CN105160924A - 基于视频处理的智能信号灯状态检测方法及检测系统 - Google Patents

Abstract

本发明公开了基于视频处理的智能信号灯状态检测方法及检测系统，本方案针对信号灯视频使用定位算法确定信号灯区域位置，同时分析信号灯检测区域的成像质量，诊断视频质量是否异常并给出异常级别；若视频质量在异常级别范围内，则结合高斯模型与HSI颜色空间分割出信号灯的区域，利用聚类分析提取信号灯检测区域内的满足色度、亮度和饱和度信息的连通域，再根据形状、颜色和位置等几何特征分析提取最优连通域，确定该定信号灯的状态，同时利用SVM分类器识别信号灯的形状。本发明无需附件硬件及其安装，稳定有效，自适应性强且复杂度小，能实时监测信号灯的状态，并在恶劣的环境及较差成像条件下为公安交通提供更加准确有效的执法证据。

Description

基于视频处理的智能信号灯状态检测方法及检测系统

技术领域

本专利涉及一种交通控制技术，具体涉及信号灯状态检测技术。

背景技术

在电子警察系统中，一般通过交通信号灯的状态判断交通违法行为。信号灯状态检测器就是用来获取信号灯状态的一种电子设备。

信号灯状态检测器，即检测信号灯的亮灭情况，并以I/O信号或者串口协议的方式输出检测结果。现有的信号灯状态检测器主要由三部分组成：前端电路、协议处理、输出接口。前端电路将信号灯并联而来的电源信号转换成适合后续电路处理的电平信号；协议处理部分将检测到的信号灯状态转换成高低电平的I/O信号或者串口协议数据。

目前，现有技术都是基于单片机来进行信号处理、协议转换以及控制输出的。由于单片机性能的限制，当处理多个通道的信号灯时，只能做简单的信号灯状态检测和结果上报，不能有效的过滤干扰信号以及灵活实现其它附加功能；加之，单片机本身容易受干扰影响，导致出现程序跑飞、死机等问题，即使利用watchdog解决上述问题，但是从系统异常到watchdog复位，再到设备重启正常工作这段时间，也会漏掉信号灯状态检测，这样对于整个电子警察系统来说就会出现漏拍或者误拍的问题。

公告号CN102568242B的中国发明专利公开了一种基于视频处理的信号灯状态检测方法及其系统，其公开的基于视频处理的信号灯检测方案虽然能够解决采用信号灯状态检测器进行信号灯状态检测所存在的问题，但是该检测方法对恶劣环境，视频质量较差，复杂路口的信号灯以及信号灯多样性等情况的自适应差，无法有效的在恶劣的环境及较差成像条件下为公安交通提供更加准确有效的执法证据。

发明内容

针对现有基于视频处理的信号灯检测方案无法在恶劣的环境及较差成像条件下有效检测信号灯状态的问题，本专利的目的在于以下两点：

目的1：提供一种基于视频处理的智能信号灯状态检测方法；

目的2：提供一种实现上述检测方法的智能信号灯状态检测系统；

据此解决现有技术所存在的问题。

为了达到上述目的，本专利采用如下的技术方案：

目的1：基于视频处理的智能信号灯状态检测方法，该检测方法包括如下步骤：

(1)在信号灯视频中给出信号灯的初始化位置及相关信息，使用定位算法确定信号灯区域位置；

(2)分析信号灯区域的成像质量，诊断视频质量是否异常；

(3)对信号灯区域进行颜色空间分析提取相应的色彩区域，并确定亮灯区域的位置；

(4)根据步骤(3)得到的信号灯区域的颜色及亮灯区域位置特征实时判断信号灯的当前状态。

优选的，所述步骤(2)中通过对视频帧的亮度、对比度、偏色的计算，以诊断视频质量，若连续视频质量异常严重，则进行报警。进一步的，该视频质量诊断过程如下：

(201)从视频中信号灯区域中提取全局亮度，并检测亮度是否异常，若正常转入步骤(202)，若异常转入步骤(205)；

(202)检测视频中信号灯区域的对比度是否异常，若正常转入步骤(203)，若异常转入步骤(205)；

(203)检测从视频中信号灯区域的颜色失真是否异常，若正常转入步骤(204)，若异常转入步骤(205)；

(204)确定视频质量正常，进行后续视频分析处理；

(205)确认视频亮度、对比度、颜色异常提示报警并且进入视频的下一帧继续步骤(201)。

优选的，所述步骤(3)中基于亮度、饱和度结合高斯模型与HSI颜色空间分割出信号灯区域，同时利用聚类分析提取信号灯区域内的满足色度、亮度和饱和度信息的连通域。进一步，步骤(3)的包括如下子步骤：

(301)从视频中信号灯区域中提取满足色度、饱和度、亮度阈值范围的颜色点；

(302)判断视频的昼夜模式，对昼夜场景的视频进行不同特征图像处理的步骤；

(303)若为昼场景，则进行彩色图像分割，并将图像转换为灰度图像，并计算灰度图像的平均亮度；

(304)若为夜场景，则直接进行灰度图像分割，并计算灰度分割图像的平均亮度；

(305)对分割图像进行预处理；

(306)通过对预处理后的分割图像中的前景点进行连通域标记，并通过几何特征提取多个连通域作为信号灯亮灯区域的候选区域。

优选的，所述步骤(4)针对作为信号灯亮灯区域的候选区域的多个连通域通过几何特征模型提取信号灯的最优连通域，据此确定信号灯的状态。进一步的，所述步骤(4)包括如下子步骤：

(401)判断候选连通域的颜色和亮度，以此确定信号灯的状态；

(402)判断候选连通域相对于信号灯内红、黄、绿的灯的位置，以确定信号灯的位置状态；

(403)基于步骤(401)与步骤(402)给出的候选区域的颜色及位置信息判断信号灯的状态，对应的连通域为最优连通域。

优选的，所述检测方法还包括通过统计各灯位置及颜色信息实时校验信号灯区域位置的偏移的步骤。进一步的，该步骤通过如下子步骤实现：

(501)判断信号灯的状态，若信号灯状态为红灯或者绿灯，则周期性的统计其特征，否则结束流程；

(502)通过红灯或者绿灯区域的特征，提取相应的位置及颜色阈值的特征并进行周期性的统计；

(503)根据步骤(502)的统计值，确定红灯、绿灯区域中心位置的偏移；

(504)根据步骤(502)的统计值，确定整个信号灯区域中心位置的偏移；

(505)根据步骤(503)和步骤(504)确定的信号灯亮灯区域位置及信号灯区域位置的偏移值判断信号灯周期是否正常，若正常转入步骤(506)，若不正常转入步骤(507)；

