CN107644538A - 交通信号灯的识别方法及装置 - Google Patents
交通信号灯的识别方法及装置 Download PDFInfo
- Publication number
- CN107644538A CN107644538A CN201711059106.9A CN201711059106A CN107644538A CN 107644538 A CN107644538 A CN 107644538A CN 201711059106 A CN201711059106 A CN 201711059106A CN 107644538 A CN107644538 A CN 107644538A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic lights
- direction indication
- corresponding color
- object profile
- 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
本发明提供一种交通信号灯的识别方法及装置,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
Description
技术领域
本发明涉及信号灯识别技术领域,特别是涉及一种交通信号灯的识别方法与装置。
背景技术
在智能驾驶感知系统中,针对城市道路交通信号灯的检测识别是必不可少的一环。传统的针对交通信号灯的检测识别的方法主要分两种:一类是基于视觉技术,通过相机采集车辆周围环境图像,再利用特征检测结合识别分类的算法获取图像中交通信号灯状态信息;另一类是基于V2X&HD Maps技术,即通过物联网通信以及高精度地图的支持,使得智能汽车在进入交通路口前一段距离范围内能够和预装了特殊通信装置的交通信号灯之间进行数据通信,从而实时获取当前交通信号灯状态。基于V2X&HD Maps的交通信号灯识别技术的设施安装及维护成本高,难以大规模实车应用。基于视觉的交通信号灯指示方向识别技术的成本较低,但识别效果受天气以及光照的影响较大,难以做到全天候的应用。
综上,传统的交通信号灯指示方向的识别技术中,存在识别效果受天气和光照的影响较大,导致识别效果不佳的技术缺陷。
发明内容
基于此,有必要针对传统的交通信号灯指示方向的识别技术中,识别效果受天气和光照的影响较大,导致识别效果不佳的技术缺陷,提供一种交通信号灯的识别方法及装置。
本发明所提供的技术方案如下:
一种交通信号灯的识别方法,包括步骤:
对交通信号灯图像进行颜色分割,得到对应颜色通道图像。
获取对应颜色通道图像中的第一目标轮廓,确定第一目标轮廓的指示方向。
根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
一种交通信号灯指示方向的识别装置,包括:
颜色分割模块,用于对交通信号灯图像进行颜色分割,得到对应颜色通道图像。
指示方向获取模块,用于获取对应颜色通道图像中的第一目标轮廓,确定第一目标轮廓的指示方向。
识别模块,用于根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
一种智能驾驶感知系统,用于实现上述交通信号灯的识别方法的步骤。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序程序时实现上述交通信号灯的识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述交通信号灯的识别方法的步骤。
本发明所提供的技术方案,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
附图说明
图1为常见的交通信号灯图像示例图;
图2为交通信号灯的识别方法流程图;
图3为HSI空间分割示意图;
图4为常见的交通信号灯的轮廓示意图;
图5为直行箭头信号灯的轮廓形状检测原理示意图;
图6为第一实施例的交通信号灯的识别方法流程图;
图7为交通信号灯图像坐标系示意图;
图8为基于交通信号灯图像坐标系的图像裁切示意图;
图9为1920×1200像素的交通信号灯图像裁切示意图;
图10为第二实施例的交通信号灯的识别方法流程图;
图11为第三实施例的交通信号灯的识别方法流程图;
图12为第四实施例的交通信号灯的识别方法流程图;
图13为第一预设区域与第二预设区域的空间位置关系示意图;
图14为第三预设区域灰度观测图;
图15为交通信号灯指示方向的识别装置模块结构图;
图16为第一实施例的交通信号灯指示方向的识别装置模块结构图;
图17为第二实施例的交通信号灯指示方向的识别装置模块结构图;
图18为第三实施例的交通信号灯指示方向的识别装置模块结构图;
图19为第四实施例的交通信号灯指示方向的识别装置模块结构图;
图20为智能驾驶感知系统的内部模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
传统的驾驶感知系统中设置有摄像装置,如工业相机,会在安装驾驶感知系统的汽车的行驶过程中拍摄视频序列或周期性拍摄静态图像。在行驶至常见的交通路口时,会拍摄到含有交通信号灯的实时采集图像,即交通信号灯图像,如图1所示,为常见的交通信号灯图像示例图。
在一实施例中,如图2所示,为交通信号灯的识别方法流程图,包括步骤:
S11,对交通信号灯图像进行颜色分割,得到对应颜色通道图像。
在此步骤中,为保证采集到的图像的清晰度和品质,提高交通信号灯指示方向的识别效果,驾驶感知系统上设置的工业相机会拍摄具有较高分辨率的照片或较高帧数的视频,但过高分辨率的照片或视频帧会提高图像处理的数据量,降低识别的处理效率。
本实施例中,可以采用分辨率为1920×1200像素的照片作为交通信号灯图像,在保证交通信号灯指示方向的识别效果条件下降低图像处理的数据量,提高交通信号灯指示方向的识别效率。
在获取到交通信号灯图像后,对交通信号灯图像进行颜色分割处理,获得对应颜色通道图像。通常条件下,交通信号灯的颜色包括红色、黄色和绿色,即可获得红色、黄色和绿色的通道图像。
为了提高不同颜色的图像的对比度,突出对应颜色的交通信号灯在对应颜色通道图像的显示效果。可选地,对交通信号灯图像进行单通道颜色分割,获得单通道的对应颜色通道图像,为了提高不同颜色的图像的对比度,突出对应颜色的交通信号灯在对应颜色通道图像的显示效果。对应地,可将交通信号灯图像进行颜色分割为红色单通道图像、黄色单通道图像和绿色单通道图像。
作为实施例,在上述单通道颜色分割中,可通过基于RGB(Red Green Blue红绿蓝)颜色空间模型对交通信号灯图像进行分割,也可通过基于HSI(Hue Saturation Intensity色度颜色饱和度光强度)颜色空间模型对交通信号灯图像进行分割。
可选地,在本实施例中,选用受光照影响较小的HSI颜色空间模型对交通信号灯图像进行分割,以较低光照对交通信号灯指示方向的识别效果的影响,提高识别的准确度。
如图3所示,为HSI空间分割示意图,其中H值表示色度值,S值表示颜色饱和度值,I表示光强度值,如图所示,在HSI颜色空间模型下,红色、黄色和绿色的具体分割参数k1、k2和k3依次如下:
红色:k1=(((H≥0)&&(H≤30))‖((H≥350)&&(H≤360)))&&((S≥0.18)&&(S≤1))&&((I≥46)&&(I≤255))。
黄色:k2=((H≥20)&&(H≤60))&&((S≥0.41)&&(S≤1))&&((I≥46)&&(I≤255))。
绿色:k3=((H≥160)&&(H≤200))&&((S≥0.12)&&(S≤1))&&((I≥100)&&(I≤255))。
基于上述具体分割参数,将交通信号灯图像分割为对应颜色通道图像,即分割成对应颜色的单通道图像,具体为:红色通道为的对应红色分割参数的单通道图像、黄色通道为对应黄色分割参数的的单通道图像和绿色通道为对应绿色分割参数的单通道图像。
其中,对交通信号灯图像进行颜色分割,得到对应颜色通道图像的过程,包括步骤:
分割出所述交通信号灯图像的红色通道和黄色通道,得到红色通道图像;
分割出所述交通信号灯图像绿色通道,得到绿色通道图像。
其中,从具体分割参数可看出,红色的颜色空间与黄色的颜色空间有一定的重合度。可选地,将交通信号灯图像进行颜色分割,分割成红色单通道图像和绿色单通道图像,其中红色单通道图像包括红色通道和黄色通道,绿色单通道图像只包括绿色通道,即红色单通道图像为合并红色通道和黄色通道的单通道图像。
在本实施例中,将红色交通信号灯与黄色交通信号灯合并识别,将黄色交通信号灯一并判定为红色交通信号灯,以降低误识别的风险,提高识别的准确率。
S12,获取对应颜色通道图像中的第一目标轮廓,确定第一目标轮廓的指示方向。
在此步骤中,如图4所示,为常见的交通信号灯的轮廓示意图,第一目标轮廓包括常见的直行箭头轮廓、左右转箭头轮廓和掉头箭头轮廓等。在获取到单通道的对应颜色通道图像后,按照轮廓面积、轮廓高宽比例、轮廓最大半径与最小半径之差等参数按照相应的经验阈值将冗余的目标轮廓予以排除。
上述排除冗余的目标轮廓的操作可以是将与常见的交通信号灯的轮廓区别较大的轮廓进行排除,将排除后剩余的区域将定义为第一目标轮廓所在的区域。然后在第一目标轮廓所在的区域内进行相应的形状检测和定位,对于交通信号灯的形状检测根据第一目标轮廓的圆形度参数确定,定位由其圆心坐标以及半径大小确定。
以上述1920×1200像素的交通信号灯图像为例,可选地,将排除后剩余的第一目标轮廓所在的区域归一化为24×24像素的大小的感兴趣区域,如图5所示,为直行箭头信号灯的轮廓形状检测原理示意图,对于直行箭头形交通信号灯的轮廓形状检测根据轮廓端点连线之间的V形确定,定位由其端点的8个坐标点确定。如图5所示,其中A、B、C、D、E、F、G、H分别是直行箭头信号灯的目标轮廓上下左右的8个端点坐标。判断两个端点相连构成的四条连线AC、BD、EG、HF是否位于目标轮廓中。以此为依据识别直行箭头信号灯的轮廓形状和箭头方向,以此确定该轮廓的指示方向。
以图5为例,连线AC和BD位于目标轮廓中,连线EG和HF位于目标轮廓之外,即可判断该目标轮廓的指示方向为直行。若连线AB和EG位于目标轮廓中,连线BD和HF位于目标轮廓之外,即可判断该目标轮廓的指示方向为左转。若连线BD和HF位于目标轮廓中,连线AB和EG位于目标轮廓之外,即可判断该目标轮廓的指示方向为右转。
S13,根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
在此步骤中,在确定轮廓形状和确定指示方向后,对应地,在各对应颜色通道图像中获取符合常见交通灯形状轮廓的第一目标轮廓,确定该第一目标轮廓的指示方向,如直行、左右转或掉头等等。
