CN108961357B - 一种交通信号灯过爆图像强化方法及装置 - Google Patents
一种交通信号灯过爆图像强化方法及装置 Download PDFInfo
- Publication number
- CN108961357B CN108961357B CN201710346015.7A CN201710346015A CN108961357B CN 108961357 B CN108961357 B CN 108961357B CN 201710346015 A CN201710346015 A CN 201710346015A CN 108961357 B CN108961357 B CN 108961357B
- Authority
- CN
- China
- Prior art keywords
- point
- pixel
- points
- clustering
- lamp
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种交通信号灯过爆图像强化方法及装置,通过选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点,采用预设的标准点矩阵计算初始聚类中心;采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心;计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签;根据类别标签,以及各类像素点所占的比例提取前景点;对所述前景点进行强化涂色。本发明的方法及装置,能够有效提高聚类的收敛速率及提取前景点的准确性,提高了强化涂色的效果。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种交通信号灯过爆图像强化方法及装置。
背景技术
目前交通管理中的电警相机广泛应用于路口车辆违章行为抓拍,为交通违章处罚提供判罚依据。它主要是通过记录违章车辆行为和信号灯颜色状态信息生成违章证据图,使处罚车辆违章变的有理有据,避免处罚争议。
在不同光照强度下,电警相机中信号灯颜色成像并不一定是直观的红、绿、黄三种颜色。例如,在环境光不足、环境光过强灯等场景下,信号灯会出现红灯中心颜色偏黄或偏白、绿灯黄灯中心颜色偏白灯现象,容易导致违章证据图中出现红灯不红、绿灯不绿、黄灯不黄灯的现象,使交通违章处罚行为缺乏说服力。因此,对电警相机中信号灯颜色进行强化涂色也是电警相机不可或缺的一项功能。
当前信号灯强化涂色往往采用提取图像颜色空间值,利用图像的亮度信息或设定颜色空间值范围提取前景点,然后对这些前景点进行强化涂色,来保证信号灯颜色不失真。但这些方法在过曝条件下,往往会出现前景点提取不全,造成信号灯漏涂或误涂,降低了证据图的说服力。例如,通过电警相机配置在图像中画出精确红灯区域,读取红灯区域的RGB颜色信息值,由公式Gray=0.30*R+0.59*G+0.11*B计算出红灯区域灰度信息值,其中Gray表示像素点的灰度值,R表示像素点的红色分量值,G表示像素点的绿色分量值,B表示像素点的蓝色分量值。根据红灯区域的灰度信息,采用最大类间方差法计算出灰度分割阈值Th,在红灯区域中,若像素点的灰度值大于阈值Th,对其赋值255;若像素点的灰度值小于阈值Th,对其赋值0,实现红灯区域灰度图二值化。高亮部分的像素点即为要强化涂上红色的像素点,然后对这些点涂上相应的红色。
上述方案中,需要在图像中画出精确的红灯区域,当电警相机受到外界因素发生抖动时,就会导致所画出的红灯区域偏离实际红灯位置,导致红灯强化涂色出现少涂或涂错的现象。并且在红灯灯眼颜色亮度变化较大时,容易造成部分像素点漏涂。
发明内容
本发明的目的是提供一种交通信号灯过爆图像强化方法及装置,用于解决现有技术在对电警相机中信号灯颜色进行强化涂色时,容易少涂或涂错的现象。
为了实现上述目的,本发明技术方案如下:
一种交通信号灯过爆图像强化方法,所述交通信号灯过爆图像强化方法包括:
选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点;
根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心;
采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心;
计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签;
根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点;
对所述前景点进行强化涂色。
进一步地,所述预设的标准点矩阵中的标准点包括本信号灯颜色点、黑色点和相机成像偏色点。
进一步地,所述根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心,包括:
分别计算每个所述聚类像素点到标准点矩阵中标准点的距离;
