CN107563301A - 基于图像处理技术的红灯信号检测方法 - Google Patents
基于图像处理技术的红灯信号检测方法 Download PDFInfo
- Publication number
- CN107563301A CN107563301A CN201710676868.7A CN201710676868A CN107563301A CN 107563301 A CN107563301 A CN 107563301A CN 201710676868 A CN201710676868 A CN 201710676868A CN 107563301 A CN107563301 A CN 107563301A
- Authority
- CN
- China
- Prior art keywords
- red light
- image
- value
- suspected
- light signal
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理技术的红灯信号检测方法，本方法通过对车载摄像头采集交通图像进行红灯信号的检测和识别，首先对图像进行剪裁等预处理，针对不同的图像在RGB和HSV色彩空间上进行图像识别，并结合基于灰度图的循环迭代二值化算法对图像进行颜色分割，即对原始图像进行了初步过滤，然后对图像进行区域标签化、旋转归一、边界跟踪以及边缘特征获取，并通过判别图像的几何特征、曲率粗超程度、是否有镂空以及目标图像与模板图像的匹配度等，最终将红灯信号从复杂的路面图像中检测并标记出来。本方法基于图像处理技术实现红灯信号的实时检测，提高了检测精度，且避免受外界环境干扰，杜绝误判或漏判，同时也极大的降低了检测成本。
Description
技术领域
本发明涉及一种基于图像处理技术的红灯信号检测方法。
背景技术
随着我国经济的飞速发展和现代化建设步伐的加快，汽车也越来越普及，而由此带来的城市交通拥堵以及交通事故频发也日益严峻，如何有效缓解城市交通压力已成为关注的重点，而且如何提高城市交通系统的运行效率和安全指数也成为研究的热点和难点。为解决上述问题，智能交通系统(ITS)应运而生，ITS是近年来发展起来的一门综合性新兴学科，随着ITS的不断发展与完善，无人驾驶也引起了国内外的普遍关注并成为一大研究热点，而交通信号灯的检测和识别是无人驾驶系统研究领域中的重点攻关对象，也是智能辅助驾驶的重要应用。
红灯信号检测就是在车辆行驶过程中实现从自然场景中提取出交通信号灯的红灯信号并对其进行检测和识别，当检测到红灯时提醒驾驶员或由无人驾驶系统减速或及时刹车，从而增强行车的安全性，减少交通事故。传统红灯信号检测方式对摄像头的精度要求很高，而且在提取红灯信号时受到外界环境影响较大，会造成一定程度的误判或者漏判。
发明内容
本发明所要解决的技术问题是提供一种基于图像处理技术的红灯信号检测方法，本方法基于图像处理技术实现红灯信号的实时检测，提高了检测精度，且避免受外界环境干扰，杜绝误判或漏判，同时也极大的降低了检测成本。
为解决上述技术问题，本发明基于图像处理技术的红灯信号检测方法包括如下步骤：
步骤一、图像预处理，通过车载摄像头采集交通图像，对采集到的图像进行裁剪、缩放和增强操作；
步骤二、基于颜色特征的图像分割，采用自适应阈值计算的循环迭代算法对预处理后的灰度图进行二值化处理；
步骤三、基于形状特征的图像分割，对二值化处理后的图像区域标签化、旋转归一、边界跟踪以及边缘特征提取，通过判别图像的几何特征、曲率粗糙程度、是否有镂空特征将疑似红灯目标从复杂的路面背景中分割出来；
步骤四、相似性测量，采用基于双向投影法的相似性配准算法对疑似红灯目标与模板进行相似性测量，计算疑似红灯目标与模板的相似度；
步骤五、目标匹配，设定匹配阈值，对小于该匹配阈值的疑似红灯目标直接剔除并判断为杂质，剩下的为红灯信号目标。
进一步，所述基于颜色特征的图像分割是指根据疑似红灯目标的颜色特征选取最优的颜色空间模型，结合RGB和HSV空间模型挑选出红色分量，计算疑似红灯目标的红色分量的方差，并设定红色分量阈值，满足红色分量阈值的即为疑似红灯目标；同时由于红灯周围被黑色灯框所包围，根据疑似红灯目标的位置坐标信息来计算其外接矩形顶点区域的颜色信息，若颜色信息的黑色分量及其黑色像素点个数满足设定的黑色分量及其黑色像素点个数阈值要求即为疑似红灯目标。
进一步，所述自适应阈值计算的循环迭代算法利用图像的灰度特征，设定某一灰度阈值将图像分为明区和暗区，分别计算图像明区和暗区的平均灰度值，将求得的明暗两区的平均灰度值再求平均，将新求得的平均灰度值与设定的灰度阈值计算其差值的绝对值，若差值绝对值小于灰度阈值，则新求得的平均灰度值即为二值化的最优阈值，若不满足则将新求得的平均灰度值作为明暗区分界值，循环上述操作，直至找到最优自适应阈值，循环次数设定为6次。
进一步，所述基于形状特征的图像分割是指根据疑似红灯目标的形状过滤掉不必要的杂质，由于红灯由黑色灯框所包围，黑色灯框分为横向或竖向设置，因此根据疑似红灯目标的坐标位置信息分别设定横、竖两种虚拟灯框，通过计算虚拟灯框的黑色色度来判断红灯的黑色灯框方向，并输出虚拟灯框的坐标信息。
进一步，所述区域标签化是指经二值化处理后图像中相互连通的区域分别打上各自的标签号，其通过对二值化图像中白色目标像素的标记，使每个单独的连通区域形成一个被标识的块，以获取块的轮廓和外接矩形，进而计算块的质心、似圆度、矩形度、偏心率几何参数。
进一步，所述双向投影法是指对二值化图像计算疑似红灯目标的边缘坐标，将疑似红灯信号和模板信号拉伸到相同的长度，分别计算疑似红灯信号和模板信号的水平方向投影和垂直方向投影，各自得到两个方向的投影值。
进一步，所述的相似性测量是将疑似红灯信号的双向投影值与模板库中的红灯对象逐一匹配，计算疑似红灯信号与每一个模板红灯对象的相似值，并返回相似值的最大值，从而判断出红灯的类型，类型包括圆形、直行、左转、右转。
进一步，所述疑似红灯信号与每一个模板红灯对象的相似值采用欧式距离的计算方法进行计算，并将匹配得到的相似值的最大值与设定的相似阈值进行比较，大于相似阈值的即为红灯信号，小于相似阈值为杂质并剔除，最后输出红灯的坐标信息和类型并在原始图像上做出标记。
进一步，所述红色分量阈值是根据疑似红灯目标在不同外界环境条件下红色分量的方差而选取的经验阈值，该红色分量阈值设定为红色分量大于324或者小于25，在该阈值范围内为疑似红灯区域，用于滤除非红色的杂质；所述黑色分量及其黑色像素点个数阈值是根据疑似红灯外接矩形顶点颜色信息的黑色分量及其黑色像素点个数而选取的经验阈值，该阈值设定为黑色分量<30，并且黑色像素点个数>5。
进一步，所述灰度阈值是根据图像的灰度特征而选取的经验阈值，该阈值设定为灰度≥80为明区、小于80为暗区。
进一步，所述质心计算公式为：
其中为质心坐标,式中i，j分别对应图像的行和列，f(i,j)为图像在(i,j)处灰度值，m和n分别为图像的宽和高；
所述似圆度指圆形度，是描述图像紧凑性的一个无量纲，根据块的周长和面积计算，计算公式为
其中，C为块的周长，S为块的面积，由上式可知，当一个封闭的连通区域为圆形时，F＝1；当为正方形时，F＝4/π，可见当连通区域为圆形时，F值达到最小，因此形状参数对图像的旋转以及尺度的变化不敏感，在一定条件下可以分辨出不同形状的目标；
所述矩形度是描述连通区域占外接矩形的比例，计算公式为：
其中，SR为外接矩形的面积，S为块的面积；
所述偏心率是用来描述连通区域形状的无量纲，采用连通区域的主辅轴比进行计算，求解一幅大小为M*N图像的p+q阶矩公式为：
其中，p、q＝0、1、2……，i，j分别对应图像的行和列，f(i,j)为图像在(i,j)处灰度值，M和N分别为图像的宽和高，偏心率p的计算公式为：
其中，S为块面积，m20为2+0阶矩，m02为0+2阶矩，m11为1+1阶矩。
进一步，所述相似阈值是根据疑似红灯信号与模板红灯对象计算得到的相似值而设定的经验阈值，目的是为滤除非红灯信号，该阈值设定为相似值≥5为疑似红灯信号、<5为杂质。
由于本发明基于图像处理技术的红灯信号检测方法采用了上述技术方案，即本方法通过对车载摄像头采集交通图像进行红灯信号的检测和识别，首先对图像进行剪裁等预处理，针对不同的图像在RGB和HSV色彩空间上进行图像识别，并结合基于灰度图的循环迭代二值化算法对图像进行颜色分割，即对原始图像进行了初步过滤，然后对图像进行区域标签化、旋转归一、边界跟踪以及边缘特征获取，并通过判别图像的几何特征、曲率粗超程度、是否有镂空以及目标图像与模板图像的匹配度等，最终将红灯信号从复杂的路面图像中检测并标记出来。本方法基于图像处理技术实现红灯信号的实时检测，提高了检测精度，且避免受外界环境干扰，杜绝误判或漏判，同时也极大的降低了检测成本。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本发明基于图像处理技术的红灯信号检测方法的原理框图；
图2为本方法的流程图；
图3为本方法中循环迭代算法流程图；
图4为本方法中双向投影信号获取流程图。
具体实施方式
实施例如图1和图2所示，本发明基于图像处理技术的红灯信号检测方法包括如下步骤：
步骤一、图像预处理，通过车载摄像头采集交通图像，对采集到的图像进行裁剪、缩放和增强操作；
步骤二、基于颜色特征的图像分割，采用自适应阈值计算的循环迭代算法对预处理后的灰度图进行二值化处理；
步骤三、基于形状特征的图像分割，对二值化处理后的图像区域标签化、旋转归一、边界跟踪以及边缘特征提取，通过判别图像的几何特征、曲率粗糙程度、是否有镂空特征将疑似红灯目标从复杂的路面背景中分割出来；
步骤四、相似性测量，采用基于双向投影法的相似性配准算法对疑似红灯目标与模板进行相似性测量，计算疑似红灯目标与模板的相似度；
步骤五、目标匹配，设定匹配阈值，对小于该匹配阈值的疑似红灯目标直接剔除并判断为杂质，剩下的为红灯信号目标。
优选的，所述基于颜色特征的图像分割是指根据疑似红灯目标的颜色特征选取最优的颜色空间模型，结合RGB和HSV空间模型挑选出红色分量，计算疑似红灯目标的红色分量的方差，并设定红色分量阈值，满足红色分量阈值的即为疑似红灯目标；同时由于红灯周围被黑色灯框所包围，根据疑似红灯目标的位置坐标信息来计算其外接矩形顶点区域的颜色信息，若颜色信息的黑色分量及其黑色像素点个数满足设定的黑色分量及其黑色像素点个数阈值要求即为疑似红灯目标。
如图3所示，优选的，所述自适应阈值计算的循环迭代算法利用图像的灰度特征，设定某一灰度阈值将图像分为明区和暗区，分别计算图像明区和暗区的平均灰度值，将求得的明暗两区的平均灰度值再求平均，将新求得的平均灰度值与设定的灰度阈值计算其差值的绝对值，若差值绝对值小于灰度阈值，则新求得的平均灰度值即为二值化的最优阈值，若不满足则将新求得的平均灰度值作为明暗区分界值，循环上述操作，直至找到最优自适应阈值，循环次数设定为6次。
优选的，所述基于形状特征的图像分割是指根据疑似红灯目标的形状过滤掉不必要的杂质，由于红灯由黑色灯框所包围，黑色灯框分为横向或竖向设置，因此根据疑似红灯目标的坐标位置信息分别设定横、竖两种虚拟灯框，通过计算虚拟灯框的黑色色度来判断红灯的黑色灯框方向，并输出虚拟灯框的坐标信息。
优选的，所述区域标签化是指经二值化处理后图像中相互连通的区域分别打上各自的标签号，其通过对二值化图像中白色目标像素的标记，使每个单独的连通区域形成一个被标识的块，以获取块的轮廓和外接矩形，进而计算块的质心、似圆度、矩形度、偏心率几何参数。
如图4所示，优选的，所述双向投影法是指对二值化图像计算疑似红灯目标的边缘坐标，将疑似红灯信号和模板信号拉伸到相同的长度，分别计算疑似红灯信号和模板信号的水平方向投影和垂直方向投影，各自得到两个方向的投影值。
优选的，所述的相似性测量是将疑似红灯信号的双向投影值与模板库中的红灯对象逐一匹配，计算疑似红灯信号与每一个模板红灯对象的相似值，并返回相似值的最大值，从而判断出红灯的类型，类型包括圆形、直行、左转、右转。
优选的，所述疑似红灯信号与每一个模板红灯对象的相似值采用欧式距离的计算方法进行计算，并将匹配得到的相似值的最大值与设定的相似阈值进行比较，大于相似阈值的即为红灯信号，小于相似阈值为杂质并剔除，最后输出红灯的坐标信息和类型并在原始图像上做出标记。
优选的，所述红色分量阈值是根据疑似红灯目标在不同外界环境条件下红色分量的方差而选取的经验阈值，该红色分量阈值设定为红色分量大于324或者小于25，在该阈值范围内为疑似红灯区域，用于滤除非红色的杂质；所述黑色分量及其黑色像素点个数阈值是根据疑似红灯外接矩形顶点颜色信息的黑色分量及其黑色像素点个数而选取的经验阈值，该阈值设定为黑色分量<30，并且黑色像素点个数>5。
优选的，所述灰度阈值是根据图像的灰度特征而选取的经验阈值，该阈值设定为灰度≥80为明区、小于80为暗区。
优选的，所述质心计算公式为；
其中：为质心坐标,i，j分别对应图像的行和列，f(i,j)为图像在(i,j)处灰度值，m和n分别为图像的宽和高；
所述似圆度指圆形度，是描述图像紧凑性的一个无量纲，根据块的周长和面积计算，计算公式为
其中，C为块的周长，S为块的面积，由上式可知，当一个封闭的连通区域为圆形时，F＝1；当为正方形时，F＝4/π，可见当连通区域为圆形时，F值达到最小，因此形状参数对图像的旋转以及尺度的变化不敏感，在一定条件下可以分辨出不同形状的目标；
所述矩形度是描述连通区域占外接矩形的比例，计算公式为：
其中，SR为外接矩形的面积，S为块的面积；
所述偏心率是用来描述连通区域形状的无量纲，采用连通区域的主辅轴比进行计算，求解一幅大小为M*N图像的p+q阶矩公式为：
其中，p、q＝0、1、2……，i，j分别对应图像的行和列，f(i,j)为图像在(i,j)处灰度值，M和N分别为图像的宽和高，偏心率p的计算公式为：
其中，S为块面积，m20为2+0阶矩，m02为0+2阶矩，m11为1+1阶矩。
优选的，所述相似阈值是根据疑似红灯信号与模板红灯对象计算得到的相似值而设定的经验阈值，目的是为滤除非红灯信号，该阈值设定为相似值≥5为疑似红灯信号、<5为杂质。
本方法中模板是指国家标准中规定的红灯信号，模板库就是根据国家标准的各种红灯信号集合，而模板信号是指国家标准红灯信号经水平或垂直投影后得到的二维向量。本方法利用图像处理技术，在进行红灯信号提取时，所用到的算法都是传统算法，没有采用模式识别、深度学习的算法，故对系统的软硬件要求都不高，而且在对图像处理时进行适当的缩放，这样大大的减少了计算量，提高了检测速度，同时也节省了大量的存储空间。
由于传统的红灯检测方法对摄像头的精度要求很高，而且在提取红灯时受到外界环境影响较大，会造成一定程度的误判或者漏判。而本方法可以很好的弥补或解决这一问题；同时，本方法还具有以下优势；
1、实时性好，所处理的图像都是通过车载摄像头实时采集到的单帧图像序列，受到外界环境干扰小；
2、处理速度快，所处理的图像都是经过裁剪和缩放后再进行后续操作，这样节省了大量的时间；
3、检测精确性高，对红灯信号的检测采用基于颜色和形状双重特征的目标提取，使检测结果更加精确；
4、在匹配阶段，采用了基于双向投影法对模板和疑似红灯目标进行相似性测量，提高了识别算法的准确性和稳定性。
5、可移植性程度高，可以移植到其他智能检测系统中，并且应用于智能交通系统的无人驾驶。
由此，本方法与传统红灯信号检测方法相比，能够提供精度更高，鲁棒性更好的红灯信号检测服务，极大地方便了驾驶员的开车行为，降低了交通事故的发生概率，具有广阔的应用前景。
Claims (12)
1.一种基于图像处理技术的红灯信号检测方法，其特征在于本方法包括如下步骤：
步骤一、图像预处理，通过车载摄像头采集交通图像，对采集到的图像进行裁剪、缩放和增强操作；
步骤二、基于颜色特征的图像分割，采用自适应阈值计算的循环迭代算法对预处理后的灰度图进行二值化处理；
步骤三、基于形状特征的图像分割，对二值化处理后的图像区域标签化、旋转归一、边界跟踪以及边缘特征提取，通过判别图像的几何特征、曲率粗糙程度、是否有镂空特征将疑似红灯目标从复杂的路面背景中分割出来；
步骤四、相似性测量，采用基于双向投影法的相似性配准算法对疑似红灯目标与模板进行相似性测量，计算疑似红灯目标与模板的相似度；
步骤五、目标匹配，设定匹配阈值，对小于该匹配阈值的疑似红灯目标直接剔除并判断为杂质，剩下的为红灯信号目标。
2.根据权利要求1所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述基于颜色特征的图像分割是指根据疑似红灯目标的颜色特征选取最优的颜色空间模型，结合RGB和HSV空间模型挑选出红色分量，计算疑似红灯目标的红色分量的方差，并设定红色分量阈值，满足红色分量阈值的即为疑似红灯目标；同时由于红灯周围被黑色灯框所包围，根据疑似红灯目标的位置坐标信息来计算其外接矩形顶点区域的颜色信息，若颜色信息的黑色分量及其黑色像素点个数满足设定的黑色分量及其黑色像素点个数阈值要求即为疑似红灯目标。
3.根据权利要求1所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述自适应阈值计算的循环迭代算法利用图像的灰度特征，设定某一灰度阈值将图像分为明区和暗区，分别计算图像明区和暗区的平均灰度值，将求得的明暗两区的平均灰度值再求平均，将新求得的平均灰度值与设定的灰度阈值计算其差值的绝对值，若差值绝对值小于灰度阈值，则新求得的平均灰度值即为二值化的最优阈值，若不满足则将新求得的平均灰度值作为明暗区分界值，循环上述操作，直至找到最优自适应阈值，循环次数设定为6次。
4.根据权利要求1所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述基于形状特征的图像分割是指根据疑似红灯目标的形状过滤掉不必要的杂质，由于红灯由黑色灯框所包围，黑色灯框分为横向或竖向设置，因此根据疑似红灯目标的坐标位置信息分别设定横、竖两种虚拟灯框，通过计算虚拟灯框的黑色色度来判断红灯的黑色灯框方向，并输出虚拟灯框的坐标信息。
5.根据权利要求1所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述区域标签化是指经二值化处理后图像中相互连通的区域分别打上各自的标签号，其通过对二值化图像中白色目标像素的标记，使每个单独的连通区域形成一个被标识的块，以获取块的轮廓和外接矩形，进而计算块的质心、似圆度、矩形度、偏心率的几何参数。
6.根据权利要求1所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述双向投影法是指对二值化图像计算疑似红灯目标的边缘坐标，将疑似红灯信号和模板信号拉伸到相同的长度，分别计算疑似红灯信号和模板信号的水平方向投影和垂直方向投影，各自得到两个方向的投影值。
7.根据权利要求1所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述的相似性测量是将疑似红灯信号的双向投影值与模板库中的红灯对象逐一匹配，计算疑似红灯信号与每一个模板红灯对象的相似值，并返回相似值的最大值，从而判断出红灯的类型，类型包括圆形、直行、左转、右转。
8.根据权利要求7所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述疑似红灯信号与每一个模板红灯对象的相似值采用欧式距离的计算方法进行计算，并将匹配得到的相似值的最大值与设定的相似阈值进行比较，大于相似阈值的即为红灯信号，小于相似阈值为杂质并剔除，最后输出红灯的坐标信息和类型并在原始图像上做出标记。
9.根据权利要求2所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述红色分量阈值是根据疑似红灯目标在不同外界环境条件下红色分量的方差而选取的经验阈值，该红色分量阈值设定为红色分量大于324或者小于25，在该阈值范围内为疑似红灯区域，用于滤除非红色的杂质；所述黑色分量及其黑色像素点个数阈值是根据疑似红灯外接矩形顶点颜色信息的黑色分量及其黑色像素点个数而选取的经验阈值，该阈值设定为黑色分量<30，并且黑色像素点个数>5。
10.根据权利要求3所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述灰度阈值是根据图像的灰度特征而选取的经验阈值，该阈值设定为灰度≥80为明区、小于80为暗区。
11.根据权利要求5所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述质心计算公式为：
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>i</mi>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>j</mi>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中：为质心坐标,i，j分别对应图像的行和列，f(i,j)为图像在(i,j)处灰度值，m和n分别为图像的宽和高；
所述似圆度指圆形度，是描述图像紧凑性的一个无量纲，根据块的周长和面积计算，计算公式为
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<msup>
<mi>C</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
<mi>S</mi>
</mrow>
</mfrac>
</mrow>
其中，C为块的周长，S为块的面积，由上式可知，当一个封闭的连通区域为圆形时，F＝1；当为正方形时，F＝4/π，可见当连通区域为圆形时，F值达到最小，因此形状参数对图像的旋转以及尺度的变化不敏感，在一定条件下可以分辨出不同形状的目标；
所述矩形度是描述连通区域占外接矩形的比例，计算公式为：
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mi>S</mi>
<msub>
<mi>S</mi>
<mi>R</mi>
</msub>
</mfrac>
</mrow>
其中，SR为外接矩形的面积，S为块的面积；
所述偏心率是用来描述连通区域形状的无量纲，采用连通区域的主辅轴比进行计算，求解一幅大小为M*N图像的p+q阶矩公式为：
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mi>i</mi>
<mi>p</mi>
</msup>
<msup>
<mi>j</mi>
<mi>q</mi>
</msup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，p、q＝0、1、2……，i，j分别对应图像的行和列，f(i,j)为图像在(i,j)处灰度值，M和N分别为图像的宽和高，偏心率p的计算公式为：
<mrow>
<mi>p</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>20</mn>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>02</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
<msub>
<mi>m</mi>
<mn>11</mn>
</msub>
</mrow>
<mi>S</mi>
</mfrac>
</mrow>
其中，S为块面积，m20为2+0阶矩，m02为0+2阶矩，m11为1+1阶矩。
12.根据权利要求8所述的基于图像处理技术的红灯信号检测方法，其特征在于：所述相似阈值是根据疑似红灯信号与模板红灯对象计算得到的相似值而设定的经验阈值，目的是为滤除非红灯信号，该阈值设定为相似值≥5为疑似红灯信号、<5为杂质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710676868.7A CN107563301A (zh) | 2017-08-09 | 2017-08-09 | 基于图像处理技术的红灯信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710676868.7A CN107563301A (zh) | 2017-08-09 | 2017-08-09 | 基于图像处理技术的红灯信号检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563301A true CN107563301A (zh) | 2018-01-09 |
Family
ID=60974396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710676868.7A Pending CN107563301A (zh) | 2017-08-09 | 2017-08-09 | 基于图像处理技术的红灯信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563301A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710850A (zh) * | 2018-05-17 | 2018-10-26 | 中国科学院合肥物质科学研究院 | 一种适用性强的枸杞果实识别方法和系统 |
| CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
| CN110021006A (zh) * | 2018-09-06 | 2019-07-16 | 浙江大学台州研究院 | 一种检测汽车配件是否安装的装置及方法 |
| CN110646354A (zh) * | 2019-08-28 | 2020-01-03 | 东华大学 | 一种棉纤维的颜色测试装置及方法 |
| CN111062941A (zh) * | 2019-12-31 | 2020-04-24 | 深圳爱克莱特科技股份有限公司 | 点光源灯点故障检测装置及方法 |
| CN111914632A (zh) * | 2020-06-19 | 2020-11-10 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
| CN112669638A (zh) * | 2020-12-14 | 2021-04-16 | 中国联合网络通信集团有限公司 | 车辆安全通行方法、系统、终端设备及计算机存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150294167A1 (en) * | 2012-11-20 | 2015-10-15 | Harman International Industries, Incorporated | Method and system for detecting traffic lights |
| CN106803064A (zh) * | 2016-12-26 | 2017-06-06 | 广州大学 | 一种交通灯快速识别方法 |
| CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
-
2017
- 2017-08-09 CN CN201710676868.7A patent/CN107563301A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150294167A1 (en) * | 2012-11-20 | 2015-10-15 | Harman International Industries, Incorporated | Method and system for detecting traffic lights |
| CN106803064A (zh) * | 2016-12-26 | 2017-06-06 | 广州大学 | 一种交通灯快速识别方法 |
| CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
Non-Patent Citations (1)
| Title |
|---|
| 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 (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710850B (zh) * | 2018-05-17 | 2022-12-06 | 中国科学院合肥物质科学研究院 | 一种枸杞果实识别方法和系统 |
| CN108710850A (zh) * | 2018-05-17 | 2018-10-26 | 中国科学院合肥物质科学研究院 | 一种适用性强的枸杞果实识别方法和系统 |
| CN110021006A (zh) * | 2018-09-06 | 2019-07-16 | 浙江大学台州研究院 | 一种检测汽车配件是否安装的装置及方法 |
| CN110021006B (zh) * | 2018-09-06 | 2023-11-17 | 浙江大学台州研究院 | 一种检测汽车配件是否安装的装置及方法 |
| CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
| CN109522787B (zh) * | 2018-09-30 | 2020-10-09 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
| CN110646354A (zh) * | 2019-08-28 | 2020-01-03 | 东华大学 | 一种棉纤维的颜色测试装置及方法 |
| CN110646354B (zh) * | 2019-08-28 | 2021-10-26 | 东华大学 | 一种棉纤维的颜色测试装置及方法 |
| CN111062941A (zh) * | 2019-12-31 | 2020-04-24 | 深圳爱克莱特科技股份有限公司 | 点光源灯点故障检测装置及方法 |
| CN111062941B (zh) * | 2019-12-31 | 2024-04-19 | 深圳爱克莱特科技股份有限公司 | 点光源灯点故障检测装置及方法 |
| CN111914632A (zh) * | 2020-06-19 | 2020-11-10 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
| CN111914632B (zh) * | 2020-06-19 | 2024-01-05 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
| CN112669638A (zh) * | 2020-12-14 | 2021-04-16 | 中国联合网络通信集团有限公司 | 车辆安全通行方法、系统、终端设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563301A (zh) | 基于图像处理技术的红灯信号检测方法 | |
| CN103116751B (zh) | 一种车牌字符自动识别方法 | |
| CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
| KR101856401B1 (ko) | 차선 데이터의 처리 방법, 장치, 저장매체 및 기기 | |
| US9558412B2 (en) | Vehicle exterior environment recognition device | |
| CN104732235B (zh) | 一种消除夜间道路反光干扰的车辆检测方法 | |
| CN109726717B (zh) | 一种车辆综合信息检测系统 | |
| CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
| CN105809138A (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
| CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
| CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
| CN110688907B (zh) | 基于夜间道路光源识别物体的方法及装置 | |
| CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| CN103324935B (zh) | 一种图像中对车辆进行定位与区域分割的方法与系统 | |
| CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
| CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
| CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
| CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
| CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
| CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
| CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
| CN105139011A (zh) | 一种基于标识物图像的车辆识别方法及装置 | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| CN107507140B (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |