CN106682597A - 一种交通信号灯识别方法 - Google Patents
一种交通信号灯识别方法 Download PDFInfo
- Publication number
- CN106682597A CN106682597A CN201611154369.3A CN201611154369A CN106682597A CN 106682597 A CN106682597 A CN 106682597A CN 201611154369 A CN201611154369 A CN 201611154369A CN 106682597 A CN106682597 A CN 106682597A
- Authority
- CN
- China
- Prior art keywords
- traffic lights
- image
- color
- traffic
- light image
- 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 63
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000005260 corrosion Methods 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000007687 exposure technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通信号灯识别方法,其识别方法如下:A、对采集到的交通信号灯图像进行图像预处理,根据交通信号灯图像的背景光线情况选择如下两种处理方法之一:A1、当交通信号灯图像的背景光线较弱时,采用光线补偿算法对交通信号灯图像进行亮度调整:A2、当交通信号灯图像的背景光线较强时,采用直方图均衡化算法对交通信号灯图像进行图像整体对比度调整:B、选取合适的颜色空间对步骤A中图像预处理后的交通信号灯图像进行处理,用以区分红绿灯;C、按照RGB中黄绿蓝的三种颜色阈值对交通信号灯图像进行二值化处理,并识别出交通信号灯图像上的颜色。本发明能够自动检测识别交通灯,对城市汽车的安全驾驶起到积极作用。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种交通信号灯识别方法。
背景技术
交通灯检测识别已经成为驾驶辅助系统和自动驾驶的一个重要组成部分,因为它为驾驶者提供了路口和人行横道的安全信息。然而,在交通灯识别方向目前只有有限的研究。交通灯为驾驶员安全驾驶提供了重要的信息,当驾驶员疲劳时,一个高效准确的检测系统正好能起到很大帮助,如果我们能研发出一个自动检测识别交通灯的系统,无疑会对城市汽车的安全驾驶起到关键的作用。
众所周知,城市环境十分复杂,由于天气影响,障碍物,行人等原因,交通信号灯的检测和识别有着很大的困难。缺乏视觉特征进行识别的小图象的交通灯代表了计算机视觉领域中的显著问题。几个突出的智能安全汽车行驶技术已经被提出并开发(自适应转向助力巡航控制系统,行人防撞系统,自动停车辅助系统)。红绿灯识别已经成为驾驶辅助系统(DAS)和自动驾驶的一个重要组成部分,因为它为驾驶者提供了路口和人行横道的安全信息。然而,在交通灯识别方向目前只有有限的研究。一些研究人员建议,交通灯识别应通过以网络为基础的方法,如无线电实现射频识别技术(RFID)和车辆到基础设施(V2I)通信;然而,这些方法将需要额外的基础设施和网络系统。基于视觉的方法可能是交通灯识别一个适当的替代方案,因为视觉传感器是也可以由其他应用程序使用的低成本的技术。本发明提供了一种交通信号灯识别的方法,解决图像处理的问题,并对汽车安全驾驶问题进行研究。
发明内容
针对现有技术存在的不足之处,本发明的目的在于提供一种交通信号灯识别方法,能够自动检测识别交通灯,对城市汽车的安全驾驶起到积极作用。
本发明的目的通过下述技术方案实现:
一种交通信号灯识别方法,其识别方法如下:
A、对采集到的交通信号灯图像进行图像预处理,根据交通信号灯图像的背景光线情况选择如下两种处理方法之一:
A1、当交通信号灯图像的背景光线较弱时,采用如下光线补偿算法对交通信号灯图像进行亮度调整:
将交通信号灯图像中所有像素的亮度从高到低进行排列,然后取亮度排列位于前5%的像素,然后线性放大以使前5%的像素的平均亮度达到255,实现调整交通信号灯图像的RGB值;
A2、当交通信号灯图像的背景光线较强时,采用如下直方图均衡化算法对交通信号灯图像进行图像整体对比度调整:
通过使用累积分布函数对交通信号灯图像的灰度值进行调整来实现交通信号灯图像对比度的增强;
B、选取合适的颜色空间对步骤A中图像预处理后的交通信号灯图像进行处理,用以区分红绿灯;
C、按照RGB中黄绿蓝的三种颜色阈值对交通信号灯图像进行二值化处理,并识别出交通信号灯图像上的颜色。
本发明的步骤A与步骤B之间具有形态学处理步骤C,
C、形态学处理:应用图像滤波技术对交通信号灯图像进行中值滤波,并修复不完整的交通信号灯图像。
本发明提供图像和颜色信息的位置用于交通灯,基于颜色的分割常用来检测红色,黄色和绿色交通灯泡。可选择的颜色空间(包括HSV,HIS,YCbCr)被用于颜色空间转换,因为RGB颜色空间容易受到各种照明条件影响。基于YCbCr颜色空间,颜色阈方法被应用于颜色分类:红色,黄色或绿色。多种交通灯样例分析颜色分布,以确定每个颜色几个阈值。然而,一个基于颜色模型的高斯模型被提出。笔者从少数训练图像中获得颜色模型的方法和协方差并将颜色模型应用于交通灯颜色的分类。从颜色阈值法获得的二值图像可能包含噪声,因此,形态学滤波(包括腐蚀和膨胀)被用来除去噪声和强调红绿灯区域。此外,一些方法利用交通灯灯泡的形状(宽高比,像素密度和最小外接矩形)来过滤掉残余噪声。基于色彩分割的方法都有一个共同的取舍问题:由于宽颜色阈值区域(需要包含各种照明条件下)而提高错误率或由于狭窄的颜色阈值区域而降低检测率。检测性能高度依赖于颜色基本分割的结果,因此,需要一个鲁棒性强的颜色分割方法,该方法考虑各种照明条件。
对交通灯识别来说,颜色分割被广泛用于检测交通灯信号,然而,一个图像中的颜色很容易被多种光照因素影响并导致不准确的识别结果。为了克服这个问题,本发明提出了通过整合低曝光和正常曝光图像来增强颜色分割鲁棒性和识别准确性的多重曝光技术。该技术解决了颜色饱和问题并由于曝光时间短而减少了错误图像。根据从低曝光图像中选择的候选区,交通灯在正常图像的状态下利用支持向量机定向梯度直方图来进行分类。本发明的算法在最终评估各种城市情况后,得到的识别结果表明强鲁棒性适用于户外环境。
本发明较现有技术相比,具有以下优点及有益效果:
本发明能够自动检测识别交通灯,对城市汽车的安全驾驶起到积极作用;本发明在最终评估各种城市情况后,得到的识别结果表明强鲁棒性适用于户外环境。。
附图说明
图1是本发明光线补偿算法流程图;
图2是本发明直方图均衡化流程图;
图3是本发明形态学处理膨胀原理图;
图4是本发明形态学处理腐蚀原理图;
图5是本实施例中检测识别方法的流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例一
如图1~图5所示,一种交通信号灯识别方法,其识别方法如下:
A、对采集到的交通信号灯图像进行图像预处理,根据交通信号灯图像的背景光线情况选择如下两种处理方法之一:
A1、当交通信号灯图像的背景光线较弱时,采用如下光线补偿算法对交通信号灯图像进行亮度调整:
将交通信号灯图像中所有像素的亮度从高到低进行排列,然后取亮度排列位于前5%的像素,然后线性放大以使前5%的像素的平均亮度达到255,实现调整交通信号灯图像的RGB值;
A2、当交通信号灯图像的背景光线较强时,采用如下直方图均衡化算法对交通信号灯图像进行图像整体对比度调整:
通过使用累积分布函数对交通信号灯图像的灰度值进行调整来实现交通信号灯图像对比度的增强;
B、选取合适的颜色空间对步骤A中图像预处理后的交通信号灯图像进行处理,用以区分红绿灯;
C、按照RGB中黄绿蓝的三种颜色阈值对交通信号灯图像进行二值化处理,并识别出交通信号灯图像上的颜色。基于YCbCr颜色空间,颜色阈方法被应用于颜色分类:红色,黄色或绿色。多种交通灯样例分析颜色分布,以确定每个颜色几个阈值。然而,一个基于颜色模型的高斯模型被提出。笔者从少数训练图像中获得颜色模型的方法和协方差并将颜色模型应用于交通灯颜色的分类。从颜色阈值法获得的二值图像可能包含噪声,因此,形态学滤波(包括腐蚀和膨胀)被用来除去噪声和强调红绿灯区域。此外,一些方法利用交通灯灯泡的形状(宽高比,像素密度和最小外接矩形)来过滤掉残余噪声。基于色彩分割的方法都有一个共同的取舍问题:由于宽颜色阈值区域(需要包含各种照明条件下)而提高错误率或由于狭窄的颜色阈值区域而降低检测率。检测性能高度依赖于颜色基本分割的结果,因此,需要一个鲁棒性强的颜色分割方法,该方法考虑各种照明条件。
本发明在步骤A与步骤B之间具有形态学处理步骤C,
C、形态学处理:应用图像滤波技术对交通信号灯图像进行中值滤波,并修复不完整的交通信号灯图像。
实施例二
如图1~图5所示,一种交通信号灯识别方法,其识别方法如下:
第一步、图像预处理
首先,对采集到的交通信号灯图像进行光线补偿和直方图均衡化处理,将两种方法进行对比,选择较好的方法。
如图1所示,由于光线原因,所照的图像可能会存在光线不平衡的情况而造成色彩偏差,为了抵消这种整个图像中存在的色彩偏差,把整个图像中的所有像素的亮度从高到低进行排列,取前5%的像素,然后线性放大,使这些像素的平均亮度达到255。实际上就是调整图片像素的RGB值。
图像对比度增强的方法可以分成两种:一种是直接对比度增强方法;另一种是间接对比度增强方法。直方图均衡化是一种间接对比度增强方法,它通过使用累积分布函数对图像的灰度值进行调整来实现对比度的增强。如图2所示,直方图均衡化处理的主要目标是把原始图像的灰度直方图从比较集中的某个灰度区间变成全部灰度范围内的均匀分布。直方图均衡化就是把给定图像的直方图分布改变成均匀分布直方图分布,从而可达到增强图像整体对比度的效果。
上述两种方法对比后得出结论:当背景光线较弱(阴天情况下)时,采用光线补偿算法;当背景光线较强时,采用直方图均衡化算法。
第二步、分析常见的颜色空间,选取合适的颜色空间对图像进行处理,用以区分红绿灯;
第三步、通过对常用色彩模型的分析,发现YCbCr色彩模型适合对红绿灯进行检测;
第四步、选取合适的颜色阈值,对图像进行二值化处理,来区分不同颜色的交通灯;图像的二值化,就是将图像上的像素点的灰度值设置为零或二百五十五,也就是将整个图像呈现出只有黑和白的明显的视觉效果。最常用的办法就是设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。基于YCbCr颜色空间,颜色阈方法被应用于颜色分类:红色,黄色或绿色。多种交通灯样例分析颜色分布,以确定每个颜色几个阈值。然而,一个基于颜色模型的高斯模型被提出。笔者从少数训练图像中获得颜色模型的方法和协方差并将颜色模型应用于交通灯颜色的分类。从颜色阈值法获得的二值图像可能包含噪声,因此,形态学滤波(包括腐蚀和膨胀)被用来除去噪声和强调红绿灯区域。此外,一些方法利用交通灯灯泡的形状(宽高比,像素密度和最小外接矩形)来过滤掉残余噪声。基于色彩分割的方法都有一个共同的取舍问题:由于宽颜色阈值区域(需要包含各种照明条件下)而提高错误率或由于狭窄的颜色阈值区域而降低检测率。检测性能高度依赖于颜色基本分割的结果,因此,需要一个鲁棒性强的颜色分割方法,该方法考虑各种照明条件。
本发明还可以包括第五步和第六步进行交通信号灯的识别,第五步和第六步具有方法步骤如下:
第五步、形态学处理
数学形态学(Mathematical morphology)是一门建立在格论和拓扑学基础之上的图像分析学科,是数学形态学图像处理的基本理论。其基本的运算包括:腐蚀和膨胀、开闭运算、Top-hat变换等。
数学形态学的数学基础和所用语言是集合论,因此它具有完备的数学基础,这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础。数学形态学的应用可以简化图像数据,保持它们基本的形状特性,并除去不相干的结构。数学形态学的算法具有天然的并行实现的结构,实现了形态学分析和处理算法的并行,大大提高了图像分析和处理的速度。
a.膨胀(Dilation)
⑴用结构元素B,扫描图像A的每一个像素
⑵用结构元素与其覆盖的二值图像做“与”操作
⑶如果都为0,结果图像的该像素为0。否则为1
膨胀处理的结果是使原来的二值图像变大一圈。如图3所示。
b.腐蚀(Erosion)
对Z中的集合A和B,B对A进行腐蚀的整个过程如下:
⑴用结构元素B,扫描图像A的每一个像素
⑵用结构元素与其覆盖的二值图像做“与”操作
⑶如果都为1,结果图像的该像素为1。否则为0
腐蚀处理的结果是使原来的二值图像减小一圈。如图4所示。
c.开运算
开运算是指先腐蚀再膨胀的运算。
d.闭运算
闭运算是指先膨胀再腐蚀的运算。
应用图像滤波技术和数学形态学知识,对图像进行中值滤波,用数学形态学方法(开运算或闭运算)修复不完整的交通灯,对比两组结果,选择效果更好的那个方法;
对比后我们得出结论:形态学处理(先开运算后闭运算)更优,所以我们采纳形态学处理的方法来对二值交通灯图像进行滤波。
第六步、外接矩形过滤
分析交通灯的几何特征,对交通灯连通区域进行标记,用外接矩形圈出感兴趣区域。最后,选取合适的算法检测识别出交通信号灯。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种交通信号灯识别方法,其特征在于:其识别方法如下:
A、对采集到的交通信号灯图像进行图像预处理,根据交通信号灯图像的背景光线情况选择如下两种处理方法之一:
A1、当交通信号灯图像的背景光线较弱时,采用如下光线补偿算法对交通信号灯图像进行亮度调整:
将交通信号灯图像中所有像素的亮度从高到低进行排列,然后取亮度排列位于前5%的像素,然后线性放大以使前5%的像素的平均亮度达到255,实现调整交通信号灯图像的RGB值;
A2、当交通信号灯图像的背景光线较强时,采用如下直方图均衡化算法对交通信号灯图像进行图像整体对比度调整:
通过使用累积分布函数对交通信号灯图像的灰度值进行调整来实现交通信号灯图像对比度的增强;
B、选取合适的颜色空间对步骤A中图像预处理后的交通信号灯图像进行处理,用以区分红绿灯;
C、按照RGB中黄绿蓝的三种颜色阈值对交通信号灯图像进行二值化处理,并识别出交通信号灯图像上的颜色。
2.根据权利要求1所述的一种交通信号灯识别方法,其特征在于:所述步骤A与步骤B之间具有形态学处理步骤C,
C、形态学处理:应用图像滤波技术对交通信号灯图像进行中值滤波,并修复不完整的交通信号灯图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154369.3A CN106682597A (zh) | 2016-12-14 | 2016-12-14 | 一种交通信号灯识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154369.3A CN106682597A (zh) | 2016-12-14 | 2016-12-14 | 一种交通信号灯识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682597A true CN106682597A (zh) | 2017-05-17 |
Family
ID=58868183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611154369.3A Pending CN106682597A (zh) | 2016-12-14 | 2016-12-14 | 一种交通信号灯识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682597A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977663A (zh) * | 2017-11-21 | 2018-05-01 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的指向型状态指示器识别方法 |
CN108229317A (zh) * | 2017-11-28 | 2018-06-29 | 浙江工业大学 | 一种基于显著性计算的交通信号灯识别方法 |
CN108257401A (zh) * | 2018-01-31 | 2018-07-06 | 张转 | 避免汽车因为阳光直射而看不清红绿灯的装置和方法 |
CN108417062A (zh) * | 2018-03-07 | 2018-08-17 | 京东方科技集团股份有限公司 | 摆渡车及其运行方法和交通辅助系统 |
CN110717438A (zh) * | 2019-10-08 | 2020-01-21 | 东软睿驰汽车技术(沈阳)有限公司 | 一种交通信号灯识别方法及装置 |
CN111507210A (zh) * | 2020-03-31 | 2020-08-07 | 华为技术有限公司 | 交通信号灯的识别方法、系统、计算设备和智能车 |
CN111639656A (zh) * | 2020-05-28 | 2020-09-08 | 东软睿驰汽车技术(沈阳)有限公司 | 交通信号灯识别方法及装置 |
CN112232168A (zh) * | 2020-10-10 | 2021-01-15 | 厦门理工学院 | 一种交通信号灯候选图像区域的验证方法 |
CN112381084A (zh) * | 2020-10-12 | 2021-02-19 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN113177949A (zh) * | 2021-04-16 | 2021-07-27 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
CN114241438A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种基于先验信息的交通信号灯快速精确的识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102347015A (zh) * | 2011-09-15 | 2012-02-08 | 青岛海信电器股份有限公司 | 图像亮度补偿方法及装置、液晶电视机 |
CN103345766A (zh) * | 2013-06-21 | 2013-10-09 | 东软集团股份有限公司 | 一种信号灯识别方法及装置 |
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 |
CN104598912A (zh) * | 2015-01-23 | 2015-05-06 | 湖南科技大学 | 一种基于cpu与gpu协同计算的交通灯检测识别方法 |
CN105225281A (zh) * | 2015-08-27 | 2016-01-06 | 广西交通科学研究院 | 一种车辆检测方法 |
US20160167704A1 (en) * | 2014-01-30 | 2016-06-16 | Mobileye Vision Technologies Ltd. | Systems and methods for detecting low-height objects in a roadway |
-
2016
- 2016-12-14 CN CN201611154369.3A patent/CN106682597A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102347015A (zh) * | 2011-09-15 | 2012-02-08 | 青岛海信电器股份有限公司 | 图像亮度补偿方法及装置、液晶电视机 |
CN103345766A (zh) * | 2013-06-21 | 2013-10-09 | 东软集团股份有限公司 | 一种信号灯识别方法及装置 |
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 |
US20160167704A1 (en) * | 2014-01-30 | 2016-06-16 | Mobileye Vision Technologies Ltd. | Systems and methods for detecting low-height objects in a roadway |
CN104598912A (zh) * | 2015-01-23 | 2015-05-06 | 湖南科技大学 | 一种基于cpu与gpu协同计算的交通灯检测识别方法 |
CN105225281A (zh) * | 2015-08-27 | 2016-01-06 | 广西交通科学研究院 | 一种车辆检测方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977663A (zh) * | 2017-11-21 | 2018-05-01 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的指向型状态指示器识别方法 |
CN107977663B (zh) * | 2017-11-21 | 2021-12-03 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的指向型状态指示器识别方法 |
CN108229317A (zh) * | 2017-11-28 | 2018-06-29 | 浙江工业大学 | 一种基于显著性计算的交通信号灯识别方法 |
CN108229317B (zh) * | 2017-11-28 | 2021-08-03 | 浙江工业大学 | 一种基于显著性计算的交通信号灯识别方法 |
CN108257401A (zh) * | 2018-01-31 | 2018-07-06 | 张转 | 避免汽车因为阳光直射而看不清红绿灯的装置和方法 |
CN108417062A (zh) * | 2018-03-07 | 2018-08-17 | 京东方科技集团股份有限公司 | 摆渡车及其运行方法和交通辅助系统 |
CN110717438A (zh) * | 2019-10-08 | 2020-01-21 | 东软睿驰汽车技术(沈阳)有限公司 | 一种交通信号灯识别方法及装置 |
CN111507210B (zh) * | 2020-03-31 | 2023-11-21 | 华为技术有限公司 | 交通信号灯的识别方法、系统、计算设备和智能车 |
CN111507210A (zh) * | 2020-03-31 | 2020-08-07 | 华为技术有限公司 | 交通信号灯的识别方法、系统、计算设备和智能车 |
CN111639656A (zh) * | 2020-05-28 | 2020-09-08 | 东软睿驰汽车技术(沈阳)有限公司 | 交通信号灯识别方法及装置 |
CN112232168A (zh) * | 2020-10-10 | 2021-01-15 | 厦门理工学院 | 一种交通信号灯候选图像区域的验证方法 |
CN112232168B (zh) * | 2020-10-10 | 2024-03-01 | 厦门理工学院 | 一种交通信号灯候选图像区域的验证方法 |
CN112381084A (zh) * | 2020-10-12 | 2021-02-19 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN112381084B (zh) * | 2020-10-12 | 2024-02-09 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN113177949B (zh) * | 2021-04-16 | 2023-09-01 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
CN113177949A (zh) * | 2021-04-16 | 2021-07-27 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
CN114241438A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种基于先验信息的交通信号灯快速精确的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682597A (zh) | 一种交通信号灯识别方法 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN108765443A (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN103020623B (zh) | 交通标志检测方法和交通标志检测设备 | |
CN106845480A (zh) | 一种从图片中识别车牌的方法 | |
CN105913041A (zh) | 一种基于预先标定的信号灯识别方法 | |
CN103530600B (zh) | 复杂光照下的车牌识别方法及系统 | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
WO2020000253A1 (zh) | 一种雨雪天气中的道路交通标志识别方法 | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN106650553A (zh) | 车牌识别方法及系统 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN104392205A (zh) | 一种非正常车牌的识别方法和系统 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN103366190A (zh) | 一种识别交通标志的方法 | |
CN107832762A (zh) | 一种基于多特征融合的车牌定位与识别方法 | |
CN109670515A (zh) | 一种用于无人机影像中建筑物变化的检测方法及系统 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN103425989A (zh) | 一种基于显著性分析的车辆颜色识别方法 | |
CN103093200A (zh) | 快速精准定位图像中车牌的算法 | |
CN104200207A (zh) | 一种基于隐马尔可夫模型的车牌识别方法 | |
CN107886034A (zh) | 行车提醒方法、装置及车辆 | |
CN106485715A (zh) | 一种非结构化道路识别方法 | |
CN105787475A (zh) | 一种复杂环境下的交通标志检测与识别方法 | |
CN106650752A (zh) | 一种车身颜色识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |
|
RJ01 | Rejection of invention patent application after publication |