比较聚类像素点与标准点矩阵中标准点的距离,若距离本信号灯颜色点最近,则将聚类像素点的类别标签设为L1,若距离黑色点最近,则将聚类像素点的类别标签设为L2,若距离相机成像偏色点最近,则将聚类像素点的类别标签设为L3;
分别从类别标签为L1、L2、L3的聚类像素点集合中选取与对应标准点距离最小的聚类像素点作为初始聚类中心中对应的像素点。
进一步地,所述根据所述距离为所述灯眼候选区域内像素点添加类别标签之后,还包括步骤:
当选取的前景点为相机成像偏色点对应的类别标签L3时,选取灯眼候选区域的中心区域,统计中心区域内前景点占中心区域内像素点的比例,根据统计得到的比例再次确定前景点。
进一步地,所述根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点之前,还包括步骤:
根据灯眼候选区域中各像素点的类别标签,构造二值图像,在二值图像进行形态学处理和连通区域去除干扰像素点。
本发明还提出了一种交通信号灯过爆图像强化装置,所述交通信号灯过爆图像强化装置包括:
像素抽取模块,用于选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点;
初始聚类中心计算模块,用于根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心;
聚类迭代模块,用于采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心;
标签模块,用于计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签;
前景点提取模块,用于根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点;
强化涂色模块,用于对所述前景点进行强化涂色。
进一步地,所述预设的标准点矩阵中的标准点包括本信号灯颜色点、黑色点和相机成像偏色点。
进一步地,所述初始聚类中心计算模块根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心,执行如下操作:
分别计算每个所述聚类像素点到标准点矩阵中标准点的距离;
比较聚类像素点与标准点矩阵中标准点的距离,若距离本信号灯颜色点最近,则将聚类像素点的类别标签设为L1,若距离黑色点最近,则将聚类像素点的类别标签设为L2,若距离相机成像偏色点最近,则将聚类像素点的类别标签设为L3;
分别从类别标签为L1、L2、L3的聚类像素点集合中选取与对应标准点距离最小的聚类像素点作为初始聚类中心中对应的像素点。
进一步地,所述交通信号灯过爆图像强化装置,还包括:
前景点再次确认模块,用于当选取的前景点为相机成像偏色点对应的类别标签L3时,选取灯眼候选区域的中心区域,统计中心区域内前景点占中心区域内像素点的比例,根据统计得到的比例再次确定前景点。
进一步地,所述交通信号灯过爆图像强化装置,还包括:
干扰点去除模块,用于根据灯眼候选区域中各像素点的类别标签,构造二值图像,在二值图像进行形态学处理和连通区域去除干扰像素点。
本发明提出的一种交通信号灯过爆图像强化方法及装置,首先计算出灯眼候选区域,根据信号灯灯眼候选区域颜色特征,引入K均值聚类算法对候选区域像素点进行聚类。为了更好的提升聚类效果,通过引入标准点来寻找K均值算法的初始聚类中心,依据每类像素点所占比例判断出属于前景点的类别。依据像素点是否是前景点生成候选区域标签矩阵,并将候选区域标签矩阵转化成二值图,对其进行形态学操作进一步筛选前景点。依据前景点所在的位置,对灯眼候选区域图像中对应位置上的像素进行强化涂色,实现精准涂色。本发明利用K均值聚类算法在灯眼候选区域图像中提取前景点,同时通过对候选区域像素点抽样进行聚类,减少了运算量,有效提高了K均值收敛速率及提取前景点的准确性。
附图说明
图1为本发明一种交通信号灯过爆图像强化方法的流程图;
图2为本发明一种交通信号灯过爆图像强化装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
如图1所示,本实施例一种交通信号灯过爆图像强化方法,包括如下步骤:
S1、选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点。
电警相机抓拍的照片中,信号灯灯组区域一般是固定的,因此从电警相机配置信息中就可以获取信号灯灯组区域,假设其坐标为{A1(x1,y1),A2(x2,y2)},本实施例所描述的区域坐标统一用区域的左上点和右下点坐标表示。
需要说明的是,通常电警相机会在抓拍照片中给出一个设定好的信号灯灯组区域位置,然而由于外界环境的干扰,导致照片中信号灯的实际位置会偏离所给出的区域,因此本实施例采用灯眼候选区域来进行后续的处理,本实施例的灯眼候选区域要大于实际的灯眼区域。
在获取到信号灯灯组区域后,可以来设定灯眼候选区域,即信号灯灯眼所在的区域。本实施例灯眼候选区域根据实际能够较好地重现灯眼区域的颜色来设定,可以直接设定尺寸,根据灯眼的位置来划分。也可以根据下面的步骤来划分:
