灯发生了红灯亮起到绿灯熄灭的转换，则车辆需停止通行，为防止驾驶人员没有及时发现交通信号灯转换，造成追尾、碰撞行人等交通事故，可以生成语音提醒信息，提示驾驶员。

可见生成准确的行车提醒信息，有助于减少交通事故发生，提高路面行车效率。

由以上可见，上述各个实施例中，行车记录设备获得待检测图像，并确定待检测图像中的目标交通信号灯区域后，获得交通信号的状态，并根据第一图像对应的交通信号灯的状态、待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，然后根据上述第一时间和第二时间检测是否发生了交通信号灯转换，在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。由以上可见，上述各个实施例中不仅仅考虑了交通信号灯的状态，也就是灯光的颜色信息，还考虑的了交通信号灯处于当前状态的时间，从时间维度上减少了周围环境因素对检测结果的影响，因此，提高了检测准确度，进而提高了所生成的行车提醒信息的准确度。

在本申请的一种实现方式中，参见图2，提供了第二种智能车辆行车提醒方法的流程示意图，与前述实施例相比，本实施例中，根据第一时间和第二时间检测是否发生交通信号灯转换(S105)，包括：

S105A：判断第一时间和第二时间是否满足预设的时间关系，若为是，执行S105B；

具体的，在红灯的当前状态为：熄灭状态，绿灯的当前状态为：亮起状态的情况下，可以通过以下方式判断第一时间和第二时间是否满足预设的时间关系：

判断第一时间和第二时间是否满足以下表达式：

t_{red_dark}-t_{grn_light}<T

若满足上述表达式，可以理解为第一时间和第二时间满足预设的时间关系。

上述表达式中，t_{red_dark}表示第一时间，也就是红灯处于熄灭状态的时间，t_{grn_light}表示第二时间，也就是绿灯处于亮起状态的时间，T表示预设的时间阈值，T的取值可以根据具体情况设定。

与上述情况类似，在红灯的当前状态为亮起状态，绿灯的当前状态为熄灭状态的情况，也可以根据与上述表达式类似的表达式进行判断。

具体的，判断第一时间和第二时间是否满足以下表达式：

T_{grn_dark}-t_{red_light}<T

其中，t_{red_light}表示第一时间，也就是红灯处于亮起状态的时间，T_{grn_dark}表示第二时间，也就是绿灯处于熄灭状态的时间。

S105B：获得目标交通信号灯区域中红灯的第一位置和绿灯的第二位置。

上述第一位置和上述第二位置可以是具有规则形状的区域，例如：矩形区域、圆形区域等等。

S105C：判断第一位置和第二位置是否满足预设的位置关系，若满足，判定发生交通信号灯转换，执行S106。

具体的，可以通过以下方式判断第一位置和第二位置是否满足预设的位置关系：

判断第一位置和第二位置是否满足以下关系式中的至少一个：

|x_red-x_grn|<D₁且|y_red-y_grn|<D₂

|x_red-x_grn|<D₂且|y_red-y_grn|<D₁

若满足上述表达式至少一个，可以理解为第一位置和第二位置满足预设的位置关系。

其中，x_red、y_red表示第一位置中心点的横坐标、纵坐标，也就是红灯所在区域的中心点坐标，x_grn、y_grn表示第二位置中心点的横坐标、纵坐标，也就是绿灯所在区域的中心点坐标，D₁表示第一预设位置阈值，D₂表示第二预设位置阈值。

可选的，上述D₁可以小于D₂。

对于红灯的当前状态为：熄灭状态，绿灯的当前状态为：亮起状态的情况，若上述第一时间、第二时间满足预设的时间关系，且上述第一位置、第二位置满足预设的位置关系，则可以判定发生了红灯熄灭到绿灯亮起的转换；

对于红灯的当前状态为：亮起状态，绿灯的当前状态为：熄灭状态的情况，若上述第一时间、第二时间满足预设的时间关系，且上述第一位置、第二位置满足预设的位置关系，则可以判定发生了红灯亮起到绿灯熄灭的转换。

