CN104598912A - 一种基于cpu与gpu协同计算的交通灯检测识别方法 - Google Patents

一种基于cpu与gpu协同计算的交通灯检测识别方法 Download PDF

Info

Publication number
CN104598912A
CN104598912A CN201510035243.3A CN201510035243A CN104598912A CN 104598912 A CN104598912 A CN 104598912A CN 201510035243 A CN201510035243 A CN 201510035243A CN 104598912 A CN104598912 A CN 104598912A
Authority
CN
China
Prior art keywords
traffic lights
region
candidate region
original image
area
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
Application number
CN201510035243.3A
Other languages
English (en)
Inventor
刘朝华
曾琼斌
李小花
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201510035243.3A priority Critical patent/CN104598912A/zh
Publication of CN104598912A publication Critical patent/CN104598912A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/00624Recognising scenes, i.e. recognition of a whole field of perception; recognising scene-specific objects
    • G06K9/00791Recognising scenes perceived from the perspective of a land vehicle, e.g. recognising lanes, obstacles or traffic signs on road scenes
    • G06K9/00825Recognition of vehicle or traffic lights

Abstract

本发明公开了一种基于CPU与GPU协同计算的交通灯检测识别方法,包括以下步骤:1)采集原始图像,降低原始图像的分辨率,在原始图像中对交通信号灯定位,得到感兴趣区域;2)将得到的感兴趣区域映射到原始图像中,对其进行颜色分割,得到候选区域图像;3)对候选区域图像进行预处理,包括形态学处理、几何特征过滤;4)为每类交通信号灯构造样本库,对候选区域进行特征提取,通过模板匹配识别候选区域,从而识别交通灯;5)将步骤1)至步骤4)在协同异构计算平台上进行并行化加速,以满足车载实时性需求。本识别方法步骤简单、准确率高,并且能够对圆形交通灯和箭头形交通灯两种交通灯进行识别,应用范围广。

Description

一种基于CPU与GPU协同计算的交通灯检测识别方法
技术领域
[0001] 本发明涉及交通信号灯的识别方法,特别涉及一种基于CPU与GPU协同计算的交 通灯检测识别方法。
背景技术
[0002] 随着城市的发展,交通状况日益复杂。在交叉路口,信号灯对车辆的行驶有着非常 关键的指导意义。已前的算法主要针对圆形信号灯,基本未涉及箭头形交通灯,然而在现代 城市中箭头形交通灯占据了非常重要的地位。交通信号灯识别系统能够准确快速地检测和 识别交通灯,是无人驾驶车行驶系统中必不可少的一部分,具有研宄价值及现实意义。无人 驾驶车辆需要识别系统在交通路口提供指导信息,识别交通灯的方法能有效辅助色觉障碍 人群和司机安全驾驶。
发明内容
[0003] 为了解决上述技术问题,本发明提供一种适用于圆形交通灯和箭头形交通灯的基 于CPU与GPU协同计算的交通灯检测识别方法。
[0004] 本发明解决上述问题的技术方案是:一种基于CPU与GPU协同计算的交通灯检测 识别方法,包括以下步骤:
[0005] 1)采集原始图像,降低原始图像的分辨率,在原始图像中对交通信号灯定位,得到 感兴趣区域;
[0006] 2)将得到的感兴趣区域映射到原始图像中,对其进行颜色分割,得到候选区域图 像;
[0007] 3)对候选区域图像进行预处理,包括形态学处理、几何特征过滤;
[0008] 4)为每类交通信号灯构造样本库,对候选区域进行特征提取,通过模板匹配识别 候选区域,从而识别交通灯;
[0009] 5)将步骤1)至步骤4)在协同异构计算平台上进行并行化加速,以满足车载实时 性需求。
[0010] 上述基于CPU与GPU协同计算的交通灯检测识别方法,所述步骤1)具体步骤为:
[0011] ⑴降低原始图像的分辨率,在YCbCr颜色空间中采用阈值为0. 42对降低分辨率 后的原始图像进行颜色分割,得到二值图像;
[0012] (2)通过对二值图像进行腐蚀、膨胀,修复分割不完整的交通信号灯,得到连通区 域;
[0013] (3)通过对连通区域的面积、外接矩形过滤,得到交通信号灯的感兴趣区域。
[0014] 上述基于CPU与GPU协同计算的交通灯检测识别方法,所述步骤2)具体步骤为: 将得到的感兴趣区域映射到原始图像中,在YCbCr颜色空间中使用OTSU阈值选取算法对感 兴趣区域进行颜色分割,得到该区域的二值图像。
[0015] 上述基于CPU与GPU协同计算的交通灯检测识别方法,所述步骤3)具体步骤为: 首先对二值图像进行膨胀操作,将两个连通区域膨胀为一个连通区域,然后进行腐蚀操作, 修复原始图像,再通过候选区域的面积、饱和度、外接矩形、圆形度、箭头形交通信号灯几何 特征的过滤,滤除非交通信号灯的感兴趣区域。
[0016] 上述基于CPU与GPU协同计算的交通灯检测识别方法,所述步骤4)具体步骤为:
[0017] (1)为每类交通信号灯构造样本库,选择圆形度检测候选区域,将检测结果与样本 库进行对比,若不能识别交通灯,则进行下一步骤;
[0018] (2)通过箭头形交通信号灯的边缘特征点和区域饱和度对其建模,并使用该模型 检测候选区域,将检测结果与样本库进行对比,识别交通灯。
[0019] 上述基于CPU与GPU协同计算的交通灯检测识别方法,所述步骤4),识别交通灯之 后还包括交通灯背板检测的步骤,交通灯背板检测具体步骤为:检测交通信号灯候选区域 的上下左右的相对区域是否为交通信号灯背板,对候选区域进行确认,经过检测定位到了 候选区域的颜色和位置信息,判断该位置是否符合交通信号灯背板的颜色属性,从而判断 候选区域是否为交通信号灯。
[0020] 本发明的有益效果在于:本识别方法过程如下:首先对交通信号灯进行定位,然 后将定位到的感兴趣区域进行检测,最后提取候选区域的特征值,通过模板匹配识别候选 区域,从而准确识别交通灯;本识别方法步骤简单、准确率高,并且能够对圆形交通灯和箭 头形交通灯两种交通灯进行识别,应用范围广。
附图说明
[0021] 图1为本发明的识别流程图。
[0022] 图2为l_ratio(A_的分布示意图。
[0023] 图3为l_ratio(c_的分布示意图。
[0024] 图4为diam_pix_ratio的分布示意图。
[0025] 图5为将交通灯分解为4个三角形时的二值图像。 N(T) 一
[0026] 图6为^V的分布示意图。
[0027] 图7为交通灯的背板区域示意图。
[0028] 图8为交通灯背板区域的均值与标准差分布示意图。
[0029] 图9为本发明并行计算的流程图。
具体实施方式
[0030] 下面结合附图和实施例对本发明作进一步的说明。
[0031] 如图1所示,一种基于CPU与GPU协同计算的交通灯检测识别方法,包括以下步 骤:
[0032] 1)采集原始图像,降低原始图像的分辨率,在降低分辨率后的原始图像中对交通 信号灯定位,得到感兴趣区域。具体步骤为:
[0033] (1)采集原始图像,降低原始图像的分辨率,在YCbCr颜色空间中采用阈值为0. 42 对降低分辨率后的原始图像进行颜色分割,得到二值图像;
[0034] (2)通过对二值图像进行腐蚀、膨胀,修复分割不完整的交通信号灯,得到连通区 域;
[0035] (3)通过对连通区域的面积、外接矩形过滤,得到交通信号灯的感兴趣区域。
[0036] 2)将得到的感兴趣区域映射到原始图像中,在YCbCr颜色空间中使用OTSU阈值选 取算法选取合适的阈值,对感兴趣区域进行颜色分割,得到该区域的二值图像。
[0037] 将感兴趣区域的坐标映射到原始图像中时,坐标转换公式如下:
Figure CN104598912AD00051
[0039] 其中Xdegraded, Yd#aded,Lendegraded, Heightdegradra^别为初定位得到的感兴趣区域的X 坐标,Y坐标,长度,高度;其中XSTC,Ys",Lensrc,Height#。分别为坐标转换后感兴趣区域在 原始图像中的X坐标,Y坐标,长度,高度。
[0040] 进行坐标转换后,用下式放大感兴趣区域,以减少漏检情况。
Figure CN104598912AD00052
[0042] 本发明采用的是OTSU阈值选取算法,OTSU阈值选取算法通过计算图像颜色直方 图的最大类间方差,来选取阈值。
[0043] 假设灰度图像的最大灰度值为L,灰度值为i的像素的个数为Iii,图像中的像素总 数为N,那么
Figure CN104598912AD00053
,灰度值为i的像素出现的概率为Pi,则P i= η ,/Ν且 设分割阈值为t,对图像进行分割得到两类GjP G b,分别为前景和背景,则:
Figure CN104598912AD00054
[0044] 图像中像素属于Gb的概率为:
Figure CN104598912AD00055
[0045] 图像中的像素属于Gf的概率为:
Figure CN104598912AD00056
[0046] 前景类Gf的灰度均值为:
Figure CN104598912AD00057
[0047] 背景类Gb的灰度均值为:
Figure CN104598912AD00058
[0048] 图像的平均灰度值为:μ = yf〇f+ybc〇b
[0049] 两类之间的方差为:〇 2(t) = 〇b(yb-y)2+cof(yf-y) 2
[0050] 该方法以类间方差的大小,来衡量分割图像的结果,类间方差越大代表分割效果 越好,所以根据这种算法得到的最佳分割阈值T为:
[0052] 式中,argmax为最大取值函数。
Figure CN104598912AD00061
[0053] 3)对候选区域图像进行预处理,包括形态学处理、几何特征过滤;首先对二值图 像进行膨胀操作,将两个连通区域膨胀为一个连通区域,然后进行腐蚀操作,修复原始图 像,再通过候选区域的面积、饱和度、外接矩形、圆形度、箭头形交通信号灯的过滤,滤除非 交通信号灯的感兴趣区域。
[0054] 4)为每类交通信号灯构造样本库,提取候选区域的特征值,通过模板匹配识别候 选区域,从而准确识别交通灯。
[0055] 上述基于CPU与GPU协同计算的交通灯检测识别方法中,所述步骤4)具体步骤 为:
[0056] (1)为每类交通信号灯构造样本库,选择圆形度检测候选区域,将检测结果与样本 库进行对比,若不能识别交通灯,则进行下一步骤;
[0057] (2)通过箭头形交通信号灯的边缘特征点和区域饱和度对其建模,并使用该模型 检测候选区域,将检测结果与样本库进行对比,识别交通灯。
[0058] 本发明主要从三个方面对箭头形交通信号灯建模:1.边缘上特征点的几何关系; 2.特征四边形区域饱和度分析;3.特征三角形饱和度分析确定箭头方向。
[0059] 1.边缘上特征点的几何关系
[0060] 通过候选区域的边界可以获取边界的上下左右四个顶点,分别记为:A (X(l,yci), BU1, yj,C(x2, y2),D(x3, y3)。由于边缘上可能存在不止一个顶点,通过对这些顶点求均值 来确定顶点位置。假设存在N个上顶点分别记作(A1 (X,y),A2 (X,y),. . . An(x,y)},则:
Figure CN104598912AD00062
[0062] 通过点A,B,C,D的坐标就可以得到AB和⑶的直线方程。通过这两条直线方程求 取直线的交点得到点E (x4, y4)的坐标。
[0063] 得到E(x4, y4)的坐标以后,计算线段AE,BE,CE, DE的长度。AE,BE,CE, DE的长度 关系应该满足下面两个式子:
Figure CN104598912AD00063
[0065] l_ratio(AE,BE)表示BE与AE的长度比值;和l_ratio (CE,DE)表示DE与AE的长度比 值;
[0066] 上面的式子可以用点的坐标表不为:
Figure CN104598912AD00064
[0068] 通过对100幅图像进行试验,其l_ratio(AE,Bl3和l_ratio (CE,De的分布如图2、图3 所示,按比值的大小对数据进行排序。纵坐标为比例,横坐标为序号。
[0069] 由图可见 l_ratio(AE,邮在区间[0· 9675, 1. 0425]中,l_ratio (CE,DE)在区间
[0· 97, I. 04]中。定义箭头形交通信号灯的l_ratio(AE,BEdP l_ratio teE,DE)符合下式:
Figure CN104598912AD00071
[0071] 为了防止正确的交通信号灯被过滤掉,为l_ratio(AE,BI^P l_ratio teE,DE)留有0· 05 的余量,本发明选取 l_ratio_th_l(AE,Bl3 (最低的比例)为 0· 9175, l_ratio_th_h(AE,Bl3 (最高 比例)为 1. 0925, l_ratio_th_l(CE,DE)为 0· 92, l_ratio_th_h (CE,DE)为 1. 09。
[0072] 2.特征四边形区域饱和度分析
[0073] 通过观察交通信号灯的二值图像,可以看出箭头形交通信号灯的白色像素点基本 上分布在A,B,C,D组成的四边形内部,而杂质的白色像素点的分布比较随机。可计算四边 形内部白色像素点占整幅图像的像素的比例(diam_pix_rati〇),来判断候选区域是否为交 通信号灯。
[0074] 分别对100幅交通信号灯区域和100幅噪声区域进行了实验,其diam_pix_ratio 分布如图4所示。
[0075] 图中蓝色曲线为交通信号灯的diam_pix_ratio分布曲线,绿色曲线为噪声区 域的diam_pix_ratio分布曲线。可以明显看到两条曲线一高一低,所以可以通过判断 联通区域的diam_pi X_rati〇判别其是否为箭头形交通信号灯。曲线显示交通信号灯 的 diam_pix_ratio 在区间[0· 80237, 0· 93712],而噪声区域的 diam_pix_ratio 在区间 [0. 297, 0. 83969]〇
[0076] 定义箭头形交通信号灯的diam_pix_ratio满足下式:
[0077] diam_pix_ratio 多 diam_pix_ratio_th_l
[0078] 为了防止正确的交通信号灯被过滤掉,为diam_pix_ratio_th_l (最低图像的像 素的比例)留有0. 05的余量,本文选取diam_pix_ratio_th_l = 0. 75237。
[0079] 3.特征三角形饱和度分析确定箭头方向
[0080] 通过直线AB和直线⑶的交点E可以把四边形AB⑶分解为四个三角形: AACE, AADE, ABCE, ABDE,如图 5 所示。
[0081] 观察二值图像可以看出,向前的交通信号灯ABCE和ABDE内的黑色像素点比较 多,而Λ ADE和AACE中白色像素点比较多,可以通过判断ABCE内白色像素点个数Ν(Τ,) 和ABDE内白色像素点个数N(T 1)的比例来识别箭头灯的类型。下列式子描述了如何通过 判断ABCE和ABDE内像素个数关系,来判断箭头形交通信号灯的方向:
[0082]
Figure CN104598912AD00072
[0083] Tr= {(x, y)|(x, y) e Δ BCE, pix (x;y) = 255}
[0084] T1= {(x, y)|(x, y) e Δ BDE, pix (x;y) = 255}
Figure CN104598912AD00081
[0085] 其中THjP THh分别是三种交通信号灯的分类阈值,pix (x,y)S (x,y)坐标像素点 的值,Ί;和T汾别是ABCE和ABDE内白色像素点的集合。
[0086] 分别对前向、左向、右向三种交通信号灯各100幅进行了实验,溟 分布如图6
Figure CN104598912AD00082
所示。
[0087] 分布显示前向、左向、右向交通信号灯的 分别在区间[0.93337, 1.6475],
[0.091875,0. 16012],[8. 5589, 16. 2301],本文中分别选取 THjP THh为 0.5 和 4。
[0088] (3)交通灯背板检测:交通信号灯正常工作时,同一时刻,仅有一个交通信号灯发 光,另外两个交通信号灯是熄灭的。交通信号灯在背板上的安装位置是固定的:对于纵向背 板,从上向下依次安装红、黄、绿三种交通信号灯;对于横向背板,从左至右依次安装绿、黄、 红三种交通信号灯。经过检测定位到了候选区域的颜色和位置信息而且交通信号灯的安装 位置是固定的,因此可以确定交通信号灯和背板的位置关系。通过交通信号灯的位置定位 背板的位置,判断该位置是否符合交通信号灯背板的颜色属性,就可以进一步判断候选区 域是否为交通信号灯。
[0089] 交通信号灯的背板可能是横向的也可能是纵向的,所以要对横向和纵向都进行判 断。对于红、黄、绿三种交通信号灯,确定的背板区域如图7所示。
[0090] 图中1X1. 3的区域就是背板区域,对于每一种交通信号灯要判断四个位置。如果 横向或者纵向的两个背板区域满足背板的颜色特性,则认为该候选区域为交通信号灯。
[0091] 通过观察,可以得到:(1)背板的总体颜色是黑色的;(2)背板的颜色比较单一。由 此可以推断:(1)灯板上像素的R、G、B值比较小;(2)背板上像素值的标准差比较小。
[0092] 通过对200幅不同光照、不同角度的背板图像进行试验,其均值和标准差分布如 图8所示。
[0093] 从实验结果可以看出,背板R、G、B三个分量的均值和标准差都比较小。通过分析 这三个分量均值和方差的最大值,为了防止正确的交通信号灯被过滤掉,为均值和方差分 别留有5和0. 5的余量,本发明选取exp_th = 36. 587 (均值),var_th = 3. 2913 (方差)。
[0094] 5)将步骤1)至步骤4)在协同异构计算平台上进行并行化加速,以满足车载实时 性需求。
[0095] 为提升计算机处理图像数据的速度,采用CPU+GPU协同异构并行计算方式对所提 检测与识别方法进行加速,如图9所示。釆用基于CUDA技术的GPU完成像素级与特征级图 像处理的并行计算任务,基于CUDA的GPU程序以"核函数"作为基本操作单元,其在运算 过程中则对应GPU硬件中的一个线程网格,GPU运算具体步骤为:
[0096] 步骤1 :以线程作为基本运行单位,但该线程与CPU旳有所不同,是一种轻量级的 线程,其启动、切换、同步、通信都由硬件来完成,可以实现很高的运行速度;
[0097] 步骤2 :多个线程以一维、二维或者三维的形式组成线程块,并以一个三维向量 Thread(线程号)进行索引、标志和调用;
[0098] 步骤3 :多个线程块同样以一维或者二维的形式组成线程网格,以内置变量block 块进行定位,为了代码的可移植性与可伸缩性,线程块的数量被设计成与硬件处理器数量 无关,且线程网格内的线程块相互独立,可以以任意顺序执行。
[0099] 运行过程中各网格节点同时运行核函数以达到并行计算的效果,由于拥有比CPU 更多的核心,使用GPU实现细粒度并行处理更加高效。当GPU程序开始运行时,CUDA首先 将数据映射并加载到GPU内存中,然后将其细分成多个数据块,最后将各小数据块分配至 指定流处理单元执行并行处理。当GPU程序运行结束时,主机端程序可以通过PCI-Express 接口将计算结果返回,从而完成数据的交换。

Claims (6)

1. 一种基于CPU与GPU协同计算的交通灯检测识别方法,包括w下步骤: 1) 采集原始图像,降低原始图像的分辨率,在原始图像中对交通信号灯定位,得到感兴 趣区域; 2) 将得到的感兴趣区域映射到原始图像中,对其进行颜色分割,得到候选区域图像; 3) 对候选区域图像进行预处理,包括形态学处理、几何特征过滤; 4) 为每类交通信号灯构造样本库,对候选区域进行特征提取,通过模板匹配识别候选 区域,从而识别交通灯; 5) 将步骤1)至步骤4)在协同异构计算平台上进行并行化加速,W满足车载实时性需 求。
2. 如权利要求1所述的基于CPU与GPU协同计算的交通灯检测识别方法,其特征在于: 所述步骤1)具体步骤为: (1) 降低原始图像的分辨率,在YCb&颜色空间中采用阔值为0. 42对降低分辨率后的 原始图像进行颜色分割,得到二值图像; (2) 通过对二值图像进行腐蚀、膨胀,修复分割不完整的交通信号灯,得到连通区域; (3) 通过对连通区域的面积、外接矩形过滤,得到交通信号灯的感兴趣区域。
3. 如权利要求1所述的基于CPU与GPU协同计算的交通灯检测识别方法,其特征在于: 所述步骤2)具体步骤为;将得到的感兴趣区域映射到原始图像中,在YCb化颜色空间中使 用OTSU阔值选取算法对感兴趣区域进行颜色分割,得到该区域的二值图像。
4. 如权利要求1所述的基于CPU与GPU协同计算的交通灯检测识别方法,其特征在于: 所述步骤3)具体步骤为;首先对二值图像进行膨胀操作,将两个连通区域膨胀为一个连通 区域,然后进行腐蚀操作,修复原始图像,再通过候选区域的面积、饱和度、外接矩形、圆形 度、箭头形交通信号灯几何特征的过滤,滤除非交通信号灯的感兴趣区域。
5. 如权利要求1所述的基于CPU与GPU协同计算的交通灯检测识别方法,其特征在于: 所述步骤4)具体步骤为: (1) 为每类交通信号灯构造样本库,选择圆形度检测候选区域,将检测结果与样本库进 行对比,若不能识别交通灯,则进行下一步骤; (2) 通过箭头形交通信号灯的边缘特征点和区域饱和度对其建模,并使用该模型检测 候选区域,将检测结果与样本库进行对比,识别交通灯。
6. 如权利要求5所述的基于CPU与GPU协同计算的交通灯检测识别方法,其特征在于: 所述步骤4),识别交通灯之后还包括交通灯背板检测的步骤,交通灯背板检测具体步骤为: 检测交通信号灯候选区域的上下左右的相对区域是否为交通信号灯背板,对候选区域进行 确认,经过检测定位到了候选区域的颜色和位置信息,判断该位置是否符合交通信号灯背 板的颜色属性,从而判断候选区域是否为交通信号灯。
CN201510035243.3A 2015-01-23 2015-01-23 一种基于cpu与gpu协同计算的交通灯检测识别方法 Pending CN104598912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510035243.3A CN104598912A (zh) 2015-01-23 2015-01-23 一种基于cpu与gpu协同计算的交通灯检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510035243.3A CN104598912A (zh) 2015-01-23 2015-01-23 一种基于cpu与gpu协同计算的交通灯检测识别方法

Publications (1)

Publication Number Publication Date
CN104598912A true CN104598912A (zh) 2015-05-06

Family

ID=53124684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510035243.3A Pending CN104598912A (zh) 2015-01-23 2015-01-23 一种基于cpu与gpu协同计算的交通灯检测识别方法

Country Status (1)

Country Link
CN (1) CN104598912A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389993A (zh) * 2015-12-11 2016-03-09 成都汇智远景科技有限公司 视觉交通信号的处理与识别方法
CN106682597A (zh) * 2016-12-14 2017-05-17 四川长虹电器股份有限公司 一种交通信号灯识别方法
CN107392116A (zh) * 2017-06-30 2017-11-24 广州广电物业管理有限公司 一种指示灯识别方法和系统
CN107392189A (zh) * 2017-09-05 2017-11-24 百度在线网络技术(北京)有限公司 用于确定无人车的驾驶行为的方法和装置
CN107403169A (zh) * 2017-08-08 2017-11-28 上海识加电子科技有限公司 信号灯检测识别方法及装置
CN107644538A (zh) * 2017-11-01 2018-01-30 广州汽车集团股份有限公司 交通信号灯的识别方法及装置
CN108305475A (zh) * 2017-03-06 2018-07-20 腾讯科技(深圳)有限公司 一种交通灯识别方法及装置
CN109544955A (zh) * 2018-12-26 2019-03-29 广州小鹏汽车科技有限公司 一种交通信号灯的状态获取方法及系统
CN109711379A (zh) * 2019-01-02 2019-05-03 电子科技大学 一种复杂环境交通信号灯候选区域提取及识别方法
CN110033416A (zh) * 2019-04-08 2019-07-19 重庆邮电大学 一种结合多粒度的车联网图像复原方法
CN112164221A (zh) * 2020-09-23 2021-01-01 北京百度网讯科技有限公司 图像数据挖掘方法、装置、设备及路侧设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542260A (zh) * 2011-12-30 2012-07-04 中南大学 一种面向无人驾驶车的道路交通标志识别方法
CN103489324A (zh) * 2013-09-22 2014-01-01 北京联合大学 一种基于无人驾驶的实时动态红绿灯检测识别方法
CN103971126A (zh) * 2014-05-12 2014-08-06 百度在线网络技术(北京)有限公司 一种交通标志识别方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542260A (zh) * 2011-12-30 2012-07-04 中南大学 一种面向无人驾驶车的道路交通标志识别方法
CN103489324A (zh) * 2013-09-22 2014-01-01 北京联合大学 一种基于无人驾驶的实时动态红绿灯检测识别方法
CN103971126A (zh) * 2014-05-12 2014-08-06 百度在线网络技术(北京)有限公司 一种交通标志识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨志义 等: "基于统一计算设备架构技术的并行图像处理研究", 《计算机测量与控制》 *
黄振威: "交通信号灯检测与识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389993B (zh) * 2015-12-11 2018-02-23 余战秋 视觉交通信号的处理与识别方法
CN105389993A (zh) * 2015-12-11 2016-03-09 成都汇智远景科技有限公司 视觉交通信号的处理与识别方法
CN106682597A (zh) * 2016-12-14 2017-05-17 四川长虹电器股份有限公司 一种交通信号灯识别方法
CN108305475A (zh) * 2017-03-06 2018-07-20 腾讯科技(深圳)有限公司 一种交通灯识别方法及装置
CN107392116A (zh) * 2017-06-30 2017-11-24 广州广电物业管理有限公司 一种指示灯识别方法和系统
CN107403169A (zh) * 2017-08-08 2017-11-28 上海识加电子科技有限公司 信号灯检测识别方法及装置
CN107403169B (zh) * 2017-08-08 2018-09-28 上海识加电子科技有限公司 信号灯检测识别方法及装置
CN107392189A (zh) * 2017-09-05 2017-11-24 百度在线网络技术(北京)有限公司 用于确定无人车的驾驶行为的方法和装置
WO2019047655A1 (zh) * 2017-09-05 2019-03-14 百度在线网络技术(北京)有限公司 用于确定无人车的驾驶行为的方法和装置
CN107644538A (zh) * 2017-11-01 2018-01-30 广州汽车集团股份有限公司 交通信号灯的识别方法及装置
CN107644538B (zh) * 2017-11-01 2020-10-23 广州汽车集团股份有限公司 交通信号灯的识别方法及装置
CN109544955A (zh) * 2018-12-26 2019-03-29 广州小鹏汽车科技有限公司 一种交通信号灯的状态获取方法及系统
CN109711379A (zh) * 2019-01-02 2019-05-03 电子科技大学 一种复杂环境交通信号灯候选区域提取及识别方法
CN110033416A (zh) * 2019-04-08 2019-07-19 重庆邮电大学 一种结合多粒度的车联网图像复原方法
CN110033416B (zh) * 2019-04-08 2020-11-10 重庆邮电大学 一种结合多粒度的车联网图像复原方法
CN112164221A (zh) * 2020-09-23 2021-01-01 北京百度网讯科技有限公司 图像数据挖掘方法、装置、设备及路侧设备

Similar Documents

Publication Publication Date Title
CN104598912A (zh) 一种基于cpu与gpu协同计算的交通灯检测识别方法
CN101334836B (zh) 一种融合色彩、尺寸和纹理特征的车牌定位方法
Mammeri et al. A real-time lane marking localization, tracking and communication system
US8902053B2 (en) Method and system for lane departure warning
KR101605514B1 (ko) 차선 인식 장치 및 방법
CN103324930B (zh) 一种基于灰度直方图二值化的车牌字符分割方法
CN105718870A (zh) 自动驾驶中基于前向摄像头的道路标线提取方法
CN102354457B (zh) 基于广义霍夫变换的交通信号灯位置检测方法
US20160148063A1 (en) Traffic light detection
JP5787024B2 (ja) 立体物検出装置
CN105260713A (zh) 一种车道线检测方法和装置
CN103295420A (zh) 一种车道线识别的方法
CN104200210A (zh) 一种基于部件的车牌字符分割方法
US9589193B2 (en) Three-dimensional object detection device and three-dimensional object detection method
CN103530600A (zh) 复杂光照下的车牌识别方法及系统
CN105405142A (zh) 一种玻璃面板的边缺陷检测方法及系统
CN104183142A (zh) 一种基于图像视觉处理技术的车流量统计方法
Zhang et al. A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles
CN103413311A (zh) 一种基于边缘的模糊检测方法
CN104112141A (zh) 一种基于公路监控设备的货车安全带系挂状态的检测方法
CN109948552B (zh) 一种复杂交通环境中的车道线检测的方法
CN105426863A (zh) 检测车道线的方法和装置
CN103093200A (zh) 快速精准定位图像中车牌的算法
CN103544489A (zh) 一种车标定位装置及方法
CN104063877A (zh) 一种候选车道线混合判断识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20150506