以该对应颜色通道图像的对应颜色确定交通信号灯的颜色,如绿色通道图像对应绿色交通信号灯,红色通道图像对应红色交通信号灯。基于此确定对应颜色的交通信号灯的指示方向。
本实施例所提供的交通信号灯的识别方法,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
可选地,如图6所示,为第一实施例的交通信号灯的识别方法流程图,上述步骤S11中对交通信号灯图像进行颜色分割,得到对应颜色通道图像的过程,包括步骤:
S111,对交通信号灯图像进行裁切,得到待检测图像。
如图7所示,为交通信号灯图像坐标系示意图,交通信号灯图像的左下角O为坐标远点,同时包括X轴和Y轴,X轴和Y轴的坐标均以单个像素为单位,图像中的各点的坐标均以(X,Y)表示。
需要说明的是,为了便于解释本发明,在本实施例中,所有图像中的坐标均以图7所示的交通信号灯图像坐标系为基准。
基于上述说明的交通信号灯图像坐标系,对交通信号灯图像进行裁切,得到待检测图像的过程,包括步骤:
裁除交通信号灯图像中X坐标小于第一预设值,且Y坐标小于第二预设值的第一图像区域;将交通信号灯图像中除第一图像区域外的图像区域设为待检测图像。
一般地,交通信号灯一般位于车辆前进行驶方向的前上方或右前方。在智能驾驶感知系统中,摄像头一般安装于车辆前部,面向车辆的前进行驶方向拍摄,如图1的交通信号灯图像示例图所示。结合图1的交通信号灯图像示例图和图7所示的交通信号灯图像坐标系,得到图8,图8为基于交通信号灯图像坐标系的图像裁切示意图,以a为第一预设值,b为第二预设值,得到图8中区域A即为第一图像区域,第一图像区域A以外的区域为待检测区域。通过裁切交通信号灯图像,以降低交通信号灯图像的数据量,提高后续图像的处理效率,同时在保证处理效率的条件下,便于提高交通信号灯图像的分辨率以提高识别的准确率。
以上述1920×1200像素的交通信号灯图像为例,如图9所示,为1920×1200像素的交通信号灯图像裁切示意图,将第一预设值设为1920像素,将第二预设值设为700像素,获取1920×1200像素的交通信号灯图像的上半部分,即获取1920×500的部分设为待检测图像。
S112,依次对待检测图像进行降采样处理和滤波处理。
在获取到待检测图像后,对待检测图像进行降采样处理,以进一步降低待检测图像的分辨率,提高后续图像的处理效率。其中,降采样处理不能改变待检测图像原始的形状比例。可以采用双线性差值的图像缩放方法对待检测图像进行降采样处理,以有效降低待检测图像的分辨率,保证较低分辨率后待检测图像的品质。
同时,在对待检测图像进行降采样处理后,再对待检测图像进行滤波处理,如采用高斯滤波或中值滤波等方式,以降低待检测图像中的随机噪声干扰。
S113,对滤波处理后的待检测图像进行颜色分割,得到对应颜色通道图像。
通过本实施例的技术方案,对交通信号灯图像进行裁切、降采样和滤波等预处理,以降低交通信号灯图像的分辨率和随机噪声干扰,降低后续图像处理的数据量,提高后续图像处理效率,实现快速识别交通信号灯指示方向的目的。
可选地,如图10所示,为第二实施例的交通信号灯的识别方法流程图,步骤S13包括步骤:
S201,对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像。
在对交通信号灯图像进行增强处理后,得到交通信号灯图像的二值图像,且二值图像与交通信号灯图像中各点的坐标是相对应的。
S202,根据第一目标轮廓在交通信号灯图像中的第一坐标,确定二值图像中的第二目标轮廓,并确定第二目标轮廓的指示方向;其中,第二目标轮廓在二值图像中的第二坐标与第一坐标相同。
在对交通信号灯图像进行增强处理后,得到交通信号灯图像的二值图像,二值图像与交通信号灯图像中各点的坐标是相对应的。交通信号灯在交通信号灯图像中的轮廓为第一目标轮廓,在交通信号灯图像的二值图像中的轮廓为第二目标轮廓。基于第一目标轮廓在交通信号灯图像中的第一坐标,确定相对应的二值图像中的第二坐标,即第二目标轮廓的坐标位置,以确定第二目标轮廓的指示方向。
S203,若第二目标轮廓的指示方向与第一目标轮廓的指示方向相同,根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
通过本实施例所提供的技术方案,通过验证交通信号灯图像的二值图像的第二目标轮廓的指示方向与第一目标轮廓的指示方向,保证第一目标轮廓的指示方向的正确识别,以保证正确识别对应颜色的交通信号灯的指示方向。
可选地,如图11所示,为第三实施例的交通信号灯的识别方法流程图,步骤S13包括步骤:
S301,对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像。
S302,根据第一目标轮廓在交通信号灯图像中的第一坐标,确定二值图像中的第二目标轮廓,并确定第二目标轮廓的指示方向;其中,第二目标轮廓在二值图像中的第二坐标与第一坐标相同。
S303,若第二目标轮廓的指示方向与第一目标轮廓的指示方向不同,根据第二目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
在第二目标轮廓的指示方向与第一目标轮廓的指示方向不同时,根据第二目标轮廓的指示方向确定对应颜色的交通信号灯的指示方向,以保证正确识别对应颜色的交通信号灯的指示方向。
可选地,如图12所示,为第四实施例的交通信号灯的识别方法流程图,步骤S13包括步骤:
S401,对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像。
S402,根据第一目标轮廓在交通信号灯图像中的第一坐标,确定二值图像中第一目标轮廓所在的第一预设区域。
S403,若第一预设区域相邻的第二预设区域的图像的颜色为预设颜色,根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
如图13所示,为第一预设区域与第二预设区域的空间位置关系示意图,其中区域B即为第一预设区域,相邻的区域C即为第二预设区域,判断第二预设区域的颜色是否为预设颜色。一般地,在二值图像中以黑色为预设颜色。
通过本实施例所提供的技术方案,通过验证第一目标轮廓所在的第一预设区域相邻的第二预设区域的颜色是否为预设颜色,验证第一目标轮廓是否正确确定,以保证交通信号灯的指示方向的正确识别。
其中,上述步骤S201、步骤S301和步骤S401中对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像的过程,包括步骤:
对交通信号灯图像进行灰度化处理,得到交通信号灯的灰度图像。
根据第一目标轮廓在交通信号灯图像中的第一坐标,确定第一目标轮廓所在的第三预设区域。
若交通信号灯的灰度图像中的第三预设区域的图像灰度均值小于预设阈值,将交通信号灯的灰度图像进行灰度拉伸处理,得到交通信号灯的灰度拉伸图像。
如图14所示,为第三预设区域灰度观测图,将第一目标轮廓所在的第三预设区域,即图14中的区域D,判断第三预设区域的图像灰度均值。预设阈值选择正常光照条件下交通信号灯图像的灰度平均值,灰度平均值范围为[145,195]。可选地,将预设阈值设定为195,以保证第三预设区域的对比度,便于获取第二目标轮廓。
对交通信号灯的灰度拉伸图像进行灰度膨胀处理。
将灰度膨胀处理后的交通信号灯的灰度拉伸图像进行图像二值化处理,得到二值图像。
通过对交通信号灯图像进行灰度拉伸和灰度膨胀,提高交通信号灯图像整体平均灰度值和图像对比度,同时使二值图像中的第二目标轮廓与图像整体的对比度加大,提高第二目标轮廓的识别准确性。
在一实施例中,如图15所示,为交通信号灯指示方向的识别装置模块结构图,包括:
颜色分割模块501,用于对交通信号灯图像进行颜色分割,得到对应颜色通道图像。
指示方向获取模块502,用于获取对应颜色通道图像中的第一目标轮廓,确定第一目标轮廓的指示方向。
识别模块503,用于根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
本实施例所提供的交通信号灯指示方向的识别装置,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
可选地,如图16所示,为第一实施例的交通信号灯指示方向的识别装置模块结构图,上述颜色分割模块501包括:
图像裁切模块601,用于对交通信号灯图像进行裁切,得到待检测图像。
预处理模块602,用于依次对待检测图像进行降采样处理和滤波处理。
子颜色分割模块603,用于对滤波处理后的待检测图像进行颜色分割,得到对应颜色通道图像。
通过本实施例的技术方案,对交通信号灯图像进行裁切、降采样和滤波等预处理,以降低交通信号灯图像的分辨率和随机噪声干扰,降低后续图像处理的数据量,提高后续图像处理效率,实现快速识别交通信号灯指示方向的目的。
可选地,如图17所示,为第二实施例的交通信号灯指示方向的识别装置模块结构图,上述识别模块503包括:
二值图像获得模块701,用于对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像。
第二目标轮廓确定模块702,用于根据第一目标轮廓在交通信号灯图像中的第一坐标,确定二值图像中的第二目标轮廓,并确定第二目标轮廓的指示方向;其中,第二目标轮廓在二值图像中的第二坐标与第一坐标相同。
第一子识别模块703,用于在第二目标轮廓的指示方向与第一目标轮廓的指示方向相同时,根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
通过本实施例所提供的技术方案,通过验证交通信号灯图像的二值图像的第二目标轮廓的指示方向与第一目标轮廓的指示方向,保证第一目标轮廓的指示方向的正确识别,以保证正确识别对应颜色的交通信号灯的指示方向。
可选地,如图18所示,为第三实施例的交通信号灯指示方向的识别装置模块结构图,上述识别模块503包括:
二值图像获得模块801,用于对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像。
第二目标轮廓确定模块802,用于根据第一目标轮廓在交通信号灯图像中的第一坐标,确定二值图像中的第二目标轮廓,并确定第二目标轮廓的指示方向;其中,第二目标轮廓在二值图像中的第二坐标与第一坐标相同。
第二子识别模块803,用于在第二目标轮廓的指示方向与第一目标轮廓的指示方向不同时,根据第二目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
在第二目标轮廓的指示方向与第一目标轮廓的指示方向不同时,根据第二目标轮廓的指示方向确定对应颜色的交通信号灯的指示方向,以保证正确识别对应颜色的交通信号灯的指示方向。
可选地,如图19所示,为第四实施例的交通信号灯指示方向的识别装置模块结构图,上述识别模块503包括:
二值图像获得模块901,用于对交通信号灯图像进行增强处理,得到交通信号灯图像的二值图像。
第一预设区域确定模块902,用于根据第一目标轮廓在交通信号灯图像中的第一坐标,确定二值图像中第一目标轮廓所在的第一预设区域。
第三识别子模块903,用于在第一预设区域相邻的第二预设区域的图像的颜色为预设颜色时,根据对应颜色通道图像中第一目标轮廓的指示方向,确定对应颜色的交通信号灯的指示方向。
通过本实施例所提供的技术方案,通过验证第一目标轮廓所在的第一预设区域相邻的第二预设区域的颜色是否为预设颜色,验证第一目标轮廓是否正确确定,以保证交通信号灯的指示方向的正确识别。
其中,上述二值图像获得模块701、二值图像获得模块801和二值图像获得模块901均分别包括:
灰度处理模块,用于对交通信号灯图像进行灰度化处理,得到交通信号灯的灰度图像。
第三预设区域确定模块,用于根据第一目标轮廓在交通信号灯图像中的第一坐标,确定第一目标轮廓所在的第三预设区域。
灰度拉伸模块,用于在交通信号灯的灰度图像中的第三预设区域的图像灰度均值小于预设阈值时,将交通信号灯的灰度图像进行灰度拉伸处理,得到交通信号灯的灰度拉伸图像。
灰度膨胀模块,用于对交通信号灯的灰度拉伸图像进行灰度膨胀处理。
二值化处理模块,用于将灰度膨胀处理后的交通信号灯的灰度拉伸图像进行图像二值化处理,得到二值图像。
通过对交通信号灯图像进行灰度拉伸和灰度膨胀,提高交通信号灯图像整体平均灰度值和图像对比度,同时使二值图像中的第二目标轮廓与图像整体的对比度加大,提高第二目标轮廓的识别准确性。
本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序程序时实现上述交通信号灯的识别方法中任意一个实施例的步骤。
本实施例所提供的计算机设备,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述交通信号灯的识别方法中任意一个实施例的步骤。此外,通常存储在一个存储介质中的程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此,这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式,例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO等)等。
本实施例所提供的计算机可读存储介质,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
本发明还提供一种智能驾驶感知系统,用于实现上述交通信号灯的识别方法中任意一个实施例的步骤。
可选地,如图20所示,为一实施例的智能驾驶感知系统的内部模块结构图,包括存储器1001、处理器1002,处理器1002用于连接摄像装置,摄像装置用于获取交通信号灯图像,存储器1001内存储有计算机程序,处理器执行计算机程序程序时实现上述交通信号灯的识别方法中任意一个实施例的步骤。
本实施例所提供的智能驾驶感知系统,通过对交通信号灯图像进行颜色分割成对应颜色通道图像,使除对应颜色外其它颜色的交通信号灯的图像被过滤掉,提高在弱光条件下获取的对应颜色的交通信号灯图像的显示效果,清晰地显示出交通信号灯的轮廓,以有效地获取第一目标轮廓,确定第一目标轮廓的指示方向,进一步确定对应颜色的交通信号灯的指示方向。基于此,降低天气和光照条件对交通信号灯指示方向的识别效果的影响。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种交通信号灯的识别方法,其特征在于,包括步骤:
对交通信号灯图像进行颜色分割,得到对应颜色通道图像;
获取所述对应颜色通道图像中的第一目标轮廓,确定所述第一目标轮廓的指示方向;
根据所述对应颜色通道图像中第一目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向。
2.根据权利要求1所述的交通信号灯的识别方法,其特征在于,所述对交通信号灯图像进行颜色分割,得到对应颜色通道图像的过程,包括步骤:
对交通信号灯图像进行裁切,得到待检测图像;
依次对所述待检测图像进行降采样处理和滤波处理;
对滤波处理后的所述待检测图像进行颜色分割,得到所述对应颜色通道图像。
3.根据权利要求1所述的交通信号灯的识别方法,其特征在于,所述根据所述对应颜色通道图像中第一目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向的过程,包括步骤:
对交通信号灯图像进行增强处理,得到所述交通信号灯图像的二值图像;
根据所述第一目标轮廓在所述交通信号灯图像中的第一坐标,确定所述二值图像中的第二目标轮廓,并确定所述第二目标轮廓的指示方向;其中,所述第二目标轮廓在所述二值图像中的第二坐标与所述第一坐标相同;
若所述第二目标轮廓的指示方向与第一目标轮廓的指示方向相同,则根据所述对应颜色通道图像中第一目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向。
4.根据权利要求3所述的交通信号灯的识别方法,其特征在于,还包括步骤:
若所述第二目标轮廓的指示方向与第一目标轮廓的指示方向不同,则根据所述第二目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向。
5.根据权利要求1所述的交通信号灯的识别方法,其特征在于,所述根据所述对应颜色通道图像中第一目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向的过程,包括步骤:
对交通信号灯图像进行增强处理,得到所述交通信号灯图像的二值图像;
根据所述第一目标轮廓在所述交通信号灯图像中的第一坐标,确定二值图像中所述第一目标轮廓所在的第一预设区域;
若所述第一预设区域相邻的第二预设区域的图像的颜色为预设颜色,根据所述对应颜色通道图像中第一目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向。
6.根据权利要求3至5任意一项所述的交通信号灯的识别方法,其特征在于,所述将获取到的交通信号灯图像进行增强处理,得到所述交通信号灯图像的二值图像的过程,包括步骤:
对交通信号灯图像进行灰度化处理,得到交通信号灯的灰度图像;
根据所述第一目标轮廓在所述交通信号灯图像中的第一坐标,确定所述第一目标轮廓所在的第三预设区域;
若所述交通信号灯的灰度图像中的所述第三预设区域的图像灰度均值小于预设阈值,将交通信号灯的灰度图像进行灰度拉伸处理,得到交通信号灯的灰度拉伸图像;
对所述交通信号灯的灰度拉伸图像进行灰度膨胀处理;
将灰度膨胀处理后的所述交通信号灯的灰度拉伸图像进行图像二值化处理,得到所述二值图像。
7.根据权利要求1所述的交通信号灯的识别方法,其特征在于,所述对应颜色通道图像包括红色通道图像和绿色通道图像;
所述对交通信号灯图像进行颜色分割,得到对应颜色通道图像的过程,包括步骤:
从交通信号灯图像中分割出所述交通信号灯图像的红色通道和黄色通道,得到红色通道图像;
从交通信号灯图像分割出所述交通信号灯图像绿色通道,得到绿色通道图像。
8.根据权利要求2所述的交通信号灯的识别方法,其特征在于,所述对交通信号灯图像进行裁切,得到待检测图像的过程,包括步骤:
裁除所述交通信号灯图像中X坐标小于第一预设值,且Y坐标小于第二预设值的第一图像区域;其中,所述X坐标、Y坐标分别为所述交通信号灯图像坐标系的横坐标、纵坐标;
将所述交通信号灯图像中除所述第一图像区域外的图像区域设为所述待检测图像。
9.一种交通信号灯指示方向的识别装置,其特征在于,包括:
颜色分割模块,用于对交通信号灯图像进行颜色分割,得到对应颜色通道图像;
指示方向获取模块,用于获取所述对应颜色通道图像中的第一目标轮廓,确定所述第一目标轮廓的指示方向;
识别模块,用于根据所述对应颜色通道图像中第一目标轮廓的指示方向,确定所述对应颜色的交通信号灯的指示方向。
10.一种智能驾驶感知系统,其特征在于,所述智能驾驶感知系统用于实现权利要求1至8任意一项所述交通信号灯的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059106.9A CN107644538B (zh) | 2017-11-01 | 2017-11-01 | 交通信号灯的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059106.9A CN107644538B (zh) | 2017-11-01 | 2017-11-01 | 交通信号灯的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107644538A true CN107644538A (zh) | 2018-01-30 |
CN107644538B CN107644538B (zh) | 2020-10-23 |
Family
ID=61124834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711059106.9A Active CN107644538B (zh) | 2017-11-01 | 2017-11-01 | 交通信号灯的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644538B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304813A (zh) * | 2018-02-08 | 2018-07-20 | 长安大学 | 一种智能识别圆形交通信号灯状态的方法 |
CN111127358A (zh) * | 2019-12-19 | 2020-05-08 | 苏州科达科技股份有限公司 | 图像处理方法、装置及存储介质 |
CN112669387A (zh) * | 2020-12-28 | 2021-04-16 | 北京百度网讯科技有限公司 | 灯头位置确定方法、装置、存储介质、程序、路侧设备 |
CN112989891A (zh) * | 2019-12-17 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 一种信号灯显示状态的检测方法及装置 |
CN113343872A (zh) * | 2021-06-17 | 2021-09-03 | 湖北亿咖通科技有限公司 | 交通灯识别方法、装置、设备、介质及产品 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745241A (zh) * | 2014-01-14 | 2014-04-23 | 浪潮电子信息产业股份有限公司 | 一种基于自学习算法的智能驾驶方法 |
CN104050447A (zh) * | 2014-06-05 | 2014-09-17 | 奇瑞汽车股份有限公司 | 一种交通信号灯识别方法和装置 |
KR20140124588A (ko) * | 2013-04-17 | 2014-10-27 | 현대모비스 주식회사 | 교통정보 표시 장치 및 방법 |
CN104361350A (zh) * | 2014-10-28 | 2015-02-18 | 奇瑞汽车股份有限公司 | 一种交通标识识别系统 |
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 |
JP2015095135A (ja) * | 2013-11-13 | 2015-05-18 | 三菱電機株式会社 | 表示画像生成装置、表示装置、表示画像生成方法 |
US9070305B1 (en) * | 2010-01-22 | 2015-06-30 | Google Inc. | Traffic light detecting system and method |
CN105160924A (zh) * | 2015-08-25 | 2015-12-16 | 公安部第三研究所 | 基于视频处理的智能信号灯状态检测方法及检测系统 |
DE102015014910A1 (de) * | 2015-11-18 | 2016-05-25 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeuges |
CN105930819A (zh) * | 2016-05-06 | 2016-09-07 | 西安交通大学 | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 |
US9569963B1 (en) * | 2015-12-03 | 2017-02-14 | Denso International America, Inc. | Systems and methods for informing driver of traffic regulations |
CN106570494A (zh) * | 2016-11-21 | 2017-04-19 | 北京智芯原动科技有限公司 | 基于卷积神经网络的交通信号灯识别方法及装置 |
KR101743389B1 (ko) * | 2016-01-04 | 2017-06-07 | 주식회사 에프에스솔루션 | 교통신호 인식 장치 및 방법 |
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
- 2017-11-01 CN CN201711059106.9A patent/CN107644538B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9070305B1 (en) * | 2010-01-22 | 2015-06-30 | Google Inc. | Traffic light detecting system and method |
KR20140124588A (ko) * | 2013-04-17 | 2014-10-27 | 현대모비스 주식회사 | 교통정보 표시 장치 및 방법 |
JP2015095135A (ja) * | 2013-11-13 | 2015-05-18 | 三菱電機株式会社 | 表示画像生成装置、表示装置、表示画像生成方法 |
CN103745241A (zh) * | 2014-01-14 | 2014-04-23 | 浪潮电子信息产业股份有限公司 | 一种基于自学习算法的智能驾驶方法 |
CN104050447A (zh) * | 2014-06-05 | 2014-09-17 | 奇瑞汽车股份有限公司 | 一种交通信号灯识别方法和装置 |
CN104361350A (zh) * | 2014-10-28 | 2015-02-18 | 奇瑞汽车股份有限公司 | 一种交通标识识别系统 |
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 |
CN105160924A (zh) * | 2015-08-25 | 2015-12-16 | 公安部第三研究所 | 基于视频处理的智能信号灯状态检测方法及检测系统 |
DE102015014910A1 (de) * | 2015-11-18 | 2016-05-25 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeuges |
US9569963B1 (en) * | 2015-12-03 | 2017-02-14 | Denso International America, Inc. | Systems and methods for informing driver of traffic regulations |