由以上可见，本实施例中，在检测交通信号灯是否发生转换时，不仅考虑的交通信号灯的状态、交通信号灯处于当前状态的时间，还进一步考虑了交通信号灯的位置，由于按照交通信号灯的设计规则，交通信号灯中各种颜色的灯其相对位置是固定的，所以，应用本实施例提供的方案，可以从空间维度上减少周围环境因素对检测结果的影响，因此，能够进一步提高检测准确度。

与上述智能车辆行车提醒方法相对应，本申请实施例还提供了一种智能车辆行车提醒装置。

图3为本申请实施例提供的一种智能车辆行车提醒装置的结构示意图，应用于车辆中安装的行车记录设备，上述述装置包括：

图像获得模块301，用于获得待检测图像；

区域确定模块302，用于确定待检测图像中的目标交通信号灯区域；

状态获得模块303，用于获得所述目标交通信号灯区域中交通信号灯的状态；

时间获得模块304，用于根据第一图像对应的交通信号灯的状态、以及所述待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，其中，所述第一图像为：采集时刻位于所述待检测图像的采集时刻之前、且与所述待检测图像相邻的图像；

转换检测模块305，用于根据所述第一时间和所述第二时间检测是否发生交通信号灯转换；

提醒生成模块306，用于在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。

可选的，所述区域确定模块302可以包括：

嫌疑区域获得子模块，用于获得待检测图像中交通信号灯的目标嫌疑区域；

区域确定子模块，用于通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域。

可选的，所述嫌疑区域获得子模块可以包括：

连通区域获得单元，用于获得待检测图像中的连通区域；

嫌疑区域获得单元，用于根据所述连通区域的几何特征，获得所述待检测图像中交通信号灯的目标嫌疑区域。

可选的，所述区域确定子模块可以包括：

第一状态获得单元，用于获得当前车辆的状态；

第二状态获得单元，用于获得所述目标嫌疑区域与当前车辆之间的相对状态；

区域过滤单元，用于根据当前车辆的状态以及所述相对状态，对所述目标嫌疑区域进行过滤处理；

第一区域确定单元，用于通过预设的机器学习算法从过滤处理后的所述目标嫌疑区域中确定交通信号灯区域。

可选的，所述区域确定子模块，包括：

置信度计算子单元，用于计算所述目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度；

第二区域确定单元，用于通过预设的机器学习算法，从关联置信度大于第一预设阈值的所述目标嫌疑区域中确定目标交通信号灯区域。

可选的，所述交通信号灯转换检测装置还可以包括：

图像确定模块，用于从当前时刻之前第二预设时段内所检测图像中，确定交通信号灯区域与所述目标交通信号灯区域之间关联置信度大于第二预设阈值的图像；

结果校验模块，用于依据所确定图像的针对交通信号灯转换的检测结果，对所述待检测图像的针对交通信号灯转换的检测结果进行校正。

由以上可见，上述各个实施例中，行车记录设备获得待检测图像，并确定待检测图像中的目标交通信号灯区域后，获得交通信号的状态，并根据第一图像对应的交通信号灯的状态、待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，然后根据上述第一时间和第二时间检测是否发生了交通信号灯转换，在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息。由以上可见，上述各个实施例中不仅仅考虑了交通信号灯的状态，也就是灯光的颜色信息，还考虑的了交通信号灯处于当前状态的时间，从时间维度上减少了周围环境因素对检测结果的影响，因此，提高了检测准确度，进而提高了所生成的行车提醒信息的准确度。

