CN110992725A - 用于检测交通信号灯故障的方法、***及存储介质 - Google Patents

用于检测交通信号灯故障的方法、***及存储介质 Download PDF

Info

Publication number
CN110992725A
CN110992725A CN201911015630.5A CN201911015630A CN110992725A CN 110992725 A CN110992725 A CN 110992725A CN 201911015630 A CN201911015630 A CN 201911015630A CN 110992725 A CN110992725 A CN 110992725A
Authority
CN
China
Prior art keywords
image
traffic signal
signal lamp
coordinates
picture
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.)
Granted
Application number
CN201911015630.5A
Other languages
English (en)
Other versions
CN110992725B (zh
Inventor
刘谱
王强
王辰昊
潘苗苗
陈程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Xuntu Information Technology Co Ltd
Original Assignee
Hefei Xuntu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Xuntu Information Technology Co Ltd filed Critical Hefei Xuntu Information Technology Co Ltd
Priority to CN201911015630.5A priority Critical patent/CN110992725B/zh
Publication of CN110992725A publication Critical patent/CN110992725A/zh
Application granted granted Critical
Publication of CN110992725B publication Critical patent/CN110992725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施方式提供一种用于检测交通信号灯故障的方法、***及存储介质，属于图像识别技术领域。所述方法包括：获取交通信号灯的图片；分别按照红色区间、黄色区间和绿色区间的范围对所述图片进行二值化操作以得到对应的灰度图；分别计算每个所述灰度图中的白色轮廓连通区域的像素面积；分别计算所述像素面积占对应的所述灰度图的面积的比例；基于所述比例确定所述信号灯的具体状态；根据所述具体状态确定所述信号灯的故障类型。该方法、***及存储介质能够直接通过交管***抓拍的路口的照片来确定该路口的交通信号灯是否发生故障，降低了实现交通信号灯自检的成本。

Description

用于检测交通信号灯故障的方法、***及存储介质
技术领域
本发明涉及图像识别技术领域，具体地涉及一种用于检测交通信号灯故障的方法、***及存储介质。
背景技术
交通信号灯即红、黄、绿灯是非常常见的信号灯，随着城市道路建设以及机动车辆数量的增加，道路交通问题日益成为社会关注的焦点问题。交通信号灯通常直接安装在交通路口，由于长期工作以及受自然环境的影响，故障概率较大，因此，交通信号灯在出现故障时，需要相关人员需要及时获知故障信息，并对故障信号灯所在路口采取安全措施和及时修复，避免交通路口出现交通堵塞以及安全事故。
交通信号灯由LED发光二极管材料制作而做成的，是用于指挥交通运行的信号灯。它由道路交通信号控制机控制，是交通安全产品中的一个类别，适用于十字、丁字等交叉路口。交通信号灯是为了加强道路交通管理，减少交通事故的发生，提高道路使用效率，改善交通状况的一种重要工具。
交通信号灯一般主要分为机动车信号灯，非机动车信号灯，方向指示信号灯及其它信号灯等。机动车信号灯由红色、黄色、绿色三个几何位置分立的无图案圆形单元组成；非机动车信号灯由红色、黄色、绿色三个几何位置分立的内有自行车图案的圆形单元组成；方向指示信号灯由红色、黄色、绿色三个几何位置分立的内有同向箭头图案的圆形单元组成，其中这三种类型根据国标主要以灯组形式存在，即一个信号灯灯组由红灯盘、黄灯盘、绿灯盘三个灯盘组成，它们通过红黄绿三种灯色指导着车辆和行人安全有序地通行。
目前，检测交通信号灯故障的方法有：①自检功能，通过信号灯两端的电压电流信息分析信号灯的故障，将信号灯两端220V交流电转化为TTL电平信号，并传输到监控室由人来判断其故障状态。②通过安装终端设备作为信号灯的辅助设备来判断信号灯是否产生故障。③人工巡检，设备运维人员每天到信号灯安装点巡查它的工作状态。
但是，通过上述方法来实现检测交通信号灯始终需要投入很高的成本去布置线路及设备，尤其是在城市中交通信号灯数量众多的背景下，这一弊端尤为明显。
发明内容
本发明实施方式的目的是提供一种用于检测交通信号灯故障的方法、***及存储介质。该方法、***及存储介质能够直接通过交管***抓拍的路口的照片来确定该路口的交通信号灯是否发生故障，降低了实现交通信号灯自检的成本。
为了实现上述目的，本发明实施方式提供一种用于检测交通信号灯故障的方法，所述方法包括：
获取交通信号灯的图片；
分别按照红色区间、黄色区间和绿色区间的范围对所述图片进行二值化操作以得到对应的灰度图；
分别计算每个所述灰度图中的白色轮廓连通区域的像素面积；
分别计算所述像素面积占对应的所述灰度图的面积的比例；
基于所述比例确定所述信号灯的具体状态；
根据所述具体状态确定所述信号灯的故障类型。
可选地，所述获取交通信号灯的图片包括：
计算所述图片中交通信号灯的理论位置与实际位置的偏移量；
判断所述偏移量是否大于预设的偏移量阈值；
在判断所述偏移量大于所述偏移量阈值的情况下，对所述图片进行纠偏操作。
可选地，所述计算所述图片中交通信号灯的理论位置与实际位置的偏移量包括：
确定图片中所述交通信号灯的至少一部分所在的区域；
根据所述至少一部分所在的区域确定纠偏范围；
采用训练好的卷积神经网络基于所述纠偏范围在待纠偏的图片中寻找所述至少一部分的所在区域；
根据所述所在区域确定所述交通信号灯的偏移量。
可选地，所述至少一部分所在的区域为矩形，所述根据所述至少一部分所在的区域确定纠偏范围包括：
根据公式(1)至公式(4)确定所述纠偏范围，
X1＝x1-len， (1)
Y1＝y1-len， (2)
X2＝x2+len， (3)
Y2＝y2+len， (4)
其中，(x1，y1)为所述至少一部分所在的区域的左上角的坐标，(x2，y2)为所述至少一部分所在的区域的右下角的坐标，(X1，Y1)为所述纠偏范围的左上角的坐标，(X2，Y2)为所述纠偏范围的右下角的坐标，len为根据公式(5)计算的纠偏长度值，
len＝min(width，heigh)， (5)
其中，width为所述至少一部分所在的区域的长度，heigh为所述至少一部分所在的区域的高度。
可选地，所述方法进一步包括训练初始的卷积神经网络以得到所述训练好的卷积神经网络；
所述训练初始的卷积神经网络以得到所述训练好的卷积神经网络包括：
获取设备抓拍的所述交通信号灯的图像，标定所述图像中交通信号灯所在的位置以及当前状态；
根据所述位置对所述图像进行切图操作以得到用于训练所述卷积神经网络的训练集和测试集；
将所述训练集输入所述卷积神经网络中以对所述卷积神经网络进行调参；
采用测试集测试所述卷积神经网络直到所述卷积神经网络满足精度要求。
可选地，所述当前状态包括信号灯状态和外界因素，所述信号灯状态包括红灯亮、绿灯亮、黄灯亮、全熄灭以及全点亮，所述外界因素包括阳光反光、物体遮挡、亮灯单元偏色以及灯色光晕；
所述根据所述位置对所述图像进行切图操作以得到用于训练所述卷积神经网络的训练集和测试集包括：
标注每张所述图像中的所述交通信号灯的区域；
根据公式(6)至公式(9)对所述图像进行第一切图操作以得到第一数据集，
X11＝xmin-len1， (6)
Y11＝ymin-len1， (7)
X12＝xmax+len1， (8)
Y12＝ymax+len1， (9)
其中，(X11，Y11)为执行第一切图操作后的切图区域的左上角的坐标， (xmin，ymin)为所述图像中的所述交通信号灯的区域的左上角的坐标， (X12，Y12)为执行第一切图操作后的切图区域的右下角的坐标，(xmax，ymax) 为所述图像中的所述交通信号灯的区域的右下角的坐标，len1为采用公式 (10)计算的第一切图尺寸，
len1＝min(|xmax-xmin|，|ymax，ymin|)， (10)；
根据公式(11)至公式(14)对所述图像进行第二切图操作以得到第二数据集，
X21＝xmin-len2， (11)
Y21＝ymin-len2， (12)
X22＝xmax+len2， (13)
Y22＝ymax+len2， (14)
其中，(X21，Y21)为执行第二切图操作后的切图区域的左上角的坐标， (xmin，ymin)为所述图像中的所述交通信号灯的区域的左上角的坐标， (X22，Y22)为执行第二切图操作后的切图区域的右下角的坐标，(xmax，ymax) 为所述图像中的所述交通信号灯的区域的右下角的坐标，len2为采用公式 (15)计算的第一切图尺寸，
len2＝min(|xmax-xmin|，|ymax，ymin|)*2， (15)；
根据公式(16)至公式(19)对所述图像进行第三切图操作以得到第三数据集，
X31＝xmin-len3， (16)
Y31＝ymin-len3， (17)
X32＝xmax+len3， (18)
Y32＝ymax+len3， (19)
其中，(X31，Y31)为执行第三切图操作后的切图区域的左上角的坐标， (xmin，ymin)为所述图像中的所述交通信号灯的区域的左上角的坐标， (X32，Y32)为执行第三切图操作后的切图区域的右下角的坐标，(xmax，ymax) 为所述图像中的所述交通信号灯的区域的右下角的坐标，len3为采用公式(20)计算的第一切图尺寸，
len3＝min(|xmax-xmin|，|ymax，ymin|)*3， (20)；
集成所述第一数据集、所述第二数据集以及所述第三数据集以得到用于训练所述卷积神经网络的数据集；
将所述数据集分割以得到所述训练集和所述测试集。
可选地，所述采用训练好的卷积神经网络基于所述纠偏范围在待纠偏的图片中寻找所述至少一部分的所在区域包括：
针对所述纠偏范围对所述待纠偏的图片进行抠图操作，记录抠图后的图像在抠图前的图像中的坐标(startX，startY)；
采用训练好的卷积神经网络确定所述交通信号灯的至少一部分在抠图后的所述图像中的所在区域{(xmin0，ymin0)，(xmax0，ymax0)}；
所述根据所述所在区域确定所述交通信号灯的偏移量包括：
根据公式(21)和公式(22)计算所述至少一部分的中心点的坐标，
X0c＝(xmax0-xmin0)/2， (21)
Y0c＝(ymax0-ymin0)/2， (22)
其中，(X0c，Y0c)为所述至少一部分的中心点的坐标，(xmin0，ymin0)为至少一部分在抠图后的所述图像中的所在区域的左上角的坐标， (xmax0，ymax0)为所述至少一部分在抠图后的所述图像中的所在区域的右下角的坐标；
根据公式(23)和公式(24)确定中心点的坐标(X0c，Y0c)在抠图前的图像中的坐标，
Xc＝X0c+startX， (23)
Yc＝Y0c+startY， (24)
其中，(Xc，Yc)为中心点的坐标(X0c，Y0c)在抠图前的图像中的坐标， (X0c，Y0c)为所述至少一部分的中心点的坐标，(startX，startY)为抠图后的图像在抠图前的图像中的坐标；
根据公式(25)和公式(26)计算所述样本图片中的所述至少一部分的中心点的坐标，
x0＝(x2-x1)/2， (25)
y0＝(y2-y1)/2， (26)
其中，(x0,y0)为所述样本图片中的所述至少一部分的中心点的坐标， (x1,y1)为所述样本图片中所述至少一部分所在的区域的左上角的坐标， (x2,y2)为所述样本图片中所述至少一部分所在的区域的右下角的坐标；
根据所述样本图片中的所述至少一部分的中心点的坐标和所述待纠偏的图片中的所述至少一部分的中心点的坐标计算所述交通信号灯的偏移量。
可选地，所述方法进一步包括：
获取所述图片中ROI区域的灰度图，采用大津法对所述灰度图进行二值化操作以得到对应的多张二值图；
分别计算至少两张所述二值图中的白色亮度连通区域的面积在对应的二值图中的占比；
分别判断每个所述占比是否大于预设的占比阈值；
在判断每个所述占比均大于所述占比阈值的情况下，确定所述图片为曝光状态；
在判断任一占比小于或等于所述占比阈值的情况下，确定所述图片为非曝光状态。
另一方面，本发明还提供一种用于检测交通信号灯故障的***，所述***包括处理器，所述处理器用于执行如上述任一所述的方法。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的用于检测交通信号灯故障的方法、***及存储介质通过对交管***抓拍的照片进行识别，判断该路口的交通信号灯是否发生故障，解决了现有技术中因依赖铺设线路、安装设备的方式来实现交通信号灯自检而导致的大成本投入的技术问题，降低了交管***的建设及维护成本。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的用于检测交通信号灯的方法的流程图；
图2是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图；
图3是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图；
图4是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图；
图5是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图；
图6是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图；
图7是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图；以及
图8是根据本发明的一个实施方式的用于检测交通信号灯的方法的部分流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的用于检测交通信号灯的方法的流程图。在图1中，该方法可以包括：
在步骤S10中，获取交通信号灯的图片。在该实施方式中，该交通信号灯的图片可以是交管***抓拍的路口的图片(照片)。在现有技术中，交管***每天都会在路口自动拍摄大量图片。因此，在本发明提供的方法中，获取该图片的方式只需要接入交管***下载图片即可，完全不需要去现场铺设任何线路或设备，从而降低了实现交通信号灯自检的成本。
但是，由于交管***的摄像头往往会因为光线、设备的外在因素导致实际拍摄到的图片存在交通信号灯的位置偏移、曝光过度等问题。因此，在该实施方式中，该按步骤S10可以进一步包括如图2中所示出的至少一部分步骤。在图2中，该步骤S10可以包括：
在步骤S101中，计算图片中交通信号灯的理论位置与实际位置的偏移量。其中，该理论位置可以是预先设定的交通信号灯在图片中的位置。具体地，计算该偏移量的方法可以包括如图3所示的至少一部分步骤。在图3中，该步骤S101可以包括：
在步骤S1011中，确定图片中交通信号灯的至少一部分所在的区域。在该实施方式中，以该交通信号灯为三单元灯组为例，该至少一部分可以为其中的至少一个单元灯组。由于在现有技术中没有综合考虑到交通信号灯自身的信号灯状态和影响图片清晰度的外界因素，从而导致了在采用神经网络 (卷积神经网络)对交通信号灯进行识别时错误率高的问题出现。但是，如果采用神经网络同时结合该信号灯状态和外界因素来对交通信号灯进行识别，这虽然会提高识别的准确度，但同时也会大大增加神经网络算法整体的复杂度，现在技术中交管***的设备显然难以满足这一要求。因此，在该实施方式中，可以采用样本图片中交通信号灯的至少一部分来作为识别交通信号灯的依据，这样就使得本发明提供的方法在通过同时综合信号灯状态和外界因素来提高识别准确率的同时，又降低了整体算法的复杂度，从而使得现有技术中交管***的设备能够负载本发明提供的方法。
在步骤S1012中，根据至少一部分所在的区域确定纠偏范围。对于确定该纠偏范围的具体方法，可以是本领域人员所知的多种形式。在本发明的一个示例中，考虑到在设备(交管***的摄像头)没有被损坏或者人为移动的情况下，交通信号灯在现场多数为固定状态，可能存在的偏移量会很小，并且该纠偏范围过大也会导致神经网络在识别时***负载的过高。确定该纠偏范围的方式可以是例如根据公式(1)至公式(4)确定该纠偏范围，
X1＝x1-len， (1)
Y1＝y1-len， (2)
X2＝x2+len， (3)
Y2＝y2+len， (4)
其中，(x1，y1)为至少一部分所在的区域的左上角的坐标，(x2，y2)为至少一部分所在的区域的右下角的坐标，(X1，Y1)为纠偏范围的左上角的坐标， (X2，Y2)为纠偏范围的右下角的坐标，len为根据公式(5)计算的纠偏长度值，
len＝min(width，heigh)， (5)
其中，width为至少一部分所在的区域的长度，heigh为至少一部分所在的区域的高度。
在步骤S1013中，采用训练好的卷积神经网络基于纠偏范围在待纠偏的图片中寻找该至少一部分的所在区域。在该实施方式中，由于采用的是训练好的卷积神经网络，那么在该步骤S1013中，也可以包括“训练初始的卷积神经网络以得到该训练好的卷积神经网络”的步骤。具体地，训练该卷积神经网络的过程可以是如图4所示出的至少一部分步骤。在图4中，该方法可以包括：
在步骤S10131中，获取设备抓拍的交通信号灯的图像，标定图像中交通信号灯所在的位置以及当前状态。对于该当前状态，可以包括表示信号灯自身状态的信号灯状态和可能影响该图像的清晰度的交通信号灯的外界因素。其中，该信号灯状态可以包括红灯亮、绿灯亮、黄灯亮、全熄灭以及全点亮。该外界因素可以包括阳光反光、物体遮挡、亮灯单元偏色以及灯色光晕。
在步骤S10132中，根据图像中交通信号灯的位置对该图像进行切图操作以得到用于训练卷积神经网络的训练集和测试集。对于得到该训练集和测试集的具体方式，可以是本领域人员所知的多种形式。在本发明的一个示例中，为了减少算法的复杂度，提高算法的效率，得到该训练集和测试集的方式可以是如图5所示的至少一部分步骤。在图5中，该方法可以包括：
在步骤S101321中，标注每张图像(图片)中的交通信号灯的区域。
在步骤S101322中，根据公式(6)至公式(9)对图像进行第一切图操作以得到第一数据集，
X11＝xmin-len1， (6)
Y11＝ymin-len1， (7)
X12＝xmax+len1， (8)
Y12＝ymax+len1， (9)
其中，(X11，Y11)为执行第一切图操作后的切图区域的左上角的坐标， (xmin，ymin)为图像中的交通信号灯的区域的左上角的坐标，(X12，Y12)为执行第一切图操作后的切图区域的右下角的坐标，(xmax，ymax)为图像中的交通信号灯的区域的右下角的坐标，len1为采用公式(10)计算的第一切图尺寸，
len1＝min(|xmax-xmin|，|ymax，ymin|)， (10)；
在步骤S101323中，根据公式(11)至公式(14)对图像进行第二切图操作以得到第二数据集，
X21＝xmin-len2， (11)
Y21＝ymin-len2， (12)
X22＝xmax+len2， (13)
Y22＝ymax+len2， (14)
其中，(X21，Y21)为执行第二切图操作后的切图区域的左上角的坐标， (xmin，ymin)为图像中的交通信号灯的区域的左上角的坐标，(X22，Y22)为执行第二切图操作后的切图区域的右下角的坐标，(xmax，ymax)为图像中的交通信号灯的区域的右下角的坐标，len2为采用公式(15)计算的第一切图尺寸，
len2＝min(|xmax-xmin|，|ymax，ymin|)*2， (15)；
在步骤S101324中，根据公式(16)至公式(19)对图像进行第三切图操作以得到第三数据集，
X31＝xmin-len3， (16)
Y31＝ymin-len3， (17)
X32＝xmax+len3， (18)
Y32＝ymax+len3， (19)
其中，(X31，Y31)为执行第三切图操作后的切图区域的左上角的坐标， (xmin，ymin)为图像中的交通信号灯的区域的左上角的坐标，(X32，Y32)为执行第三切图操作后的切图区域的右下角的坐标，(xmax，ymax)为图像中的交通信号灯的区域的右下角的坐标，len3为采用公式(20)计算的第一切图尺寸，
len3＝min(|xmax-xmin|，|ymax，ymin|)*3， (20)；
在步骤S101325中，集成第一数据集、第二数据集以及第三数据集以得到用于训练卷积神经网络的数据集。另外，步骤S101322至步骤S101324中示出的切图操作仅限于补充和解释本发明的内容。在本发明的同一技术构思下，该切图操作可以是不限于3次，即在执行第一切图操作、第二切图操作和第三切图操作后，还可以进一步执行与该第一切图操作、第二切图操作和第三切图操作类似的第四切图操作等，该第四切图操作等的具体内容本领域人员可以根据该第一切图操作、第二切图操作和第三切图操作合理推断后得到。
在步骤S101326中，将数据集分割以得到训练集和测试集。
在步骤S10133中，将训练集输入卷积神经网络中以对卷积神经网络进行调参。对于该卷积神经网络的具体结构，可以是本领域人员所知的多种形式。在本发明的一个示例中，通过实验证明，在满足高训练效率和高识别效率的情况下，该卷积神经网络可以包括数据接入层和压平层。该数据接入层可以用于将测试集中的各张图像进行归一化操作以使得每张图像的尺寸为预定尺寸。该压平层可以包括依次串接的卷积层、激励层、池化层和全连接层。其中，该卷积层的数量可以为35，该激励层的数量可以为23，该池化层的数量可以为5，该全连接层的数量可以为3。
在步骤S10134中，采用测试集测试卷积神经网络直到卷积神经网络满足精度要求。
在该步骤S1013中，该训练好的卷积神经网络基于纠偏范围在待纠偏的图片中寻找该至少一部分(例如三单元灯组中的至少一个单元灯组)所在的区域可以具体包括如图6中所示出的至少一部分步骤。在该图6中，该至少一部分步骤可以是：
在步骤S10135中，针对纠偏范围对待纠偏的图片进行抠图操作，记录抠图后的图像在抠图前的图像中的坐标(startX，startY)；
在步骤S10136中，采用训练好的卷积神经网络确定交通信号灯的至少一部分在抠图后的图像中的所在区域{(xmin0，ymin0)，(xmax0，ymax0)}；
在步骤S1014中，根据该所在区域确定该交通信号灯的偏移量。具体地，该步骤S1014可以包括如图7中所示出的步骤。在图7中，该步骤S1014可以包括：
在步骤S10141中，根据公式(21)和公式(22)计算至少一部分的中心点的坐标，
X0c＝(xmax0-xmin0)/2， (21)
Y0c＝(ymax0-ymin0)/2， (22)
其中，(X0c，Y0c)为至少一部分的中心点的坐标，(xmin0，ymin0)为至少一部分在抠图后的图像中的所在区域的左上角的坐标，(xmax0，ymax0)为至少一部分在抠图后的图像中的所在区域的右下角的坐标；
在步骤S10142中，根据公式(23)和公式(24)确定中心点的坐标 (X0c，Y0c)在抠图前的图像中的坐标，
Xc＝X0c+startX， (23)
Yc＝Y0c+starrY， (24)
其中，(Xc，Yc)为中心点的坐标(X0c，Y0c)在抠图前的图像中的坐标， (X0c，Y0c)为至少一部分的中心点的坐标，(startX，startY)为抠图后的图像在抠图前的图像中的坐标；
在步骤S10143中，根据公式(25)和公式(26)计算样本图片中的至少一部分的中心点的坐标，
x0＝(x2-x1)/2， (25)
y0＝(y2-y1)/2， (26)
其中，(x0，y0)为样本图片中的至少一部分的中心点的坐标，(x1，y1)为样本图片中至少一部分所在的区域的左上角的坐标，(x2，y2)为样本图片中至少一部分所在的区域的右下角的坐标；
在步骤S10144中，根据样本图片中的至少一部分的中心点的坐标和待纠偏的图片中的至少一部分的中心点的坐标计算交通信号灯的偏移量。
在步骤S102中，判断偏移量是否大于预设的偏移量阈值。
在步骤S103中，在判断偏移量大于偏移量阈值的情况下，对图片进行纠偏操作。在该实施方式中，对于该纠偏操作，可以是基于上述计算出的偏移量和交通信号灯的理论位置来执行。
在步骤S104中，在判断该偏移量小于或等于该偏移量阈值的情况下，则可以不执行该纠偏操作。
在该实施方式中，在排除图片中可能出现的交通信号灯位置偏移的因素后，还可以进一步排除该图片中可能存在的曝光过度的因素。那么，该方法还可以进一步包括如图8中所示出的至少一部分步骤。在图8中，该方法可以包括：
在步骤S105中，获取该图片中的ROI区域，采用大津法对该图片进行二值化操作以得到多张二值图。具体地，得到该至少两张二值图的方式可以是例如首先直接采用大津法对图片进行二值化操作以得到一张二值图；然后在HSV色彩系中取H、S、V在预设的二值化阈值ValueBin以上的亮度范围 [0,0,ValueBin]～[180,30,255]再次进行二值化操作，得到HSV色彩系的亮度的另一张二值化图。
在步骤S106中，分别计算多张二值图中的白色亮度连通区域的面积在对应的二值图中的占比。
在步骤S107中，分别判断每个占比是否大于预设的占比阈值；
在步骤S108中，在判断每个占比均大于占比阈值的情况下，确定该图片为曝光状态，此时即证明该图片不可用，那么可以返回步骤S10以重新获取图片。
在步骤S109中，在判断任一占比小于或等于占比阈值的情况下，确定所述图片为非曝光状态，此时即证明该图片可用，那么可以继续执行该方法。
在步骤S11中，分别按照红色区间、黄色区间和绿色区间的范围对图片进行二值化操作以得到对应的灰度图。具体地，得到该灰度图的操作也可以是：
步骤1、将图像的RGB色彩模型转换为HSV色彩模型以得到HSV色彩模型的图像。
步骤2、红灯在HSV颜色模型中，红色调H选取0～25与156～180两个区间作为红色范围；S饱和度选取43～255区间作为红色饱和度范围；亮度S 选型46～255区间作为红色亮度范围。
步骤3、黄灯在HSV颜色模型中，黄色调H选取11～34区间作为黄色范围；S饱和度选取43～255区间作为黄色饱和度范围；亮度S选型46～255 区间作为黄色亮度范围。
步骤4、绿灯在HSV颜色模型中，绿色调H选取35～124区间作为绿色范围；S饱和度选取43～255区间作为绿色饱和度范围；亮度S选型46～255 区间作为绿色亮度范围。
在步骤S12中，分别计算每个灰度图中的白色轮廓连通区域的像素面积。
在步骤S13中，分别计算像素面积占对应的灰度图的面积的比例。
在步骤S14中，基于该比例确定信号灯的具体状态。具体地，该步骤 S14可以包括：
步骤1、判断由红色区间得到的灰度图的白色轮廓连通区域的像素面积占对应的灰度图的面积的比例是否大于预设的红色阈值；
步骤2、在判断由红色区间得到的灰度图的白色轮廓连通区域的像素面积占对应的灰度图的面积的比例大于红色阈值的情况下，确定交通信号灯处于红灯亮的状态；
步骤3、判断由黄色区间得到的灰度图的白色轮廓连通区域的像素面积占对应的灰度图的面积的比例是否大于预设的黄色阈值；
步骤4、在判断由黄色区间得到的灰度图的白色轮廓连通区域的像素面积占对应的灰度图的面积的比例大于黄色阈值的情况下，确定交通信号灯处于黄灯亮的状态；
步骤5、判断由绿色区间得到的灰度图的白色轮廓连通区域的像素面积占对应的灰度图的面积的比例是否大于预设的绿色阈值；
步骤6、在判断由绿色区间得到的灰度图的白色轮廓连通区域的像素面积占对应的灰度图的面积的比例大于绿阈值的情况下，确定交通信号灯处于绿灯亮的状态。
另外，选定色彩模型范围后对每个检测到的信号灯区域进行色彩二值化处理，将处理得到的灰度图可以再经过OTSU大津法进行一次二值化操作来进一步调整阈值。最终的展现的形式是亮度区域(红灯、黄灯、绿灯)以白色(255)呈现，非亮灯区域以黑色(0)呈现的灰度图(0～255)。
其中，色彩二值化处理的方法可以是将在两个选定的色彩区间范围的阈值内的单通道值设置为白色(255)，而不在阈值区间内的单通道值设置为黑色 (0)，该功能类似于色彩范围的双阈值化操作。如公式(27)所示，
dst(I)＝lower(I)0≤src(I)0≤upperb(I)0， (27)
其中，lower(I)0为所选色彩下限，upperb(I)0为所选色彩上限，src(I)0为原图像，通过该公式计算得到的是一幅二值化后的灰度图dst(I)，得到二值化后的灰度图，再通过大津法进行一次阈值确定，提高鲁棒性，优化灰度图。
将检测到的交通信号灯区域通过上述方法转换为灰度图后，接着对灰度图中的白色区域进行轮廓查找，二值化后的灰度图存在黑白衔接的交界处，即所谓的轮廓边缘，白色轮廓边缘就构成了信号灯亮度连通区域。在检测到白色轮廓连通区域后计算其像素面积，其中可能会因为外界环境影响导致亮度连通区域不连续或者分为多个白色亮度区域，这时需要将多个白色连通区域an的面积进行累计计算。即公式(28)所示，
Figure BDA0002245605610000181
在步骤S15中，根据该具体状态确定信号灯的故障类型。基于确定出的该交通信号灯的状态，可以确定出该交通信号灯的故障类型，即：红灯不亮，黄灯不亮，绿灯不亮，其中两种灯色同亮，三种灯全亮和三种灯全都不亮等六种信号灯故障类型。
另一方面，本发明还提供一种用于检测交通信号灯故障的***，该***可以包括处理器，该处理器可以用于执行如上述任一所述的方法。
再一方面，本发明还提供一种存储介质，该存储介质可以存储有指令，该指令可以用于被机器读取以使得该机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的用于检测交通信号灯故障的方法、***及存储介质通过对交管***抓拍的照片进行识别，判断该路口的交通信号灯是否发生故障，解决了现有技术中因依赖铺设线路、安装设备的方式来实现交通信号灯自检而导致的大成本投入的技术问题，降低了交管***的建设及维护成本。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法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，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor) 执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种用于检测交通信号灯故障的方法，其特征在于，所述方法包括：
获取交通信号灯的图片；
分别按照红色区间、黄色区间和绿色区间的范围对所述图片进行二值化操作以得到对应的灰度图；
分别计算每个所述灰度图中的白色轮廓连通区域的像素面积；
分别计算所述像素面积占对应的所述灰度图的面积的比例；
基于所述比例确定所述信号灯的具体状态；
根据所述具体状态确定所述信号灯的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述获取交通信号灯的图片包括：
计算所述图片中交通信号灯的理论位置与实际位置的偏移量；
判断所述偏移量是否大于预设的偏移量阈值；
在判断所述偏移量大于所述偏移量阈值的情况下，对所述图片进行纠偏操作。
3.根据权利要求2所述的方法，其特征在于，所述计算所述图片中交通信号灯的理论位置与实际位置的偏移量包括：
确定图片中所述交通信号灯的至少一部分所在的区域；
根据所述至少一部分所在的区域确定纠偏范围；
采用训练好的卷积神经网络基于所述纠偏范围在待纠偏的图片中寻找所述至少一部分的所在区域；
根据所述所在区域确定所述交通信号灯的偏移量。
4.根据权利要求3所述的方法，其特征在于，所述至少一部分所在的区域为矩形，所述根据所述至少一部分所在的区域确定纠偏范围包括：
根据公式(1)至公式(4)确定所述纠偏范围，
X1＝x1-len， (1)
Y1＝y1-len， (2)
X2＝x2+len， (3)
Y2＝y2+len， (4)
其中，(x1，y1)为所述至少一部分所在的区域的左上角的坐标，(x2，y2)为所述至少一部分所在的区域的右下角的坐标，(X1，Y1)为所述纠偏范围的左上角的坐标，(X2，Y2)为所述纠偏范围的右下角的坐标，len为根据公式(5)计算的纠偏长度值，
len＝min(width，heigh)， (5)
其中，width为所述至少一部分所在的区域的长度，heigh为所述至少一部分所在的区域的高度。
5.根据权利要求4所述的方法，其特征在于，所述方法进一步包括训练初始的卷积神经网络以得到所述训练好的卷积神经网络；
所述训练初始的卷积神经网络以得到所述训练好的卷积神经网络包括：
获取设备抓拍的所述交通信号灯的图像，标定所述图像中交通信号灯所在的位置以及当前状态；
根据所述位置对所述图像进行切图操作以得到用于训练所述卷积神经网络的训练集和测试集；
将所述训练集输入所述卷积神经网络中以对所述卷积神经网络进行调参；
采用测试集测试所述卷积神经网络直到所述卷积神经网络满足精度要求。
6.根据权利要求5所述的方法，其特征在于，所述当前状态包括信号灯状态和外界因素，所述信号灯状态包括红灯亮、绿灯亮、黄灯亮、全熄灭以及全点亮，所述外界因素包括阳光反光、物体遮挡、亮灯单元偏色以及灯色光晕；
所述根据所述位置对所述图像进行切图操作以得到用于训练所述卷积神经网络的训练集和测试集包括：
标注每张所述图像中的所述交通信号灯的区域；
根据公式(6)至公式(9)对所述图像进行第一切图操作以得到第一数据集，
X11＝xmin-len1， (6)
Y11＝ymin-len1， (7)
X12＝xmax+len1， (8)
Y12＝ymax+len1， (9)
其中，(X11，Y11)为执行第一切图操作后的切图区域的左上角的坐标，(xmin，ymin)为所述图像中的所述交通信号灯的区域的左上角的坐标，(X12，Y12)为执行第一切图操作后的切图区域的右下角的坐标，(xmax，ymax)为所述图像中的所述交通信号灯的区域的右下角的坐标，len1为采用公式(10)计算的第一切图尺寸，
len1＝min(|xmax-xmin|，|ymax，ymin|)， (10)；
根据公式(11)至公式(14)对所述图像进行第二切图操作以得到第二数据集，
X21＝xmin-len2， (11)
Y21＝ymin-len2， (12)
X22＝xmax+len2， (13)
Y22＝ymax+len2， (14)
其中，(X21，Y21)为执行第二切图操作后的切图区域的左上角的坐标，(xmin，ymin)为所述图像中的所述交通信号灯的区域的左上角的坐标，(X22，Y22)为执行第二切图操作后的切图区域的右下角的坐标，(xmax，ymax)为所述图像中的所述交通信号灯的区域的右下角的坐标，len2为采用公式(15)计算的第一切图尺寸，
len2＝min(|xmax-xmin|，|ymax，ymin|)*2， (15)；
根据公式(16)至公式(19)对所述图像进行第三切图操作以得到第三数据集，
X31＝xmin-len3， (16)
Y31＝ymin-len3， (17)
X32＝xmax+len3， (18)
Y32＝ymax+len3， (19)
其中，(X31，Y31)为执行第三切图操作后的切图区域的左上角的坐标，(xmin，ymin)为所述图像中的所述交通信号灯的区域的左上角的坐标，(X32，Y32)为执行第三切图操作后的切图区域的右下角的坐标，(xmax，ymax)为所述图像中的所述交通信号灯的区域的右下角的坐标，len3为采用公式(20)计算的第一切图尺寸，
len3＝min(|xmax-xmin|，|ymax，ymin|)*3， (20)；
集成所述第一数据集、所述第二数据集以及所述第三数据集以得到用于训练所述卷积神经网络的数据集；
将所述数据集分割以得到所述训练集和所述测试集。
7.根据权利要求3所述的方法，其特征在于，所述采用训练好的卷积神经网络基于所述纠偏范围在待纠偏的图片中寻找所述至少一部分的所在区域包括：
针对所述纠偏范围对所述待纠偏的图片进行抠图操作，记录抠图后的图像在抠图前的图像中的坐标(startX，startY)；
采用训练好的卷积神经网络确定所述交通信号灯的至少一部分在抠图后的所述图像中的所在区域{(xmin0，ymin0)，(xmax0，ymax0)}；
所述根据所述所在区域确定所述交通信号灯的偏移量包括：
根据公式(21)和公式(22)计算所述至少一部分的中心点的坐标，
X0c＝(xmax0-xmin0)/2， (21)
Y0c＝(ymax0-ymin0)/2， (22)
其中，(X0c，Y0c)为所述至少一部分的中心点的坐标，(xmin0，ymin0)为至少一部分在抠图后的所述图像中的所在区域的左上角的坐标，(xmax0，ymax0)为所述至少一部分在抠图后的所述图像中的所在区域的右下角的坐标；
根据公式(23)和公式(24)确定中心点的坐标(X0c，Y0c)在抠图前的图像中的坐标，
Xc＝X0c+startX， (23)
Yc＝Y0c+startY， (24)
其中，(Xc，Yc)为中心点的坐标(X0c，Y0c)在抠图前的图像中的坐标，(X0c，Y0c)为所述至少一部分的中心点的坐标，(startX，startY)为抠图后的图像在抠图前的图像中的坐标；
根据公式(25)和公式(26)计算所述样本图片中的所述至少一部分的中心点的坐标，
x0＝(x2-x1)/2， (25)
y0＝(y2-y1)/2， (26)
其中，(x0，y0)为所述样本图片中的所述至少一部分的中心点的坐标，(x1，y1)为所述样本图片中所述至少一部分所在的区域的左上角的坐标，(x2，y2)为所述样本图片中所述至少一部分所在的区域的右下角的坐标；
根据所述样本图片中的所述至少一部分的中心点的坐标和所述待纠偏的图片中的所述至少一部分的中心点的坐标计算所述交通信号灯的偏移量。
8.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
获取所述图片中ROI区域的灰度图，采用大津法对所述灰度图进行二值化操作以得到对应的多张二值图；
分别计算至少两张所述二值图中的白色亮度连通区域的面积在对应的二值图中的占比；
分别判断每个所述占比是否大于预设的占比阈值；
在判断每个所述占比均大于所述占比阈值的情况下，确定所述图片为曝光状态；
在判断任一占比小于或等于所述占比阈值的情况下，确定所述图片为非曝光状态。
9.一种用于检测交通信号灯故障的***，其特征在于，所述***包括处理器，所述处理器用于执行如权利要求1至8任一所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的方法。
CN201911015630.5A 2019-10-24 2019-10-24 用于检测交通信号灯故障的方法、***及存储介质 Active CN110992725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911015630.5A CN110992725B (zh) 2019-10-24 2019-10-24 用于检测交通信号灯故障的方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911015630.5A CN110992725B (zh) 2019-10-24 2019-10-24 用于检测交通信号灯故障的方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN110992725A true CN110992725A (zh) 2020-04-10
CN110992725B CN110992725B (zh) 2022-05-03

Family

ID=70082250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911015630.5A Active CN110992725B (zh) 2019-10-24 2019-10-24 用于检测交通信号灯故障的方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN110992725B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681442A (zh) * 2020-06-09 2020-09-18 贾若然 一种基于图像分类算法的信号灯故障检测装置
CN111882910A (zh) * 2020-06-15 2020-11-03 太原市高远时代科技有限公司 一种高准确率的交通信号灯故障检测方法及***
CN112270284A (zh) * 2020-11-06 2021-01-26 南京斌之志网络科技有限公司 照明设施监控方法、***和电子设备
CN113129375A (zh) * 2021-04-21 2021-07-16 阿波罗智联(北京)科技有限公司 数据处理方法、装置、设备及存储介质
CN113129591A (zh) * 2021-04-13 2021-07-16 江苏智通交通科技有限公司 一种基于深度学习目标检测的交通信号灯故障检测方法
CN113686261A (zh) * 2020-05-13 2021-11-23 苏州阿特斯阳光电力科技有限公司 硅片绒面的测试方法、装置、电子设备及可读存储介质
US11792514B2 (en) 2021-03-10 2023-10-17 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for stabilizing image, roadside device and cloud control platform
US11967093B2 (en) 2020-12-03 2024-04-23 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Light color identifying method and apparatus of signal light, and roadside device

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05116080A (ja) * 1991-10-29 1993-05-14 Fanuc Ltd ツール先端位置調整方法
JP2002232875A (ja) * 2001-02-06 2002-08-16 Matsushita Electric Ind Co Ltd 監視用カメラの画角ずれを調整する方法と装置、及びその装置を制御するための媒体
DE10239675A1 (de) * 2002-08-26 2004-03-11 Technische Universität Dresden Verfahren und Anordnung zur Ermittlung von Verkehrszustandsgrößen
WO2005074287A1 (en) * 2004-01-30 2005-08-11 Kabushiki Kaisha Toyota Jidoshokki Video image positional relationship correction apparatus, steering assist apparatus having the video image positional relationship correction apparatus and video image positional relationship correction method
CN101738721A (zh) * 2009-12-25 2010-06-16 中国科学院光电技术研究所 一种哈特曼波前传感器无***误差的自适应光学成像***
CN103530852A (zh) * 2013-10-15 2014-01-22 南京芒冠光电科技股份有限公司 一种镜头畸变校正方法
CN104298976A (zh) * 2014-10-16 2015-01-21 电子科技大学 基于卷积神经网络的车牌检测方法
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
CN108229250A (zh) * 2016-12-14 2018-06-29 杭州海康威视数字技术股份有限公司 交通信号灯重定位方法及装置
CN108229379A (zh) * 2017-12-29 2018-06-29 广东欧珀移动通信有限公司 图像识别方法、装置、计算机设备和存储介质
CN108415051A (zh) * 2018-03-15 2018-08-17 斑马网络技术有限公司 车辆位置信息的纠偏方法、装置和存储介质
CN108846385A (zh) * 2018-07-10 2018-11-20 浪潮通用软件有限公司 基于卷积-反卷积神经网络的图像识别、校正方法和装置
CN109002219A (zh) * 2018-08-03 2018-12-14 合肥联宝信息技术有限公司 一种互动投影定位校正方法及装置
CN109035331A (zh) * 2017-06-12 2018-12-18 浙江宇视科技有限公司 一种信号灯组的位置矫正方法及设备
CN109636777A (zh) * 2018-11-20 2019-04-16 广州方纬智慧大脑研究开发有限公司 一种交通信号灯的故障检测方法、***及存储介质
CN109949290A (zh) * 2019-03-18 2019-06-28 北京邮电大学 路面裂缝检测方法、装置、设备及存储介质
CN110348297A (zh) * 2019-05-31 2019-10-18 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、***、终端和存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05116080A (ja) * 1991-10-29 1993-05-14 Fanuc Ltd ツール先端位置調整方法
JP2002232875A (ja) * 2001-02-06 2002-08-16 Matsushita Electric Ind Co Ltd 監視用カメラの画角ずれを調整する方法と装置、及びその装置を制御するための媒体
JP4801264B2 (ja) * 2001-02-06 2011-10-26 パナソニック株式会社 監視用カメラの画角ずれを調整する方法と装置、及びその装置を制御するための媒体
DE10239675A1 (de) * 2002-08-26 2004-03-11 Technische Universität Dresden Verfahren und Anordnung zur Ermittlung von Verkehrszustandsgrößen
WO2005074287A1 (en) * 2004-01-30 2005-08-11 Kabushiki Kaisha Toyota Jidoshokki Video image positional relationship correction apparatus, steering assist apparatus having the video image positional relationship correction apparatus and video image positional relationship correction method
CN101738721A (zh) * 2009-12-25 2010-06-16 中国科学院光电技术研究所 一种哈特曼波前传感器无***误差的自适应光学成像***
CN103530852A (zh) * 2013-10-15 2014-01-22 南京芒冠光电科技股份有限公司 一种镜头畸变校正方法
CN104298976A (zh) * 2014-10-16 2015-01-21 电子科技大学 基于卷积神经网络的车牌检测方法
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
CN108229250A (zh) * 2016-12-14 2018-06-29 杭州海康威视数字技术股份有限公司 交通信号灯重定位方法及装置
CN109035331A (zh) * 2017-06-12 2018-12-18 浙江宇视科技有限公司 一种信号灯组的位置矫正方法及设备
CN108229379A (zh) * 2017-12-29 2018-06-29 广东欧珀移动通信有限公司 图像识别方法、装置、计算机设备和存储介质
CN108415051A (zh) * 2018-03-15 2018-08-17 斑马网络技术有限公司 车辆位置信息的纠偏方法、装置和存储介质
CN108846385A (zh) * 2018-07-10 2018-11-20 浪潮通用软件有限公司 基于卷积-反卷积神经网络的图像识别、校正方法和装置
CN109002219A (zh) * 2018-08-03 2018-12-14 合肥联宝信息技术有限公司 一种互动投影定位校正方法及装置
CN109636777A (zh) * 2018-11-20 2019-04-16 广州方纬智慧大脑研究开发有限公司 一种交通信号灯的故障检测方法、***及存储介质
CN109949290A (zh) * 2019-03-18 2019-06-28 北京邮电大学 路面裂缝检测方法、装置、设备及存储介质
CN110348297A (zh) * 2019-05-31 2019-10-18 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、***、终端和存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113686261A (zh) * 2020-05-13 2021-11-23 苏州阿特斯阳光电力科技有限公司 硅片绒面的测试方法、装置、电子设备及可读存储介质
CN111681442A (zh) * 2020-06-09 2020-09-18 贾若然 一种基于图像分类算法的信号灯故障检测装置
CN111882910A (zh) * 2020-06-15 2020-11-03 太原市高远时代科技有限公司 一种高准确率的交通信号灯故障检测方法及***
CN111882910B (zh) * 2020-06-15 2021-07-20 太原市高远时代科技有限公司 一种交通信号灯故障检测方法及***
CN112270284A (zh) * 2020-11-06 2021-01-26 南京斌之志网络科技有限公司 照明设施监控方法、***和电子设备
US11967093B2 (en) 2020-12-03 2024-04-23 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Light color identifying method and apparatus of signal light, and roadside device
US11792514B2 (en) 2021-03-10 2023-10-17 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for stabilizing image, roadside device and cloud control platform
CN113129591A (zh) * 2021-04-13 2021-07-16 江苏智通交通科技有限公司 一种基于深度学习目标检测的交通信号灯故障检测方法
CN113129375A (zh) * 2021-04-21 2021-07-16 阿波罗智联(北京)科技有限公司 数据处理方法、装置、设备及存储介质
CN113129375B (zh) * 2021-04-21 2023-12-01 阿波罗智联(北京)科技有限公司 数据处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110992725B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN110992725B (zh) 用于检测交通信号灯故障的方法、***及存储介质
CN110197589B (zh) 一种基于深度学习的闯红灯违法检测方法
CN101421748B (zh) 自动检测并校正非红眼闪光缺陷
US20180182099A1 (en) Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring
CN108921089A (zh) 车道线检测方法、装置和***及存储介质
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN108182383B (zh) 一种车窗检测的方法及设备
CN107644538A (zh) 交通信号灯的识别方法及装置
CN110335273B (zh) 检测方法、检测装置、电子设备和介质
CN114745510B (zh) 一种用于目标图像采集的led光源自动校准方法及***
CN113096060B (zh) 一种颜色异常灯珠的定位方法、装置及存储介质
CN104866838B (zh) 一种基于视觉的前方车辆自动检测方法
CN111009003A (zh) 交通信号灯纠偏的方法、***及存储介质
CN112017065B (zh) 车辆定损理赔方法、装置及计算机可读存储介质
CN114627435B (zh) 基于图像识别的智能灯光调节方法、装置、设备及介质
CN112581534B (zh) 一种信号灯重定位方法、装置、电子设备及存储介质
CN115761257A (zh) 基于计算机视觉技术的零部件角度检测方法及装置
CN109389079A (zh) 一种交通信号灯识别方法
CN115049684A (zh) 一种基于水域分割的水尺识别方法及***
CN111930987B (zh) 一种基于机器视觉颜色识别的智慧城域定位方法及***
CN106845488A (zh) 一种车牌图像处理方法及装置
CN113762021A (zh) 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法
CN102375980A (zh) 图像处理方法及装置
CN112036392B (zh) 一种页岩气田生产场站ups指示灯状态的自动识别方法
CN114627114B (zh) 产品缺陷严重程度测量方法及***及装置及介质

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
CB03 Change of inventor or designer information

Inventor after: Wang Qiang

Inventor after: Liu Pu

Inventor after: Wang Chenhao

Inventor after: Pan Miaomiao

Inventor after: Chen Cheng

Inventor before: Liu Pu

Inventor before: Wang Qiang

Inventor before: Wang Chenhao

Inventor before: Pan Miaomiao

Inventor before: Chen Cheng

CB03 Change of inventor or designer information