CN112069906B - 一种基于OpenCV和综合匹配距离的红绿灯识别方法 - Google Patents
一种基于OpenCV和综合匹配距离的红绿灯识别方法 Download PDFInfo
- Publication number
- CN112069906B CN112069906B CN202010795417.7A CN202010795417A CN112069906B CN 112069906 B CN112069906 B CN 112069906B CN 202010795417 A CN202010795417 A CN 202010795417A CN 112069906 B CN112069906 B CN 112069906B
- Authority
- CN
- China
- Prior art keywords
- image
- zero pixel
- tested
- function
- opencv
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
一种基于OpenCV和综合匹配距离的红绿灯识别方法,利用OpenCV中的cv2.VideoCapture类函数捕获行车过程中的路况视频流,接着调用cv2.VideoCapture.read函数、cv2.CAP_PROP_FRAME_WIDTH函数和cv2.CAP_PROP_FRAME_HEIGHT函数捕获width、height尺寸的视频帧;然后利用OpenCV中的cv2.medianBlur函数对捕获的视频帧进行中值滤波;紧接着对中值滤波后的图像进行加权平均灰度化,然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测。再然后对检测、分割到的圆环进行颜色检测,即把图像从RGB色彩空间转换到HSV色彩空间,接着利用cv2.inRange函数筛选颜色,然后通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值,构建衡量两幅图像相似度的综合匹配距离,最后通过比较计算出的所有综合匹配距离,选择最小综合匹配距离对应的待测试图像的类别为识别结果。
Description
技术领域
本发明涉及自动驾驶领域,具体涉及一种识别红绿灯的方法。
技术背景
在计算机技术的发展浪潮下,自动驾驶技术离人们越来越近,这也逐渐引发了人们对如何精准完成红绿灯识别问题的思考。目前,基于机器学习的识别方法算法较复杂、计算量较大,难以满足行车过程中的实时识别要求,而直接提取彩色图像的红色分量和绿色分量用于识别的方法,易受外界条件的影响,如相机的成像质量和环境的光照等。打造智慧城市,借助科学技术识别交通灯,提高驾驶员的安全驾驶指数,不断深化对智慧城市中的红绿灯识别问题的研究显得尤为必要。
发明内容
针对现有技术的上述问题,本发明提出一种基于OpenCV和综合匹配距离的红绿灯识别方法。
本发明首先利用OpenCV中的cv2.VideoCapture类函数捕获行车过程中的路况视频流,接着调用cv2.VideoCapture.read函数、cv2.CAP_PROP_FRAME_WIDTH函数和cv2.CAP_PROP_FRAME_HEIGHT函数捕获width、height尺寸的视频帧。然后利用OpenCV中的cv2.medianBlur函数对捕获的视频帧进行中值滤波。紧接着对中值滤波后的图像进行加权平均灰度化,然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测。再然后对检测、分割到的圆环进行颜色检测,即把图像从RGB色彩空间转换到HSV色彩空间,接着利用cv2.inRange函数筛选颜色,然后通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值,构建衡量两幅图像相似度的综合匹配距离,最后通过比较计算出的所有综合匹配距离,选择最小综合匹配距离对应的待测试图像的类别为识别结果。
为实现上述目的,本发明采用以下技术方案:
一种基于OpenCV和综合匹配距离的红绿灯识别方法,包括如下步骤:
步骤一,捕获视频帧;
本发明利用OpenCV中的cv2.VideoCapture类函数从安装在车头用于拍摄前方路况的摄像设备实时读入视频流。同时通过利用cv2.CAP_PROP_FPS函数设置捕获每幅视频帧的帧速,然后调用cv2.VideoCapture.read函数和设置每个帧对象的width、height的cv2.CAP_PROP_FRAME_WIDTH函数、cv2.CAP_PROP_FRAME_HEIGHT函数完成视频帧捕获。
步骤二,对视频图像进行中值滤波;
利用OpenCV中的cv2.medianBlur函数对步骤一捕获的视频帧进行平滑操作,以减少图像中的噪声,避免后续步骤发生误判。
步骤三,霍夫圆环检测;
红绿灯通常为圆形灯,本发明对经过步骤二处理后的图像进行加权平均灰度化,然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测,即采用HOUGH_GRADIENT检测方法,同时令图像分辨率与圆心累加器分辨率的比率dp为1,maxRadius为minRadius为/>
步骤四,颜色检测;
对步骤三检测、分割到的圆环进行颜色检测,具体流程如下:
(1)将图像从RGB色彩空间转换到HSV色彩空间;
在HSV色彩模型中,图像的取色变得更加直观,同时可以提高目标识别与检测的鲁棒性,获得更为精准的检测结果。本发明通过调用OpenCV中的cv2.cvtColor函数将图像RGB格式转换为HSV格式。
(2)利用cv2.inRange函数筛选颜色;
在HSV色彩空间中,H通道对应着不同颜色,即各颜色的差异主要体现在H通道值的不同上。所以,通过对H通道值进行筛选,便能够筛选出特定的颜色。若待测试图像内像素点的像素值处于区间[lowerb,upperb]内,则输出图像中对应位置上的像素值为255,否则为0。
(3)计算待测试图像的非零像素点数;
首先设置区间[lowerb,upperb]为[0,10],若输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若输出图像的像素值全为0,即表明待测试图像不是红色信号灯,则更改区间[lowerb,upperb]为[50,70],若输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若输出图像的像素值全为0,即表明待测试图像不是绿色信号灯,则更改区间[lowerb,upperb]为[20,40],若输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若三个[lowerb,upperb]区间对应的输出图像的像素值均全为0,则将此待测试图像做报废处理。
(4)构建衡量两幅图像相似度的综合匹配距离;
本发明通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值,构建衡量两幅图像相似度的综合匹配距离。
根据图像非零像素点邻域梯度值以及梯度方向对非零像素点进行向量化后,本发明基于圆形领域计算待测试图像与数据库图像非零像素点向量之间的欧氏距离。对于待测试图像中的非零像素点I(x0,y0),在数据库图像中构建以相同的坐标点(x0,y0)为圆心、r为半径的圆形邻域O,且邻域半径r的取值范围为若数据库图像中在该圆形邻域内存在m个非零像素点,则分别计算待测试图像中的非零像素点向量i与数据库图像中这m个非零像素点向量j之间的欧氏距离,即有:
其中,dij为待测试图像中的非零像素点向量i与数据库图像中的非零像素点向量j之间的欧氏距离;k为每幅图像非零像素点向量的向量维数;i∈[1,N1],j∈[1,N2],且N1为待测试图像中的非零像素点数,N2为数据库图像中的非零像素点数。
在此基础上,融合待测试图像与数据库图像之间的非零像素点数比值,即有衡量两幅图像相似度的综合匹配距离D:
其中,d(t)为第t个非零像素点之间的欧氏距离。
作为权值对平均欧氏距离进行加权处理,描述了两幅图像之间的匹配程度。两幅图像之间的匹配程度越高,待测试图像的非零像素点数与数据库图像的非零像素点数越接近,该权值越小,因而最终的综合匹配距离越小。当待测试图像遍历数据库中所有训练图像之后,对计算出的所有综合匹配距离进行对比,最小综合匹配距离对应的待测试图像的类别即为识别结果。
步骤(2)所述的通过对H通道值进行筛选,筛选出特定的颜色,具体包括:在OpenCV中的HSV模式内,红色、绿色、黄色在H通道内的值分别为0、60和30。在提取各颜色时,通常将各颜色值附近的一个区间值作为提取范围,取该区间半径为10,故红色、绿色和黄色调用的cv2.inRange函数中的lowerb分别为0、50和20,upperb分别为10、70和40。
本发明的优点是:
本发明基于OpenCV和综合匹配距离,提出了一种识别红绿灯的方法。其突出特点有:本发明直接利用封装在OpenCV中的函数读取视频流、捕获视频帧、完成霍夫圆环检测以及进行交通灯颜色筛选,然后利用综合匹配距离获取识别结果,一方面可以有效杜绝基于机器学习的识别方法需要大量的训练样本和较长时间的离线学习且计算复杂的问题,另一方面可以避免因采用从RGB、HSI等颜色空间中直接提取彩色图像的红色分量和绿色分量,但彩色图像易受相机成像质量和环境光照的影响,导致颜色失真的不足,即本发明的算法设计简单高效、适应性强、识别结果精准,且不需要借助其他的辅助识别硬件,无形中降低了制造成本、使用成本。
附图说明
图1是本发明的流程图。
具体实施方式
为了验证本发明提出的方法的可行性和优越性,现结合应用场景和附图对本发明做进一步的阐述:
步骤一,捕获视频帧;
本发明利用OpenCV中的cv2.VideoCapture类函数从安装在车头用于拍摄前方路况的摄像设备实时读入视频流。同时通过利用cv2.CAP_PROP_FPS函数设置捕获每幅视频帧的帧速,然后调用cv2.VideoCapture.read函数和设置每个帧对象的width、height的cv2.CAP_PROP_FRAME_WIDTH函数、cv2.CAP_PROP_FRAME_HEIGHT函数完成视频帧捕获。
步骤二,对视频图像进行中值滤波;
利用OpenCV中的cv2.medianBlur函数对步骤一捕获的视频帧进行平滑操作,以减少图像中的噪声,避免后续步骤发生误判。
步骤三,霍夫圆环检测;
红绿灯通常为圆形灯,本发明对经过步骤二处理后的图像进行加权平均灰度化,然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测,即采用HOUGH_GRADIENT检测方法,同时令图像分辨率与圆心累加器分辨率的比率dp为1,maxRadius为minRadius为/>
步骤四,颜色检测;
对步骤三检测、分割到的圆环进行颜色检测,具体流程如下:
(1)将图像从RGB色彩空间转换到HSV色彩空间;
在HSV色彩模型中,图像的取色变得更加直观,同时可以提高目标识别与检测的鲁棒性,获得更为精准的检测结果。本发明通过调用OpenCV中的cv2.cvtColor函数将图像RGB格式转换为HSV格式。
(2)利用cv2.inRange函数筛选颜色;
在HSV色彩空间中,H通道对应着不同颜色,即各颜色的差异主要体现在H通道值的不同上。所以,通过对H通道值进行筛选,便能够筛选出特定的颜色。在OpenCV中的HSV模式内,红色、绿色、黄色在H通道内的值分别为0、60和30。在提取各颜色时,通常将各颜色值附近的一个区间值作为提取范围,本发明取该区间半径为10,故红色、绿色和黄色在本发明调用的cv2.inRange函数中的lowerb分别为0、50和20,upperb分别为10、70和40。若待测试图像内像素点的像素值处于区间[lowerb,upperb]内,则输出图像中对应位置上的像素值为255,否则为0。
(3)计算待测试图像的非零像素点数;
首先设置区间[lowerb,upperb]为[0,10],若输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若输出图像的像素值全为0,即表明待测试图像不是红色信号灯,则更改区间[lowerb,upperb]为[50,70],若输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若输出图像的像素值全为0,即表明待测试图像不是绿色信号灯,则更改区间[lowerb,upperb]为[20,40],若输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若三个[lowerb,upperb]区间对应的输出图像的像素值均全为0,则将此待测试图像做报废处理。
(4)构建衡量两幅图像相似度的综合匹配距离;
本发明通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值,构建衡量两幅图像相似度的综合匹配距离。
根据图像非零像素点邻域梯度值以及梯度方向对非零像素点进行向量化后,本发明基于圆形领域计算待测试图像与数据库图像非零像素点向量之间的欧氏距离。对于待测试图像中的非零像素点I(x0,y0),在数据库图像中构建以相同的坐标点(x0,y0)为圆心、r为半径的圆形邻域O,且邻域半径r的取值范围为若数据库图像中在该圆形邻域内存在m个非零像素点,则分别计算待测试图像中的非零像素点向量i与数据库图像中这m个非零像素点向量j之间的欧氏距离,即有:
其中,dij为待测试图像中的非零像素点向量i与数据库图像中的非零像素点向量j之间的欧氏距离;k为每幅图像非零像素点向量的向量维数;i∈[1,N1],j∈[1,N2],且N1为待测试图像中的非零像素点数,N2为数据库图像中的非零像素点数。
在此基础上,融合待测试图像与数据库图像之间的非零像素点数比值,即有衡量两幅图像相似度的综合匹配距离D:
其中,d(t)为第t个非零像素点之间的欧氏距离。
作为权值对平均欧氏距离进行加权处理,描述了两幅图像之间的匹配程度。两幅图像之间的匹配程度越高,待测试图像的非零像素点数与数据库图像的非零像素点数越接近,该权值越小,因而最终的综合匹配距离越小。当待测试图像遍历数据库中所有训练图像之后,对计算出的所有综合匹配距离进行对比,最小综合匹配距离对应的待测试图像的类别即为识别结果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于OpenCV和综合匹配距离的红绿灯识别方法,包括如下步骤:
步骤一,捕获视频帧;
利用OpenCV中的cv2.VideoCapture类函数从安装在车头用于拍摄前方路况的摄像设备实时读入视频流;同时通过利用cv2.CAP_PROP_FPS函数设置捕获每幅视频帧的帧速,然后调用cv2.VideoCapture.read函数和设置每个帧对象的width、height的cv2.CAP_PROP_FRAME_WIDTH函数、cv2.CAP_PROP_FRAME_HEIGHT函数完成视频帧捕获;
步骤二,对视频图像进行中值滤波;
利用OpenCV中的cv2.medianBlur函数对步骤一捕获的视频帧进行平滑操作,以减少图像中的噪声,避免后续步骤发生误判;
步骤三,霍夫圆环检测;
红绿灯通常为圆形灯,对经过步骤二处理后的图像进行加权平均灰度化,然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测,即采用HOUGH_GRADIENT检测方法,同时令图像分辨率与圆心累加器分辨率的比率dp为1,maxRadius为minRadius为/>
步骤四,颜色检测;
对步骤三检测、分割到的圆环进行颜色检测,具体流程如下:
(1)将图像从RGB色彩空间转换到HSV色彩空间;
在HSV色彩模型中,图像的取色变得更加直观,同时可以提高目标识别与检测的鲁棒性,获得更为精准的检测结果;通过调用OpenCV中的cv2.cvtColor函数将图像RGB格式转换为HSV格式;
(2)利用cv2.inRange函数筛选颜色;
在HSV色彩空间中,H通道对应着不同颜色,即各颜色的差异主要体现在H通道值的不同上;所以,通过对H通道值进行筛选,筛选出特定的颜色;若待测试图像内像素点的像素值处于区间[lowerb,upperb]内,则输出图像中对应位置上的像素值为255,否则为0;
(3)计算待测试图像的非零像素点数;
首先设置区间[lowerb,upperb]为[0,10],若区间[0,10]对应的输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若区间[0,10]对应的输出图像的像素值全为0,即表明待测试图像不是红色信号灯,则更改区间[lowerb,upperb]为[50,70],若区间[50,70]对应的输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若区间[50,70]对应的输出图像的像素值全为0,即表明待测试图像不是绿色信号灯,则更改区间[lowerb,upperb]为[20,40],若区间[20,40]对应的输出图像存在非零像素点,则计算图像的非零像素点数,然后进入步骤(4);若区间[20,40]对应的输出图像的像素值均全为0,则将此待测试图像做报废处理;
(4)构建衡量两幅图像相似度的综合匹配距离;
通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值,构建衡量两幅图像相似度的综合匹配距离;
根据图像非零像素点邻域梯度值以及梯度方向对非零像素点进行向量化后,基于圆形领域计算待测试图像与数据库图像非零像素点向量之间的欧氏距离;对于待测试图像中的非零像素点I(x0,y0),在数据库图像中构建以相同的坐标点(x0,y0)为圆心、r为半径的圆形邻域O,且邻域半径r的取值范围为若数据库图像中在该圆形邻域内存在m个非零像素点,则分别计算待测试图像中的非零像素点向量i与数据库图像中这m个非零像素点向量j之间的欧氏距离,即有:
其中,dij为待测试图像中的非零像素点向量i与数据库图像中的非零像素点向量j之间的欧氏距离;k为每幅图像非零像素点向量的向量维数;i∈[1,N1],j∈[1,N2],且N1为待测试图像中的非零像素点数,N2为数据库图像中的非零像素点数;
在此基础上,融合待测试图像与数据库图像之间的非零像素点数比值,即有衡量两幅图像相似度的综合匹配距离D:
其中,d(t)为第t个非零像素点之间的欧氏距离;
作为权值对平均欧氏距离进行加权处理,描述了两幅图像之间的匹配程度;两幅图像之间的匹配程度越高,待测试图像的非零像素点数与数据库图像的非零像素点数越接近,该权值越小,因而最终的综合匹配距离越小;当待测试图像遍历数据库中所有训练图像之后,对计算出的所有综合匹配距离进行对比,最小综合匹配距离对应的待测试图像的类别即为识别结果。
2.如权利要求1所述的基于OpenCV和综合匹配距离的红绿灯识别方法,其特征在于:步骤(2)所述的通过对H通道值进行筛选,筛选出特定的颜色,具体包括:在OpenCV中的HSV模式内,红色、绿色、黄色在H通道内的值分别为0、60和30;在提取各颜色时,通常将各颜色值附近的一个区间值作为提取范围,取该区间半径为10,故红色、绿色和黄色调用的cv2.inRange函数中的lowerb分别为0、50和20,upperb分别为10、70和40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795417.7A CN112069906B (zh) | 2020-08-10 | 2020-08-10 | 一种基于OpenCV和综合匹配距离的红绿灯识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795417.7A CN112069906B (zh) | 2020-08-10 | 2020-08-10 | 一种基于OpenCV和综合匹配距离的红绿灯识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069906A CN112069906A (zh) | 2020-12-11 |
CN112069906B true CN112069906B (zh) | 2024-02-20 |
Family
ID=73662700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010795417.7A Active CN112069906B (zh) | 2020-08-10 | 2020-08-10 | 一种基于OpenCV和综合匹配距离的红绿灯识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069906B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507951B (zh) * | 2020-12-21 | 2023-12-12 | 阿波罗智联(北京)科技有限公司 | 指示灯识别方法、装置、设备、路侧设备和云控平台 |
CN113440843B (zh) * | 2021-06-25 | 2023-12-08 | 咪咕互动娱乐有限公司 | 云游戏启动控制方法、装置、云服务器和终端设备 |
CN116363624A (zh) * | 2023-02-07 | 2023-06-30 | 辉羲智能科技(上海)有限公司 | 车载角度可控的智能红绿灯识别装置 |
CN116402784A (zh) * | 2023-03-29 | 2023-07-07 | 湖北工业大学 | 基于机器视觉的辅助对中方法、***、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050827A (zh) * | 2014-06-06 | 2014-09-17 | 北京航空航天大学 | 一种基于视觉的交通信号灯自动检测识别方法 |
CN107679508A (zh) * | 2017-10-17 | 2018-02-09 | 广州汽车集团股份有限公司 | 交通标志检测识别方法、装置及*** |
CN108550274A (zh) * | 2018-04-04 | 2018-09-18 | 中国计量大学 | 一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法 |
CN110348289A (zh) * | 2019-05-27 | 2019-10-18 | 广州中国科学院先进技术研究所 | 一种基于二值图的手指静脉识别方法 |
-
2020
- 2020-08-10 CN CN202010795417.7A patent/CN112069906B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050827A (zh) * | 2014-06-06 | 2014-09-17 | 北京航空航天大学 | 一种基于视觉的交通信号灯自动检测识别方法 |
CN107679508A (zh) * | 2017-10-17 | 2018-02-09 | 广州汽车集团股份有限公司 | 交通标志检测识别方法、装置及*** |
CN108550274A (zh) * | 2018-04-04 | 2018-09-18 | 中国计量大学 | 一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法 |
CN110348289A (zh) * | 2019-05-27 | 2019-10-18 | 广州中国科学院先进技术研究所 | 一种基于二值图的手指静脉识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069906A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069906B (zh) | 一种基于OpenCV和综合匹配距离的红绿灯识别方法 | |
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN106067023B (zh) | 基于图像处理的集装箱箱号及集卡车号识别***及方法 | |
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
CN103971128B (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
KR101409340B1 (ko) | 교통 표지 인식 방법 및 그 시스템 | |
CN103761529A (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和*** | |
CN103544484A (zh) | 一种基于surf的交通标志识别方法及*** | |
CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
CN111832388B (zh) | 一种车辆行驶中交通标志检测与识别方法及*** | |
WO2024037408A1 (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
CN112733914B (zh) | 一种基于支持向量机的水下目标视觉识别分类方法 | |
EP3051461B1 (en) | A computer implemented system and method for extracting and recognizing alphanumeric characters from traffic signs | |
CN106778646A (zh) | 基于卷积神经网络的车型识别方法及装置 | |
WO2023020251A1 (en) | Methods, systems, and computer-readable storage mediums for detecting state of signal light | |
CN114463619B (zh) | 基于集成融合特征的红外弱小目标检测方法 | |
CN107122732B (zh) | 一种监控场景下高鲁棒性的快速车牌定位方法 | |
CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
CN107886035B (zh) | 识别箭头交通灯的方法、装置及车辆 | |
CN109753880B (zh) | 一种自然场景车载视频道路限速标志的检测与识别方法 | |
CN110969135A (zh) | 自然场景中的车标识别方法 | |
CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 |
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 |