CN108764216A - 一种基于视觉的交通信号灯识别方法及装置 - Google Patents
一种基于视觉的交通信号灯识别方法及装置 Download PDFInfo
- Publication number
- CN108764216A CN108764216A CN201810755175.1A CN201810755175A CN108764216A CN 108764216 A CN108764216 A CN 108764216A CN 201810755175 A CN201810755175 A CN 201810755175A CN 108764216 A CN108764216 A CN 108764216A
- Authority
- CN
- China
- Prior art keywords
- traffic lights
- limit hole
- recognition methods
- access control
- control model
- 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 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000003032 molecular docking Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 20
- 241000593989 Scardinius erythrophthalmus Species 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010008795 Chromatopsia Diseases 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于视觉的交通信号灯识别方法及装置。一种基于视觉的交通信号灯识别方法,本识别方法包括三步,第一步判定交通信号灯类型,第二步图像预处理,第三步深度学习识别模型。本发明用于交通信号灯识别。
Description
技术领域:
本发明涉及一种基于视觉的交通信号灯识别方法及装置。
背景技术:
交通信号灯的识别研究相对较少,由于交通信号灯是主动发光体,其检测和识别都存在相当高的难度。
目前常用的识别技术有:
(1)基于颜色分布的识别
交通信号的颜色分为红色,黄色,绿色,通过分析交通信号灯的像素颜色信息,得出该交通信号灯所属的颜色类型。
然而,交通信号的颜色随距离,天气和光照的影响非常大;拍摄常用的RGB空间,R、G、B这3个分量之间相关性较高,不利于颜色分割和分析;在实际应用中,颜色阈值的选取十分关键而又难以把控,由于阈值选取不灵活,使得识别效果很不理想;不仅如此,交通信号灯除了颜色信息外,还有图案指示信息需要识别,仅仅识别颜色是远远不够的。
(2)基于模板匹配的识别
通过预先设定的交通信号灯的模板,对交通信号灯进行识别;模板匹配是一种最原始、最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物;然而,模板匹配法的局限性十分明显,对每一种可能出现的交通信号灯的组合方式都必须要预先设定其模板,才能进行有效的识别,缺乏灵活性。
(3)基于支持向量机的识别
支持向量机(SVM)基于结构风险最小化理论之上在特征空间中构建最优超平面,使得学习器得到全局最优解;通过提取交通灯的HoG或LBP训练SVM模型进行识别;
由于SVM是借助二次规划来求解支持向量,而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
发明内容:
本发明的目的是提供一种能够准确而且及时地识别道路交通信号灯的系统,很有实际意义的一种基于视觉的交通信号灯识别方法及装置。
上述的目的通过以下的技术方案实现:
一种基于视觉的交通信号灯识别方法,本识别方法包括三步,第一步判定交通信号灯类型,第二步图像预处理,第三步深度学习识别模型。
所述的一种基于视觉的交通信号灯识别方法,所述的第一步判定交通信号灯类型是通过为交通信号灯长、宽比(L/W=ratio)设定阈值(Threshold=1.5),将交通信号灯分为两种,一种是竖型交通信号灯(Ratio<1.5),另一种是横型交通信号灯(Ratio≥1.5);计算输入图像的长、宽比,首先判定输入图像是竖型交通信号灯或是横型交通信号灯,用以确定在图像预处理中的切割方向。
所述的一种基于视觉的交通信号灯识别方法,所述的第二步图像预处理是首先进行HSV颜色分割,是在HSV颜色空间中,色调(Hue)、饱和度(Saturation)和明度(Value),相互独立,颜色分布集中;
通过HSV颜色特征,对输入图像进行二值化处理,将阈值范围内的区域设置为白色(pixel value=255),阈值范围外的区域设置为黑色(pixel value=0),从而将待识别的交通灯图案区域与黑色灯箱背景区域区分出来;
其次是局部最小值切割是在一个黑色灯箱中,存在一个或多个交通信号灯图案,图案之间都存在着黑色的间隙;最后筛选行号进行实际切割。