KR101743389B1 (ko) * | 2016-01-04 | 2017-06-07 | 주식회사 에프에스솔루션 | 교통신호 인식 장치 및 방법 |
CN105930819A (zh) * | 2016-05-06 | 2016-09-07 | 西安交通大学 | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 |
CN106570494A (zh) * | 2016-11-21 | 2017-04-19 | 北京智芯原动科技有限公司 | 基于卷积神经网络的交通信号灯识别方法及装置 |
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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304813A (zh) * | 2018-02-08 | 2018-07-20 | 长安大学 | 一种智能识别圆形交通信号灯状态的方法 |
CN108304813B (zh) * | 2018-02-08 | 2021-07-23 | 长安大学 | 一种智能识别圆形交通信号灯状态的方法 |
CN112989891A (zh) * | 2019-12-17 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 一种信号灯显示状态的检测方法及装置 |
CN112989891B (zh) * | 2019-12-17 | 2024-03-08 | 杭州海康威视数字技术股份有限公司 | 一种信号灯显示状态的检测方法及装置 |
CN111127358A (zh) * | 2019-12-19 | 2020-05-08 | 苏州科达科技股份有限公司 | 图像处理方法、装置及存储介质 |
CN112669387A (zh) * | 2020-12-28 | 2021-04-16 | 北京百度网讯科技有限公司 | 灯头位置确定方法、装置、存储介质、程序、路侧设备 |
CN112669387B (zh) * | 2020-12-28 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 灯头位置确定方法、装置、存储介质、程序、路侧设备 |
CN113343872A (zh) * | 2021-06-17 | 2021-09-03 | 湖北亿咖通科技有限公司 | 交通灯识别方法、装置、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN107644538B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644538A (zh) | 交通信号灯的识别方法及装置 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN103345766B (zh) | 一种信号灯识别方法及装置 | |
US9558412B2 (en) | Vehicle exterior environment recognition device | |
CN103279736B (zh) | 一种基于多信息邻域投票的车牌检测方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
CN102254152B (zh) | 基于彩色跳变点和颜色密度的车牌定位方法 | |
CN109635737B (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
CN110688907B (zh) | 基于夜间道路光源识别物体的方法及装置 | |
CN108090459B (zh) | 一种适用于车载视觉系统的交通标志检测识别方法 | |
CN106128115A (zh) | 一种基于双摄像机检测道路交通信息的融合方法 | |
CN104778833B (zh) | 识别交通信号灯的方法 | |
CN105005766A (zh) | 一种车身颜色识别方法 | |
CN104769652A (zh) | 用于检测交通灯的方法和系统 | |
CN107609555A (zh) | 车牌检测方法、应用其的车型识别方法及相关装置 | |
CN111832388B (zh) | 一种车辆行驶中交通标志检测与识别方法及系统 | |
CN103020613A (zh) | 一种基于视频的信号灯识别方法及装置 | |
CN107845101A (zh) | 车载环视图像的特征点标定方法、装置和可读存储介质 | |
CN102306276A (zh) | 基于分块聚类的视频车辆图像中车身颜色识别方法 | |
CN114092903A (zh) | 车道线标注、检测模型确定、车道线检测方法及相关设备 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN105654140A (zh) | 面向复杂工业环境的铁路油罐车车号定位与识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |