CN112990002A - 下坡路上交通信号灯识别方法、***及计算机可读介质 - Google Patents
下坡路上交通信号灯识别方法、***及计算机可读介质 Download PDFInfo
- Publication number
- CN112990002A CN112990002A CN202110267619.9A CN202110267619A CN112990002A CN 112990002 A CN112990002 A CN 112990002A CN 202110267619 A CN202110267619 A CN 202110267619A CN 112990002 A CN112990002 A CN 112990002A
- Authority
- CN
- China
- Prior art keywords
- training
- traffic signal
- sample
- image
- signal lamp
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000012549 training Methods 0.000 claims description 169
- 238000012706 support-vector machine Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/30—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种下坡路上交通信号灯识别方法、***及计算机可读介质,根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度;经调整朝向角转向角度后的相机拍摄车辆前方,形成图像,将拍摄的图像传递给检测器,检测器通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域;检测器将识别出的存在交通信号灯区域的图像传递给识别器,识别器对区域中的交通信号灯的状态进行识别,输出当前交通信号灯的状态。本发明下坡路上交通信号灯识别方法、***及计算机可读介质,不降低图像处理速度,能快速、实时、准确识别下坡路上交通信号灯状态,有利于车辆的安全行驶。
Description
技术领域
本发明属于汽车环境感知技术领域,涉及下坡路上交通信号灯识别方法、***及计算机可读介质。
背景技术
车辆在十字路口感知交通信号灯是遵守交通法规并防止致命交通事故的必要功能。现有技术大多采用基于视觉方法,利用安装在车辆挡风玻璃上的相机进行交通信号灯的识别。这些方法在高级辅助驾驶***或自动驾驶***中有一些局限。首先,相机需要宽视场和高分辨率,在距离交通信号灯远或近时都能拍摄并清楚地显示交通信号灯。这些需求增加了图像处理的信息量,并且需要大量的计算能力。其次如图1所示,由于相机在车辆上的安装位置不会改变并且相机的视场是固定的,当车辆处于下坡的状态时,车辆很难识别靠近坡路结束处平地上的交通信号灯。
针对以上问题,需要提供一种不降低图像处理速度,能快速、实时、准确识别下坡路上交通信号灯状态的***、方法及计算机可读介质。
发明内容
为了达到上述目的,本发明提供下坡路上交通信号灯识别方法、***及计算机可读介质,利用正常视场相机以及坡度传感器和相机角度调节器组成的下坡路上的交通信号灯识别***,不降低图像处理速度,能快速、实时、准确识别下坡路上交通信号灯状态,有利于车辆特别是高级辅助驾驶车辆或自动驾驶车辆的安全行驶,解决了现有技术中存在的在下坡路上交通信号灯难以准确识别的问题。
本发明所采用的技术方案是,下坡路上交通信号灯识别方法,包括以下步骤:
S10、根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度;
S20、经调整朝向角转向角度后的相机拍摄车辆前方,形成图像,将拍摄的图像传递给检测器,检测器通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域;
S30、检测器将识别出的存在交通信号灯区域的图像传递给识别器,识别器对区域中的交通信号灯的状态进行识别,输出当前交通信号灯的状态。
进一步地,S10中,根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度,包括以下步骤:
S11、首先采用有限脉冲响应滤波器对电压信号进行低通滤波信号处理,坡度传感器根据当前状态行驶时输出的电压值Xout以及水平路况状态行驶时输出的电压值Xref,通过α=arcsin[(Xout-Xref)/0.8]计算得出当前状态行驶时的道路坡度角α;
S12、微型处理器接收坡度传感器传递的当前状态行驶时的道路坡度角α,根据β=1.2α计算相机角度调节装置应该旋转的角度β,并将应该旋转的角度β值转换为相应的PWM信号值;
S13、相机角度调节装置由舵机和相机固定装置组成,相机固定装置中固定设置相机,舵机接收微型处理器传递的PWM信号值,根据PWM信号值的脉宽时长调节舵机的转动角度,进而带动对相机朝向角的转动角度的调整。
进一步地,S20中,检测器通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域,具体为:采用基于类Haar特征的AdaBoost分类器,检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域,包括两个过程:训练过程和识别过程;
训练过程一方面从大量类Haar特征中选取对分类识别起关键作用的类Haar特征,另一方面训练出准确识别出交通信号灯区域和非交通信号灯区域的AdaBoost分类器,为识别过程做准备;
识别过程使用训练过程提取的关键类Haar特征以及训练好的AdaBoost分类器来对相机传送过来的图像进行识别,识别得到具有交通信号灯的图像,以及交通信号灯在图像中的区域;
其中,识别过程具体为:对相机传来的图像中是否存在具有交通信号灯的区域进行分类识别:包括图像预处理;计算积分图;利用训练过程所选择的类Haar特征信息计算相应的类Haar特征特征值,构成特征向量;使用训练过程训练好的AdaBoost分类器,利用所得到的特征向量,对相机传来的图像中是否存在具有交通信号灯的区域进行检测,输出最终的分类识别结果。
更进一步地,训练过程包括四个训练子过程:图像预处理;计算积分图;提取类Haar特征;训练AdaBoost分类器;其中,
图像预处理:将拍摄的图像分为两部分:一部分为具有交通信号灯的图像,作为交通信号灯训练样本;另一部分为不具有交通信号灯的图像,作为非交通信号灯训练样本;将所有的交通信号灯训练样本和非交通信号灯训练样本均归一化为128×128的灰度图,作为归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本;
计算积分图:分别计算每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图;
提取类Haar特征:扩展的类Haar特征共分为4大类共15种特征,将每个类Haar特征的大小设置为2×1,根据计算的每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图,计算并提取每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本图像的15种不同尺寸的类Haar特征,用于描述交通信号灯的边缘及结构特征;
训练AdaBoost分类器,包括构建弱分类器、构建强分类器、构建级联分类器:
构建弱分类器:选择15种类Haar特征中的一类Haar特征作为输入,通过训练获得这一类Haar特征的弱分类器hj(x),每个弱分类器hj(x)都由所选择的类Haar特征值和一个阈值构成,其形式如下式所示:
式中,x表示样本,fj(x)表示第j个类Haar特征在样本x上所对应的特征值,pj决定不等式的正负,θj表示分类器hj(x)中的类Haar特征值对应的阈值;
构建强分类器:经多次弱分类器训练,每次训练中不断增加被错误分类的样本的权重,继续训练,从每次训练中挑选出最优弱分类器,线性组合成分类能力更好的强分类器;
构建级联分类器:采取cascade级联的方法,每一级强分类器将负样本分出去,剩余的样本进入下一级强分类器,通过最后一个强分类器的预测得到正样本;基于构建的级联分类器,训练样本集,从而获得对分类识别起关键作用的特征以及最终的分类器。
更进一步地,构建强分类器的具体训练过程为:
选定一个样本数目为n的训练集,共有a个交通信号灯训练样本,b个非交通信号灯训练样本,n=a+b,样本集为(x1,y1),(x2,y2),...,(xn,yn),xi为第i个样本,yi用来说明xi是交通信号灯训练样本还是非交通信号灯训练样本,当yi=0时,则xi是非交通信号灯训练样本;当yi=1时,则xi是交通信号灯训练样本;
初始化样本权重:所有交通信号灯训练样本的权重为1/2a,所有非交通信号灯训练样本的权重为1/2b;
对于训练次数t=1,…,T时,训练得到最优弱分类器的过程为:
步骤a1、将本轮所有样本的权重归一化:
式中,Wt,i表示第t次训练中第i个样本归一化后的权重,wt,i表示第t次训练中第i个样本的权重,wt,j表示第t次训练中第j个样本的权重,j表示第j个样本,n表示样本总数;
步骤a2、根据每个类Haar特征j训练弱分类器hj,对样本集中样本是否属于交通信号灯训练样本进行分类,并计算样本集分类的误差:
式中,εj表示样本集分类的误差,hj(xi)为弱分类器hj对样本xi分类的结果。
步骤a3、从每次训练中挑选出最优弱分类器;更新权重:如果样本被分类正确,则εt表示第t次训练的错误率,如果样本被错误分类,Wt+1,i=Wt,i;线性组合T个最优弱分类器成强分类器,强分类器的公式如下式所示:
进一步地,S30中,识别器对区域中的交通信号灯的状态进行识别,具体为:
由分类器来识别存在交通信号灯区域的图像的状态,分类器采用定向梯度直方图HOG和灯泡HSV颜色直方图两个特征,并用支持向量机对定向梯度直方图HOG和灯泡HSV颜色直方图两个特征进行集成和训练;
在训练过程中,首先通过网格搜索的方法确定最优的径向基核函数的参数γ以及惩罚因子C,然后通过训练集的学习,寻找到支持向量集,初步确定拉格朗日乘子ai和偏移系数b,再利用测试集对得到的支持向量机模型相关参数进行调整优化,最终确定支持向量机模型最优分类面的决策函数的参数;
当支持向量机模型训练完成后,将检测器传递来的每一张图像带入到每个支持向量机模型的决策函数中,最终通过投票法从支持向量机模型的结果中决定出图像的分类类别,从而确定出交通信号灯的状态。
更进一步地,用支持向量机对定向梯度直方图HOG和灯泡HSV颜色直方图两个特征进行集成和训练,具体包括以下步骤:
步骤b1:将样本图像归一化为48×48像素大小,选择归一化的样本图像的定向梯度直方图HOG和灯泡HSV颜色直方图作为归一化的样本图像的特征值,构成特征值矢量x=(p1,p2),x表示特征值矢量,p1表示定向梯度直方图特征值,p2表示灯泡HSV颜色直方图特征值,将特征值矢量x=(p1,p2)作为输入,将交通信号灯的状态y作为输出,构成交通信号灯状态样本集;
其中,在图像的定向梯度直方图的提取中,选取大小为6×6像素的细胞单元,每个细胞单元是9个bin,取矩形的区间Block为2×2,将图像的定向梯度直方图提取出来后运用主成分分析法对数据进行降维得到最终值;
其中,交通信号灯的状态共有三种:红灯、绿灯、黄灯,分别对应y=1,y=2,y=3,将交通信号灯的状态y所对应的3种样本中各抽出4/5作为训练集,其余1/5作为测试集;
步骤b2:确定支持向量机SVM的数目:共构造3个分类器,分别为:红-绿支持向量机,样本集取自红灯亮和绿灯亮的样本集,取自红灯亮的样本,则y=1;取自绿灯亮的样本,则y=-1;红-黄支持向量机,样本集取自红灯亮和黄灯亮的样本集,取自红灯亮的样本,则y=1;取自黄灯亮的样本,则y=-1;绿-黄支持向量机,样本集取自绿灯亮和黄灯亮的样本集,取自绿灯亮的样本,则y=1;取自黄灯亮的样本,则y=-1,对这三个支持向量机分别进行训练;
步骤b3:支持向量机的训练:通过训练集确定样本集最优分类面的决策函数的相关参数的初始值;其中,相关参数包括最优核函数参数和惩罚因子;最优核函数参数采用网格搜索的方法进行确定;选用径向基核函数K(xi,x)=exp(-γ||xi-x||2)作为最优核函数来实现支持向量机从原来空间到特征空间的映射,式中γ为核参数,并引用了松弛因子ξi和惩罚因子C,将求解最优分类面的问题等价于求解如下式所示的凸二次规划问题:
式中,R(w)表示目标函数,w为最优分类面的法向量,C表示惩罚因子,ξi表示松弛因子,b为偏移系数,N为样本的数量,xi为样本特征矢量,yi为样本对应的交通信号灯状态;
应用拉格朗日乘子法并考虑满足Karush-Kuhn-Tucker条件,求得最优分类面的决策函数为:
式中,f(x)表示最优分类面的决策函数,Sgn为符号函数,ai为每个样本对应的拉格朗日乘子,x为目标特征向量,SV表示支持向量。
进一步地,还包括将S20确定出具有交通信号灯的图像输入到预先训练好的进行单目深度估计的神经网络中的步骤,通过输出图像中每个像素所对应的深度,结合S20检测器输出的交通信号灯在图像中的区域,通过对区域内所有像素深度求平均的方法得出当前时刻车辆位置下交通信号灯的深度信息l,再结合S10得到的道路坡度角α,根据s=l/cosα,得到当前时刻车辆行驶到交通信号灯位置的路程s。
本发明的另一发明目的,在于提供一种下坡路上交通信号灯识别***,包括:
存储器,用于存储可由处理器执行的指令;
处理器,用于执行所述指令以实现如上所述的方法。
本发明的再一发明目的,在于提供一种计算机可读介质,存储有计算机程序代码,所述计算机程序代码在由处理器执行时实现如上所述的方法。
本发明的有益效果是:
(1)本专利提出了一种利用正常视场相机以及坡度传感器和相机角度调节器组成的下坡路上的交通信号灯识别***。正常视场相机相比宽视场相机图像信息量小,增加了算法对图像的处理速度,相机角度调节器可以根据坡度传感器反馈的道路坡度信息调节相机的角度,使在倾斜道路上的车辆也能探测到处于坡路结束处平地上的交通信号灯。本专利下坡路上交通信号灯识别方法不降低图像处理速度,能快速、实时、准确识别下坡路上交通信号灯状态,有利于车辆特别是高级辅助驾驶车辆或自动驾驶车辆的安全行驶。
(2)本专利通过利用坡度角来调节相机观测角度的方法,使车辆在下坡路上仍能准确的观测到交通信号灯,并使用基于类Haar特征的AdaBoost分类器来检测交通信号灯在图像中的区域,以及基于定向梯度直方图和灯泡HSV颜色直方图这两个特征,使用支持向量机(SVM)对这两个特征进行集成和训练来识别交通信号灯的状态。这两种方法处理速度更快、可靠性更好、泛化能力更强。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是现有技术车辆在下坡路上对信号灯识别存在局限性的场景示意图。
图2是本发明具体实施方式中下坡路上交通信号灯识别***的结构示意图。
图3是本发明具体实施方式中交通信号灯区域划分示意图。
图4是本发明具体实施方式中训练AdaBoost分类器的算法结构示意图。
图5是本发明具体实施方式中采用的15种扩展的类Haar特征的示意图。
图6是本发明具体实施方式中级联分类器的构造示意图。
图7是本发明具体实施方式中对相机传来的图像中是否存在具有交通信号灯的区域进行分类识别的过程流程图。
图8是本发明具体实施方式中识别器对区域中的交通信号灯的状态进行识别的过程流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下坡路上交通信号灯识别方法,如图2所示,包括以下步骤:
S10、根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度。
S11、通过坡度传感器在当前状态行驶时和在水平路况状态行驶时输出的电压信号之间的关系获取车辆当前状态行驶时的道路坡度角α。
由于坡度传感器输出的电压信号伴随有很大的噪声,很难直接用于坡度获取,因此坡度传感器输出的电压信号在用于坡度获取之前首先进行低通滤波信号处理,本发明一个具体优选方案中,采用有限脉冲响应滤波器作为滤波器对电压信号进行低通滤波信号处理。
坡度传感器根据当前状态行驶时输出的电压值Xout以及水平路况状态行驶时输出的电压值Xref,通过公式(1)计算得出当前状态行驶时的道路坡度角α:
α=arcsin[(Xout-Xref)/0.8] (1)。
S12、微型处理器接收坡度传感器传递的当前状态行驶时的道路坡度角α,根据公式(2)计算相机角度调节装置应该旋转的角度β,并将应该旋转的角度β值转换为相应的PWM信号值:
β=1.2α (2)。
S13、相机角度调节装置由舵机和相机固定装置组成,相机固定装置中固定设置相机,舵机接收微型处理器传递的PWM信号值,根据PWM信号值的脉宽时长调节舵机的转动角度,进而带动对相机朝向角的转动角度的调整。
其中,由于不同舵机转动的角度与PWM信号值脉宽时长的关系不同,所以由β值得到的PWM信号值没有一个固定的式子,根据舵机的型号来决定,这部分内容属于公知常识,本发明不再赘述。
S20、经调整朝向角转向角度后的相机拍摄车辆前方,形成图像,将拍摄的图像传递给检测器,检测器通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域。
本发明对分类器的具体结构不做限制,只要可以检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域即可。在一种优选的具体实施方式中,采用基于类Haar特征的AdaBoost分类器来检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域。交通信号灯在图像中的区域的划分如图3所示,每个交通信号灯的区域除了交通信号灯外还有四个L/2的角距,其中L为交通信号灯盒的高度。
使用基于类Haar特征的AdaBoost分类器来检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域包括两个过程:训练过程和识别过程。
训练过程一方面从大量类Haar特征中选取对分类识别起关键作用的类Haar特征,另一方面训练出可以准确识别出交通信号灯区域和非交通信号灯区域的AdaBoost分类器,为下一步识别过程做准备。
识别过程则使用训练过程提取的关键类Haar特征以及训练好的AdaBoost分类器来对相机传送过来的图像进行识别,识别得到具有交通信号灯的图像,以及交通信号灯在图像中的区域。
如图4所示,训练过程包括下述四个训练子过程,包括:
图像预处理;计算积分图;提取类Haar特征;训练AdaBoost分类器。
图像预处理:
将拍摄的图像分为两部分:一部分为具有交通信号灯的图像,作为交通信号灯训练样本;另一部分为不具有交通信号灯的图像,作为非交通信号灯训练样本;
将所有的交通信号灯训练样本和非交通信号灯训练样本均归一化为128×128的灰度图,作为归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本。
计算积分图:
分别计算每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图。
提取类Haar特征:如图5所示,本发明的扩展的类Haar特征共分为4大类共15种特征,将每个类Haar特征的大小设置为2×1,根据计算的每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图,计算并提取每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本图像的15种不同尺寸的类Haar特征,用于描述交通信号灯的边缘及结构特征。
训练AdaBoost分类器:
训练AdaBoost分类器的过程包括:构建弱分类器;构建强分类器;构建级联分类器。
构建弱分类器:选择上述15种类Haar特征中的某一类Haar特征作为输入,通过训练获得这一类Haar特征的弱分类器hj(x),每个弱分类器hj(x)都由所选择的类Haar特征值和一个阈值构成,其形式如式(3)所示:
式中,x表示样本,fj(x)表示第j个类Haar特征在样本x上所对应的特征值,pj决定不等式的正负,θj表示分类器hj(x)中的类Haar特征值对应的阈值。
构建强分类器:经多次弱分类器训练,每次训练中不断增加被错误分类的样本的权重,减少被正确分类的样本的权重,使得在该弱分类器被错误分类的样本在接下来的训练中可以重点对其训练,提高训练的准确性,继续训练,从每次训练中挑选出最优弱分类器(当次训练过程中误差最小的弱分类器),线性组合成分类能力更好的强分类器,具体训练过程为:
选定一个样本数目为n的训练集,共有a个交通信号灯训练样本,b个非交通信号灯训练样本,n=a+b,样本集为(x1,y1),(x2,y2),...,(xn,yn),xi为第i个样本,yi用来说明xi是交通信号灯训练样本还是非交通信号灯训练样本,当yi=0时,则xi是非交通信号灯训练样本;当yi=1时,则xi是交通信号灯训练样本。
初始化样本权重:所有交通信号灯训练样本的权重为1/2a,所有非交通信号灯训练样本的权重为1/2b。
对于训练次数t=1,…,T时,训练得到最优弱分类器的过程为:
步骤a1、将本轮所有样本的权重归一化(使得本轮所有样本的权重之和为1):
式中,Wt,i表示第t次训练中第i个样本归一化后的权重,wt,i表示第t次训练中第i个样本的权重,wt,j表示第t次训练中第j个样本的权重,j表示第j个样本,n表示样本总数,本发明n为15。
步骤a2、根据每个类Haar特征j训练弱分类器hj,对样本集中样本是否属于交通信号灯训练样本进行分类,并计算样本集分类的误差:
式中,εj表示样本集分类的误差,hj(xi)为弱分类器hj对样本xi分类的结果。
步骤a3、从每次训练中挑选出最优(即误差最小)弱分类器;更新权重:如果样本被分类正确,则εt表示第t次训练的错误率,如果样本被错误分类,Wt+1,i=Wt,i;线性组合T个最优弱分类器成强分类器,强分类器的公式如下式所示:
构建级联分类器:采取了“cascade”级联的方法,级联是一种将多个强分类器按分类能力由小到大串联起来的方法,如图6所示,每一级强分类器将负样本分出去,剩余的样本进入下一级强分类器,通过最后一个强分类器的预测得到正样本。
基于以上构建的级联分类器,训练样本集,从而获得那些对分类识别起关键作用的特征以及最终的分类器。
对相机传来的图像中是否具有交通信号灯进行分类识别;识别过程为:如图7所示,对相机传来的图像中是否存在具有交通信号灯的区域进行分类识别包括图像预处理、计算积分图、提取类Haar特征以及应用训练后的AdaBoost分类器进行分类识别;
其中图像预处理和计算积分图与训练过程类似;提取类Haar特征即是利用训练过程所选择的类Haar特征信息包括位置、结构及类型信息来计算相应的类Haar特征特征值,构成特征向量;使用训练过程训练好的AdaBoost分类器利用所得到的特征向量对相机传来的图像中是否存在具有交通信号灯的区域进行检测,输出最终的分类识别结果。
S30、检测器将识别出的存在交通信号灯区域的图像传递给识别器,识别器对区域中的交通信号灯的状态进行识别,输出当前交通信号灯的状态。
本发明对识别器的具体结构不做限制,只要可以对区域中的交通信号灯的状态进行识别,输出当前交通信号灯的状态即可。在一种优选的具体实施方式中,识别器由一种分类器来识别前一步识别出的存在交通信号灯区域的图像的状态。上述分类器采用定向梯度直方图和灯泡HSV颜色直方图这两个特征,并用支持向量机(SVM)对这两个特征进行集成和训练。如图8所示,使用支持向量机的训练步骤如下所述:
步骤b1:由于支持向量机(SVM)是一种两类分类器,交通信号灯状态分类是个三类分类问题,采用1-a-1算法将支持向量机扩展到解决交通信号灯的三分类问题。
将样本图像归一化为48×48像素大小,选择归一化的样本图像的定向梯度直方图(HOG)和灯泡HSV颜色直方图作为归一化的样本图像的特征值,构成特征值矢量x=(p1,p2),x表示特征值矢量,p1表示定向梯度直方图特征值,p2表示灯泡HSV颜色直方图特征值,将特征值矢量x=(p1,p2)作为输入,将交通信号灯的状态y作为输出,构成交通信号灯状态样本集。
其中,在图像的定向梯度直方图的提取中,选取大小为6×6像素的细胞单元,每个细胞单元是9个bin,取矩形的区间Block为2×2,将图像的定向梯度直方图提取出来后运用主成分分析法对数据进行降维得到最终值。
其中,交通信号灯的状态共有三种:红灯、绿灯、黄灯,分别对应着y=1,y=2,y=3,将交通信号灯的状态y所对应的3种样本中各抽出4/5作为训练集,其余1/5作为测试集。
步骤b2:确定支持向量机(SVM)的数目:共构造3个分类器,分别为:红-绿(1-2)支持向量机,样本集取自红灯亮和绿灯亮的样本集,如果取自红灯亮的样本,则y=1;如果取自绿灯亮的样本,则y=-1;红-黄(1-3)支持向量机,样本集取自红灯亮和黄灯亮的样本集,如果取自红灯亮的样本,则y=1;如果取自黄灯亮的样本,则y=-1;绿-黄(2-3)支持向量机,样本集取自绿灯亮和黄灯亮的样本集,如果取自绿灯亮的样本,则y=1;如果取自黄灯亮的样本,则y=-1。对这三个支持向量机分别进行训练。
步骤b3:支持向量机的训练:通过训练集确定样本集最优分类面的决策函数的相关参数的初始值;其中,相关参数包括最优核函数参数和惩罚因子;最优核函数参数采用网格搜索的方法进行确定;本发明选用径向基核函数K(xi,x)=exp(-γ||xi-x||2)作为最优核函数来实现支持向量机从原来空间到特征空间的映射,式中γ为核参数,并引用了松弛因子ξi和惩罚因子C,将求解最优分类面的问题等价于求解下式的凸二次规划问题:
式中,R(w)表示目标函数,w为最优分类面的法向量,C表示惩罚因子,ξi表示松弛因子,b为偏移系数,N为样本的数量,xi为样本特征矢量,yi为样本对应的交通信号灯状态。
应用拉格朗日乘子法并考虑满足Karush-Kuhn-Tucker条件,则可求得最优分类面的决策函数为:
式中,f(x)表示最优分类面的决策函数,Sgn为符号函数,ai为每个样本对应的拉格朗日乘子,x为目标特征向量,SV表示支持向量。
在训练过程中,首先通过网格搜索的方法确定最优的径向基核函数的参数γ以及惩罚因子C,然后通过训练集的学习,寻找到支持向量集,初步确定拉格朗日乘子ai和偏移系数b,再利用测试集对得到的支持向量机模型相关参数进行调整优化,最终确定支持向量机模型最优分类面的决策函数的参数。
当支持向量机模型训练完成后,即把它应用到本发明的模型中,将检测器传递来的每一张图像带入到每个支持向量机模型的决策函数中,最终通过投票法从这些支持向量机模型的结果中决定出图像的分类类别,从而确定出交通信号灯的状态。
本申请还可以包括将S20确定出具有交通信号灯的图像输入到预先训练好的进行单目深度估计的神经网络中的步骤,通过输出图像中每个像素所对应的深度,结合S20检测器输出的交通信号灯在图像中的区域,通过对区域内所有像素深度求平均的方法得出当前时刻车辆位置下交通信号灯的深度信息l,再结合S10得到的道路坡度角α,根据s=l/cosα,得到当前时刻车辆行驶到交通信号灯位置的路程s。
预先训练好的进行单目深度估计的神经网络为成熟的现有技术,只要具有单目深度估计功能的神经网络均可实现,本申请不再赘述。
下坡路上交通信号灯识别***包括以下三个模块:
(1)相机角度调节模块:如图2所示,相机角度调节模块包括坡度传感器、有限脉冲响应滤波器、微型处理器、相机角度调节装置。
其中,坡度传感器安装在主副驾驶座之间(接近汽车质量中心),且坡度传感器X轴的正方向与车辆坐标系的X轴正方向一致;相机角度调节装置包括舵机和相机固定装置。
坡度传感器将获取的道路坡度α传给微型处理器,微型处理器接收当前状态行驶时的道路坡度信息,计算出相机角度调节装置应该旋转的角度β,并将应该旋转的角度β值转换为相应的PWM信号值,舵机接受微型处理器传递来的PWM信号值,根据PWM信号值的脉宽时长调节舵机的转动角度,进而带动对相机朝向角的转动角度的调整。
(2)检测器模块:用于接收经调整朝向角转向角度后的相机拍摄车辆前方形成的图像,通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域。
(3)识别器模块:用于接收检测器识别出的存在交通信号灯区域的图像,对区域中的交通信号灯的状态进行识别,输出当前交通信号灯的状态。
上述下坡路上交通信号灯识别***可以实施为计算机程序,保存在硬盘中,并可记载到处理器中执行,以实施本发明实施例的方法。
本发明实施例还提供了一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现上述下坡路上交通信号灯识别方法。
下坡路上交通信号灯识别方法实施为计算机程序时,也可以存储在计算机可读存储介质中作为制品。例如,计算机可读存储介质可以包括但不限于磁存储设备(例如,硬盘、软盘、磁条)、光盘(例如,压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如,电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外,本发明实施例描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
应该理解,上述的实施例仅是示意。本发明描述的实施例可在硬件、软件、固件、中间件、微码或者其任意组合中实现。对于硬件实现,处理单元可以在一个或者多个特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器和/或设计为执行本发明所述功能的其它电子单元或者其结合内实现。
需要说明的是,在本申请中,诸如第一、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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.下坡路上交通信号灯识别方法,其特征在于,包括以下步骤:
S10、根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度;
S20、经调整朝向角转向角度后的相机拍摄车辆前方,形成图像,将拍摄的图像传递给检测器,检测器通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域;
S30、检测器将识别出的存在交通信号灯区域的图像传递给识别器,识别器对区域中的交通信号灯的状态进行识别,输出当前交通信号灯的状态。
2.根据权利要求1所述的下坡路上交通信号灯识别方法,其特征在于,S10中,所述根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度,包括以下步骤:
S11、首先采用有限脉冲响应滤波器对电压信号进行低通滤波信号处理,坡度传感器根据当前状态行驶时输出的电压值Xout以及水平路况状态行驶时输出的电压值Xref,通过α=arcsin[(Xout-Xref)/0.8]计算得出当前状态行驶时的道路坡度角α;
S12、微型处理器接收坡度传感器传递的当前状态行驶时的道路坡度角α,根据β=1.2α计算相机角度调节装置应该旋转的角度β,并将应该旋转的角度β值转换为相应的PWM信号值;
S13、相机角度调节装置由舵机和相机固定装置组成,相机固定装置中固定设置相机,舵机接收微型处理器传递的PWM信号值,根据PWM信号值的脉宽时长调节舵机的转动角度,进而带动对相机朝向角的转动角度的调整。
3.根据权利要求1所述的下坡路上交通信号灯识别方法,其特征在于,S20中,所述检测器通过分类器检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域,具体为:采用基于类Haar特征的AdaBoost分类器,检测具有交通信号灯的图像,并进一步检测交通信号灯在图像中的区域,包括两个过程:训练过程和识别过程;
训练过程一方面从大量类Haar特征中选取对分类识别起关键作用的类Haar特征,另一方面训练出准确识别出交通信号灯区域和非交通信号灯区域的AdaBoost分类器,为识别过程做准备;
识别过程使用训练过程提取的关键类Haar特征以及训练好的AdaBoost分类器来对相机传送过来的图像进行识别,识别得到具有交通信号灯的图像,以及交通信号灯在图像中的区域:
其中,所述识别过程具体为:对相机传来的图像中是否存在具有交通信号灯的区域进行分类识别:包括图像预处理;计算积分图;利用训练过程所选择的类Haar特征信息计算相应的类Haar特征特征值,构成特征向量;使用训练过程训练好的AdaBoost分类器,利用所得到的特征向量,对相机传来的图像中是否存在具有交通信号灯的区域进行检测,输出最终的分类识别结果。
4.根据权利要求3所述的下坡路上交通信号灯识别方法,其特征在于,所述训练过程包括四个训练子过程:图像预处理;计算积分图;提取类Haar特征;训练AdaBoost分类器;其中,
图像预处理:将拍摄的图像分为两部分:一部分为具有交通信号灯的图像,作为交通信号灯训练样本;另一部分为不具有交通信号灯的图像,作为非交通信号灯训练样本;将所有的交通信号灯训练样本和非交通信号灯训练样本均归一化为128×128的灰度图,作为归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本;
计算积分图:分别计算每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图;
提取类Haar特征:扩展的类Haar特征共分为4大类共15种特征,将每个类Haar特征的大小设置为2×1,根据计算的每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图,计算并提取每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本图像的15种不同尺寸的类Haar特征,用于描述交通信号灯的边缘及结构特征;
训练AdaBoost分类器,包括构建弱分类器、构建强分类器、构建级联分类器:
构建弱分类器:选择15种类Haar特征中的一类Haar特征作为输入,通过训练获得这一类Haar特征的弱分类器hj(x),每个弱分类器hj(x)都由所选择的类Haar特征值和一个阈值构成,其形式如下式所示:
式中,x表示样本,fj(x)表示第j个类Haar特征在样本x上所对应的特征值,pj决定不等式的正负,θj表示分类器hj(x)中的类Haar特征值对应的阈值;
构建强分类器:经多次弱分类器训练,每次训练中不断增加被错误分类的样本的权重,继续训练,从每次训练中挑选出最优弱分类器,线性组合成分类能力更好的强分类器;
构建级联分类器:采取cascade级联的方法,每一级强分类器将负样本分出去,剩余的样本进入下一级强分类器,通过最后一个强分类器的预测得到正样本;基于构建的级联分类器,训练样本集,从而获得对分类识别起关键作用的特征以及最终的分类器。
5.根据权利要求4所述的下坡路上交通信号灯识别方法,其特征在于,所述构建强分类器的具体训练过程为:
选定一个样本数目为n的训练集,共有a个交通信号灯训练样本,b个非交通信号灯训练样本,n=a+b,样本集为(x1,y1),(x2,y2),...,(xn,yn),xi为第i个样本,yi用来说明xi是交通信号灯训练样本还是非交通信号灯训练样本,当yi=0时,则xi是非交通信号灯训练样本;当yi=1时,则xi是交通信号灯训练样本;
初始化样本权重:所有交通信号灯训练样本的权重为1/2a,所有非交通信号灯训练样本的权重为1/2b;
对于训练次数t=1,…,T时,训练得到最优弱分类器的过程为:
步骤a1、将本轮所有样本的权重归一化:
式中,Wt,i表示第t次训练中第i个样本归一化后的权重,wt,i表示第t次训练中第i个样本的权重,wt,j表示第t次训练中第j个样本的权重,j表示第j个样本,n表示样本总数;
步骤a2、根据每个类Haar特征j训练弱分类器hj,对样本集中样本是否属于交通信号灯训练样本进行分类,并计算样本集分类的误差:
式中,εj表示样本集分类的误差,hj(xi)为弱分类器hj对样本xi分类的结果。
步骤a3、从每次训练中挑选出最优弱分类器;更新权重:如果样本被分类正确,则εt表示第t次训练的错误率,如果样本被错误分类,Wt+1,i=Wt,i;线性组合T个最优弱分类器成强分类器,强分类器的公式如下式所示:
6.根据权利要求1所述的下坡路上交通信号灯识别方法,其特征在于,S30中,所述识别器对区域中的交通信号灯的状态进行识别,具体为:
由分类器来识别存在交通信号灯区域的图像的状态,分类器采用定向梯度直方图HOG和灯泡HSV颜色直方图两个特征,并用支持向量机对定向梯度直方图HOG和灯泡HSV颜色直方图两个特征进行集成和训练;
在训练过程中,首先通过网格搜索的方法确定最优的径向基核函数的参数γ以及惩罚因子C,然后通过训练集的学习,寻找到支持向量集,初步确定拉格朗日乘子ai和偏移系数b,再利用测试集对得到的支持向量机模型相关参数进行调整优化,最终确定支持向量机模型最优分类面的决策函数的参数;
当支持向量机模型训练完成后,将检测器传递来的每一张图像带入到每个支持向量机模型的决策函数中,最终通过投票法从支持向量机模型的结果中决定出图像的分类类别,从而确定出交通信号灯的状态。
7.根据权利要求6所述的下坡路上交通信号灯识别方法,其特征在于,所述用支持向量机对定向梯度直方图HOG和灯泡HSV颜色直方图两个特征进行集成和训练,具体包括以下步骤:
步骤b1:将样本图像归一化为48×48像素大小,选择归一化的样本图像的定向梯度直方图HOG和灯泡HSV颜色直方图作为归一化的样本图像的特征值,构成特征值矢量x=(p1,p2),x表示特征值矢量,p1表示定向梯度直方图特征值,p2表示灯泡HSV颜色直方图特征值,将特征值矢量x=(p1,p2)作为输入,将交通信号灯的状态y作为输出,构成交通信号灯状态样本集;
其中,在图像的定向梯度直方图的提取中,选取大小为6×6像素的细胞单元,每个细胞单元是9个bin,取矩形的区间Block为2×2,将图像的定向梯度直方图提取出来后运用主成分分析法对数据进行降维得到最终值;
其中,交通信号灯的状态共有三种:红灯、绿灯、黄灯,分别对应y=1,y=2,y=3,将交通信号灯的状态y所对应的3种样本中各抽出4/5作为训练集,其余1/5作为测试集;
步骤b2:确定支持向量机SVM的数目:共构造3个分类器,分别为:红-绿支持向量机,样本集取自红灯亮和绿灯亮的样本集,取自红灯亮的样本,则y=1;取自绿灯亮的样本,则y=-1;红-黄支持向量机,样本集取自红灯亮和黄灯亮的样本集,取自红灯亮的样本,则y=1;取自黄灯亮的样本,则y=-1;绿-黄支持向量机,样本集取自绿灯亮和黄灯亮的样本集,取自绿灯亮的样本,则y=1;取自黄灯亮的样本,则y=-1,对这三个支持向量机分别进行训练;
步骤b3:支持向量机的训练:通过训练集确定样本集最优分类面的决策函数的相关参数的初始值;其中,相关参数包括最优核函数参数和惩罚因子;最优核函数参数采用网格搜索的方法进行确定;选用径向基核函数K(xi,x)=exp(-γ||xi-x||2)作为最优核函数来实现支持向量机从原来空间到特征空间的映射,式中γ为核参数,并引用了松弛因子ξi和惩罚因子C,将求解最优分类面的问题等价于求解如下式所示的凸二次规划问题:
式中,R(w)表示目标函数,w为最优分类面的法向量,C表示惩罚因子,ξi表示松弛因子,b为偏移系数,N为样本的数量,xi为样本特征矢量,yi为样本对应的交通信号灯状态;
应用拉格朗日乘子法并考虑满足Karush-Kuhn-Tucker条件,求得最优分类面的决策函数为:
式中,f(x)表示最优分类面的决策函数,Sgn为符号函数,ai为每个样本对应的拉格朗日乘子,x为目标特征向量,SV表示支持向量。
8.根据权利要求1所述的下坡路上交通信号灯识别方法,其特征在于,还包括将S20确定出具有交通信号灯的图像输入到预先训练好的进行单目深度估计的神经网络中的步骤,通过输出图像中每个像素所对应的深度,结合S20检测器输出的交通信号灯在图像中的区域,通过对区域内所有像素深度求平均的方法得出当前时刻车辆位置下交通信号灯的深度信息l,再结合S10得到的道路坡度角α,根据s=l/cosα,得到当前时刻车辆行驶到交通信号灯位置的路程s。
9.一种下坡路上交通信号灯识别***,其特征在于,包括:
存储器,用于存储可由处理器执行的指令;
处理器,用于执行所述指令以实现如权利要求1~8任一项所述的方法。
10.一种计算机可读介质,其特征在于,存储有计算机程序代码,所述计算机程序代码在由处理器执行时实现如权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267619.9A CN112990002B (zh) | 2021-03-12 | 2021-03-12 | 下坡路上交通信号灯识别方法、***及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267619.9A CN112990002B (zh) | 2021-03-12 | 2021-03-12 | 下坡路上交通信号灯识别方法、***及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990002A true CN112990002A (zh) | 2021-06-18 |
CN112990002B CN112990002B (zh) | 2023-04-18 |
Family
ID=76335046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267619.9A Active CN112990002B (zh) | 2021-03-12 | 2021-03-12 | 下坡路上交通信号灯识别方法、***及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990002B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2008264146A1 (en) * | 2007-12-24 | 2009-07-09 | Haim Gadassi | System and method for improved electric cars and/or electric car batteries and/or improved infrastructures for recharging electric cars. |
CN102213589A (zh) * | 2010-04-09 | 2011-10-12 | 常州机械电子工程研究所 | 数字坡度传感器 |
CN102968646A (zh) * | 2012-10-25 | 2013-03-13 | 华中科技大学 | 一种基于机器学习的车牌检测方法 |
CN103150547A (zh) * | 2013-01-21 | 2013-06-12 | 信帧电子技术(北京)有限公司 | 车辆跟踪方法及装置 |
CN105699095A (zh) * | 2016-01-27 | 2016-06-22 | 常州加美科技有限公司 | 一种无人驾驶车辆的测试方法 |
CN105809184A (zh) * | 2015-10-30 | 2016-07-27 | 哈尔滨工程大学 | 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法 |
US20160362050A1 (en) * | 2015-06-09 | 2016-12-15 | Lg Electronics Inc. | Driver assistance apparatus and control method for the same |
CN106767803A (zh) * | 2016-12-16 | 2017-05-31 | 杭州奥腾电子股份有限公司 | 利用陀螺仪调整摄像头避免道路目标漏检的方法及其装置 |
CN107097793A (zh) * | 2016-02-23 | 2017-08-29 | Lg电子株式会社 | 驾驶员辅助设备和具有该驾驶员辅助设备的车辆 |
CN107133597A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种日间前方车辆检测方法 |
JP2018081405A (ja) * | 2016-11-15 | 2018-05-24 | 本田技研工業株式会社 | 信号機認識装置、車両及び信号機認識方法 |
CN109835256A (zh) * | 2017-11-29 | 2019-06-04 | 长城汽车股份有限公司 | 一种汽车全景环视***、方法及汽车 |
CN109947110A (zh) * | 2019-04-02 | 2019-06-28 | 吉林大学 | 面向自动驾驶的车道自检算法在环仿真控制方法和*** |
CN110475702A (zh) * | 2017-02-22 | 2019-11-19 | 加特可株式会社 | 车辆控制装置及车辆控制方法 |
CN110979183A (zh) * | 2019-12-07 | 2020-04-10 | 吉利汽车研究院(宁波)有限公司 | 一种车辆盲区检测装置、方法及车辆 |
CN111806357A (zh) * | 2020-07-31 | 2020-10-23 | 北京小马慧行科技有限公司 | 交通信号灯的信号采集方法及采集装置 |
US20200384980A1 (en) * | 2019-06-04 | 2020-12-10 | Pony.ai, Inc. | Systems and methods for implementing a preemptive suspension control for an autonomous vehicle to improve ride quality |
-
2021
- 2021-03-12 CN CN202110267619.9A patent/CN112990002B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2008264146A1 (en) * | 2007-12-24 | 2009-07-09 | Haim Gadassi | System and method for improved electric cars and/or electric car batteries and/or improved infrastructures for recharging electric cars. |
CN102213589A (zh) * | 2010-04-09 | 2011-10-12 | 常州机械电子工程研究所 | 数字坡度传感器 |
CN102968646A (zh) * | 2012-10-25 | 2013-03-13 | 华中科技大学 | 一种基于机器学习的车牌检测方法 |
CN103150547A (zh) * | 2013-01-21 | 2013-06-12 | 信帧电子技术(北京)有限公司 | 车辆跟踪方法及装置 |
US20160362050A1 (en) * | 2015-06-09 | 2016-12-15 | Lg Electronics Inc. | Driver assistance apparatus and control method for the same |
CN105809184A (zh) * | 2015-10-30 | 2016-07-27 | 哈尔滨工程大学 | 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法 |
CN105699095A (zh) * | 2016-01-27 | 2016-06-22 | 常州加美科技有限公司 | 一种无人驾驶车辆的测试方法 |
CN107097793A (zh) * | 2016-02-23 | 2017-08-29 | Lg电子株式会社 | 驾驶员辅助设备和具有该驾驶员辅助设备的车辆 |
JP2018081405A (ja) * | 2016-11-15 | 2018-05-24 | 本田技研工業株式会社 | 信号機認識装置、車両及び信号機認識方法 |
CN106767803A (zh) * | 2016-12-16 | 2017-05-31 | 杭州奥腾电子股份有限公司 | 利用陀螺仪调整摄像头避免道路目标漏检的方法及其装置 |
CN110475702A (zh) * | 2017-02-22 | 2019-11-19 | 加特可株式会社 | 车辆控制装置及车辆控制方法 |
CN107133597A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种日间前方车辆检测方法 |
CN109835256A (zh) * | 2017-11-29 | 2019-06-04 | 长城汽车股份有限公司 | 一种汽车全景环视***、方法及汽车 |
CN109947110A (zh) * | 2019-04-02 | 2019-06-28 | 吉林大学 | 面向自动驾驶的车道自检算法在环仿真控制方法和*** |
US20200384980A1 (en) * | 2019-06-04 | 2020-12-10 | Pony.ai, Inc. | Systems and methods for implementing a preemptive suspension control for an autonomous vehicle to improve ride quality |
CN110979183A (zh) * | 2019-12-07 | 2020-04-10 | 吉利汽车研究院(宁波)有限公司 | 一种车辆盲区检测装置、方法及车辆 |
CN111806357A (zh) * | 2020-07-31 | 2020-10-23 | 北京小马慧行科技有限公司 | 交通信号灯的信号采集方法及采集装置 |
Non-Patent Citations (4)
Title |
---|
JULIAN MULLER 等: "Multi-camera system for traffic light detection: About camera setup and mapping of detections", 《2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
张雪芹 等: "基于类Haar特征和AdaBoost的车辆识别技术", 《华东理工大学学报(自然科学版)》 * |
朱梦超: "基于HOG-PCA和SVM的人行横道信号灯识别方法", 《工业控制计算机》 * |
谷明琴 等: "应用圆形度和颜色直方图的交通信号灯识别", 《计算机工程与设计》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990002B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1782335B1 (en) | Method for traffic sign detection | |
Chang et al. | Online boosting for vehicle detection | |
US8842883B2 (en) | Global classifier with local adaption for objection detection | |
US7724962B2 (en) | Context adaptive approach in vehicle detection under various visibility conditions | |
CN104091147B (zh) | 一种近红外眼睛定位及眼睛状态识别方法 | |
US8824742B2 (en) | Occupancy detection for managed lane enforcement based on localization and classification of windshield images | |
Shi et al. | Real-time traffic light detection with adaptive background suppression filter | |
CN102076531B (zh) | 车辆畅通路径检测 | |
CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
KR101596299B1 (ko) | 교통 표지판 인식 방법 및 장치 | |
JP2020524854A (ja) | 珍しい事例の分類 | |
Kuang et al. | Bayes saliency-based object proposal generator for nighttime traffic images | |
Kashevnik et al. | Seat belt fastness detection based on image analysis from vehicle in-abin camera | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN103632170A (zh) | 基于特征组合的行人检测方法及装置 | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
Biswas et al. | Detection and classification of speed limit traffic signs | |
US20230245466A1 (en) | Vehicle Lidar System and Object Classification Method Therewith | |
Wang et al. | Simultaneous multi-vehicle detection and tracking framework with pavement constraints based on machine learning and particle filter algorithm | |
CN112990002B (zh) | 下坡路上交通信号灯识别方法、***及计算机可读介质 | |
CN104463135B (zh) | 一种车标识别方法和*** | |
Manisha et al. | An online traffic sign recognition system for intelligent driver assistance | |
Chen et al. | Research on vehicle detection and tracking algorithm for intelligent driving | |
Kaja et al. | Two stage intelligent automotive system to detect and classify a traffic light |
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 |