所述的一种基于视觉的交通信号灯识别方法,由于交通信号灯是发光体,所以通过设置较高的明度(Hue)的阈值和颜色范围阈值,将交通灯从周围的环境中分割出来;颜色的阈值范围设定为(按OpenCV中的HSV范围标准):红色色调redHue(redHue∈[0,18]∪[156,180]),黄色色调yellowHue(yellowHue∈[11,34]),绿色色调greenHue(greenHue∈[35,100]),饱和度Saturation(Saturation∈[43,255]),明度Value(Value∈[156,180])。
所述的一种基于视觉的交通信号灯识别方法,如一个经过二值化后竖型交
通信号灯(Image, Ratio <1.5);利用黑色间隙处的一行的像素值之和,小于、上下两边存在白色待识别区域的一行的像素值之和的这一特征,在黑色间隙区域进行切割,将一个完整的交通信号灯切割成多个只包含“单个”交通信号灯的图案;
具体算法如下:
找出待切割的行号,计算其每行的像素值之和,存入二维数组A(数组大小为:A[W×1])中;根据该交通信号灯的较长边(W)与较短边(L)之比(r=W/L)计算适应此Image的局部最小值的步长Step(Step=W/(r*2+2));遍历数组A,当A[i]满足A[i]≤A[j](j∈[0,W-1]∩[i-Step,i+Step])时,将行号i存入向量B中;向量B中存储着A中满足步长为Step的局部最小值的行号;
筛选行号进行实际切割是在进行切割时,在满足width≥10(width=B[i+1]-B[i],i∈[0,B.size()-1])时,才进行实际切割,切割出的图案为Pattern(Pattern=Image.rowRange(A[B[i]],A[B[i+1]]))。
所述的一种基于视觉的交通信号灯识别方法,所述的第三步深度学习识别模型的颜色分为有红色,黄色,绿色;形状分为圆形或箭头形或和进度条形;切割出的“单个”交通信号灯图案,通过颜色和图案形状特征将它们分成不同的类。
一种基于视觉的交通信号灯识别方法的装置,其组成包括:转动底板,所述的转动底板焊接固定圆环,所述的转动底板的首位竖向设置,所述的固定圆环内装入转动圆盘,所述的转动圆盘的左侧具有竖平面,所述的竖平面的底部续接斜限位面,所述的转动圆盘开有顶限位孔和底限位孔,所述的顶限位孔与所述的底限位孔相对设置,所述的固定圆环开有对接顶限位孔和对接底限位孔,所述的对接顶限位孔连接顶弹簧,所述的顶弹簧连接顶插杆,所述的对接底限位孔连接底弹簧,所述的底弹簧连接底插杆,所述的转动底板的竖向设置时所述的对接顶限位孔与所述的顶限位孔对接、所述的顶插杆弹出插入所述的顶限位孔内固定,所述的转动底板的竖向设置时所述的对接底限位孔与所述的底限位孔对接、所述的底插杆弹出插入所述的底限位孔内固定。
所述的一种基于视觉的交通信号灯识别方法的装置,所述的转动圆盘开有右限位孔,所述的转动底板的横向设置时所述的对接底限位孔与所述的右限位孔对接、所述的底插杆弹出插入所述的右限位孔内固定。
所述的一种基于视觉的交通信号灯识别方法的装置,所述的固定圆环的顶部连接固定磁圈,所述的固定磁圈吸合左半磁盖和右半磁盖,所述的左半磁盖吸合所述的右半磁盖限位挡住所述的转动圆盘的外圆,所述的转动圆盘固定连接弯杆,所述的弯杆连接支撑柱,所述的支撑柱连接固定板,所述的固定板连接膨胀螺栓、固定在混凝土基础内。
所述的一种基于视觉的交通信号灯识别方法的装置,所述的转动底板顺次连接红色信号灯、黄色信号灯、绿色信号灯,所述的红色信号灯、所述的黄色信号灯、所述的绿色信号灯均连接电源,所述的固定圆环的左侧连接卡块,所述的卡块限位所述的转动圆盘向左侧转动,所述的转动圆盘向右侧转动90度使所述的转动底板处于横向设置。
有益效果:
1.本发明的实时性强,运行效率高。
本发明的适应性强,能够根据不同地区交通信号灯的特点,增减分类类型。
本发明的基于深度学习的识别算法,学习能力强,识别率高。
本发明既能够用于竖型交通信号灯也能够用于横型交通信号灯, 竖型交通信号灯与横型交通信号灯的变换只需要将转动底板旋转90度即可,使用既方便又灵活。
附图说明:
附图1是本发明的基于视觉的交通信号灯识别流程图。
附图2是本发明深度学习识别模型图。
附图3是本产品的结构示意图。
附图4是本产品的后视图。
附图5是本产品的主视图。
附图6是本产品中转动底板横向设置的结构示意图。
具体实施方式:
下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1:
一种基于视觉的交通信号灯识别方法,本识别方法包括三步,第一步判定交通信号灯类型,第二步图像预处理,第三步深度学习识别模型。
实施例2:
实施例1所述的一种基于视觉的交通信号灯识别方法,所述的第一步判定交通信号灯类型是通过为交通信号灯长、宽比(L/W=ratio)设定阈值(Threshold=1.5),将交通信号灯分为两种,一种是竖型交通信号灯(Ratio<1.5),另一种是横型交通信号灯(Ratio≥1.5);计算输入图像的长、宽比,首先判定输入图像是竖型交通信号灯或是横型交通信号灯,用以确定在图像预处理中的切割方向。
实施例3:
实施例1所述的一种基于视觉的交通信号灯识别方法,所述的第二步图像预处理是首先进行HSV颜色分割,是在HSV颜色空间中,色调(Hue)、饱和度(Saturation)和明度(Value),相互独立,颜色分布集中,有利于颜色的分割;