在本申请的一种实现方式中，参见图4，提供了第二种智能车辆行车提醒装置的结构示意图，其中，所述转换检测模块305包括：

时间判断子模块305A，用于判断所述第一时间和所述第二时间是否满足预设的时间关系；

位置获得子模块305B，用于在所述时间判断子模块404A的判断结果为是的情况下，获得所述目标交通信号灯区域中红灯的第一位置和绿灯的第二位置；

位置判断子模块305C，用于判断所述第一位置和所述第二位置是否满足预设的位置关系；

转换判定子模块305D，用于在所述位置判断子模块404C的判定结果为是的情况下，判定发生交通信号灯转换。

可选的，在所述红灯的当前状态为：熄灭状态，所述绿灯的当前状态为：亮起状态的情况下，所述时间判断子模块，具体用于判断所述第一时间和所述第二时间是否满足以下表达式：

t_{red_dark}-t_{grn_light}<T

其中，t_{red_dark}表示所述第一时间，t_{grn_light}表示所述第二时间，T表示预设的时间阈值。

可选的，所述位置判断子模块，具体用于判断所述第一位置和所述第二位置是否满足以下关系式中的至少一个：

|x_red-x_grn|<D₁且|y_red-y_grn|<D₂

|x_red-x_grn|<D₂且|y_red-y_grn|<D₁

其中，x_red、y_red表示所述第一位置中心点的横坐标、纵坐标，x_grn、y_grn表示所述第二位置中心点的横坐标、纵坐标，D₁表示第一预设位置阈值，D₂表示第二预设位置阈值。

由以上可见，本实施例中，在检测交通信号灯是否发生转换时，不仅考虑的交通信号灯的状态、交通信号灯处于当前状态的时间，还进一步考虑了交通信号灯的位置，由于按照交通信号灯的设计规则，交通信号灯中各种颜色的灯其相对位置是固定的，所以，应用本实施例提供的方案，可以从空间维度上减少周围环境因素对检测结果的影响，因此，能够进一步提高检测准确度。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (8)

1.一种智能车辆行车提醒方法，其特征在于，所述方法包括：

获得实时采集的待检测图像；

获得所述待检测图像中交通信号灯的目标嫌疑区域；

通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域；

获得所述目标交通信号灯区域中交通信号灯的状态；

根据第一图像对应的交通信号灯的状态、以及所述待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，其中，所述第一图像为：采集时刻位于所述待检测图像的采集时刻之前、且与所述待检测图像相邻的图像；

根据所述第一时间和所述第二时间检测是否发生交通信号灯转换；

在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息；

所述根据所述第一时间和所述第二时间检测是否发生交通信号灯转换，包括：

判断所述第一时间和所述第二时间是否满足预设的时间关系；

若为是，获得所述目标交通信号灯区域中红灯的第一位置和绿灯的第二位置；

判断所述第一位置和所述第二位置是否满足预设的位置关系；

若满足，判定发生交通信号灯转换；

其中，在所述红灯的当前状态为：熄灭状态，所述绿灯的当前状态为：亮起状态的情况下，所述判断所述第一时间和所述第二时间是否满足预设的时间关系，包括：

判断所述第一时间和所述第二时间是否满足以下表达式：

t_{red_dark}-t_{grn_light}<T

其中，t_{red_dark}表示所述第一时间，t_{grn_light}表示所述第二时间，T表示预设的时间阈值；

其中，通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域，包括：获得当前车辆的状态，并获得所述目标嫌疑区域与当前车辆之间的相对状态，根据当前车辆的状态以及所述相对状态，对所述目标嫌疑区域进行过滤处理，通过预设的机器学习算法从过滤处理后的所述目标嫌疑区域中确定目标交通信号灯区域；或者，计算所述目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度，通过预设的机器学习算法，从关联置信度大于第一预设阈值的所述目标嫌疑区域中确定目标交通信号灯区域。

2.根据权利要求1所述的方法，其特征在于，所述判断所述第一位置和所述第二位置是否满足预设的位置关系，包括：

判断所述第一位置和所述第二位置是否满足以下关系式中的至少一个：

|x_red-x_grn|<D₁且|y_red-y_grn|<D₂

|x_red-x_grn|<D₂且|y_red-y_grn|<D₁

其中，x_red、y_red表示所述第一位置中心点的横坐标、纵坐标，x_grn、y_grn表示所述第二位置中心点的横坐标、纵坐标，D₁表示第一预设位置阈值，D₂表示第二预设位置阈值。

3.根据权利要求1所述的方法，其特征在于，所述获得所述待检测图像中交通信号灯的目标嫌疑区域，包括：

获得所述待检测图像中的连通区域；

根据所述连通区域的几何特征，获得所述待检测图像中交通信号灯的目标嫌疑区域。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从当前时刻之前第二预设时段内所检测图像中，确定交通信号灯区域与所述目标交通信号灯区域之间关联置信度大于第二预设阈值的图像；

依据所确定图像的针对交通信号灯转换的检测结果，对所述待检测图像的针对交通信号灯转换的检测结果进行校正。

5.一种智能车辆行车提醒装置，其特征在于，所述装置包括：

图像获得模块，用于获得实时采集的待检测图像；

区域确定模块，包括：嫌疑区域获得子模块，用于获得所述待检测图像中交通信号灯的目标嫌疑区域；区域确定子模块，用于通过预设的机器学习算法从所述目标嫌疑区域中确定目标交通信号灯区域；

状态获得模块，用于获得所述目标交通信号灯区域中交通信号灯的状态；

时间获得模块，用于根据第一图像对应的交通信号灯的状态、以及所述待检测图像对应的交通信号灯的状态，获得红灯处于当前状态的第一时间和绿灯处于当前状态的第二时间，其中，所述第一图像为：采集时刻位于所述待检测图像的采集时刻之前、且与所述待检测图像相邻的图像；

转换检测模块，用于根据所述第一时间和所述第二时间检测是否发生交通信号灯转换；

提醒生成模块，用于在检测结果显示发生交通信号灯转换的情况下，生成行车提醒信息；

所述转换检测模块，包括：

时间判断子模块，用于判断所述第一时间和所述第二时间是否满足预设的时间关系；

位置获得子模块，用于在所述时间判断子模块的判断结果为是的情况下，获得所述目标交通信号灯区域中红灯的第一位置和绿灯的第二位置；

位置判断子模块，用于判断所述第一位置和所述第二位置是否满足预设的位置关系；

转换判定子模块，用于在所述位置判断子模块的判定结果为是的情况下，判定发生交通信号灯转换；

其中，在所述红灯的当前状态为：熄灭状态，所述绿灯的当前状态为：亮起状态的情况下，所述时间判断子模块，具体用于判断所述第一时间和所述第二时间是否满足以下表达式：

t_{red_dark}-t_{grn_light}<T

其中，t_{red_dark}表示所述第一时间，t_{grn_light}表示所述第二时间，T表示预设的时间阈值；

其中，所述区域确定子模块，包括：第一状态获得单元，用于获得当前车辆的状态；第二状态获得单元，用于获得所述目标嫌疑区域与当前车辆之间的相对状态；区域过滤单元，用于根据当前车辆的状态以及所述相对状态，对所述目标嫌疑区域进行过滤处理；第一区域确定单元，用于通过预设的机器学习算法从过滤处理后的所述目标嫌疑区域中确定目标交通信号灯区域；

或者，所述区域确定子模块，包括：置信度计算子单元，用于计算所述目标嫌疑区域分别与当前时刻之前第一预设时段内所检测图像中嫌疑区域之间的关联置信度；第二区域确定单元，用于通过预设的机器学习算法，从关联置信度大于第一预设阈值的所述目标嫌疑区域中确定目标交通信号灯区域。

6.根据权利要求5所述的装置，其特征在于，所述位置判断子模块，具体用于判断所述第一位置和所述第二位置是否满足以下关系式中的至少一个：

|x_red-x_grn|<D₁且|y_red-y_grn|<D₂

|x_red-x_grn|<D₂且|y_red-y_grn|<D₁

其中，x_red、y_red表示所述第一位置中心点的横坐标、纵坐标，x_grn、y_grn表示所述第二位置中心点的横坐标、纵坐标，D₁表示第一预设位置阈值，D₂表示第二预设位置阈值。

7.根据权利要求5所述的装置，其特征在于，所述嫌疑区域获得子模块，包括：

连通区域获得单元，用于获得所述待检测图像中的连通区域；

嫌疑区域获得单元，用于根据所述连通区域的几何特征，获得所述待检测图像中交通信号灯的目标嫌疑区域。

8.根据权利要求5所述的装置，其特征在于，所述装置还包括：

图像确定模块，用于从当前时刻之前第二预设时段内所检测图像中，确定交通信号灯区域与所述目标交通信号灯区域之间关联置信度大于第二预设阈值的图像；

结果校验模块，用于依据所确定图像的针对交通信号灯转换的检测结果，对所述待检测图像的针对交通信号灯转换的检测结果进行校正。

Images