CN103984950A - 一种适应白天检测的运动车辆刹车灯状态识别方法 - Google Patents
一种适应白天检测的运动车辆刹车灯状态识别方法 Download PDFInfo
- Publication number
- CN103984950A CN103984950A CN201410161489.0A CN201410161489A CN103984950A CN 103984950 A CN103984950 A CN 103984950A CN 201410161489 A CN201410161489 A CN 201410161489A CN 103984950 A CN103984950 A CN 103984950A
- Authority
- CN
- China
- Prior art keywords
- dst
- average
- image
- brake lamp
- region
- 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
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种适应白天检测的运动车辆刹车灯状态识别方法。所述方法包括:裁剪图像生成感兴趣区域ROI;精确定位前方车辆区域;对定位后的车辆区域进行刹车灯状态识别;输出刹车灯状态信息。本发明通过提取车体区域内刹车灯的颜色特征、形状特征以及结构特征,实时准确地输出前方车辆刹车灯状态信息。实验表明,本发明所述方法在晴天对各种车辆刹车灯的识别准确率都在91%以上,即使是在恶劣的雨天,准确率也在80%以上。另外,本发明所述方法计算速度较快,每帧的处理时间在100ms左右,具有较强的实用性。因此,本发明解决了现有检测方法不能在白天进行刹车灯状态识别或计算模型复杂速度慢等问题。
Description
技术领域
本发明属于计算机视觉领域,涉及智能驾驶,具体涉及一种适应白天检测的运动车辆刹车灯状态识别方法。
背景技术
无人驾驶汽车是一种智能汽车,也可以称之为轮式移动机器人,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。
目前,不少国家都在开发无人驾驶汽车技术。由于智能驾驶工作的大量开展,其交通事故安全责任问题日益显得尤为重要。由于智能车行驶过程中无人干扰,在现实复杂环境下行驶,前方车辆的制动事件对于智能驾驶来说是一大关键的问题。
随着摄像头成本的降低和数字图像处理技术的发展,基于视觉的图像处理技术越来越多地用于检测前方事件状态(比如前方车辆制动状态),以警示驾驶员或者无人驾驶系统采取合适的行为来避免潜在碰撞冲突,因为根据前方车辆尾灯状态可以做出判断从而确定采取何种措施(比如正常行驶、减速、刹车)来进一步保证车辆在道路上行驶的安全性。
目前,对无人驾驶车前方车辆刹车灯状态识别方法主要有两种:一是基于频域调谐的方法,一是基于Nakagami-m分布模型的方法。频率调谐夜间刹车灯的检测,主要是利用刹车灯晚上亮时与周围形成鲜明对比这一特点,与前一帧刹车灯未亮时的图片进行对比,通过检测频率幅值曲线突然出现的尖峰来探测刹车灯的出现。这种方法适合于晚上检测,复杂度高。有一定的局限性;基于Nakagami-m分布模型的方法利用Nakagami-m分布来检测刹车灯,主要是通过刹车灯灯光的散射特征来检测。这种方法适用于晚上检测,但模型复杂。
采取上述方法检测刹车灯有一定的准确率,但是受样本特性影响,适用于夜晚刹车灯的检测,不适应白天车辆的检测,且频率域和Nakagami-m分布建模的计算有一定的复杂性。
发明内容
针对现有车辆刹车灯状态检测中存在的不适合白天检测、计算模型复杂等问题,本发明提出一种前方运动车辆刹车灯状态识别方法,通过提取车体区域内刹车灯的颜色特征、形状特征以及结构特征,实时准确地输出前方车辆刹车灯状态信息,从而保证辅助驾驶和无人驾驶的安全性。
为实现上述目的,本发明采用如下的技术方案:
一种用于智能驾驶汽车的刹车灯实时检测的方法,利用图像处理技术,通过智能汽车计算机系统的决策,实现辅助驾驶和无人驾驶。包括:裁剪图像生成感兴趣区域ROI(region ofinterest);精确定位前方车辆区域;对定位后的车辆区域进行刹车灯状态识别;输出刹车灯状态信息。具体包括以下步骤:
步骤1,裁剪图像生成感兴趣区域ROI。
首先,将视频转化为图片dst_1,放缩为统一大小A*B,记为dst_2;然后,依据同车道前方车辆在图片中的位置信息,获取实验经验值进行图像感兴趣区域的提取,排除不相关的干扰区域,为后面定位车辆缩小范围,提高实时性。提取出的感兴趣区域记为dst_ROI1。比如位于同车道的前方车辆,只需提取出图片中轴线下方区域即可。
步骤2,精确定位前方车辆区域。
步骤2.1,训练Adaboost级联分类器。
首先,利用样本的harr特征进行分类器训练,得到一个级联的Adaboost分类器。训练样本分为正例样本和反例样本,其中正例样本是指待检目标样本,仅包含车尾特写图像样本,反例样本指不包含目标的其他图片,比如包含马路、交通标志、建筑物、广告牌、汽车、摩托车、三轮车、行人和自行车等在内的图片。所有的正样本图片都被归一化为统一的尺寸。
步骤2.2,利用Adaboost级联分类器进行车辆检测。
在dst_ROI1中进行目标车辆的检测。通过按比例放大检测子窗的方法,对图像dst_ROI1进行目标车辆的检测,即对图像dst_ROI1采用与训练目标样本窗口同样大小的窗口遍历整幅图像,以后逐渐放大窗口,同样做遍历搜索物体。利用步骤2.1针对车尾特写图像样本训练的Adaboost级联分类器在图像中找到包含目标物体的矩形区域,并且将这些区域作为一序列的矩形框返回。通过区域遍历搜索,在dst_ROI1中得到前方车辆的精确区域信息。如果未检测到车辆,也就不可能检测到刹车灯状态信息,识别过程结束,读取下一帧进行处理。
步骤3,对定位后的车辆区域进行刹车灯状态识别。
步骤3.1,获取刹车灯二值化图像。
对步骤2得到的车辆区域重置ROI,记为图像dst_ROI2,对图像的通道进行R通道减去G通道的处理,得到图像dst_gray,利用最大类间方差法(大津法,OTSU)对dst_gray图像求取使类间方差最大的阈值threshold,利用此阈值对图像dst_gray像素点进行二值化处理,得到刹车灯二值化图像dst_bw_brakelight,表示如下:
其中,ss·val[0]为刹车灯二值化图dst_bw_brakelight的像素值,dst_gray.val[0]为dst_gray的像素值。
步骤3.2,检测高位刹车灯区域。
(1)对dst_bw_brakelight二值化图像进行膨胀腐蚀操作,得到图像dst_dilate_brakelight。
(2)检测高位刹车灯区域。
在dst_dilate_brakelight二值化图像中,刹车灯区域为白色区域,在图像中上部分区域范围内遍历寻找轮廓,搜索区域如附图3所示,找到面积和宽高比在一定范围的外接矩形区域,即高位刹车灯区域。判断条件如下:
当aRect.width/aRect.height≥e且f≤tmparea≤g时,存在满足条件的矩形区域,则检测到高位刹车灯,转步骤4;否则,转步骤3.3。其中,aRect.width为外接矩形的宽,aRect.height为外接矩形的高,tmparea为外接矩形的面积,f为设定的最小面积,g为设定的最大面积,e为设定的宽高比的最小值。
步骤3.3,检测车尾刹车灯区域。
(1)判断车身颜色。
如果二值化图像dst_bw_brakelight中白色像素点占总像素点比例K小于0.2,车身为非红黄色,转步骤(2);否则,车身为红黄色,转步骤(3)。
(2)检测非红黄车身的车尾刹车灯区域。
在dst_dilate_brakelight二值化图像中,在图像中下部分区域范围内遍历寻找轮廓,搜索区域如图3(a)所示,找到面积在一定范围的外接矩形区域,即车尾刹车灯候选区域。对每一个找到的轮廓计算目标区域的中心位置,然后以此位置为中心左右扩展3个像素,形成7*7矩形窗,并在原图dst_ROI2中对应位置读取图片数据记为图片dst_dd,将图片dst_dd灰度化,得到dst_dd_gray图片,并对其进行HSV和YCBCR颜色空间转换,分别得到图片dst_dd_HSV和图片dst_dd_YCBCR。对图片dst_dd_gray,图片dst_dd中的R、G、B通道,图片dst_dd_HSV中的H、S、V通道和图片dst_dd_YCBCR中的Y、CB、CR通道的像素值累加和分别求取均值,即每个通道的像素值累加和除以7*7,得到10个特征值组成的向量M=(Gray_average,R_average,G_average,B_average,H_average,S_average,V_average,Y_average,CB_average,CR_average)。
将搜索到的车尾刹车灯候选区域的向量M分别与红色特征向量ttrr=(Xi)、白色特征向量ttww=(Yi)和黄色特征向量ttyy=(Zi),i=1,2,…,10,进行阈值匹配判断,进一步确认是否存在车尾刹车灯,判断方法如下:
如果|M-ttrr|<a或者|M-ttww|<b或者|M-ttyy|<c,其中|M-ttrr|表示两个向量的距离,则检测到车尾刹车灯,转步骤4。其中,a、b、c分别为事先统计并设定的红色误差阈值,白色误差阈值,黄色误差阈值。
(3)检测红黄色车身车尾刹车灯区域。
对dst_ROI2图像,在图像中下部分区域范围内取两个4*6的矩形窗,从中间向两边移动并向下遍历寻找满足条件的车尾灯区域,搜索区域如附图3(b)所示。
对每个成对的左右两个矩形框,按照步骤(2)的方法计算区域的R,G,B,H,S,V,Y,CB,CR各通道和灰度图像的平均值所组成的向量Ml=(Gray_average_l,R_average_l,G_average_l,B_average_l,H_average_l,S_average_l,V_average_l,Y_average_l,CB_average_l,CR_average_l)和Mr=(Gray_average_r,R_average_r,G_average_r,B_average_r,H_average_r,S_average_r,V_average_r,Y_average_r,CB_average_r,CR_average_r),Ml和Mr分别与红色特征向量ttrr、白色特征向量ttww和黄色特征向量ttyy进行阈值匹配判断,进一步确认是否存在车尾刹车灯,判断方法如下:
如果|Ml-ttrr|<h&|Mr-ttrr|<h或者|Ml-ttww|<i&|Mr-ttww|<i或者|Ml-ttyy|<j&|Mr-ttyy|<j,则检测到车尾刹车灯。其中,h、i、j分别为事先统计并设定的红色误差阈值,白色误差阈值和黄色误差阈值。
步骤4,输出刹车灯状态信息。
如果检测到高位刹车灯或者车尾刹车灯,表明前方车辆正在刹车,输出刹车灯状态信息,实时警示后方车辆,实现智能驾驶的决策,车辆减速或者停止。
与现有技术相比,本发明具有以下优点:
(1)本发明通过提取车体区域内刹车灯的颜色特征、形状特征以及结构特征,实时准确地输出前方车辆刹车灯状态信息,可应用于白天辅助驾驶和无人驾驶。实验表明,本发明所述方法在晴天对各种车辆刹车灯的识别准确率都在91%以上,即使是在恶劣的雨天,准确率也在80%以上。另外,本发明所述方法计算速度较快,每帧的处理时间在100ms左右,具有较强的实用性。因此,本发明解决了现有检测方法不能在白天进行刹车灯状态识别或计算模型复杂速度慢等问题。
(2)本发明能够识别多种车辆尾灯类型的刹车灯,包括不同形状,不同位置等。
附图说明
图1为本发明所涉及方法的流程图;
图2为车辆高位灯搜索区域示意图;
图3为车辆车尾刹车灯搜索区域示意图,(a)为非红黄车身的车尾刹车灯检测区域示意图,(b)为红黄车身的车尾刹车灯检测区域示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明实施例采用数字式摄像头,通过USB接口与处理器连接。摄像头安装在无人驾驶汽车内部前方挡风玻璃正中间位置,摄像头广角大于65度,分辨率为1280*720。
本发明所述方法的软件采用C++语言并调用opencv实现。
本发明所述的运动车辆刹车灯状态识别方法的流程图如图1所示,包括以下步骤:
步骤1,裁剪图像生成ROI。
摄像机以30-50帧/秒的帧率实时获取智能车辆前方道路的图像。由于只关心同车道在一定范围内的正前方的车辆,实时视频获取的图片包含许多不相关信息,同时为了检测的实时性,对获取的图片进行感兴趣区域的设置是很有必要的。视频读入后,首先将图片放缩到统一大小500*400,然后对放缩的图像dst_2进行感兴趣区域提取,即以(0.35*dst_2->width,0.45*dst_2->height)为起点,切割宽为1/3dst_2,高为1/2dst_2得图片dst_ROI1。该位置为统计前方车辆出现位置的经验值,这样缩小了图片处理的范围,以下在图片dst_ROI1中进行车辆的检测,再次重新设置感兴趣区域得到图像dst_ROI2;
步骤2,精确定位前方车辆区域。
通过步骤1,在图像dst_ROI2中利用按比例放大检测子窗的方法遍历搜索是否存在车辆。本发明中初始检测窗口的最小尺寸大小为80*90,在前后两次相继的扫描中,检测子窗口依次扩大10%。使用针对车尾特写图像样本训练的Adaboost级联分类器在图像中找到包含目标物体的矩形区域,并且将这些区域作为一序列的矩形框返回。通过区域搜索,在dst_ROI1中得到前方车辆的精确区域信息,即感兴趣图像dst_ROI2。
步骤3,对定位后的车辆区域进行刹车灯状态识别。
步骤3.1,获取刹车灯二值化图像。
对第二步得到的车辆区域重置ROI,记为图像dst_ROI2,对图像的通道进行R通道减去G通道的处理,,得到图像dst_gray,利用最大类间方差法(大津法,OTSU)寻找阈值并对dst_gray图像像素点进行二值化处理,得到刹车灯二值化图像dst_bw_brakelight,对dst_bw_brakelight二值化图像进行膨胀腐蚀操作,得到图像dst_dilate_brakelight。
步骤3.2,检测高位刹车灯区域。
在dst_dilate_brakelight二值化图像中,刹车灯区域为白色区域,在图像区域[8,0.65*dst_gray->height]遍历寻找轮廓,搜索区域如附图2所示,找到面积和长宽比在一定范围的外接矩形区域,即高位刹车灯区域。判断方法如下:
当aRect.width/aRect.height≥2.0且50≤tmparea≤600时,存在满足条件的矩形区域,则检测到高位刹车灯,转步骤4;否则,转步骤3.3。
步骤3.3,检测车尾刹车灯区域。
如果二值化图像dst_bw_brakelight中白色像素点占总像素点比例K小于0.2,转步骤3.3.1,否则转步骤3.3.2;
步骤3.3.1,检测车尾刹车灯区域(对于非红黄车身)。
在dst_dilate_brakelight二值化图像中,在图像高区域[0.3*dst_gray->height,0.9*dst_gray->height]遍历寻找轮廓,搜索区域如3(a)所示,找到面积在一定范围的外接矩形区域,即车尾刹车灯候选区域。对每一个找到的轮廓计算目标区域的中心位置(t1,t2)。然后以此位置为中心左右扩展三个像素,形成7*7矩形窗,并在原图dst_ROI2中对应位置读取图片数据记为图片dst_dd,将图片dst_dd灰度化,得到dst_dd_gray图片,并对其进行HSV和YCBCR颜色空间转换,分别得到图片dst_dd_HSV和图片dst_dd_YCBCR。对图片dst_dd_gray,图片dst_dd中的R、G、B通道,图片dst_dd_HSV中的H、S、V通道和图片dst_dd_YCBCR中的Y、CB、CR通道的像素值累加和分别求取均值,即每个通道的像素值累加和除以7*7,得到10个特征值组成的向量M=(Gray_average,R_average,G_average,B_average,H_average,S_average,V_average,Y_average,CB_average,CR_average)。
将搜索到的车尾刹车灯候选区域的向量M分别与红色特征向量ttrr=(98.9925,175.6443,41.3307,80.0024,0.9543,0.7670,0.6888,89.7144,124.5217,184.2247)、白色特征向量ttww=(249.6717,253.1188,248.0600,248.1591,0.4038,0.0333,0.9958,230.2145,127.2395,130.0655)和黄色特征向量ttyy=(157.7241,220.2794,161.4322,91.3389,0.1.29,0.6167,0.8641,163.0765,91.4206,158.9276),进行阈值匹配判断,进一步确认是否存在车尾刹车灯,判断方法如下:
如果|M-ttrr|<91或者|M-ttww|<62或者|M-ttyy|<65,则检测到车尾刹车灯,转步骤4。
步骤3.3.2,检测车尾刹车灯区域(对于红黄色车身)。
对dst_ROI2图像,在图像高区域范围[0.3*dst_ROI2->height,0.8*dst_ROI2->height]内取两个4*6的矩形窗,从中间向两边移动并向下遍历寻找满足条件的车尾灯区域,搜索区域如3(b)所示。
对每个成对的左右两个矩形框,按照步骤(1)的方法计算区域的R,G,B,H,S,V,Y,CB,CR各通道和灰度图像的平均值所组成的向量Ml=(Gray_average_l,R_average_l,G_average_l,B_average_l,H_average_l,S_average_l,V_average_l,Y_average_l,CB_average_l,CR_average_l)和Mr=(Gray_average_r,R_average_r,G_average_r,B_average_r,H_average_r,S_average_r,V_average_r,Y_average_r,CB_average_r,CR_average_r),Ml和Mr分别与红色特征向量ttrr=、白色特征向量ttww和黄色特征向量ttyy进行阈值匹配判断,进一步确认是否存在车尾刹车灯,判断方法如下:
如果(|Ml-ttrr|<61&|Mr-ttrr|<61)或者(|Ml-ttww|<40&|Mr-ttww|<40)或者(|Ml-ttyy|<40&|Mr-ttyy|<40),则检测到车尾刹车灯。
步骤4,输出刹车灯状态信息。
经过上述步骤1~3的处理后,输出刹车灯状态信息,实时警示后方车辆,实现智能驾驶的决策,车辆减速或者停止。
表1给出了应用本发明对5000张不同情况的车尾灯图片进行测试的识别准确率。
表1不同车辆不同天气时白天的车尾灯识别准确率
车型 | 晴天 | 准确率 | 雨天 | 准确率 | 雪天 | 准确率 |
小型民用轿车 | 509/550 | 92.6% | 470/550 | 85.5% | 487/550 | 88.5% |
客车 | 506/550 | 92.1% | 460/550 | 83.7% | 463/550 | 84.1% |
货车 | 501/550 | 91.1% | 442/550 | 80.4% | 469/550 | 85.2% |
由表1可知,前方车辆刹车灯白天的识别准确率不仅与天气情况(晴天,雨天,雪天)有关,而且还与不同的车型也有关系。具体来看,横向对比,三种类型车辆在晴天的识别准确率比雨天、雪天的识别准确率一般都要高,雪天比雨天的识别准确率要高;纵向对比,在各种天气情况下,小型民用轿车的识别准确率比客车和货车的识别准确率一般都要高,分析其主要原因,目前小型民用轿车都安装有高位刹车灯,相比车尾刹车灯,利用它更易于辨别前方车辆的制动情况。
实验表明,本发明所述方法在晴天对各种车辆刹车灯的识别准确率都在91%以上,即使是在恶劣的雨天,准确率也在80%以上。因此,应用本发明所述方法可以实现白天多种天气情况下的刹车灯状态识别。
Claims (3)
1.一种适应白天检测的运动车辆刹车灯状态识别方法,其特征在于包括以下步骤:
步骤1,裁剪图像生成感兴趣区域ROI;
首先,将视频转化为图片dst_1,放缩为统一大小,记为dst_2;然后,依据同车道前方车辆在图片中的位置信息,获取实验经验值进行图像感兴趣区域的提取,排除不相关的干扰区域,为后面定位车辆缩小范围,提高实时性;提取出的感兴趣区域记为dst_ROI1;比如位于同车道的前方车辆,只需提取出图片中轴线下方区域即可;
步骤2,精确定位前方车辆区域;
步骤2.1,训练Adaboost级联分类器;
首先,利用样本的harr特征进行分类器训练,得到一个级联的Adaboost分类器;训练样本分为正例样本和反例样本,其中正例样本是指待检目标样本,仅包含车尾特写图像样本,反例样本指不包含目标的其他图片,比如包含马路、交通标志、建筑物、广告牌、汽车、摩托车、三轮车、行人和自行车等在内的图片;所有的正样本图片都被归一化为统一的尺寸;
步骤2.2,利用Adaboost级联分类器进行车辆检测;
在dst_ROI1中进行目标车辆的检测;通过按比例放大检测子窗的方法,对图像dst_ROI1进行目标车辆的检测,即对图像dst_ROI1采用与训练目标样本窗口同样大小的窗口遍历整幅图像,以后逐渐放大窗口,同样做遍历搜索物体;利用步骤2.1针对车尾特写图像样本训练的Adaboost级联分类器在图像中找到包含目标物体的矩形区域,并且将这些区域作为一序列的矩形框返回;通过区域遍历搜索,在dst_ROI1中得到前方车辆的精确区域信息;如果未检测到车辆,也就不可能检测到刹车灯状态信息,识别过程结束,读取下一帧进行处理;
步骤3,对定位后的车辆区域进行刹车灯状态识别;
步骤3.1,获取刹车灯二值化图像;
对步骤2得到的车辆区域重置ROI,记为图像dst_ROI2,对图像的通道进行R通道减去G通道的处理,得到图像dst_gray,利用最大类间方差法对dst_gray图像求取使类间方差最大的阈值threshold,利用此阈值对图像dst_gray像素点进行二值化处理,得到刹车灯二值化图像dst_bw_brakelight,表示如下:
其中,ss·val[0]为刹车灯二值化图dst_bw_brakelight的像素值,dst_gray.val[0]为dst_gray的像素值;
步骤3.2,检测高位刹车灯区域;
步骤3.3,检测车尾刹车灯区域;
步骤4,输出刹车灯状态信息;
如果检测到高位刹车灯或者车尾刹车灯,表明前方车辆正在刹车,输出刹车灯状态信息,实时警示后方车辆,实现智能驾驶的决策,车辆减速或者停止。
2.根据权利要求1所述的一种适应白天检测的运动车辆刹车灯状态识别方法,其特征在于,所述步骤3.2检测高位刹车灯区域的方法还包括以下步骤:
(1)对dst_bw_brakelight二值化图像进行膨胀腐蚀操作,得到图像dst_dilate_brakelight;
(2)检测高位刹车灯区域;
在dst_dilate_brakelight二值化图像中,刹车灯区域为白色区域,在图像中上部分区域范围内遍历寻找轮廓,找到面积和宽高比在一定范围的外接矩形区域,即高位刹车灯区域;判断条件如下:
当aRect.width/aRect.height≥e且f≤tmparea≤g时,存在满足条件的矩形区域,则检测到高位刹车灯,转步骤4;否则,转步骤3.3;其中,aRect.width为外接矩形的宽,aRect.height为外接矩形的高,tmparea为外接矩形的面积,f为设定的最小面积,g为设定的最大面积,e为设定的宽高比的最小值。
3.根据权利要求1所述的一种适应白天检测的运动车辆刹车灯状态识别方法,其特征在于,所述步骤3.3检测车尾刹车灯区域的方法还包括以下步骤:
(1)判断车身颜色;
如果二值化图像dst_bw_brakelight中白色像素点占总像素点比例K小于0.2,车身为非红黄色,转步骤(2);否则,车身为红黄色,转步骤(3);
(2)检测非红黄车身的车尾刹车灯区域;
在dst_dilate_brakelight二值化图像中,在图像中下部分区域范围内遍历寻找轮廓,找到面积在一定范围的外接矩形区域,即车尾刹车灯候选区域;对每一个找到的轮廓计算目标区域的中心位置,然后以此位置为中心左右扩展3个像素,形成7*7矩形窗,并在原图dst_ROI2中对应位置读取图片数据记为图片dst_dd,将图片dst_dd灰度化,得到dst_dd_gray图片,并对其进行HSV和YCBCR颜色空间转换,分别得到图片dst_dd_HSV和图片dst_dd_YCBCR;对图片dst_dd_gray,图片dst_dd中的R、G、B通道,图片dst_dd_HSV中的H、S、V通道和图片dst_dd_YCBCR中的Y、CB、CR通道的像素值累加和分别求取均值,即每个通道的像素值累加和除以7*7,得到10个特征值组成的向量M=(Gray_average,R_average,G_average,B_average,H_average,S_average,V_average,Y_average,CB_average,CR_average);
将搜索到的车尾刹车灯候选区域的向量M分别与红色特征向量ttrr=(Xi)、白色特征向量ttww=(Yi)和黄色特征向量ttyy=(Zi),i=1,2,…,10,进行阈值匹配判断,进一步确认是否存在车尾刹车灯,判断方法如下:
如果|M-ttrr|<a或者|M-ttww|<b或者|M-ttyy|<c,其中|M-ttrr|表示两个向量的距离,则检测到车尾刹车灯,转步骤4;其中,a、b、c分别为事先统计并设定的红色误差阈值,白色误差阈值,黄色误差阈值;
(3)检测红黄色车身车尾刹车灯区域;
对dst_ROI2图像,在图像中下部分区域范围内取两个4*6的矩形窗,从中间向两边移动并向下遍历寻找满足条件的车尾灯区域;
对每个成对的左右两个矩形框,按照步骤(2)的方法计算区域的R,G,B,H,S,V,Y,CB,CR各通道和灰度图像的平均值所组成的向量Ml=(Gray_average_l,R_average_l,G_average_l,B_average_l,H_average_l,S_average_l,V_average_l,Y_average_l,CB_average_l,CR_average_l)和Mr=(Gray_average_r,R_average_r,G_average_r,B_average_r,H_average_r,S_average_r,V_average_r,Y_average_r,CB_average_r,CR_average_r),Ml和Mr分别与红色特征向量ttrr、白色特征向量ttww和黄色特征向量ttyy进行阈值匹配判断,进一步确认是否存在车尾刹车灯,判断方法如下:
如果|Ml-ttrr|<h&|Mr-ttrr|<h或者|Ml-ttww|<i&|Mr-ttww|<i或者|Ml-ttyy|<j&|Mr-ttyy|<j,则检测到车尾刹车灯;其中,h、i、j分别为事先统计并设定的红色误差阈值,白色误差阈值和黄色误差阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410161489.0A CN103984950B (zh) | 2014-04-22 | 2014-04-22 | 一种适应白天检测的运动车辆刹车灯状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410161489.0A CN103984950B (zh) | 2014-04-22 | 2014-04-22 | 一种适应白天检测的运动车辆刹车灯状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103984950A true CN103984950A (zh) | 2014-08-13 |
CN103984950B CN103984950B (zh) | 2017-07-14 |
Family
ID=51276912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410161489.0A Expired - Fee Related CN103984950B (zh) | 2014-04-22 | 2014-04-22 | 一种适应白天检测的运动车辆刹车灯状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984950B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740801A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于摄像头的汽车并道辅助驾驶方法 |
CN105989348A (zh) * | 2014-12-09 | 2016-10-05 | 由田新技股份有限公司 | 人员使用手持装置的检测方法以及系统 |
WO2018059585A1 (zh) * | 2016-09-30 | 2018-04-05 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN108021856A (zh) * | 2016-10-31 | 2018-05-11 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN108509907A (zh) * | 2018-03-30 | 2018-09-07 | 北京市商汤科技开发有限公司 | 车灯检测方法、实现智能驾驶的方法、装置、介质及设备 |
CN109435839A (zh) * | 2018-09-04 | 2019-03-08 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种临近车道车辆转向灯检测装置及方法 |
CN109523555A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的前车刹车行为检测方法和装置 |
US10248874B2 (en) | 2016-11-22 | 2019-04-02 | Ford Global Technologies, Llc | Brake light detection |
CN109859464A (zh) * | 2019-01-04 | 2019-06-07 | 石硕 | 拥堵车道确定方法及相关产品 |
CN110111319A (zh) * | 2019-05-05 | 2019-08-09 | 哈尔滨理工大学 | 一种基于视频图像的猪舍地面洁净度评价方法 |
CN110264500A (zh) * | 2016-06-27 | 2019-09-20 | 御眼视觉技术有限公司 | 基于检测到的停放车辆特性控制主车辆 |
CN110766981A (zh) * | 2018-07-27 | 2020-02-07 | 东旭科技集团有限公司 | 信息传输的方法、装置及系统 |
CN110796698A (zh) * | 2019-11-07 | 2020-02-14 | 厦门市美亚柏科信息股份有限公司 | 一种最大面积、最小长宽比的车辆排重方法和装置 |
CN111339999A (zh) * | 2020-03-23 | 2020-06-26 | 东莞理工学院 | 一种用于视觉导航机器人图像处理系统及处理方法 |
CN111775829A (zh) * | 2019-10-29 | 2020-10-16 | 陈洪国 | 智能化显示屏驱动平台、方法及存储介质 |
CN112101411A (zh) * | 2020-08-05 | 2020-12-18 | 复旦大学 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
CN113420620A (zh) * | 2021-06-08 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种恶劣天气下车灯使用状态的检测方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080118105A1 (en) * | 2006-11-16 | 2008-05-22 | Tandent Vision Science, Inc. | Method and system for learning object recognition in images |
CN101937510A (zh) * | 2010-09-14 | 2011-01-05 | 南京信息工程大学 | 基于类Haar和AdaBoost分类器的快速增量学习方法 |
CN102393901A (zh) * | 2011-11-18 | 2012-03-28 | 东南大学 | 基于混杂特征的交通流信息感知方法及系统 |
CN103295021A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种静态图片中车辆特征检测及识别的方法及系统 |
-
2014
- 2014-04-22 CN CN201410161489.0A patent/CN103984950B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080118105A1 (en) * | 2006-11-16 | 2008-05-22 | Tandent Vision Science, Inc. | Method and system for learning object recognition in images |
CN101937510A (zh) * | 2010-09-14 | 2011-01-05 | 南京信息工程大学 | 基于类Haar和AdaBoost分类器的快速增量学习方法 |
CN102393901A (zh) * | 2011-11-18 | 2012-03-28 | 东南大学 | 基于混杂特征的交通流信息感知方法及系统 |
CN103295021A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种静态图片中车辆特征检测及识别的方法及系统 |
Non-Patent Citations (4)
Title |
---|
CHANG W C等: "Online boosting for vehicle detection", 《IEEE》 * |
叶丽燕等: "基于Adaboost的轿车尾部检测方法", 《计算机仿真》 * |
李仪: "城市环境中交通对象检测与识别研究", 《中国博士学位论文全文数据库信息科技辑》 * |
王相海等: "基于感兴趣区域AdaBoost分类器的视频车辆检测研究", 《辽宁师范大学学报(自然科学版)》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989348A (zh) * | 2014-12-09 | 2016-10-05 | 由田新技股份有限公司 | 人员使用手持装置的检测方法以及系统 |
CN105740801A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于摄像头的汽车并道辅助驾驶方法 |
CN110264500A (zh) * | 2016-06-27 | 2019-09-20 | 御眼视觉技术有限公司 | 基于检测到的停放车辆特性控制主车辆 |
WO2018059585A1 (zh) * | 2016-09-30 | 2018-04-05 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN107886770A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN107886770B (zh) * | 2016-09-30 | 2020-05-22 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN108021856A (zh) * | 2016-10-31 | 2018-05-11 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN108021856B (zh) * | 2016-10-31 | 2020-09-15 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
US10853673B2 (en) | 2016-11-22 | 2020-12-01 | Ford Global Technologies, Llc | Brake light detection |
US10248874B2 (en) | 2016-11-22 | 2019-04-02 | Ford Global Technologies, Llc | Brake light detection |
CN109523555A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的前车刹车行为检测方法和装置 |
US10824885B2 (en) | 2017-09-18 | 2020-11-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle |
WO2019184825A1 (zh) * | 2018-03-30 | 2019-10-03 | 北京市商汤科技开发有限公司 | 车灯检测方法、实现智能驾驶的方法、装置、介质及设备 |
US10984266B2 (en) | 2018-03-30 | 2021-04-20 | Beijing Sensetime Technology Development Co., Ltd. | Vehicle lamp detection methods and apparatuses, methods and apparatuses for implementing intelligent driving, media and devices |
CN108509907A (zh) * | 2018-03-30 | 2018-09-07 | 北京市商汤科技开发有限公司 | 车灯检测方法、实现智能驾驶的方法、装置、介质及设备 |
CN110766981A (zh) * | 2018-07-27 | 2020-02-07 | 东旭科技集团有限公司 | 信息传输的方法、装置及系统 |
CN109435839B (zh) * | 2018-09-04 | 2020-10-09 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种临近车道车辆转向灯检测装置及方法 |
CN109435839A (zh) * | 2018-09-04 | 2019-03-08 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种临近车道车辆转向灯检测装置及方法 |
CN109859464A (zh) * | 2019-01-04 | 2019-06-07 | 石硕 | 拥堵车道确定方法及相关产品 |
CN110111319A (zh) * | 2019-05-05 | 2019-08-09 | 哈尔滨理工大学 | 一种基于视频图像的猪舍地面洁净度评价方法 |
CN111775829A (zh) * | 2019-10-29 | 2020-10-16 | 陈洪国 | 智能化显示屏驱动平台、方法及存储介质 |
CN111775829B (zh) * | 2019-10-29 | 2021-04-27 | 江门市悦隆电子科技有限公司 | 智能化显示屏驱动平台、方法及存储介质 |
CN110796698A (zh) * | 2019-11-07 | 2020-02-14 | 厦门市美亚柏科信息股份有限公司 | 一种最大面积、最小长宽比的车辆排重方法和装置 |
CN110796698B (zh) * | 2019-11-07 | 2022-11-29 | 厦门市美亚柏科信息股份有限公司 | 一种最大面积、最小长宽比的车辆排重方法和装置 |
CN111339999A (zh) * | 2020-03-23 | 2020-06-26 | 东莞理工学院 | 一种用于视觉导航机器人图像处理系统及处理方法 |
CN112101411A (zh) * | 2020-08-05 | 2020-12-18 | 复旦大学 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
CN112101411B (zh) * | 2020-08-05 | 2022-08-19 | 复旦大学 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
CN113420620A (zh) * | 2021-06-08 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种恶劣天气下车灯使用状态的检测方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103984950B (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984950A (zh) | 一种适应白天检测的运动车辆刹车灯状态识别方法 | |
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN109190523B (zh) | 一种基于视觉的车辆检测跟踪预警方法 | |
Narote et al. | A review of recent advances in lane detection and departure warning system | |
Kuo et al. | Vision-based vehicle detection for a driver assistance system | |
US9384401B2 (en) | Method for fog detection | |
CN104361350B (zh) | 一种交通标识识别系统 | |
Chen et al. | Nighttime brake-light detection by Nakagami imaging | |
Borkar et al. | A layered approach to robust lane detection at night | |
Cualain et al. | Automotive standards-grade lane departure warning system | |
CN107316486A (zh) | 基于双摄像头的无人驾驶汽车视觉识别系统 | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN106845453A (zh) | 基于图像的尾灯检测与识别方法 | |
CN103020948A (zh) | 智能车载防撞预警系统中的夜间图像特征提取方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
Prakash et al. | Robust obstacle detection for advanced driver assistance systems using distortions of inverse perspective mapping of a monocular camera | |
CN107609472A (zh) | 一种基于车载双摄像头的无人驾驶汽车机器视觉系统 | |
CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
KR101663574B1 (ko) | 야간 환경에서의 운전자 보조 시스템을 위한 위험 보행자 검출 방법 및 시스템 | |
Fernández et al. | Real-time vision-based blind spot warning system: Experiments with motorcycles in daytime/nighttime conditions | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
Cualain et al. | Multiple-camera lane departure warning system for the automotive environment | |
CN107622494A (zh) | 面向交通视频的夜间车辆检测与跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170714 |
|
CF01 | Termination of patent right due to non-payment of annual fee |