通过HSV颜色特征,对输入图像进行二值化处理,将阈值范围内的区域设置为白色(pixel value=255),阈值范围外的区域设置为黑色(pixel value=0),从而将待识别的交通灯图案区域与黑色灯箱背景区域区分出来;
其次是局部最小值切割是在一个黑色灯箱中,存在一个或多个交通信号灯图案,图案之间都存在着黑色的间隙;最后筛选行号进行实际切割。
实施例4:
实施例3所述的一种基于视觉的交通信号灯识别方法,由于交通信号灯是发光体,所以通过设置较高的明度(Hue)的阈值和颜色范围阈值,将交通灯从周围的环境中分割出来;颜色的阈值范围设定为(按OpenCV中的HSV范围标准):红色色调redHue(redHue∈[0,18]∪[156,180]),黄色色调yellowHue(yellowHue∈[11,34]),绿色色调greenHue(greenHue∈[35,100]),饱和度Saturation(Saturation∈[43,255]),明度Value(Value∈[156,180])。
实施例5:
实施例3所述的一种基于视觉的交通信号灯识别方法,如一个经
过二值化后竖型交通信号灯(Image, Ratio <1.5);利用黑色间隙处的一行的像素值之和,小于、上下两边存在白色待识别区域的一行的像素值之和的这一特征,在黑色间隙区域进行切割,将一个完整的交通信号灯切割成多个只包含“单个”交通信号灯的图案;
具体算法如下:
找出待切割的行号,计算其每行的像素值之和,存入二维数组A(数组大小为:A[W×1])中;根据该交通信号灯的较长边(W)与较短边(L)之比(r=W/L)计算适应此Image的局部最小值的步长Step(Step=W/(r*2+2));遍历数组A,当A[i]满足A[i]≤A[j](j∈[0,W-1]∩[i-Step,i+Step])时,将行号i存入向量B中;向量B中存储着A中满足步长为Step的局部最小值的行号;
筛选行号进行实际切割是在进行切割时,为了避免连续行号的无意义切割,只有在满足width≥10(width=B[i+1]-B[i],i∈[0,B.size()-1])时,才进行实际切割,切割出的图案为Pattern(Pattern=Image.rowRange(A[B[i]],A[B[i+1]]))。
切割出的单个图案,特征明显,相比未切割整个交通信号灯,更易于分类和识别。
实施例6:
实施例1所述的一种基于视觉的交通信号灯识别方法,所述的第三步深度学习识别模型的交通信号灯的颜色和图案相对比较简单。颜色分为有红色,黄色,绿色;形状分为圆形或箭头形或和进度条形;切割出的“单个”交通信号灯图案,类型明确,通过颜色和图案形状特征将它们分成不同的类。
由于分类的类型明确,种类少设计过CNN模型,用大量的实际场景中的交通信号灯进行训练和学习,达到非常高的准确识别率。
实施例7:
一种基于视觉的交通信号灯识别方法的装置,其组成包括:转动底板1,所述的转动底板的背面焊接固定圆环2,所述的转动底板的首位竖向设置,所述的固定圆环内装入转动圆盘3,所述的转动圆盘的左侧具有竖平面4,所述的竖平面的底部续接斜限位面5,所述的转动圆盘开有顶限位孔6和底限位孔7,所述的顶限位孔与所述的底限位孔相对设置,所述的固定圆环开有对接顶限位孔24和对接底限位孔8,所述的对接顶限位孔连接顶弹簧9,所述的顶弹簧连接顶插杆10,所述的对接底限位孔连接底弹簧11,所述的底弹簧连接底插杆12,所述的转动底板的竖向设置时所述的对接顶限位孔与所述的顶限位孔对接、所述的顶插杆弹出插入所述的顶限位孔内固定,所述的转动底板的竖向设置时所述的对接底限位孔与所述的底限位孔对接、所述的底插杆弹出插入所述的底限位孔内固定。
竖平面与斜限位面能够限位转动圆盘在背面看、不向左转动,只能够向右转动,使竖向设置的转动底板转成横向设置的转动底板,也就是将竖向设置的信号灯转成横向设置的信号灯,限位准确,使信号灯的转向符合常识性要求,使用效果好。
顶插杆弹出插入顶限位孔内固定、底插杆弹出插入底限位孔内固定能够给竖向设置的转动底板进行准确的定位固定,固定的牢固,使用安全,效果好。
实施例8:
实施例7所述的一种基于视觉的交通信号灯识别方法的装置,所述的转动圆盘开有右限位孔13,所述的转动底板的横向设置时所述的对接底限位孔与所述的右限位孔对接、所述的底插杆弹出插入所述的右限位孔内固定。
底插杆弹出插入右限位孔内固定能够给横向设置的转动底板进行准确的定位固定,固定的牢固、稳定。
实施例9:
实施例7所述的一种基于视觉的交通信号灯识别方法的装置,所述的固定圆环的顶部连接固定磁圈14,所述的固定磁圈吸合左半磁盖15和右半磁盖16,所述的左半磁盖吸合所述的右半磁盖限位挡住所述的转动圆盘的外圆,所述的转动圆盘固定连接弯杆17,所述的弯杆连接支撑柱18,所述的支撑柱连接固定板19,所述的固定板连接膨胀螺栓、固定在混凝土基础内。
固定磁圈吸合左半磁盖和右半磁盖能够盖住转动圆盘的外侧圆圈,确保转动圆盘不脱离固定圆环,使用非常安全。
实施例10:
实施例7所述的一种基于视觉的交通信号灯识别方法的装置,所述的转动底板顺次连接红色信号灯20、黄色信号灯21、绿色信号灯22,所述的红色信号灯、所述的黄色信号灯、所述的绿色信号灯均连接电源,所述的固定圆环的左侧连接卡块23,所述的卡块限位所述的转动圆盘向左侧转动,所述的转动圆盘向右侧转动90度使所述的转动底板处于横向设置。
卡块能够挡住转动圆盘(在背面看)不向左转动,只能够向右转动,使信号灯处于横向设置的状态。
实施例11:
上述实施例所述的一种基于视觉的交通信号灯识别方法及装置,交通信号灯的是一种视觉语言,识别交通信号灯可以辅助色觉障碍人群与疲劳司机进行安全驾驶,同时是辅助驾驶与无人驾驶必不可少的一部分,给驾驶员或者智能驾驶系统实时地传输一些重要的道路交通信息,因此设计出一套能够准确而且及时地识别道路交通信号灯地系统,很有实际意义。
Claims (10)
1.一种基于视觉的交通信号灯识别方法,其特征是:本识别方法包括三步,第一步判定交通信号灯类型,第二步图像预处理,第三步深度学习识别模型。
2.根据权利要求1所述的一种基于视觉的交通信号灯识别方法,其特征是: 所述的第一步判定交通信号灯类型是通过为交通信号灯长、宽比(L/W=ratio)设定阈值(Threshold=1.5),将交通信号灯分为两种,一种是竖型交通信号灯(Ratio<1.5),另一种是横型交通信号灯(Ratio≥1.5);计算输入图像的长、宽比,首先判定输入图像是竖型交通信号灯或是横型交通信号灯,用以确定在图像预处理中的切割方向。
3.根据权利要求1所述的一种基于视觉的交通信号灯识别方法,其特征是: 所述的第二步图像预处理是首先进行HSV颜色分割,是在HSV颜色空间中,色调(Hue)、饱和度(Saturation)和明度(Value),相互独立,颜色分布集中;
通过HSV颜色特征,对输入图像进行二值化处理,将阈值范围内的区域设置为白色(pixel value=255),阈值范围外的区域设置为黑色(pixel value=0),从而将待识别的交通灯图案区域与黑色灯箱背景区域区分出来;
其次是局部最小值切割是在一个黑色灯箱中,存在一个或多个交通信号灯图案,图案之间都存在着黑色的间隙;最后筛选行号进行实际切割。
4.根据权利要求3所述的一种基于视觉的交通信号灯识别方法,其特征是:由于交通信号灯是发光体,所以通过设置较高的明度(Hue)的阈值和颜色范围阈值,将交通灯从周围的环境中分割出来;颜色的阈值范围设定为(按OpenCV中的HSV范围标准):红色色调redHue(redHue∈[0,18]∪ [156,180]),黄色色调yellowHue(yellowHue∈[11,34]),绿色色调greenHue(greenHue∈[35,100]),饱和度Saturation(Saturation∈[43,255]),明度Value(Value∈[156,180])。
5.根据权利要求3所述的一种基于视觉的交通信号灯识别方法,其特征
是:如一个经过二值化后竖型交通信号灯(Image, Ratio <1.5);利用黑色间隙处的一行的像素值之和,小于、上下两边存在白色待识别区域的一行的像素值之和的这一特征,在黑色间隙区域进行切割,将一个完整的交通信号灯切割成多个只包含“单个”交通信号灯的图案;
具体算法如下:
找出待切割的行号,计算其每行的像素值之和,存入二维数组A(数组大小为:A[W×1])中;根据该交通信号灯的较长边(W)与较短边(L)之比(r=W/L)计算适应此Image的局部最小值的步长Step(Step=W/(r*2+2));遍历数组A,当A[i]满足A[i]≤A[j](j∈[0,W-1]∩[i-Step,i+Step])时,将行号i存入向量B中;向量B中存储着A中满足步长为Step的局部最小值的行号;
筛选行号进行实际切割是在进行切割时,在满足width≥10(width=B[i+1]-B[i],i∈[0,B.size()-1])时,才进行实际切割,切割出的图案为Pattern(Pattern=Image.rowRange(A[B[i]],A[B[i+1]]))。
6.根据权利要求1所述的一种基于视觉的交通信号灯识别方法,其特征是: 所述的第三步深度学习识别模型的颜色分为有红色,黄色,绿色;形状分为圆形或箭头形或和进度条形;切割出的“单个”交通信号灯图案,通过颜色和图案形状特征将它们分成不同的类。
7.一种基于视觉的交通信号灯识别方法的装置,其组成包括:转动底板,其特征是: 所述的转动底板焊接固定圆环,所述的转动底板的首位竖向设置,所述的固定圆环内装入转动圆盘,所述的转动圆盘的左侧具有竖平面,所述的竖平面的底部续接斜限位面,所述的转动圆盘开有顶限位孔和底限位孔,所述的顶限位孔与所述的底限位孔相对设置,所述的固定圆环开有对接顶限位孔和对接底限位孔,所述的对接顶限位孔连接顶弹簧,所述的顶弹簧连接顶插杆,所述的对接底限位孔连接底弹簧,所述的底弹簧连接底插杆,所述的转动底板的竖向设置时所述的对接顶限位孔与所述的顶限位孔对接、所述的顶插杆弹出插入所述的顶限位孔内固定,所述的转动底板的竖向设置时所述的对接底限位孔与所述的底限位孔对接、所述的底插杆弹出插入所述的底限位孔内固定。
8.根据权利要求7所述的一种基于视觉的交通信号灯识别方法的装置,其特征是: 所述的转动圆盘开有右限位孔,所述的转动底板的横向设置时所述的对接底限位孔与所述的右限位孔对接、所述的底插杆弹出插入所述的右限位孔内固定。
9.根据权利要求7所述的一种基于视觉的交通信号灯识别方法的装置,其特征是: 所述的固定圆环的顶部连接固定磁圈,所述的固定磁圈吸合左半磁盖和右半磁盖,所述的左半磁盖吸合所述的右半磁盖限位挡住所述的转动圆盘的外圆,所述的转动圆盘固定连接弯杆,所述的弯杆连接支撑柱,所述的支撑柱连接固定板,所述的固定板连接膨胀螺栓、固定在混凝土基础内。
10.根据权利要求7所述的一种基于视觉的交通信号灯识别方法的装置,其特征是:所述的转动底板顺次连接红色信号灯、黄色信号灯、绿色信号灯,所述的红色信号灯、所述的黄色信号灯、所述的绿色信号灯均连接电源,所述的固定圆环的左侧连接卡块,所述的卡块限位所述的转动圆盘向左侧转动,所述的转动圆盘向右侧转动90度使所述的转动底板处于横向设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810755175.1A CN108764216A (zh) | 2018-07-11 | 2018-07-11 | 一种基于视觉的交通信号灯识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810755175.1A CN108764216A (zh) | 2018-07-11 | 2018-07-11 | 一种基于视觉的交通信号灯识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764216A true CN108764216A (zh) | 2018-11-06 |
Family
ID=63973148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810755175.1A Pending CN108764216A (zh) | 2018-07-11 | 2018-07-11 | 一种基于视觉的交通信号灯识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764216A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020135897A1 (es) * | 2018-12-26 | 2020-07-02 | Walter Rolando Galvez Rendon | Dispositivo universal de captura inalámbrica de datos de señales viales semáforos en tiempo real, autónomo solar |
CN112037265A (zh) * | 2020-11-04 | 2020-12-04 | 天津天瞳威势电子科技有限公司 | 一种库位跟踪方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050205731A1 (en) * | 2002-08-22 | 2005-09-22 | Masaki Shimizu | Thin-type display device |
CN102176287A (zh) * | 2011-02-28 | 2011-09-07 | 无锡中星微电子有限公司 | 一种交通信号灯识别系统和方法 |
US20160092742A1 (en) * | 2014-09-29 | 2016-03-31 | Yuan Ze University | Method for instant recognition of traffic lights countdown image |
CN106023623A (zh) * | 2016-07-28 | 2016-10-12 | 南京理工大学 | 基于机器视觉的车载交通信号与标志的识别及预警方法 |
CN106845469A (zh) * | 2017-01-24 | 2017-06-13 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法及装置 |
-
2018
- 2018-07-11 CN CN201810755175.1A patent/CN108764216A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050205731A1 (en) * | 2002-08-22 | 2005-09-22 | Masaki Shimizu | Thin-type display device |
CN102176287A (zh) * | 2011-02-28 | 2011-09-07 | 无锡中星微电子有限公司 | 一种交通信号灯识别系统和方法 |
US20160092742A1 (en) * | 2014-09-29 | 2016-03-31 | Yuan Ze University | Method for instant recognition of traffic lights countdown image |
CN106023623A (zh) * | 2016-07-28 | 2016-10-12 | 南京理工大学 | 基于机器视觉的车载交通信号与标志的识别及预警方法 |
CN106845469A (zh) * | 2017-01-24 | 2017-06-13 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
任勇: "基于机器视觉的交通路口车载辅助系统研究", 万方学位论文, pages 138 - 693 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020135897A1 (es) * | 2018-12-26 | 2020-07-02 | Walter Rolando Galvez Rendon | Dispositivo universal de captura inalámbrica de datos de señales viales semáforos en tiempo real, autónomo solar |
CN112037265A (zh) * | 2020-11-04 | 2020-12-04 | 天津天瞳威势电子科技有限公司 | 一种库位跟踪方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Vpgnet: Vanishing point guided network for lane and road marking detection and recognition | |
Fang et al. | Road-sign detection and tracking | |
Zhang et al. | Airport detection on optical satellite images using deep convolutional neural networks | |
Omachi et al. | Detection of traffic light using structural information | |
CN102043945B (zh) | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 | |
CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN108764216A (zh) | 一种基于视觉的交通信号灯识别方法及装置 | |
Shen et al. | A robust video based traffic light detection algorithm for intelligent vehicles | |
CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
CN105005989B (zh) | 一种弱对比度下的车辆目标分割方法 | |
CN102663406A (zh) | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 | |
CN112733914B (zh) | 一种基于支持向量机的水下目标视觉识别分类方法 | |
Shopa et al. | Traffic sign detection and recognition using OpenCV | |
CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及系统 | |
Zheng et al. | Robust traffic sign recognition and tracking for advanced driver assistance systems | |
Oruklu et al. | Real-time traffic sign detection and recognition for in-car driver assistance systems | |
CN106709412A (zh) | 交通标志检测方法和装置 | |
Puttemans et al. | Detecting of photovoltaic installations in RGB aerial imaging: a comparative study | |
Møgelmose et al. | Traffic sign detection and analysis: Recent studies and emerging trends | |
CN108182431A (zh) | 一种基于最大稳定极值区域和遗传优化svm的交通标志识别方法 | |
Sathiya et al. | Real time recognition of traffic light and their signal count-down timings | |
CN110222822A (zh) | 黑盒预测模型内部特征因果图的构建方法 | |
Zhu et al. | Color-geometric model for traffic sign recognition | |
Huang et al. | Speed limit sign detection based on Gaussian color model and template matching | |
CN107230221B (zh) | 一种基于卷积神经网络自适应背景建模物体检测方法 |
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 |