(506)通过统计值，校验信号灯区域的位置；

(507)还原红灯和绿灯的中心位置为初始化规则中的位置。

优选的，所述检测方法还包括依据视频异常诊断结果及信号灯的状态，对信号灯异常色度的颜色进行校正的步骤。进一步的，该步骤通过如下子步骤实现：

(601)首先判断是否进行颜色校正，若是则进入步骤(602)，否则结束流程；

(602)根据确定的信号灯状态及其对应的亮度区域，判定信号灯颜色是否异常，若异常则进入步骤(603)，否则结束流程；

(603)提取异常色度的像素点并进行颜色校正。

优选的，所述检测方法还包括依据亮灯状态信号灯的位置，对信号灯的形状，即圆形灯、箭头灯、人行横道灯等进行识别的步骤。进一步的，该步骤通过如下子步骤实现：

(701)首先判断信号灯周期是否正常，若是则进入步骤(702)，否则结束流程；

(702)根据确定的信号灯状态及其对应的亮度区域，将此区域通过预先训练好的SVM分类器进行识别，识别出信号灯的形状即，箭头灯(左转、右转)、圆形灯(直行等)、文字灯(直行待行灯)、人行横道灯。

目的2：基于视频处理的智能信号灯状态检测系统，所述检测系统包括：

信号灯区域位置定位模块，所述信号灯区域位置定位模块确定信号灯视频中信号灯区域位置；

视频异常诊断模块，所述视频异常诊断模块用于诊断经信号灯区域位置定位模块定位的信号灯区域的视频成像质量是否异常并给出异常级别；

颜色空间分析模块，所述颜色空间分析模块对视频质量在异常级别范围内的信号灯区域进行颜色空间分析，提取信号灯区域内的满足色度、亮度和饱和度信息的连通域；

信号灯状态判断模块，所述信号灯状态判断模块对由颜色空间分析模块提取得到的连通域进行分析，提取最优连通域，确定信号灯的状态。

优选的，所述检测系统还包括信号灯区域位置校正模块，所述信号灯区域位置校正模块通过统计各灯位置及颜色信息实时校验信号灯区域位置的偏移。

优选的，所述检测系统还包括信号灯异常色度校正模块，所述信号灯异常色度校正模块依据视频异常诊断结果及信号灯的状态，对信号灯异常色度的颜色进行校正。

优选的，所述检测系统还包括信号灯形状识别模块，所述信号灯形状识别模块依据信号灯状态及其对应的亮度区域，利用SVM分类器识别信号灯的形状。

本专利提供的方案无需附件硬件及其安装，稳定有效，自适应性强且复杂度小，能实时监测信号灯的状态，并在恶劣的环境及较差成像条件下为公安交通提供更加准确有效的执法证据。

本方案适用多种类型的信号灯检测，尤其适用复杂场景下的智能交通系统。

附图说明

以下结合附图和具体实施方式来进一步说明本专利。

图1是本专利实例中基于视频处理的信号灯检测的流程示意图；

图2是本专利实例中视频异常诊断的流程示意图；

图3是本专利实例中信号灯的颜色及空间几何特征分析的流程示意图；

图4是本专利实例中信号灯状态判断的流程示意图；

图5是本专利实例中信号灯信息统计及位置偏移校正的流程示意图；

图6是本专利实例中信号灯异常色度颜色校正的流程示意图；

图7是本专利实例中信号灯形状识别的流程示意图；

图8是本专利实例中基于视频处理的信号灯状态检测系统的系统示意图。

具体实施方式

为了使本专利实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本专利。

本专利提供的基于视频处理的智能信号灯检测方案，适用多种类型的信号灯检测，尤其适用复杂场景下的智能交通系统。其整个检测过程包含步骤为：

首先，在信号灯视频中给出信号灯的初始化位置及相关信息，使用定位算法确定信号灯区域位置，本专利中称为信号灯检测区域；

接着，分析信号灯检测区域的成像质量，诊断视频质量是否异常并给出异常级别；若长时间视频质量异常严重，则认为外部硬件灯异常出现的情况，则通过报警机制通知用户，让用户及时排除故障。

若视频质量在异常级别范围内，则结合高斯模型与HSI颜色空间分割出信号灯的区域，利用聚类分析提取信号灯检测区域内的满足色度、亮度和饱和度信息的连通域；再根据形状、颜色和位置等几何特征分析提取最优连通域，确定该定信号灯的状态。

在此基础上，还对信号灯剧烈晃动、偏移出检测区域的情况，通过统计各灯位置及颜色信息实时校验信号灯检测区域位置的偏移；以及依据视频异常诊断结果及信号灯的状态，对信号灯异常色度的颜色进行校正。

同时，还依据信号灯状态及其对应的亮度区域，利用SVM分类器识别信号灯的形状。

针对上述的原理方案，以下通过一具体实例来进一步的说明。

本实例通过软件编程，形成基于视频处理的信号灯检测的软件系统，该信号灯检测系统运行于相应的硬件服务器中，并与电子警察系统配合。

参见图8，其所示为本实例中提供的基于视频处理的智能信号灯状态检测系统的系统示意图。

由图可知，该检测系统主要包括信号灯区域位置定位模块801、视频异常诊断模块802、颜色空间分析模块803、信号灯状态判断模块804、信号灯区域位置校正模块805、信号灯异常色度校正模块806以及信号灯形状识别模块807。

信号灯区域位置定位模块801，其获取电子警察系统中信号灯视频，同时根据系统设置界面(一般由相应的设置模块来实现)设定的：视频中信号灯的初始位置、规则框、形状类型、个数等后续计算的预测参数，使用定位算法确定信号灯视频中信号灯区域位置，即信号灯检测区域。

视频异常诊断模块802，该模块与信号灯区域位置定位模块801数据相接，用于诊断经信号灯区域位置定位模块定位的信号灯区域的视频成像质量是否异常并给出异常级别。

该视频异常诊断模块802，通过对视频帧的亮度、对比度、偏色的计算，分析信号灯检测区域的成像质量，诊断视频质量是否异常并给出异常级别。若长时间视频质量异常严重，则认为外部硬件灯异常出现的情况，则通过报警机制通知用户，让用户及时排除故障。

颜色空间分析模块803，其与视频异常诊断模块802数据相接，针对经视频异常诊断模块802诊断视频质量在异常级别范围内的信号灯区域视频，结合高斯模型与HSI颜色空间分割出信号灯的区域，利用聚类分析提取信号灯检测区域内的满足色度、亮度和饱和度信息的连通域。

信号灯状态判断模块804，其与颜色空间分析模块803数据相接，根据形状、颜色和位置等几何特征分析提取最优连通域，并结合信号灯内部红黄绿灯的相对位置关系检测信号灯的状态。

信号灯区域位置校正模块805，其分别与信号灯区域位置定位模块801、颜色空间分析模块803、信号灯状态判断模块804数据相接。该模块针对对信号灯剧烈晃动、偏移出检测区域的情况，通过统计各灯位置及颜色信息，实时校验信号灯区域位置的偏移。

该模块具体通过对连续单帧的信号灯位置及颜色特征信息做统计计算，实时校正信号灯位置的偏移与颜色特征提取的阈值；

信号灯异常色度校正模块806，其与视频异常诊断模块802、颜色空间分析模块803、信号灯状态判断模块804数据相接。该模块通过视频异常诊断模块802确定得到的图像异常类别及信号灯状态判断模块804得到的信号灯的状态综合判断信号灯亮灯区域颜色是否异常，如果信号灯亮灯颜色异常，则进行异常色度的颜色校正。

该模块806具体利用高斯特征的颜色空间模型对信号灯异常色度的像素点进行校验。

信号灯形状识别模块807，该模块根据确定的信号灯状态及其对应的亮度区域，将此区域通过预先训练好的SVM分类器进行识别，识别出信号灯的形状即，箭头灯(左转、右转)、圆形灯(直行等)、文字灯(直行待行灯)、人行横道灯。

参见图1，其所示为本实例方案基于视频处理进行信号灯检测的流程示意图。由图可知，整个信号灯的检测流程包括以下步骤：

首先进入步骤101，在该步骤中从电子警察系统中获取相应的信号灯视频，并依次在信号灯视频中给出信号灯的初始化位置及相关信息，使用定位算法确定信号灯区域位置。

该步骤通过以下子步骤实现：

通过软件的设置界面给出视频中信号灯的初始位置、规则框、形状类型、个数等作为后续计算的预测参数P_pres；

从信号灯视频帧中，计算当前帧的全局亮度I_{G_avg}：

若I_{G_avg}＞I_{day_th}，则认为所述视频场景为白天视频，标记P_{day_night}＝1；

若I_{G_avg}＜I_{night_th}，则认为所述视频场景为夜间视频，标记P_{day_night}＝0；

其中I_{day_th}表示白天亮度特征的下限，I_{night_th}表示夜间亮度特征的上限，P_{day_night}表示视频的昼夜模式。此特征也记入信号灯的预测参数P_pres。

通过视频中信号灯的初始位置、规则框、形状类型、个数等，可以减少不必要的运算量以及信号灯准确的初始位置、间接计算出信号灯区域的内部各灯的相对位置关系等用于后续步骤。

同时，从所述视频帧中，利用HSV色彩空间提取满足信号灯色彩区域，及与初始化规则框的特征相匹配的信号灯外边框特征，最终确定信号灯的有效区域位置Area。

利用HSV色彩空间提取满足信号灯色彩区域，及信号灯外边框特征，最终确定信号灯区域位置的步骤在智能交通系统初始化或算法重置时起效。

此后进入步骤102，基于信号灯区域利用视频异常诊断算法判断并给出视频正常与异常视频的种类及级别。如果正常则进入步骤103，否则跳入视频的下一帧继续步骤102。

通过判断视频是否异常及异常的程度，当视频异常程度低时，对不同原因进行不同处理可以提高视频中信号灯状态的检测率；当视频质量异常严重时，可以减少其造成信号灯状态的误检测。若长时间视频质量异常严重，则发出报警，可以避免硬件故障导致软件失效。

接着进入步骤103，对视频中的信号灯区域进行颜色空间(HSV)分析提取红、黄、绿、蓝绿颜色的色彩区域。

在该步骤中，还可利用步骤101给出的初始化参数(系统初始化时)或步骤105中统计的位置特及几何特征结合色彩区域的相对位置关系确定亮灯区域的位置。

此后进入步骤104，对步骤103得到的信号灯亮灯区域的颜色及位置特征实时判断信号灯的当前状态。

此后进入步骤105，对步骤104得到的连续单帧的信号灯位置及颜色特征信息做统计计算，并据此实时校正信号灯位置的偏移与颜色特征提取的阈值。

通过连续帧的信号灯位置及颜色特征信息的统计，可以避免信号灯周围的类似红黄绿的色彩区域干扰物干扰信号灯的状态检测。

通过几个信号灯的周期中信号灯内部红绿灯相对位置的统计、判断及更新，进一步提高红灯和绿灯在信号灯框中位置的精确性。

通过信号灯内部的红灯或者绿灯位置的偏移量，可以避免并校正摄像机晃动或者偏移导致的信号灯状态误检测的情况。

此后，根据需要进入步骤106，对步骤102得到的图像异常类别及步骤104得到的信号灯的状态综合判断信号灯亮灯区域颜色是否异常。

如果信号灯亮灯颜色异常，则进行异常色度的颜色校正，否则进入视频下一帧并从步骤102开始计算。由此通过信号灯亮灯颜色异常校正，进一步提高执法证据的有效性。

最后，根据需要进入步骤107，依据前面确定的信号灯状态及其对应的亮度区域，对信号灯的形状，即圆形灯、箭头灯、人行横道灯等进行识别。

本实例中，步骤102的方案在具体实现时，通过对视频帧的亮度、对比度、偏色的计算，可以确保视频异常诊断的有效性和异常程度的准确性。若连续视频质量异常严重，则认为异常一直出现的情况，进一步提高了本检测方法的可靠性。

具体地说，如图2所示，本实例步骤102在对视频中信号灯区域异常诊断时通过如下子步骤实现：

步骤201，在步骤201中，从视频中信号灯区域Area中提取全局亮度(Intensity)I_avg:

1)若I_avg＞I_{day_th}，则认为视频为白天状态；

2)若I_avg＜I_{night_th}，则认为视频为夜间状态；

3)若I_avg＞I_{H_th}，则认为视频过亮；

4)若I_avg＜I_{L_th}，则认为视频域过暗；

若I_avg＞I_{day_th}、I_avg＞I_{L_th}且I_avg＜I_{H_th}，则认为检测区域Area亮度符合要求进入步骤202，否则进入步骤205。

其中I_{H_th}表示亮度特征的上限(I_{H_th}＞I_{day_th})，I_{L_th}表示亮度特征的下限。

此后进入步骤202，判断对比度(Contrast)C_light是否正常。

若C_light＞C_{L_th}，则认为视频对比度符合要求级别为0级，否则认为视频对比度过低。

当图像对比度过低时：

若I_avg＞I_{day_th}、I_avg＞I_{L_th}×1.5且C_light＞C_{L_th}×0.8，则标记视频对比度的级别为1级，否则标记对比度的级别为2级。

若I_avg＜I_{night_th}、I_avg＞I_{L_th}×1.5且I_avg＞I_{L_th}×0.5，则标记视频对比度的级别为1级，否则标记对比度的级别为2级。

若对比度级别为0，1级，则进入步骤203，否则进入步骤205。

其中C_{L_th}表示对比度特征的下限。

接着进入步骤203，该步骤判断颜色失真(ColorDistorted)D_light是否正常，其包括以下子步骤：

1)若D_light＞D_{red_th}，则认为视频颜色失真且偏红，否则认为视频颜色正常级别为0级；

2)若D_light＞D_{green_th}，则认为视频颜色失真且偏绿，否则认为视频颜色正常级别为0级；

3)若D_light＞D_{yellow_th}，则认为视频颜色失真且偏黄，否则认为视频颜色正常级别为0级；

若视频颜色偏色且I_avg＜I_{H_th}-40、C_light＞C_{L_th}×1.5，则标记颜色失真级别为2级。否则标记颜色失真级别为1级。

若对比度级别为0，1级，则认为视频颜色正常进入步骤204，否则进入步骤205。

若长时间视频质量异常严重，则认为外部硬件故障导致视频异常并通过一种外部硬件异常发出报警通知用户。

其中D_{x_th}表示颜色失真的阈值：D_{red_th}表示偏红的阈值，D_{green_th}表示偏绿的阈值，D_{yellow_th}表示偏黄的阈值。

在步骤204中，进入后续视频正常处理模块进行处理，即直接进入步骤103。

在步骤205中，确认视频亮度、对比度、颜色异常提示报警并且进入视频的下一帧继续步骤201。

本实例中，步骤103在实现相应功能时，主要是通过步骤101中给出的昼夜模式分别对不同场景的视频进行其颜色特征的分割，和提取连通域分析对满足颜色特征的色彩候选区域位置进行定位。由此可以降低运算的复杂度以及提高抗干扰能力。

具体地说，如图3所示，本实例步骤103在对视频中的信号灯区域进行颜色空间(HSI)转换及分割，提取红、黄、绿、蓝绿颜色的色彩区域时，主要通过基于亮度I_plane、饱和度S_plane空间的高斯模型计算出每帧图像的亮度I_thx、饱和度S_th阈值，由此可以自适应光照造成的颜色丢失情况，更有效地提取出信号灯的颜色特征。其通过以下子步骤实现：

在步骤301中，从视频中信号灯区域Area中提取满足色度H_{x_thx}、饱和度S_th、亮度I_thx阈值范围的颜色点。其包括以下子步骤：

通过大津法自动计算H_plane、S_plane、I_plane空间的阈值Thr_{per_H}、Thr_{per_S}、Thr_{per_I}。

提取(i，j)位置像素点的H(i，j)、S(i，j)和I(i，j)，其中H(i，j)、S(i，j)和I(i，j)分别为该像素点的色度、饱和度和亮度信息。

通过大津法自动计算H_plane、S_plane、I_plane空间的阈值Thr_{per_H}、Thr_{per_S}、Thr_{per_I}。

1)若S(i，j)＞S_th、I(i，j)≥I_th1且H(i，j)＞H_{red_th1}、H(i，j)＞H_{red_th2}，则认为当前像素点为红色。

2)若S(i，j)＞S_th、I(i，j)≥I_th1且H(i，j)＞H_{green_th1}、H(i，j)＞H_{green_th2}，则认为当前像素点为绿色。

3)若S(i，j)＞S_th、I(i，j)≥I_th1且H(i，j)＞H_{yellow_th1}、H(i，j)＞H_{yellow_th2}，则认为当前像素点为黄色。

4)若S(i，j)＞S_th、I(i，j)≥I_th1且H(i，j)＞H_{GBlue_th1}、H(i，j)＞H_{GBlue_th2}，则认为当前像素点为蓝绿色。

5)若I(i，j)＜I_th1，则判定当前像素点为黑色。

6)若S(i，j)＜S_th、I(i，j)≥I_th2，则认为当前像素点为白色。

7)若S(i，j)＜S_th、I(i，j)≥I_th1且I(i，j)＜I_th2，则认为当前像素点为灰色。

其中S_th表示饱和度特征的阈值，I_th1表示亮度特征的下限，I_th2表示亮度特征的上限，H_{red_th1}表示红色特征的下限，H_{red_th2}表示红色特征的上限，H_{green_th1}表示红绿特征的下限，H_{green_th2}表示绿色特征的上限，H_{yellow_th1}表示黄色特征的下限，H_{yellow_th2}表示黄色特征的上限，H_{GBlue_th1}表示蓝绿色特征的下限，H_{GBlue_th2}表示蓝绿色特征的上限。

获取满足黑色的像素点作为背景点，满足红色，绿色，黄色和蓝绿色的像素点作为前景点的彩色分割图像pImg_{seg_color}以及满足白色和灰色的像素点作为前景点的灰度分割图像pImg_{seg_gray}。

在步骤302中，通过步骤101中给出的昼夜模式P_{day_night}，对昼夜场景的视频进行不同特征图像处理的步骤，包括以下子步骤：

若P_{day_night}＝1，则认为是白天场景的视频，选择彩色分割图像做处理。

若P_{day_night}＝0，则认为是黑夜场景的视频，选择灰度分割图像做处理。

夜间场景中除了灯光及其被照亮的物体之外，其他物体均过暗，此时场景中的颜色干扰少；而且当画面曝光时导致信号灯失去颜色信息。通过对灰度分割图像处理，可以降低干扰和运算的复杂度。

在步骤303中，将彩色图像分割图像转换为灰度图像pImg_gray，包括以下子步骤：

提取pImg_{seg_color}(i，j)位置像素点的RGB值并计算其灰度信息pImg_gray(i，j)。

若R(i，j)+G(i，j)+B(i，j)＞I_{th_c2g}，则认为pImg_gray(i，j)＝150，否则认为pImg_gray(i，j)＝0。

计算灰度图像pImg_gray的平均亮度I_avg1＝∑pImg_gray(i，j)/N，其中N为灰度图像大小；

在步骤304中，计算灰度分割图像pImg_{seg_gray}的平均亮度I_avg2；

进入步骤305，通过步骤101中给出的参数P_pres中的各信号灯的形状类型、步骤302中得到的I_avg1、和步骤304中得到的I_avg2，可以对分割图像做预处理，包括以下子步骤：

若信号灯形状为圆形灯(即直行灯)或者文字灯(即直行待行区指示灯)并且I_avgx＞I_thx，则对分割图像做侵蚀处理Erode。

若信号灯形状为箭头灯(即左转或者右转灯)，则对分割图像做膨胀处理Dilate。

通过对不同形状的信号灯区域做侵蚀或膨胀处理，去除信号灯逆光时导致信号灯曝光造成的信号灯亮度区域周围的虚光圈，和扩大由于信号灯顺光导致信号灯亮度区域的亮度过低色彩信息过少的区域，可以在顺光和逆光的极端情况下稳定获取有效信息用于之后的检测。

在步骤306中，通过对预处理后的分割图像中的前景点进行连通域标记，可以通过几何特征提取多个连通域作为信号灯亮灯区域的候选区域，包括以下步骤：

通过昼夜场景对灰度图像pImg_{seg_gray}或plmg_gray内的前景点进行连通域提取并做椭圆拟合，获取各个连通域标记序列Label_{connet_x}，包括连通域中心点的位置Cent_roi、连通域的周长C_roi、前景点个数Size_roi、椭圆的面积Area_roi、椭圆的离心率E_roi、及亮度I_roi。

若连通域Label_{connet_1}的Size_roi＜Size_{th_roi}、C_roi＜C_{th_roi}，则认为此连通域为噪声并去除。

若连通域Label_{connet_2}的Size_roi＜Area_roi、I_roi＜I_{th_roi}，则认为此连通域为空心区域并去除。

若连通域Label_{connet_3}的E_roi＜E_{th_roi}，则认为此连通域形状不满足并去除。

其中Size_{th_roi}表示连通域内的前景点个数下限，C_{th_roi}表示连通域的周长下限，I_{th_roi}表示连通域的亮度下限，E_{th_roi}表示拟合椭圆的离心率下限。

计算满足条件的连通域的中心点Cent_roi、宽高WH_roi、前景点个数Size_roi、亮度I_roi、及连通域的颜色信息Color_roi，得出信号灯亮灯区域的候选区域序列。

Color_roi＝max(∑flag_r(i，j)，∑flag_g(i，j)，∑flag_y(i，j))

若∑flag_r(i，j)最大，则定义连通域为红色即Color_roi＝1。

若∑flag_g(i，j)最大，则定义连通域为绿色即Color_roi＝2。

若∑flag_y(i，j)最大，则定义连通域为黄色即Color_roi＝3。

其中flag_r(i，j)通过彩色分割图像pImg_{seg_color}提取(i，j)位置像素点的R(i，j)、G(i，j)和B(i，j)，判断得出，包括以下步骤：

若R(i，j)≠0、G(i，j)＝0，则判定像素点(i，j)为红色并标记为flag_r(i，j)。

若R(i，j)＝0、G(i，j)≠0或者B(i，j)≠0，则判定像素点(i，j)为绿色并标记为flag_g(i，j)。

若R(i，j)≠0、G(i，j)≠0，则判定像素点(i，j)为黄色并标记为flag_y(i，j)。

在本实例中，步骤104的方案在具体实现时，其通过步骤103中给出的候选区域序列判断其大小、颜色、亮度、位置等特征，最终选出最优连通域。多种信息综合判断最优连通域可以进一步确保本算法的精确性和稳定性。其中，最优连通区域被认为是信号灯的亮灯区域并得出信号灯的状态。

具体地说，如图4所示，本实例步骤104在判断信号灯状态时，通过如下子步骤实现：

首先进入步骤401，通过判断候选连通域的颜色和亮度确定信号灯的状态，其包含以下步骤：

若连通域Label_{connet_1}的Color_roi≠0且I_roi＞I_{roi_th}，则判定连通域状态为亮，否则Color_roi＝0表示连通域为暗。

若为夜间场景、连通域Label_{connet_2}的Color_roi＝0且I_roi＞I_{roi_th}×2，则判定连通域状态为亮且Color_roi＝4。

接着，进入步骤402，通过判断候选连通域相对于信号灯内红黄绿的灯的位置确定信号灯的位置状态Pos_roi，包含以下步骤：

若连通域Label_{connet_1}的Cent_roi(x，y)＝Pos_red(x，y)，则认为此连通域状态在红灯位置且Pos_roi＝1。

若连通域Label_{connet_2}的Cent_roi(x，y)＝Pos_green(x，y)，则认为此连通域状态在绿灯位置且Pos_roi＝2。

若连通域Label_{connet_3}的Cent_roi(x，y)＝Pos_yellow(x，y)，则认为此连通域状态在黄灯位置且Pos_roi＝3。

其中Pos_red、Pos_green、Pos_yellow表示几个信号灯周期中统计的检测出的信号灯中红灯、绿灯、黄灯亮灯区域的中心点位置，在后面步骤中具体说明。

接着，进入步骤403中，综合上述步骤401与402给出的候选区域的颜色及位置信息判断信号灯的状态，对应的连通域为最优连通域opt_connet，包含以下步骤：

1)若连通域Label_{connet_1}的Color_roi＝1且Pos_roi＝1，则判定信号灯状态为红灯。

2)若连通域Label_{connet_2}的Color_roi＝2且Pos_roi＝2，则判定信号灯状态为绿灯。

3)连通域Label_{connet_3}在黄灯位置时(即Pos_roi＝3)，包括以下步骤：

若连通域Label_{connet_3}的Color_roi＝3，则判定信号灯状态为黄灯。

若连通域Label_{connet_3}的Color_roi＝1，则判定信号灯状态为红灯。

若连通域Label_{connet_3}的Color_roi＝2，则判定信号灯状态为绿灯。

此外，若满足上述条件的最优连通域optconnet的个数多于一个，则认为信号灯的状态为绿灯倒计时、红灯倒计时和逆光导致的阴影。进行如下判断：

1)若opt_{connet_1}为红灯Pos_roi＝1且opt_{connet_2}为红灯Pos_roi＝3，则认为信号灯状态为红灯倒计时。

2)若opt_{connet_1}为绿灯Pos_roi＝2且opt_{connet_2}为绿灯Pos_roi＝3，则认为信号灯状态为绿灯倒计时。

3)若opt_{connet_1}为红灯Pos_roi＝1且opt_{connet_2}为绿灯Pos_roi＝2，包括以下步骤：

若I_{roi_connet_1}＞I_{roi_connet_2}×2，则认为最优连通域为opt_{connet_1}信号灯状态为红灯Pos_roi＝1，否则为暗。

若I_{roi_connet_2}＞I_{roi_connet_1}×2，则认为最优连通域为opt_{connet_2}信号灯状态为红灯Pos_roi＝2，否则为暗。

其中I_{roi_connet_x}表示opt_{connet_x}的平均亮度。

夜间场景且Color_roi＝4时，判断信号灯的状态，包括一下步骤：

若连通域Label_{connet_1}的Pos_roi＝1，则判定信号灯状态为红灯。

若连通域Label_{connet_2}的Pos_roi＝2，则判定信号灯状态为绿灯。

若连通域Label_{connet_3}的Pos_roi＝3，则判定信号灯状态为黄灯。

夜间画面曝光的情况下，导致信号灯亮度区域的颜色信息失效。由于夜间彩色干扰少，通过亮度区域的位置信息，可以得到信号灯的状态，提高了特殊场景中算法的有效性和准确性。

若信号灯状态为暗，则结束流程进入视频下一帧并从步骤102开始计算。

本实例中，步骤105的方案在具体实现时，其主要是通过步骤104中给出的信号灯状态及对应的连通域opt_connet的位置信息周期性的统计信号灯的特征值，由此进一步的提高了本方案中阈值的自适应性和稳定性。根据统计值对信号灯位置偏移进行校验，进一步保证了场景偏移时信号灯状态检测的精确度。

具体地说，如图5所示，本实例步骤105在进行信号灯特征值的统计及位置偏移校正时，主要通过以下子步骤实现：

首先进入步骤501，通过判断信号灯的状态，若信号灯状态为红灯或者绿灯，则周期性的统计其特征，否则结束流程进入视频下一帧并从步骤102开始计算。

接着进入步骤502，通过红灯或者绿灯区域的特征，可以提取位置及颜色阈值的特征进行周期性的统计，包括以下子步骤：

步骤511中，通过步骤301中给出的饱和度和亮度的阈值Thr_{per_S}、Thr_{per_I}，可以提取opt_connet的饱和度阈值Thr_{per_S}和亮度阈值Thr_{per_I}并周期性的统计得出饱和度S_th、和亮度I_thx的阈值。其中I_thx、S_th用于步骤301中彩色分割的阈值。

步骤512中，通过步骤306中给出的连通域的序列Label_{connet_x}，可以提取opt_connet的中心点的位置Cent_roi并周期性的统计得出Cent_{roi_red}，Cent_{roi_green}。

步骤513中，通过黄灯的中心位置，周期性的统计出信号灯检测区域的心点的位置Cent_rim。

对应复杂情况：如信号灯剧烈晃动、偏移出检测区域、强顺光，强逆光，可以通过周期性统计颜色阈值信息，及位置信息及时调整阈值和信号灯的检测位置。提高了算法在复杂场景下的自适应性和稳定性。

在步骤503中，通过步骤512中给出的红、绿灯亮灯区域的中心位置统计值，分别提取每帧红灯或绿灯X方向和Y方向的偏移量Offset_roi。

其中Offset_roi表示单帧的红灯或绿灯的Cent_roi相对于统计值Cent_{roi_red}或者Cent_{roi_green}在X方向和Y方向上的偏移量。

在步骤504中，通过步骤513中给出的信号灯检测区域中心位置的统计值，计算每帧的检测区域X方向和Y方向的偏移量Offset_rim。

其中Offset_rim表示单帧检测区域的中心位置相对于统计值Cent_rim在X方向和Y方向上的偏移量。

以红灯亮灯区域的X方向提取偏移量为例：

计算 ${\mathrm{Offset}}_{roi}\left(x\right)=abs\left({\mathrm{Cent}}_{{\mathrm{roi}}_{red}}\right(x)-{\mathrm{Cent}}_{roi}(x\left)\right),$ 其中abs()表示求绝对值。

接着进入步骤505中，综合上述步骤503和504给的信号灯亮灯区域位置及信号灯检测区域位置的偏移值判断信号灯周期是否正常，包含以下步骤：

通过红灯和绿灯亮度区域的统计值，计算出红灯与绿灯X方向和Y方向的相对位置信息。

计算X方向的相对位置：

Offset_relate(x)＝abs(Cent_{roi_red}(x)-Cent_{roi_green}(x))。

计算Y方向的相对位置关系 ${\mathrm{Offset}}_{relate}\left(y\right)=\frac{abs\left({\mathrm{Cent}}_{roi\_red}\right(y)-{\mathrm{Cent}}_{rim}(y\left)\right)}{abs\left({\mathrm{Cent}}_{roi\_green}\right(y)-{\mathrm{Cent}}_{rim}(y\left)\right)}.$

若Offset_relate(y)≈1，则认为检测得到的信号灯的周期正常，否则认为异常。

若正常且Offset_relate(x)＞Thr_{offset_H}，则信号灯偏移超出检测区域认为异常。

若正常、Offset_relate(x)＞Thr_{offset_L}且Offset_relate(x)＜Thr_{offset_H}，则进入步骤506。

若异常，则进入步骤507。

其中Thr_{offset_L}和Thr_{offset_H}分别表示偏移量的下限和上限。

在步骤506中，通过统计值，校验步骤101中定位的信号灯检测区域的位置。通过更新信号灯检测区域的位置，可以降低信号灯定位的复杂度。

Offset_rim＝abs(Offset_rim-Offset_relate(x))

在步骤507中，还原红灯和绿灯的中心位置为初始化规则中的位置。

在本实例中，步骤106在实现其方案时，通过信号灯检测区域的HIS直观色彩描述法对红灯、黄灯或者绿灯的区域像素点判定颜色是否异常并校正，提高了校正后视觉的真实性和准确性，进一步完善了执法证据。主要时根据步骤103中给出的信号灯区域内的饱和度与亮度的阈值，结合步骤104中判定的信号灯状态和对应的亮灯区域的颜色特征，由此判定并校正亮灯区域颜色异常的像素点。

具体地说，如图6所示，本实例步骤106在进行异常色度的判断及校正时，主要通过以下子步骤实现：

首先进入步骤601，通过用户的需求从系统界面反馈判断是否进行颜色校正。若是则进入步骤602，否则结束流程进入视频下一帧并从步骤102开始计算。

进入步骤602，通过步骤102和104中给出的信号灯状态及其对应的亮度区域opt_connet，可以判定信号灯颜色是否异常，包括以下子步骤：

根据步骤301中给出的信号灯区域opt_connet，提取满足色度H_{x_thx}、饱和度S_th、亮度I_thx阈值范围的颜色点(i，j)的色度H_i，j、饱和度S_i，j和亮度I_i，j。判断像素点(i，j)的颜色是否异常。

以红灯亮灯区域的颜色点(i，j)为例：

若图像过亮、G(i，j)＞G_th且B(i，j)＞B_th，则认为像素点(i，j)颜色异常。

若夜间场景、I_i，i＞I_th、G(i，j)＞G_th且B(i，j)＞B_th，则认为像素点(i，j)颜色异常。

其中G(i，j)和B(i，j)表示像素点(i，j)在RGB图像中对应的G和B通道像素值。G_th和B_th表示G和B通道的阈值上限。

若异常则进入步骤603，否则结束流程进入视频下一帧并从步骤102开始计算。

在步骤603中，通过步骤602中给出的满足条件的异常色度的像素点(i，j)，分别对RGB空间像素点pixel_RGB(i，j)进行颜色校正。

pixel_{new_RGB}(i，j)＝T_{corr_x}(S_i，j，I_i，j)×pixel_RGB(i，j)

其中S_i，j和I_i，j表示像素点(i，j)的饱和度和亮度值。T_{corr_x}(S_i，j，I_i，j)表示像素点(i，j)的颜色校正系数，通过高斯特征的颜色空间模型求得，计算步骤如下：

$T_{corr\_1}(S_{i,j},I_{i,j})=c_{level}\×e^{\left(S_{i,j}*I_{i,j}\right)}$

$T_{corr\_2}(S_{i,j},I_{i,j})=c_{level}\×e^{-(S_{i,j}*I_{i,j})}$

其中c_level表示彩色校正程度的级别，通过用户视觉对颜色的理解，灵活的调整校正颜色的色度，提高了本算法的灵活性。T_{corr_1}(S_i，j，I_i，j)表示主颜色的校正系数，T_{corr_2}(S_i，j，I_i，j)表示副颜色的校正系数。

以红灯亮灯区域的像素点为例(i，j)：

pixel_{new_R}(i，j)＝T_{corr_1}(S_i，j，I_i，j)×pixel_R(i，j)

pixel_{new_G}(i，j)＝T_{corr_2}(S_i，j，I_i，j)×pixel_G(i，j)

pixel_{new_B}(i，j)＝T_{corr_2}(S_i，j，I_i，j)×pixel_B(i，j)

在本实例中，步骤107在实现其方案时，主要依据信号灯状态及其对应的亮度区域，再利用SVM分类器识别信号灯的形状。

具体地说，如图7所示，本实例步骤107在进行信号灯的形状识别时，主要通过以下子步骤实现：

在步骤701中，根据上述步骤506给出的信号灯周期，判断信号灯周期是否正常。若是则进入步骤702，否则结束流程进入视频下一帧并从步骤102开始计算。

在步骤702中，根据上述步骤503给出的信号灯周期正常的信号灯亮灯区域位置，将此区域通过预先训练好的SVM分类器进行识别，识别出信号灯的形状：箭头灯(左转、右转)、圆形灯(直行等)、文字灯(直行待行灯)、人行横道灯。

根据上述实例可知，本实例方案相对于现有技术具有如下特点：

1.多样性：适用于圆形灯，箭头灯，人形灯，文字指示灯等的状态检测。当场景中邻近的出现多个灯组合存在时，综合相互信息利用决策滤波器校正了误检和漏检的情形。

据此改善了现有信号灯状态检测方法中信号灯种类的单一的缺点。对多个信号灯组合存在的情况，不但提升了各信号灯状态检测的可靠性，而且降低了相互间的干扰性。

2.结合亮度，对比度，偏色等信息判断信号灯成像质量是否异常：1.给出成像质量类别；2.对不同异常类型利用图像增强校正的方法提高信号灯在图像中的信息量。

由此经过增强校正，提升信号灯状态检测的误检和漏检情形，可以确保信号灯状态检测的准确性和有效性。信号灯成像质量异常程度严重时，直接跳出检测算法，避免误检情况。若长时间出现严重异常，则发出报警，可以避免硬件故障导致算法失效。

3.基于亮度、饱和度高斯模型的HSI颜色空间分割出信号灯的区域，利用聚类分析并且通过几何特征模型提取信号灯的最优连通域。并结合信号灯内部红黄绿灯的相对位置关系检测信号灯的状态。

据此通过亮度饱和度的高斯模型可以自适应光照造成的颜色丢失情况，更有效地提取出信号灯的颜色特征，并结合几何模型及位置信息检测信号灯的状态，可以确保信号灯检测的准确性且复杂度小。

4.通过信号灯边框及各灯位置跟踪统计，判断信号灯周期是否正常且检测区域是否偏移并校正。

据此可针对天气原因和设备架设导致的摄像头，剧烈晃动、偏移出检测区域的情况，实时的校正信号灯的偏移位置和准确的检测出红绿灯的状态。

5.利用高斯特征的颜色空间模型对信号灯异常色度的像素点进行校验。其中包括过度曝光导致的红灯偏黄或内部泛白，绿灯内部泛白等情况；逆光导致信号灯颜色信息过少等情况。相机偏色主要体现在红灯偏黄的情况等等。

据此可针对光照或相机质量导致曝光，偏色等情况，校正异常色度，提高视觉的真实性和执法证据的有效性。

6.利用SVM分类器对信号灯形状进行识别。其中包括箭头灯(即左转灯、右转灯)、圆形灯(即直行灯)、文字灯(即直行待行灯)、人行横道灯。

据此通过信号灯的形状属性可以为不同的车道提供对应的属性，并判断车辆变道、压线等违法行为。也可以在人行横道上使用，监督并提示行人闯红灯行为。

以上显示和描述了本专利的基本原理、主要特征和本专利的优点。本行业的技术人员应该了解，本专利不受上述实施例的限制，上述实施例和说明书中描述的只是说明本专利的原理，在不脱离本专利精神和范围的前提下，本专利还会有各种变化和改进，这些变化和改进都落入要求保护的本专利范围内。本专利要求保护范围由所附的权利要求书及其等效物界定。

Claims (17)

1.基于视频处理的智能信号灯状态检测方法，其特征在于，所述检测方法包括如下步骤：

(1)在信号灯视频中给出信号灯的初始化位置及相关信息，使用定位算法确定信号灯区域位置；

(2)分析信号灯区域的成像质量，诊断视频质量是否异常；

(3)对信号灯区域进行颜色空间分析提取相应的色彩区域，并确定亮灯区域的位置；

(4)根据步骤(3)得到的信号灯区域的颜色及亮灯区域位置特征实时判断信号灯的当前状态。

2.根权利要求1所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述步骤(2)中通过对视频帧的亮度、对比度、偏色的计算，以诊断视频质量，若连续视频质量异常严重，则进行报警。

3.根权利要求2所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述视频质量诊断过程如下：

(201)从视频中信号灯区域中提取全局亮度，并检测亮度是否异常，若正常转入步骤(202)，若异常转入步骤(205)；

(202)检测视频中信号灯区域的对比度是否异常，若正常转入步骤(203)，若异常转入步骤(205)；

(203)检测从视频中信号灯区域的颜色失真是否异常，若正常转入步骤(204)，若异常转入步骤(205)；

(204)确定视频质量正常，进行后续视频分析处理；

(205)确认视频亮度、对比度、颜色异常提示报警并且进入视频的下一帧继续步骤(201)。

4.根权利要求1所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述步骤(3)中基于亮度、饱和度结合高斯模型与HSI颜色空间分割出信号灯区域，同时利用聚类分析提取信号灯区域内的满足色度、亮度和饱和度信息的连通域。

5.根权利要求4所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述步骤(3)的包括如下子步骤：

(301)从视频中信号灯区域中提取满足色度、饱和度、亮度阈值范围的颜色点；

(302)判断视频的昼夜模式，对昼夜场景的视频进行不同特征图像处理的步骤；

(303)若为昼场景，则进行彩色图像分割，并将图像转换为灰度图像，并计算灰度图像的平均亮度；

(304)若为夜场景，则直接进行灰度图像分割，并计算灰度分割图像的平均亮度；

(305)对分割图像进行预处理；

(306)通过对预处理后的分割图像中的前景点进行连通域标记，并通过几何特征提取多个连通域作为信号灯亮灯区域的候选区域。

6.根权利要求1所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述步骤(4)针对作为信号灯亮灯区域的候选区域的多个连通域通过几何特征模型提取信号灯的最优连通域，据此确定信号灯的状态。

7.根权利要求6所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述步骤(4)包括如下子步骤：

(401)判断候选连通域的颜色和亮度，以此确定信号灯的状态；

(402)判断候选连通域相对于信号灯内红、黄、绿的灯的位置，以确定信号灯的位置状态；

(403)基于步骤(401)与步骤(402)给出的候选区域的颜色及位置信息判断信号灯的状态，对应的连通域为最优连通域。

8.根权利要求1-7任一项所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述检测方法还包括通过统计各灯位置及颜色信息实时校验信号灯区域位置的偏移的步骤。

9.根权利要求8所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述信号灯区域位置的偏移校验通过如下子步骤实现：

(501)判断信号灯的状态，若信号灯状态为红灯或者绿灯，则周期性的统计其特征，否则结束流程；

(502)通过红灯或者绿灯区域的特征，提取相应的位置及颜色阈值的特征并进行周期性的统计；

(503)根据步骤(502)的统计值，确定红灯、绿灯区域中心位置的偏移；

(504)根据步骤(502)的统计值，确定整个信号灯区域中心位置的偏移；

(505)根据步骤(503)和步骤(504)确定的信号灯亮灯区域位置及信号灯区域位置的偏移值判断信号灯周期是否正常，若正常转入步骤(506)，若不正常转入步骤(507)；

(506)通过统计值，校验信号灯区域的位置；

(507)还原红灯和绿灯的中心位置为初始化规则中的位置。

10.根权利要求1-7任一项所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述检测方法还包括依据视频异常诊断结果及信号灯的状态，对信号灯异常色度的颜色进行校正的步骤。

11.根权利要求10所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述信号灯异常色度颜色校正通过如下子步骤实现：

(601)首先判断是否进行颜色校正，若是则进入步骤(602)，否则结束流程；

(602)根据确定的信号灯状态及其对应的亮度区域，判定信号灯颜色是否异常，若异常则进入步骤(603)，否则结束流程；

(603)提取异常色度的像素点并进行颜色校正。

12.根权利要求1-7任一项所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述检测方法还包括依据亮灯状态信号灯的位置，对信号灯的形状进行识别的步骤。

13.根权利要求12所述的基于视频处理的智能信号灯状态检测方法，其特征在于，所述信号灯形状识别通过如下子步骤实现：

(701)首先判断信号灯周期是否正常，若是则进入步骤(702)，否则结束流程；

(702)根据确定的信号灯状态及其对应的亮度区域，将此区域通过预先训练好的SVM分类器进行识别，识别出信号灯的形状。

14.基于视频处理的智能信号灯状态检测系统，其特征在于，所述检测系统包括：

信号灯区域位置定位模块，所述信号灯区域位置定位模块确定信号灯视频中信号灯区域位置；

视频异常诊断模块，所述视频异常诊断模块用于诊断经信号灯区域位置定位模块定位的信号灯区域的视频成像质量是否异常并给出异常级别；

颜色空间分析模块，所述颜色空间分析模块对视频质量在异常级别范围内的信号灯区域进行颜色空间分析，提取信号灯区域内的满足色度、亮度和饱和度信息的连通域；

信号灯状态判断模块，所述信号灯状态判断模块对由颜色空间分析模块提取得到的连通域进行分析，提取最优连通域，确定信号灯的状态。

15.根据权利要求14所述的基于视频处理的智能信号灯状态检测系统，其特征在于，所述检测系统还包括信号灯区域位置校正模块，所述信号灯区域位置校正模块通过统计各灯位置及颜色信息实时校验信号灯区域位置的偏移。

16.根据权利要求14所述的基于视频处理的智能信号灯状态检测系统，其特征在于，所述检测系统还包括信号灯异常色度校正模块，所述信号灯异常色度校正模块依据视频异常诊断结果及信号灯的状态，对信号灯异常色度的颜色进行校正。

17.根据权利要求14所述的基于视频处理的智能信号灯状态检测系统，其特征在于，所述检测系统还包括信号灯形状识别模块，所述信号灯形状识别模块依据信号灯状态及其对应的亮度区域，利用SVM分类器识别信号灯的形状。