CN113761967A - 一种识别方法及装置 - Google Patents
一种识别方法及装置 Download PDFInfo
- Publication number
- CN113761967A CN113761967A CN202010486131.0A CN202010486131A CN113761967A CN 113761967 A CN113761967 A CN 113761967A CN 202010486131 A CN202010486131 A CN 202010486131A CN 113761967 A CN113761967 A CN 113761967A
- Authority
- CN
- China
- Prior art keywords
- traffic light
- image
- images
- vehicle
- frames
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 20
- 239000003086 colorant Substances 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 description 28
- 230000006399 behavior Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种识别方法及装置,其中,所述方法包括:采集行车记录仪记录的一定时间内的至少两帧图像,对所述至少两帧图像进行预处理;识别预处理后的各帧图像中的停车线信息和交通灯信息;依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
Description
技术领域
本申请涉及图像处理技术,尤其涉及一种识别方法及装置。
背景技术
在现有技术中,一般采用在交通路口设置多个摄像头对车辆多角度拍摄的技术,识别车辆是否存在闯红灯行为。然而,在保险公司需要就车辆闯红灯事件进行理赔时,无法调用交通路口的摄像头拍摄的图像,只能通过人工查看车辆中行车记录仪中的图像,对车辆是否闯红灯进行人工确认,这种人工确认的方式耗费大量的人力和时间。
发明内容
为解决现有存在的技术问题,本申请提供一种识别方法及装置,能够实现车辆是否闯红灯的自动识别,避免耗费大量的人力和时间。
本申请的技术方案是这样实现的:
本申请实施例提供了一种识别方法,所述方法包括:
采集行车记录仪记录的一定时间内的至少两帧图像;
对所述至少两帧图像进行预处理;
识别预处理后的各帧图像中的停车线信息和交通灯信息;
依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;
在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;
从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;
依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
上述方案中,所述依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为,包括:
基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态;
从预处理后的所述至少两帧图像中的交通灯信息提取出所述至少两帧关联图像中的交通灯信息;
依据所述行车状态和所述至少两帧关联图像中的交通灯信息,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
上述方案中,所述识别预处理后的各帧图像中的停车线信息,包括:
识别预处理后的各帧图像的停车线感兴趣区域;
识别停车线感兴趣区域中是否存在纵向车道线和/或横向车道线;
将识别出的停车线感兴趣区域中存在的纵向车道线和/或横向车道线视为停车线信息。
上述方案中,所述从预处理后的所述至少两帧图像中识别出目标图像,包括:
对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别;
针对识别出包括有纵向车道线和/或横向车道线的各帧图像,将识别出纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点的图像确定为目标图像。
上述方案中,所述识别预处理后的各帧图像中的交通灯信息,包括:
从预处理后的各帧图像中识别出交通灯感兴趣区域;
依据交通灯感兴趣区域的宽高比,筛选出满足要求的交通灯感兴趣区域;
将样本数据和满足要求的交通灯感兴趣区域进行匹配,样本数据为表征为不同颜色和不同形状的交通灯的特征;
依据匹配结果,得到包括有满足要求的交通灯感兴趣区域的图像的交通灯区域以及该图像中的交通灯信息;
其中,所述交通灯信息包括表征不同颜色和不同形状的交通灯信息。
上述方案中,针对包括满足要求的交通灯感兴趣区域的图像中的至少部分第一图像,第一图像为无法依据所述匹配结果得到该图像中的交通灯信息的图像,
获得第一图像的满足要求的交通灯感兴趣区域;
将样本数据按照交通灯形状进行分类;
依据分类后的样本数据,将第一图像的满足要求的交通灯感兴趣区域进行形状的划分;
从划分为一定形状的交通灯感兴趣区域中识别出第一图像中的交通灯颜色和形状。
上述方案中,所述基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态,包括:
从预处理后的至少两帧图像中获取交通灯竖直位置,依据所述至少两帧关联图像中交通灯竖直位置的变化,确定车辆的行驶状态;所述行驶状态至少包括前进和停止;
从预处理后的至少两帧图像中获取交通灯水平位置,依据所述至少两帧关联图像中交通灯水平位置的变化,确定车辆的行车方向。
本申请实施例还提供了一种识别装置,所述装置包括采集单元、预处理单元、第一识别单元、第一确定单元、第二识别单元、获取单元和第二确定单元;其中,
所述采集单元,用于采集行车记录仪记录的一定时间内的至少两帧图像;
所述预处理单元,用于对所述至少两帧图像进行预处理;
所述第一识别单元,用于识别预处理后的各帧图像中的停车线信息和交通灯信息;
所述第一确定单元,用于依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;
所述第二识别单元,用于在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;
所述获取单元,用于从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;
所述第二确定单元,用于依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
上述方案中,所述第二确定单元还用于:
基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态;
从预处理后的所述至少两帧图像中的交通灯信息提取出所述至少两帧关联图像中的交通灯信息;
依据所述行车状态和所述至少两帧关联图像中的交通灯信息,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
上述方案中,所述第一识别单元,还用于:
识别预处理后的各帧图像的停车线感兴趣区域;识别停车线感兴趣区域中是否存在纵向车道线和/或横向车道线;将识别出的停车线感兴趣区域中存在的纵向车道线和/或横向车道线视为停车线信息。
上述方案中,所述第二识别单元,还用于:
对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别;
针对识别出包括有纵向车道线和/或横向车道线的各个图像,将识别出纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点的图像确定为目标图像。
上述方案中,所述第一识别单元还用于:
从预处理后的各帧图像中识别出交通灯感兴趣区域;
依据交通灯感兴趣区域的宽高比,筛选出满足要求的交通灯感兴趣区域;
将样本数据和满足要求的交通灯感兴趣区域进行匹配,样本数据为表征为不同颜色和不同形状的交通灯的特征;
依据匹配结果,得到包括有满足要求的交通灯感兴趣区域的图像的交通灯区域以及该图像中的交通灯信息;
其中,所述交通灯信息包括表征不同颜色和不同形状的交通灯信息。
上述方案中,针对包括满足要求的交通灯感兴趣区域的图像中的至少部分第一图像,第一图像为无法依据所述匹配结果得到该图像中的交通灯信息的图像,所述第一识别单元还用于:
获得第一图像的满足要求的交通灯感兴趣区域;
将样本数据按照交通灯形状进行分类;依据分类后的样本数据,将第一图像的满足要求的交通灯感兴趣区域进行形状的划分;
从划分为一定形状的交通灯感兴趣区域中识别出第一图像中的交通灯颜色和形状。
上述方案中,所述第二确定单元还用于:
从预处理后的至少两帧图像中获取交通灯竖直位置,依据所述至少两帧关联图像中交通灯竖直位置的变化,确定车辆的行驶状态;所述行驶状态至少包括前进和停止;
从预处理后的至少两帧图像中获取交通灯水平位置,依据所述至少两帧关联图像中交通灯水平位置的变化,确定车辆的行车方向。
本申请提供了一种识别方法及装置,其中,所述识别方法包括:采集行车记录仪记录的一定时间内的至少两帧图像,对采集的至少两帧图像进行预处理,根据从预处理后的至少两帧图像中识别出的交通灯信息和停车线信息,确定车辆在一定时间内是否处于交通灯路口处,在车辆在一定时间内处于交通灯路口处的情况下,从预处理后的至少两帧图像中识别出首次压停车线的图像为目标图像,获得在时间上与目标图像邻近的至少两帧关联图像,依据至少两帧关联图像确定车辆在一定时间内是否闯红灯。本申请提供的识别方法,通过自动对行车记录仪中的图像进行采集和识别,不需要人工进行采集和识别,节省了大量人力和时间。此外,本申请实施例中的识别方法充分利用行车记录仪中的数据,无需额外采集数据。且能够利用行车记录仪中的在时间上与首次压停车线的图像邻近的至少两帧关联图像进行车辆是否闯红灯的行为的识别,从而实现了智能识别,无需人工识别,节省了人力和时间。这种利用关联图像进行闯红灯行为的自动识别,可提高识别准确性。
在依据至少两帧关联图像确定车辆在交通灯路口是否闯红灯的技术方案中,本申请根据至少两帧关联图像中的交通灯竖直位置和交通灯水平位置确定车辆处于交通灯路口时的行车状态,可提高识别的准确性;
在识别至少两帧图像中的停车线信息的技术方案中,本申请通过对预处理后的各帧图像中的停车线信息自动识别,以避免人工检阅而花费大量的人力和时间,提供了识别效率,降低了识别所需的成本;
在识别至少两帧图像中的目标图像的技术方案中,本申请根据停车线信息中纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点,确定车辆首次压停车线的图像为目标图像,提高了识别的准确性;
在识别至少两帧图像中的交通灯信息的技术方案中,本申请对至少两帧图像进行预处理,识别出交通灯感兴趣区域,按照交通灯感兴趣区域的宽高比筛选出满足要求的交通灯感兴趣区域,可自动按照交通灯区域的宽高比从交通灯区域中筛选出满足要求的交通灯区域,与人工处理相比,缩短了处理时间,进而提高识别各帧图像中的交通灯信息的效率;进一步的,本申请将样本数据与将满足要求的交通灯感兴趣区域进行匹配,能够依据全面考虑实际生活中的交通灯的形状和颜色(交通灯信息)而获得的样本数据,提高匹配的准确性;
本申请还考虑到存在有无法依据所述匹配结果得到该图像中的交通灯信息的图像,通过将该类图像与按照形状分类后的样本数据匹配,依据匹配结果,可确保将包括满足要求的交通灯感兴趣区域的图像中的交通灯区域和交通灯信息都识别出来,防止遗漏掉部分包括满足要求的图像中的交通灯区域和交通灯信息,提高了识别车辆闯红灯行为的严谨性;
在确定车辆在一定时间内是否位于交通灯路口的技术方案中,本申请根据停车线信息和交通灯信息的结合,对车辆是否处于交通灯路口进行识别,可避免对交通灯路口识别不准确的情况发生,提高根据行车记录仪中至少两帧图像自动识别车辆闯红灯行为的准确性。
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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种识别方法的流程示意图;
图2为本申请实施例提供的一种识别满足要求的交通灯感兴趣区域的坐标示意图;
图3为本申请实施例提供的交通灯样本数据示意图;
图4为本申请实施例提供的一种识别车辆行车状态的坐标示意图;
图5为本申请实施例提供的一种识别装置的流程示意图;
图6为本申请实施例提供的一种识别方法的应用场景示意图一;
图7为本申请实施例提供的一种识别方法的应用场景示意图二;
图8为本申请实施例提供的一种识别交通灯信息的流程示意图;
图9为本申请实施例提供的一种识别停车线信息和行车状态的流程示意图;
图10为本申请实施例提供的一种识别装置的硬件构成示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,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,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
目前的技术中,通常采用在十字路口(交通灯路口)的多个位置安装摄像头,从多个角度对车辆外部进行拍摄的方式,识别车辆是否存在闯红灯行为。而本申请实施例为了方便非交通部门的人员或组织(如保险公司)确定车辆在十字路口是否存在闯红灯行为,提供了一种识别方法,利用车辆内部的行车记录仪拍摄的图像,识别车辆的闯红灯行为。如图1所示,为本申请实施例提供的识别方法的流程示意图,所述方法包括:
(步骤)S101:采集行车记录仪记录的一定时间内的至少两帧图像;
S102:对所述至少两帧图像进行预处理;
为了确定车辆在一定时间内经过某个交通灯路口时是否闯红灯,对行车记录仪记录的一定时间内的至少两帧图像进行采集,并对至少两帧图像进行预处理。具体的,所述预处理的步骤依次为对至少两帧图像中的各帧图像灰度化、二值化和边缘检测。
其中,灰度化为将图像中的每个像素点的三个参数R(Red,红色)、G(Green,绿色)和B(Blue,蓝色)的参数值设置为相同的数值,以简化图像中的色彩数据,一般情况下灰度化数值可以取原始像素点的R、G和B参数的平均值或者加权平均值,也可以取R、G和B中的一个参数(例如R)的值。以一帧图像中的像素点F为例,F的R、G和B参数分别为50、180和220,计算50、180和220的平均值得到150,更新F的R、G和B参数均为150。
二值化为,将灰度化后的图像中大于设定的阈值的像素点的R、G和B参数值设置为最大值255,小于或等于设定的阈值的像素点的R、G和B参数值设置为最小值0,使得图像中的每个像素点的R、G和B参数值只为0或255,在进一步简化图像中的色彩数据的同时,还突出了图像中亮度变化明显的像素点,使图像中仅呈现亮度高的白色区域和亮度低的黑色区域。假设设定的阈值为150,灰度化后的像素点F的R、G和B参数为150,则更新像素点F的R、G和B参数为0。
对二值化后的图像进行边缘检测,识别出图像中亮度变化明显的像素点,得到图像中亮度高的区域和亮度低的区域的边缘。显然,在各帧图像中,停车线信息和交通灯信息均为亮度高的区域,通过识别出亮度高的区域和亮度低的区域的边缘,可在图像中确定停车线信息和交通灯信息所在区域的边缘。
在对至少两帧图像进行预处理后,执行S103和S104。
S103:识别预处理后的所述各帧图像中的停车线信息和交通灯信息;
S104:依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;
可以理解,S101~S104的目的为获得预处理后的至少两帧图像中的停车线信息和交通灯信息,基于预处理后的至少两帧图像的这两种信息,确定车辆在所述一定时间内是否处于交通灯路口。并且,本申请实施例中所述的交通灯信息包括交通灯的形状和颜色,下文中描述的对交通灯信息的识别,具体是对交通灯形状和颜色的识别。
在执行完S102中的方法后,继续执行S103,以对预处理后的各帧图像中的停车线信息和交通灯信息进行识别。显然,S103中涉及到停车线信息和交通灯信息这两种不同的信息进行识别,基于此,将对停车线信息和交通灯信息的识别分别在第一部分和第二部分中进行说明。
先来看看第一部分:对预处理后的各帧图像中的停车线信息进行识别。所述识别预处理后的所述至少两帧图像中的停车线信息,包括:
第一步、识别预处理后的各帧图像的停车线感兴趣区域;
第二步、识别停车线感兴趣区域中是否存在纵向车道线和/或横向车道线;
第三步、将识别出的停车线感兴趣区域中存在的纵向车道线和/或横向车道线视为停车线信息。
从第一步中可知,为了准确判断车辆在一定时间内是否处于交通灯路口,需识别出采集的行车记录仪在一定时间内记录的各帧图像中车辆车头前方是否存在停车线信息,因此需先识别出车辆车头前方预设的停车线感兴趣区域。具体的,停车线感兴趣区域为根据预设长度和宽度在各帧图像中车辆的车头前方确定的一个矩形区域,用于识别车辆车头前方是否存在停车线信息。在车辆行驶状态为前进的状态的情况下,各帧图像中的停车线感兴趣区域中的图像信息不停的变化。
接着第一步中的方法,第二步中的方法为对预处理后的各帧图像中停车线感兴趣区域中是否存在横向车道线和/或纵向车道线进行识别,并在第三步中表明第二步中所识别的横向车道线和/或纵向车道线即为停车线信息,从而确定在停车线感兴趣区域中识别出横向车道线和/或纵向车道线的情况下,即为识别出所述停车线信息。
通过上述第一部分中的方案,可实现对预处理后的各帧图像中的停车线信息自动识别,以避免人工检阅而花费大量的人力和时间,提供了识别效率,降低了识别所需的成本。
在第一部分中识别预处理后的各帧图像中的停车线信息的方法实施的过程中,第二部分中的识别预处理后的各帧图像中的交通灯信息的方法可以同时实施,也可以不同时实施,具体看实际情况(如运行程序的硬件性能)而定。
接下来,再看看第二部分:对预处理后的各帧图像中的交通灯信息进行识别。所述识别所述各帧图像中的交通灯信息,包括:
第一步、从预处理后的各帧图像中识别出交通灯感兴趣区域;
第二步、依据交通灯感兴趣区域的宽高比,筛选出满足要求的交通灯感兴趣区域;
第三步、将样本数据和满足要求的交通灯感兴趣区域进行匹配,样本数据为表征为不同颜色和不同形状的交通灯的特征;
第四步、依据匹配结果,得到包括有满足要求的交通灯感兴趣区域的图像的交通灯区域以及该图像中的交通灯信息;其中,所述交通灯信息包括表征不同颜色和不同形状的交通灯信息。
首先在第一步中,从预处理后的各帧图像中识别出交通灯感兴趣区域。具体的方法为,对预处理后的各帧图像中亮度高的白色区域进行识别,将识别到的类似四边形的白色区域作为交通灯感兴趣区域,可对预处理后的各帧图像中的交通灯感兴趣区域进行识别。除了可采用对预处理后的各帧图像中的亮度高的白色区域进行识别的方式来识别出预处理后的各帧图像的交通灯感兴趣区域之外,为了得到边缘更接近四边形的白色区域,还可以采用膨胀操作对预处理后的图像进行预处理,并以此来实现对交通灯感兴趣区域的识别。具体的,针对预处理后的各帧图像(预处理后的各帧图像中均包括白色区域),对预处理后的各帧图像进行膨胀操作,该图像进行膨胀操作可使得图像中的白色区域被扩张,被扩张的白色区域可形成四边形凸面体,将预处理后的各帧图像中的一个或多个四边形凸面体识别为交通灯感兴趣区域。前述膨胀操作相当于在对交通灯感兴趣区域进行识别之前采用的预处理方案,这种预处理方案可凸显图像中的白色区域,从而使得交通灯感兴趣区域更加精确的被识别。
然后在第二步中,为了从交通灯感兴趣区域中筛选出满足要求的交通灯感兴趣区域,选取各帧图像中车辆上的一点为原点(如图像中车辆的中心点),将原点所在的水平线作为X轴,将原点所在的竖直线作为Y轴,建立二维坐标系。然后以对一帧图像中的一个交通灯感兴趣区域的处理为例,根据交通灯感兴趣区域中最高点和最低点的纵坐标,以及最左端的点和最右端的点的横坐标,得到交通灯感兴趣区域的最小外接矩形,以及它的宽度和高度,计算宽度与高度的比值,得到该图像中的该交通灯感兴趣区域的宽高比。在宽高比大于第一阈值、小于第二阈值的情况下,确定该交通灯感兴趣区域为满足要求的交通灯感兴趣区域,否则舍弃该交通灯感兴趣区域。其中,第一阈值小于第二阈值,第一阈值和第二阈值的取值视实际情况而定,一般选取接近1的小数,例如设置第一阈值为0.667,第二阈值为1.8。对第一步中的方案的进一步阐述,可参照下文对图2的详细描述,在此不作赘述。第二步中的方法,可自动按照交通灯区域的宽高比从交通灯区域中筛选出满足要求的交通灯区域,与人工处理相比,缩短了处理时间,进而提高识别各帧图像中的交通灯信息的效率。
接着在第三步中,为了识别包括满足要求的交通灯感兴趣区域的图像中的交通灯信息,根据交通灯信息的形状和颜色,确定各种形态的交通灯信息作为样本数据,基于样本数据对满足要求的交通灯感兴趣区域进行匹配,从而得到图像中的交通灯区域和交通灯信息。其中,交通灯信息的形状至少包括圆形和箭头形,颜色一般为三种(例如红色、绿色和黄色)。假设根据交通灯的形状为圆形和箭头形,以及根据交通灯的颜色为三种(例如红色、绿色和黄色)确定样本数据,可得到交通灯信息的十二种形态作为样本数据,包括圆形交通灯的三种颜色的形态(圆形红灯、圆形绿灯和圆形黄灯)和箭头形交通灯三种方向×三种颜色的九种形态(左转箭头形红灯、左转箭头形绿灯、左转箭头形黄灯,直行箭头形红灯、直行箭头形绿灯、直行箭头形黄灯,右转箭头形红灯、右转箭头形绿灯、右转箭头形黄灯),具体可参考图3中的十二种样本交通灯样本。在一种优选的方案中,采用卷积神经网络将包括满足要求的交通灯感兴趣区域的图像与样本数据匹配,具体为:将样本数据放入卷积神经网络作为参照对象,使用已知交通灯区域和交通灯信息的交通灯图像对卷积神经网络进行训练,得到可将已知交通灯图像与样本数据精确匹配的卷积神经网络。将包括满足要求的交通灯感兴趣区域的图像输入卷积神经网络,与卷积神经网络中的样本数据进行匹配,输出包括满足要求的交通灯感兴趣区域的图像中的交通灯区域,并确定该图像的交通灯信息,若识别不出交通灯区域,则确定该图像中无交通灯区域和交通灯信息。其中,卷积神经网络包括但不限于视觉几何网络(Visual Geometry Group Net,VGGNet)和Alex网络(AlexNet)等应用于图像分类的卷积神经网络,目的是对包括满足要求的交通灯感兴趣区域的图像中的交通灯区域进行识别,并确定该图像的交通灯信息。通过对实际生活中的交通灯的形状和颜色(交通灯信息)进行全面考虑,获得的样本数据,在用于与包括满足要求的交通灯感兴趣区域的图像进行匹配时,可提高匹配的准确性。
在第四步中,依据第二步中的匹配结果,从包括满足要求的交通灯感兴趣区域的图像中识别出该图像中的交通灯区域,判断该图像中是否存在交通灯区域和交通灯信息,并将存在交通灯区域和交通灯信息的图像中的交通灯区域和交通灯信息识别出来,这种自动识别的过程为识别车辆的闯红灯行为提高了效率。
在此需要说明的是,依据第三步中的匹配结果,包括满足要求的交通灯感兴趣区域的图像中的部分图像可识别出交通灯区域和交通灯信息,还有其他图像未能识别出交通灯区域和交通灯信息,将这些图像称为第一图像。在一个优选的方案里,为了判断第一图像是否存在交通灯区域和交通灯信息,需要执行第五步,以防止遗漏该图像中的交通灯区域和交通灯信息。
第五步、针对包括满足要求的交通灯感兴趣区域的图像中的至少部分第一图像,第一图像为无法依据所述匹配结果得到该图像中的交通灯信息的图像,获得第一图像的满足要求的交通灯感兴趣区域;将样本数据按照交通灯形状进行分类;依据分类后的样本数据,将第一图像的满足要求的交通灯感兴趣区域进行形状的划分;从划分为一定形状的交通灯感兴趣区域中识别出第一图像中的交通灯颜色和形状。
在第五步中,考虑到将全部样本数据与包括满足要求的交通灯感兴趣区域的图像进行匹配,会导致匹配结果不够精确,将样本数据按照交通灯的形状进行分类,将不同形状的样本数据分别与第一图像中满足要求的交通灯感兴趣区域进行匹配,从第一图像中识别出部分或全部图像的交通灯区域和交通灯信息。以一种形状的样本数据为例,在一种优选的方案中,采用卷积神经网络将第一图像与不同形状的样本数据匹配,具体为:将该形状的样本数据放入卷积神经网络作为参照对象,使用已知交通灯区域和交通灯信息的该形状的交通灯图像对卷积神经网络进行训练,得到可将已知交通灯图像与该形状的样本数据精确匹配的卷积神经网络区域。将第一图像输入卷积神经网络,与卷积神经网络中的该形状的样本数据进行匹配,根据匹配结果输出第一图像中对应该形状的第一图像中的满足要求的交通灯感兴趣区域,得到对应该形状的可识别出交通灯区域和交通灯信息的图像的交通灯区域,并确定该图像的交通灯信息,若识别不出交通灯区域,则确定利用该形状的样本数据仍无法识别出该图像的交通灯区域和交通灯信息,则利用另一形状的样本数据对未识别出交通灯区域和交通灯信息的部分第一图像进行识别。针对另一种形状的样本数据,以相同的原理训练卷积神经网络,将未识别出交通灯区域和交通灯信息的部分第一图像与该形状样本数据匹配,以此类推,最后仍无法识别交通灯区域的第一图像为无交通灯区域的图像。其中,卷积神经网络包括但不限于视觉几何网络(Visual Geometry Group Net,VGGNet)和Alex网络(AlexNet)等应用于图像分类的卷积神经网络,目的是对第一图像中的交通灯区域进行识别,并确定该图像的交通灯信息。通过该方案,可确保将包括满足要求的交通灯感兴趣区域的图像中的交通灯区域和交通灯信息都识别出来,防止遗漏掉部分包括满足要求的图像中的交通灯区域和交通灯信息,提高了识别车辆闯红灯行为的严谨性。
依据第一部分中识别出的预处理后的各帧图像的停车线信息和第二部分中识别出的预处理后的各帧图像的交通灯信息,执行S104,确定车辆是否处于交通灯路口。
在此需要说明的是,在判断车辆在一定时间内是否处于交通灯路口时,不能仅仅根据预处理后的一帧图像中识别出的停车线信息即判断该图像中的车辆位于交通灯路口,还要根据该图像中识别出的交通灯信息进行判断。如果仅根据停车线信息进行判断,会错误的将没有交通灯、但有停车线的路口识别为交通灯路口。如果仅根据交通灯信息识别,会将所有可识别到交通灯信息的图像均筛选为包括交通灯路口的图像。本申请基于以上考虑,根据停车线信息和交通灯信息的结合,对车辆是否处于交通灯路口进行识别,可避免对交通灯路口识别不准确的情况发生,提高根据行车记录仪中至少两帧图像自动识别车辆闯红灯行为的准确性。
确定车辆是否处于交通灯路口之后,执行S105,从预处理后的至少两帧图像中识别出目标图像,以确定车辆处于交通灯路口时,在哪帧图像中首次压停车线。
S105:在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;
具体的,停车线信息包括横向车道线和纵向车道线。相应的,所述从预处理后的所述至少两帧图像中识别出目标图像,包括:对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别;针对识别出包括有纵向车道线和/或横向车道线的各帧图像,将识别出纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点的图像确定为目标图像。
可以理解,车辆压停车线的情况下,对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别,可从预处理后的图像中识别出车头与横向车道线形成的纵向切点,还可从该图像中识别出纵向车道线上的断点,根据该图像中的停车线至少出现这两种情况中的一种,确定车辆首次压停车线的图像为目标图像。在从预处理后的至少两帧图像中确定出目标图像之后,执行S106和S107,确定与目标图像在时间上邻近的至少两帧关联图像,从而依据这至少两帧关联图像,确定车辆在一定时间内是否闯红灯。
S106:从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;
S107:依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
具体的,在时间上与所述目标图像邻近的图像可以为在目标图像出现之前的数帧图像和出现之后的数帧图像,并且,目标图像前后出现的图像的数量可相同,也可不同;也可以为在目标图像之前出现的一段时间内的图像和之后出现的一段时间内的图像,并且,目标图像前后出现的图像的时间段可相同,也可不同。其中,前后出现的邻近图像的帧数可设为30帧,前后出现的邻近图像的时间段可设为10秒内。
其中,所述依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为,包括:
第一步、基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态;
第二步、从预处理后的所述至少两帧图像中的交通灯信息提取出所述至少两帧关联图像中的交通灯信息;
第三步、依据所述行车状态和所述至少两帧关联图像中的交通灯信息,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
在此需要说明的是,确定所述至少两帧关联图像的交通灯信息的方法可参照上文中确定预处理后的至少两帧图像中的交通灯信息的方法(第二部分),因为本申请实施例在前述部分已对预处理后的至少两帧图像中的交通灯信息进行识别,所以可从已确定的预处理后的至少两帧图像中的交通灯信息提取出至少两帧关联图像中各帧图像的交通灯信息。
基于提取的至少两帧关联图像的交通灯信息,在第一步中根据至少两帧关联图像中的交通灯信息确定车辆在至少两帧关联图像的各帧图像中的行车状态,所述行车状态包括车辆的行驶状态和行车方向。其中,本申请实施例中的车辆的行驶状态包括前进和停止,行车方向包括左转、直行和右转。相应的,所述基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态,包括:
(1)从预处理后的至少两帧图像中获取交通灯竖直位置,依据所述至少两帧关联图像中交通灯竖直位置的变化,确定车辆的行驶状态;所述行驶状态至少包括前进和停止;
具体的,选取预处理后的各帧图像中拍摄到的车辆上的一点为原点(如图像中车辆的中心),将原点所在的水平线作为X轴,将原点所在的竖直线作为Y轴,建立二维坐标系。从至少两帧关联图像的各帧图像的交通灯区域中获得一个或多个点,基于一个点或多个点在当前帧中相对于前一帧中的纵坐标(竖直位置)的变化,确定车辆在当前帧中的行驶状态。对确定的每一帧中的车辆的行驶状态进行统计,根据统计结果得到车辆处于交通灯路口时的行驶状态。
(2)从预处理后的至少两帧图像中获取交通灯水平位置,依据所述至少两帧关联图像中交通灯水平位置的变化,确定所述目标图像中车辆的行车方向。
具体的,选取各帧图像中拍摄到的车辆上的一点为原点(如图像中车辆的中心),将原点所在的水平线作为X轴,将原点所在的竖直线作为Y轴,建立二维坐标系,该坐标系可与(1)中的坐标系相同。从至少两帧关联图像的各帧图像的交通灯区域中获得一个或多个点,基于一个点或多个点在当前帧中相对于前一帧中的横坐标(水平位置)的变化,确定车辆在当前帧中的行车方向。对确定的每一帧中的车辆的行车方向进行统计,根据统计结果得到车辆处于交通灯路口时的行车方向。
上述方案中,根据至少两帧关联图像中的交通灯竖直位置和交通灯水平位置确定车辆处于交通灯路口时的行车状态,可提高识别的准确性。
在第二步中从确定的预处理后的至少两帧图像的交通灯信息中提取出至少两帧关联图像的交通灯信息。具体方法可参照前述内容,在此不作赘述。
进而在第三步中,依据第一步中确定的所述第一时间内的车辆的行车状态和第二步中确定的所述第一时间内的交通灯方向,确定车辆在交通灯路口是否闯红灯。在车辆的行驶状态为前进的情况下,若车辆的行车方向与所述交通灯信息中红灯禁止前进的方向一致,则确定所述车辆在所述一定时间内存在闯红灯的行为。
接下来结合图2、图4、图6-9,对本申请实施例提供的一种识别方法作详细描述。假设交通灯为常用的红绿灯,常用的红绿灯按形状分类,包括圆形红绿灯和箭头形红绿灯。其中,圆形红绿灯包括红色圆灯、绿色圆灯和黄色圆灯;箭头形红绿灯具有三种方向的箭头,分别为左转箭头、直行箭头和右转箭头,这些箭头各具有三种颜色:红色、绿色和黄色。具体的,红绿灯的各种形态可参照图3中的样本数据。如图6所示,为圆形红绿灯的应用场景下,行车记录仪拍摄到的一帧图像。如图7所示,为箭头形红绿灯的应用场景下,行车记录仪拍摄到的一帧图像。在这两种应用场景下,本申请实施例提供的一种识别方法均能够使用。接下来以图6为例,对本申请实施例提供的一种识别方法进行详细说明。
如图6所示,这帧图像中包括停车线感兴趣区域和圆形交通灯区域。其中,停车线区域中的纵向车道线出现了断点,车辆的车头也与横向车道线形成了纵向切点,说明车辆在该帧图像中压了停车线。假设在图6中车辆首次压停车线,则图6为至少两帧中的目标图像。
介绍完图6后,接下来将通过图2、图4、图8和图9结合图6中的应用场景对本申请实施例提供的一种识别方法的具体原理进行详细描述。
为了判断车辆在一定时间内在某个交通灯路口是否闯红灯,首先对至少两帧图像进行预处理,从预处理后的至少两帧图像中识别图像中是否存在交通灯信息和停车线信息,根据这两种信息判断车辆是否位于交通灯路口。
读取行车记录仪在一定时间内记录的至少两帧图像,以其中一帧图像为例(如图6),结合图8说明对该帧中的交通灯信息进行识别的具体原理:
S801:读取一帧图像(如图6);
S802:对图像进行预处理,具体方法为:将图像进行灰度化处理,将图中每个像素的颜色参数G、R和B的值分别设置为的它们的平均值,将图像变成灰度图像。例如对其中一个像素点F,根据F的颜色参数G、R和B参数值求出这三个参数的平均值f,并更新G、R和B参数值为f。再将灰度图像进行二值化处理,以像素点F为例,在f大于预设阈值(例如150)的情况下将G、R和B参数值设为255,f小于或等于预设阈值(例如150)的情况下将G、R和B参数值设为0,以这种处理方式对灰度图像中的每个像素处理。这样得到的二值图像中亮度高的区域和亮度低的区域都很突出,进而对二值图像进行边缘检测,将亮度高的区域和亮度低的区域的边缘识别出来,确定图像中的亮度高的白色区域(疑似交通灯感兴趣区域),此时图像中的白色区域为一个或多个。
S803:识别交通灯感兴趣区域,具体方法为:预处理后的图像包括亮度高的类似四边形的白色区域(如图2所示),将该白色区域识别为交通灯感兴趣区域。除了该方法之外,还可先对预处理后的图像进行膨胀操作,膨胀操作会使得预处理后的图像中的一个或多个白色区域的边缘更接近四边形,得到图像中的一个或多个四边形凸面体,将该四边形凸面体确定为交通灯感兴趣区域。
S804:判断宽高比是否满足一定范围,是转S804a,否转S804b,具体方法为:如图2所示,选取各帧图像中车辆上的一点为原点(如图像中车辆的中心点),将原点所在的水平线作为X轴,将原点所在的竖直线作为Y轴,建立二维坐标系。获取交通灯感兴趣区域中最高点的纵坐标g2、最低点的纵坐标g1、最左端的点的横坐标k1和最右端的点的横坐标k2,根据这四个坐标的值确定交通灯感兴趣区域的最小外接矩形,计算其宽高比的值Z。在0.667<Z<1.8的情况下,将交通灯感兴趣区域确定为满足要求的交通灯感兴趣区域,转S804a;否则转S804b。
S804a:确定满足要求的交通灯感兴趣区域。转S805。
S804b:交通灯感兴趣区域不满足要求。结束。
S805:判断满足要求的交通灯感兴趣区域与样本数据是否匹配,具体的方法为:采用训练后的第一卷积神经网络将满足要求的交通灯感兴趣区域与样本数据对比,将识别出和样本数据中的任一交通灯信息一致的满足要求的交通灯感兴趣区域作为交通灯区域,并记录交通灯区域的交通灯信息,转S805a;否则转S805b。
S805a:识别交通灯区域和交通灯信息。
S805b:满足要求的交通灯感兴趣区域不匹配。
采用上述方案S801~S805b对采集的至少两帧图像进行识别,得到包括有交通灯区域、具有交通灯信息的图像。为了防止S804~S805未识别出所有具有交通灯信息的图像(第一图像),将样本数据按照圆形和箭头形进行分类。采用训练后的第二卷积神经网络将S805b中不匹配的满足要求的交通灯感兴趣区域与圆形样本数据对比,将识别出和圆形样本数据中的任一交通灯信息一致的满足要求的交通灯感兴趣区域作为交通灯区域,并记录交通灯区域的交通灯信息;采用训练后的第三卷积神经网络将第二卷积神经网络未识别出交通灯区域的满足要求的交通灯感兴趣区域与箭头形样本数据对比,将识别出和箭头形样本数据中的任一交通灯信息一致的满足要求的交通灯感兴趣区域作为交通灯区域,并记录交通灯区域的交通灯信息。其中,第一~三卷积神经网络均可通过但不限于视觉几何网络(Visual Geometry Group Net,VGGNet)和Alex网络(AlexNet)等应用于图像分类的卷积神经网络来实现。但是这三个卷积神经网络也存在不同,不同的卷积神经网络是由不同的训练样本得到的。可以理解,由于是由不同的训练样本得到的,因此这三个卷积神经网络中的至少部分权重参数存在不同。其中,第一卷积神经网络的权重参数是采用全部形状(圆形和箭头形)的交通灯样本数据训练得到的。第二卷积神经网络的权重参数是采用圆形交通灯样本数据训练得到的。第三卷积神经网络的权重参数是采用箭头形交通灯样本数据训练得到的。此处,为方便对它们的区分,将它们视为不同的卷积神经网络。
对至少两帧图像中的交通灯信息进行统计,按照交通灯的方向定义左转序列(记为序列L),直行序列(记为序列S)和右转序列(记为序列R)。按照交通灯的颜色,用0表示无交通灯,1表示绿灯,2表示黄灯,3表示红灯。将各帧图像中表示左转的灯的颜色进行统计,得到序列L,同理对各帧图像中表示直行和右转的灯的颜色进行相应处理。
为了对一定时间内车辆是否闯红灯进行精确的判断,结合图9中S911~S913和图8中流程确定的交通灯信息:左转序列L,直行序列S和右转序列R。分别计算目标图像与其前后30帧图像的交通灯信息加权值Ln、Sn和Rn,公式为:
其中,Ln、Sn和Rn分别为左转、直行和右转方向的交通灯信息加权值,i表示第i帧图像,以目标图像为第30帧图像作为参考,i的范围为0~60;εi表示对应于第i帧图像的加权系数,为根据每一帧图像的实际需求设的固定值;li、si和ri分别表示左转序列L,直行序列S和右转序列R中的第i位元素。将计算得到的Ln、Sn和Rn四舍五入,得到0则表示车辆在压线时无交通灯(交通灯坏掉或者切换),1则表示车辆压线时为绿色交通灯,2则表示车辆压线时为黄色交通灯,3则表示车辆压线时为红色交通灯。
在此需要说明的是,在圆形交通灯的情况下,一帧图像中的Ln、Sn和Rn中只有一个能得到1、2或3,其余均为0;在箭头形交通灯的情况下,一帧图像中的Ln、Sn和Rn的值各不相同。
以对图6中的一帧图像进行处理为例,对该帧中的停车线信息和行车状态进行识别的具体步骤参见图9:
S901~S902的具体步骤可参照图8中的S801~S802。
S903:识别停车线感兴趣区域,具体的方法为:参见图6中的停车线感兴趣区域,为根据预设长度(水平方向的边)和宽度在各帧图像中车辆的车头前方确定的一个矩形区域,例如设置矩形区域的长度为2米、宽度为1.5米,距离车头0厘米。
S904:识别停车线感兴趣区域中是否存在停车线信息,具体的方法为:基于预处理后的图像,判断停车线感兴趣区域中的亮度区域是否存在带状的白色区域,将纵向的带状的白色区域识别为纵向车道线,将横向的带状的白色区域识别为横向车道线,视纵向车道线和横向车道线为停车线信息。
S905:对预处理后的各帧图像进行纵向车道线的识别,判断车头是否与横向车道线形成纵向切点(参考图6中点Z),是转S907或者转S906继续判断;否转S906继续判断。
S906:对预处理后的各帧图像进行横向车道线的识别,判断纵向车道线是否出现断点(参考图6中点H),是转S907;否转S908。
S907:确定车辆压停车线。
S908:确定车辆未压停车线。
按照S901~S908识别出预处理后的至少两帧图像是否存在停车线信息,并将显示压停车线的图像记为1,将未压停车线和不存在停车线信息的图像记为0,按照时间顺序得到一组序列……1111000……,记为T。
S909:确定车辆首次压停车线的图像为目标图像,具体的方法为:将T序列中1与0交界处的1所表征的图像确定为目标图像。
S910:确定目标图像的前后30帧图像,具体的方法为:从预处理后的至少两帧图像中提取出目标图像前后各30帧(该值可视实际情况变动)的图像,这些图像在时间上为与目标图像邻近的图像,视为关联图像。
S911:判断相邻图像中交通灯区域的竖直位置差是否大于第三阈值,具体的方法为:参见图4,假设图4中建立的坐标系与图2中的坐标系相同。从至少两帧关联图像(共61帧)的各帧图像的交通灯区域中获得一个或多个点,基于一个点或多个点在当前帧中相对于前一帧中的纵坐标(竖直位置)的变化,确定交通灯区域的竖直位置差(正值),在竖直位置差大于第三阈值(例如0.2)的情况下,确定车辆在当前帧中为前进的行驶状态,转S911a,否则为停止的行驶状态,转S911b。
在此需要说明的是,S911中涉及两种确定当前帧中车辆竖直位移差的方法。
方法一:基于一个点在当前帧中相对于前一帧中的纵坐标(竖直位置)的变化,确定车辆在当前帧中的竖直位移差(正值)。在竖直位移差大于0.2的情况下,确定车辆在当前帧中为前进的行驶状态。如图4所示,假设相邻图像中的交通灯区域为绿1和绿2,且绿1属于前一帧,绿2属于当前帧。绿1的纵坐标为Y1,绿2的纵坐标Y2,将(Y2-Y1)作为竖直位移差。
方法二:基于多个点在当前帧中相对于前一帧中的纵坐标(竖直位置)的变化,确定车辆在当前帧中的竖直位置差(正值)。具体的,基于j个点在当前帧中相对于前一帧中的纵坐标(竖直位置)的变化,得到j个点在当前帧中的纵坐标{x11,x12,x13,...,x1j},在前一帧中的纵坐标{x21,x22,x23,...,x2j},根据欧式距离公式计算得到平均竖直位置差d,将d归一化得到归一化平均竖直位置d1,在归一化平均竖直位移d1大于0.2的情况下,确定车辆在当前帧中为前进的行驶状态。
S911a:车辆前进。
S911b:车辆停止。
S912:判断相邻图像中交通灯区域的水平位置差是否大于一正值。其中,该正值可取0.2,单位为米。
S913:判断相邻图像中交通灯区域的水平位置差是否大于一负值。其中,该负值可取-0.2,单位为米。
S912~S913的具体的方法为:参见图4,假设图4中建立的坐标系与图2中原理相同。获得识别出的交通灯区域的中心点,将该点的纵坐标表征为交通灯区域的水平位置。假设相邻图像中的交通灯区域为绿1和绿2,且绿1属于前一帧,绿2属于当前帧。绿1的横坐标为Q1,绿2的横坐标Q2,将(Q2-Q1)作为水平位置差。在水平位置差大于0.2的情况下,转S914,在水平位置差小于-0.2的情况下,转S916,否则转S915。
S914:车辆右转。
S915:车辆直行。
S916:车辆左转。
上述方案中,根据图8中的方法,可以得到至少两帧图像中的交通灯信息,根据图9中的方法,可以得到至少两帧图像中的停车线信息,并根据各帧图像中的停车线信息确定目标图像,进而确定在时间上与目标图像邻近的前后30帧图像,从至少两帧图像中的交通灯信息中提取出目标图像和其前后30帧的图像中的交通灯信息,确定在所述一定时间内的交通灯信息。依据目标图像和其前后30帧的图像中的交通灯竖直位置和水平,确定车辆在所述一定时间内的行驶状态和行车方向。若车辆在前进的状态下的行车方向与交通灯信息表征的禁止车辆前进的方向一致的话,则可以确定一定时间内车辆在交通灯路口处闯红灯。
具体的:在车辆在所述一定时间内左转前进的情况下,若交通灯信息表征为左转红灯;在车辆在所述一定时间内直行前进的情况下,若交通灯信息表征为直行红灯;或者,车辆在所述一定时间内右转前进的情况下,若交通灯信息表征为右转红灯;确定在所述一定时间内,车辆在交通灯路口闯红灯。
上述方案中的方法,实现了对行车记录仪在一定时间内记录的至少两帧图像的自动识别,根据识别出的交通灯信息、停车线信息和车辆行车状态,精确的判断车辆在交通灯路口是否闯红灯,具有良好的应用前景。
本申请实施例还提供了一种识别装置,如图5所示,所述装置包括采集单元51、预处理单元52、第一识别单元53、第一确定单元54、第二识别单元55、获取单元56和第二确定单元57;其中,
所述采集单元51,用于采集行车记录仪记录的一定时间内的至少两帧图像,
所述预处理单元52,用于对至少两帧图像进行预处理;
所述第一识别单元53,用于识别预处理后的所述各帧图像中的停车线信息和交通灯信息;
所述第一确定单元54,用于依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;
所述第二识别单元55,用于在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;
所述获取单元56,用于从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;
所述第二确定单元57,用于依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
上述方案中,所述第二确定单元57还用于:
基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态;
从预处理后的所述至少两帧图像中的交通灯信息提取出所述至少两帧关联图像中的交通灯信息;
依据所述行车状态和所述至少两帧关联图像中的交通灯信息,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
上述方案中,所述第一识别单元53,还用于:
识别预处理后的各帧图像的停车线感兴趣区域;识别停车线感兴趣区域中是否存在纵向车道线和/或横向车道线;将识别出的停车线感兴趣区域中存在的纵向车道线和/或横向车道线视为停车线信息。
上述方案中,所述第二识别单元55,还用于:
对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别;
针对识别出包括有纵向车道线和/或横向车道线的各个图像,将识别出纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点的图像确定为目标图像。
上述方案中,所述第一识别单元53还用于:
从预处理后的各帧图像中识别出交通灯感兴趣区域;
依据交通灯感兴趣区域的宽高比,筛选出满足要求的交通灯感兴趣区域;
将样本数据和满足要求的交通灯感兴趣区域进行匹配,样本数据为表征为不同颜色和不同形状的交通灯的特征;
依据匹配结果,得到包括有满足要求的交通灯感兴趣区域的图像的交通灯区域以及该图像中的交通灯信息;
其中,所述交通灯信息包括表征不同颜色和不同形状的交通灯信息。
上述方案中,针对包括满足要求的交通灯感兴趣的图像中的至少部分第一图像,第一图像为无法依据所述匹配结果得到该图像中的交通灯信息的图像,所述第一识别单元53还用于:
获得第一图像的满足要求的交通灯感兴趣区域;
将样本数据按照交通灯形状进行分类;依据分类后的样本数据,将第一图像的满足要求的交通灯感兴趣区域进行形状的划分;
从划分为一定形状的交通灯感兴趣区域中识别出第一图像中的交通灯颜色和形状。
上述方案中,所述第二确定单元57还用于:
从预处理后的至少两帧图像中获取交通灯竖直位置,依据所述至少两帧关联图像中交通灯竖直位置的变化,确定车辆的行驶状态;所述行驶状态至少包括前进和停止;
从预处理后的至少两帧图像中获取红交通灯水平位置,依据所述至少两帧关联图像中交通灯水平位置的变化,确定所述目标图像中车辆的行车方向。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时至少用于执行图1至图9任一所示方法的步骤。所述计算机可读存储介质具体可以为存储器。
本申请实施例还提供了一种识别装置。图10为本申请实施例的识别装置的硬件结构示意图,如图10所示,该装置包括:用于进行数据传输的通信组件10.3、至少一个处理器10.1和用于存储能够在处理器10.1上运行的计算机程序的存储器10.2。终端中的各个组件通过总线***10.4耦合在一起。可理解,总线***10.4用于实现这些组件之间的连接通信。总线***10.4除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图10中将各种总线都标为总线***10.4。
其中,所述处理器10.1执行所述计算机程序时至少执行图1至图9任一所示方法的步骤。
可以理解,存储器10.2可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read OnlyMemory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLinf Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本申请实施例描述的存储器72旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器10.1中,或者由处理器10.1实现。处理器10.1可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器10.1中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10.1可以是通用处理器、数字信号处理(Digital Signal Processing,DSP),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器10.1可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器10.2,处理器10.1读取存储器10.2中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,识别装置可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、FPGA、通用处理器、控制器、MCU、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述的识别方法。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、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。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种识别方法,其特征在于,所述方法包括:
采集行车记录仪记录的一定时间内的至少两帧图像;
对所述至少两帧图像进行预处理;
识别预处理后的各帧图像中的停车线信息和交通灯信息;
依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;
在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;
从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;
依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
2.根据权利要求1所述的方法,其特征在于,所述依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为,包括:
基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态;
从预处理后的所述至少两帧图像中的交通灯信息提取出所述至少两帧关联图像中的交通灯信息;
依据所述行车状态和所述至少两帧关联图像中的交通灯信息,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
3.根据权利要求1所述的方法,其特征在于,所述识别预处理后的各帧图像中的停车线信息,包括:
识别预处理后的各帧图像的停车线感兴趣区域;
识别停车线感兴趣区域中是否存在纵向车道线和/或横向车道线;
将识别出的停车线感兴趣区域中存在的纵向车道线和/或横向车道线视为停车线信息。
4.根据权利要求3所述的方法,其特征在于,所述从预处理后的所述至少两帧图像中识别出目标图像,包括:
对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别;
针对识别出包括有纵向车道线和/或横向车道线的各帧图像,将识别出纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点的图像确定为目标图像。
5.根据权利要求1所述的方法,其特征在于,所述识别预处理后的各帧图像中的交通灯信息,包括:
从预处理后的各帧图像中识别出交通灯感兴趣区域;
依据交通灯感兴趣区域的宽高比,筛选出满足要求的交通灯感兴趣区域;
将样本数据和满足要求的交通灯感兴趣区域进行匹配,样本数据为表征为不同颜色和不同形状的交通灯的特征;
依据匹配结果,得到包括有满足要求的交通灯感兴趣区域的图像的交通灯区域以及该图像中的交通灯信息;
其中,所述交通灯信息包括表征不同颜色和不同形状的交通灯信息。
6.根据权利要求5所述的方法,其特征在于,针对包括满足要求的交通灯感兴趣区域的图像中的至少部分第一图像,第一图像为无法依据所述匹配结果得到该图像中的交通灯信息的图像,
获得第一图像的满足要求的交通灯感兴趣区域;
将样本数据按照交通灯形状进行分类;
依据分类后的样本数据,将第一图像的满足要求的交通灯感兴趣区域进行形状的划分;
从划分为一定形状的交通灯感兴趣区域中识别出第一图像中的交通灯颜色和形状。
7.根据权利要求2所述的方法,其特征在于,所述基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态,包括:
从预处理后的至少两帧图像中获取交通灯竖直位置,依据所述至少两帧关联图像中交通灯竖直位置的变化,确定车辆的行驶状态;所述行驶状态至少包括前进和停止;
从预处理后的至少两帧图像中获取交通灯水平位置,依据所述至少两帧关联图像中交通灯水平位置的变化,确定车辆的行车方向。
8.一种识别装置,其特征在于,所述装置包括采集单元、预处理单元、第一识别单元、第一确定单元、第二识别单元、获取单元和第二确定单元;其中,
所述采集单元,用于采集行车记录仪记录的一定时间内的至少两帧图像;
所述预处理单元,用于对所述至少两帧图像进行预处理;
所述第一识别单元,用于识别预处理后的各帧图像中的停车线信息和交通灯信息;
所述第一确定单元,用于依据停车线信息和交通灯信息,确定车辆在所述一定时间内是否处于交通灯路口处;
所述第二识别单元,用于在识别为车辆在所述一定时间内处于交通灯路口处的情况下,从预处理后的所述至少两帧图像中识别出目标图像,所述目标图像表征为车辆在所述至少两帧图像中进行首次压停车线的图像;
所述获取单元,用于从预处理后的所述至少两帧图像中获得在时间上与所述目标图像邻近的至少两帧关联图像;
所述第二确定单元,用于依据所述至少两帧关联图像,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
9.根据权利要求8所述的装置,其特征在于,所述第二确定单元还用于:
基于所述至少两帧关联图像确定所述车辆在所述一定时间内的行车状态;
从预处理后的所述至少两帧图像中的交通灯信息提取出所述至少两帧关联图像中的交通灯信息;
依据所述行车状态和所述至少两帧关联图像中的交通灯信息,确定所述车辆在所述一定时间内是否存在闯红灯的行为。
10.根据权利要求8所述的装置,其特征在于,所述第一识别单元,还用于:
识别预处理后的各帧图像的停车线感兴趣区域;识别停车线感兴趣区域中是否存在纵向车道线和/或横向车道线;将识别出的停车线感兴趣区域中存在的纵向车道线和/或横向车道线视为停车线信息。
11.根据权利要求10所述的装置,其特征在于,所述第二识别单元,还用于:
对预处理后的各帧图像进行纵向车道线和/或横向车道线的识别;
针对识别出包括有纵向车道线和/或横向车道线的各个图像,将识别出纵向车道线首次出现断点和/或车辆的车头首次与横向车道线形成纵向切点的图像确定为目标图像。
12.根据权利要求8所述的装置,其特征在于,所述第一识别单元还用于:
从预处理后的各帧图像中识别出交通灯感兴趣区域;
依据交通灯感兴趣区域的宽高比,筛选出满足要求的交通灯感兴趣区域;
将样本数据和满足要求的交通灯感兴趣区域进行匹配,样本数据为表征为不同颜色和不同形状的交通灯的特征;
依据匹配结果,得到包括有满足要求的交通灯感兴趣区域的图像的交通灯区域以及该图像中的交通灯信息;
其中,所述交通灯信息包括表征不同颜色和不同形状的交通灯信息。
13.根据权利要求12所述的装置,其特征在于,针对包括满足要求的交通灯感兴趣区域的图像中的至少部分第一图像,第一图像为无法依据所述匹配结果得到该图像中的交通灯信息的图像,所述第一识别单元还用于:
获得第一图像的满足要求的交通灯感兴趣区域;
将样本数据按照交通灯形状进行分类;依据分类后的样本数据,将第一图像的满足要求的交通灯感兴趣区域进行形状的划分;
从划分为一定形状的交通灯感兴趣区域中识别出第一图像中的交通灯颜色和形状。
14.根据权利要求9所述的装置,其特征在于,所述第二确定单元还用于:
从预处理后的至少两帧图像中获取交通灯竖直位置,依据所述至少两帧关联图像中交通灯竖直位置的变化,确定车辆的行驶状态;所述行驶状态至少包括前进和停止;
从预处理后的至少两帧图像中获取交通灯水平位置,依据所述至少两帧关联图像中交通灯水平位置的变化,确定车辆的行车方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486131.0A CN113761967A (zh) | 2020-06-01 | 2020-06-01 | 一种识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486131.0A CN113761967A (zh) | 2020-06-01 | 2020-06-01 | 一种识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761967A true CN113761967A (zh) | 2021-12-07 |
Family
ID=78782680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010486131.0A Pending CN113761967A (zh) | 2020-06-01 | 2020-06-01 | 一种识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761967A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6919823B1 (en) * | 1999-09-14 | 2005-07-19 | Redflex Traffic Systems Pty Ltd | Image recording apparatus and method |
JP2009104544A (ja) * | 2007-10-25 | 2009-05-14 | Sumitomo Electric Ind Ltd | 車両運転支援システム、運転支援装置、車両及び車両運転支援方法 |
KR20090055848A (ko) * | 2007-11-29 | 2009-06-03 | 한국전자통신연구원 | 신호등 인식 장치 및 방법 |
US20120288138A1 (en) * | 2011-05-10 | 2012-11-15 | GM Global Technology Operations LLC | System and method for traffic signal detection |
CN106710224A (zh) * | 2015-07-16 | 2017-05-24 | 杭州海康威视***技术有限公司 | 车辆违法行驶的取证方法及其装置 |
CN107122729A (zh) * | 2017-04-21 | 2017-09-01 | 奇酷互联网络科技(深圳)有限公司 | 图像的生成方法、装置及移动终端 |
CN107886033A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 识别圆形交通灯的方法、装置及车辆 |
US20190035276A1 (en) * | 2016-03-06 | 2019-01-31 | Foresight Automotive Ltd. | Running vehicle alerting system and method |
CN109949594A (zh) * | 2019-04-29 | 2019-06-28 | 北京智行者科技有限公司 | 实时的交通灯识别方法 |
CN110197589A (zh) * | 2019-05-29 | 2019-09-03 | 杭州诚道科技股份有限公司 | 一种基于深度学习的闯红灯违法检测方法 |
CN110459064A (zh) * | 2019-09-19 | 2019-11-15 | 上海眼控科技股份有限公司 | 车辆违法行为检测方法、装置、计算机设备 |
CN110598511A (zh) * | 2018-06-13 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种对闯绿灯事件检测方法、装置、电子设备及*** |
CN110660225A (zh) * | 2019-10-28 | 2020-01-07 | 上海眼控科技股份有限公司 | 闯红灯行为检测方法、装置和设备 |
US20200135030A1 (en) * | 2018-10-24 | 2020-04-30 | Waymo Llc | Traffic light detection and lane state recognition for autonomous vehicles |
-
2020
- 2020-06-01 CN CN202010486131.0A patent/CN113761967A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6919823B1 (en) * | 1999-09-14 | 2005-07-19 | Redflex Traffic Systems Pty Ltd | Image recording apparatus and method |
JP2009104544A (ja) * | 2007-10-25 | 2009-05-14 | Sumitomo Electric Ind Ltd | 車両運転支援システム、運転支援装置、車両及び車両運転支援方法 |
KR20090055848A (ko) * | 2007-11-29 | 2009-06-03 | 한국전자통신연구원 | 신호등 인식 장치 및 방법 |
US20120288138A1 (en) * | 2011-05-10 | 2012-11-15 | GM Global Technology Operations LLC | System and method for traffic signal detection |
CN106710224A (zh) * | 2015-07-16 | 2017-05-24 | 杭州海康威视***技术有限公司 | 车辆违法行驶的取证方法及其装置 |
US20190035276A1 (en) * | 2016-03-06 | 2019-01-31 | Foresight Automotive Ltd. | Running vehicle alerting system and method |
CN107886033A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 识别圆形交通灯的方法、装置及车辆 |
CN107122729A (zh) * | 2017-04-21 | 2017-09-01 | 奇酷互联网络科技(深圳)有限公司 | 图像的生成方法、装置及移动终端 |
CN110598511A (zh) * | 2018-06-13 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种对闯绿灯事件检测方法、装置、电子设备及*** |
US20200135030A1 (en) * | 2018-10-24 | 2020-04-30 | Waymo Llc | Traffic light detection and lane state recognition for autonomous vehicles |
CN109949594A (zh) * | 2019-04-29 | 2019-06-28 | 北京智行者科技有限公司 | 实时的交通灯识别方法 |
CN110197589A (zh) * | 2019-05-29 | 2019-09-03 | 杭州诚道科技股份有限公司 | 一种基于深度学习的闯红灯违法检测方法 |
CN110459064A (zh) * | 2019-09-19 | 2019-11-15 | 上海眼控科技股份有限公司 | 车辆违法行为检测方法、装置、计算机设备 |
CN110660225A (zh) * | 2019-10-28 | 2020-01-07 | 上海眼控科技股份有限公司 | 闯红灯行为检测方法、装置和设备 |
Non-Patent Citations (2)
Title |
---|
刘光勇;石阳阳;刘伟康;刘浏;贾碧胜;罗云峰;张恒;: "智能轨道快运***路权控制技术研究", 控制与信息技术, no. 01, 5 February 2020 (2020-02-05) * |
王战古;邵金菊;高松;孙亮;于杰;谭德荣;: "基于多传感器融合的前方车辆识别方法研究", 广西大学学报(自然科学版), no. 02, 25 April 2017 (2017-04-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN108021856B (zh) | 车辆尾灯识别方法、装置及车辆 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及*** | |
CN107644538B (zh) | 交通信号灯的识别方法及装置 | |
CN111627215A (zh) | 基于人工智能的视频图像识别方法及相关设备 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN111783573A (zh) | 一种远光灯检测方法、装置及设备 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN115424217A (zh) | 基于ai视觉的车辆智能识别方法、装置和电子设备 | |
CN111898540A (zh) | 车道线检测方法、装置、计算机设备及计算机可读存储介质 | |
Špoljar et al. | Lane detection and lane departure warning using front view camera in vehicle | |
CN114638969A (zh) | 一种车身多属性检测方法、电子设备、存储介质 | |
CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
Boonsim et al. | An algorithm for accurate taillight detection at night | |
CN113761967A (zh) | 一种识别方法及装置 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN113743226B (zh) | 一种日间前车灯语识别及预警方法及*** | |
Ab Ghani et al. | Lane detection using deep learning for rainy conditions | |
CN111428538A (zh) | 一种车道线提取方法、装置和设备 | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
CN110020575B (zh) | 车辆检测装置及方法、电子设备 | |
CN110135418A (zh) | 基于图片的交通事故定责方法、装置、设备及存储介质 | |
CN115861624B (zh) | 摄像头被遮挡的检测方法、装置、设备及存储介质 | |
CN114694112B (zh) | 交通信号灯的识别方法、装置及电子设备 |
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 |