步骤S1.1、根据信号灯灯组区域的坐标和信号灯灯组中灯眼的数目,计算出灯眼参考区域。
由电警相机配置信息获取信号灯灯组区域,其坐标为{A1(x1,y1),A2(x2,y2)}。取灯组中灯眼的数量为Num。第i个灯眼参考区域为Si,其坐标{Ai1(xi1,yi1),Ai2(xi2,yi2)}计算方法如下所示:
即当信号灯灯组横向排列((x2-x1)>(y2-y1))时,各个灯眼灯眼参考区域的纵坐标相同,横坐标不同;当信号灯灯组纵向排列((x2-x1)<(y2-y1))时,各个灯眼灯眼参考区域的横坐标相同,纵坐标不同。
步骤1.2、将灯眼参考区域向外扩张设定的尺寸,计算出灯眼候选区域。
本实施例将灯眼参考区域向外扩张1/4灯眼尺寸,在实际的应用中,也可以向外扩张1/5灯眼尺寸,这里不做具体的限定。假设灯眼候选区域表示为{Bi1(xi3,yi3),Bi2(xi4,yi4)},其计算公式如下:
本实施例将灯眼候选区域设置的比实际的灯眼参考区域大,能够使得通过后续选取的聚类像素点更加准确地聚类出需要强化涂色的前景点。
通过上述步骤,本实施例灯眼候选区域设定后,对于电警相机抓拍的照片,就可以根据信号灯状态信息,从照片中选定灯眼候选区域。例如当信号灯状态信息是红灯亮时,选定红灯所在的灯眼候选区域,同理当信号灯状态信息是黄、绿灯亮时,选定黄、绿灯所在的灯眼候选区域。
选定灯眼候选区域后,构造包含像素点位置信息及RGB值的三维矩阵M1,如下所示:
其中,H=yi4-yi3,W=xi4-xi3。
对于选定灯眼候选区域的三维矩阵M1,需要从中选取出用于后续聚类的聚类像素点,在选取时,当对运算性能无要求或性能充裕时,可以将M1中的所有像素点都作为后续的聚类像素点。为了节省性能,本实施例优选地,从M1中的所有像素点中抽取一部分像素点来作为后续的聚类像素点,一般不少于总像素点的30%,例如通过如下方法抽取:
水平方向上每间隔W/(Ws-1)个像素点取一个像素点,垂直方向上每间隔H/(Hs-1)个像素点取一个像素点。最后抽取出Hs*Ws个聚类像素点,其中Hs*Ws是要抽取的像素点个数,Hs表示行数,Ws表示列数。通过本方法抽取的聚类像素点,要少于灯眼候选区域的三维矩阵M1中的像素点,从而后续的运算次数减少,节省计算资源,提高后续聚类算法的收敛速率。
S2、根据信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心。
本实施例为红、绿、黄三种信号灯状态设置不同的标准点,每种信号灯状态对应有三个标准点,组成一个标准点矩阵,每个标准点包含了相应的RGB值。本实施例对于任一信号灯,根据相机成像偏色的颜色,例如红灯中心在相机成像时颜色偏黄,绿灯黄灯中心颜色偏白的现象,设置了三个标准点,分别为本信号灯颜色点、黑色点和相机成像偏色点,这样的设置基本上包括了相机成像图像上主要的颜色特征,便于后续的聚类。也可以仅设置为两个标准点,例如是本信号灯颜色点和相机成像偏色点。本实施例对此不做限制,本实施例中以三个标准点为例进行说明。
红灯、绿灯、黄灯的标准点矩阵分别记为Pr、Pg、Pb,其取值如下所示:
其中,矩阵行数表示标准点个数,矩阵列数表示一个标准点所对应的RGB值。例如Pr包括三个标准点,分别是本信号灯颜色点-红(255,0,0)、黑色点-黑(0,0,0)和相机成像偏色点-黄(255,255,0);Pg包括三个标准点,分别是本信号灯颜色点-绿(0,255,0)、黑色点-黑(0,0,0)和相机成像偏色点-白(255,255,255);Pb包括三个标准点,分别是本信号灯颜色点-黄(255,255,0)、黑色点-黑(0,0,0)和相机成像偏色点-白(255,255,255)。其中,本信号灯颜色点即红色信号灯对应红色,绿色信号灯对应绿色,黄色信号灯对应黄色,是所要处理的灯眼候选区域自身信号灯的颜色。需要说明的是,标准点矩阵中标准点的选取不限于上述三个点,例如红色标准点可以选取(255,10,10)偏红色,黑色标准点偏黑色,黄色标准点偏黄色即可。
当信号灯状态信息是红灯亮时,选定Pr作为标准点矩阵Pnt,同理当信号灯状态信息是绿、黄灯亮时,选定Pg、Pb作为标准点矩阵Pnt。
在预设好标准点矩阵后,通过如下方法来寻找灯眼候选区域对应的初始聚类中心:
步骤S2.1、分别计算每个选取出的聚类像素点到标准点矩阵中三个标准点的距离,其计算公式如下:
di1=(r–Pnt[1][1])2+(g–Pnt[1][2])2+(b–Pnt[1][3])2
di2=(r–Pnt[2][1])2+(g–Pnt[2][2])2+(b–Pnt[2][3])2
di3=(r–Pnt[3][1])2+(g–Pnt[3][2])2+(b–Pnt[3][3])2
其中,r表示像素点的红色分量值,g表示像素点的绿色分量值,b表示像素点的蓝色分量值。Pnt[1][1]表示标准点矩阵Pnt中的第一行第一列的值,Pnt[1][2]表示标准点矩阵Pnt中的第一行第二列的值,Pnt[1][3]表示标准点矩阵Pnt中的第一行第三列的值,Pnt[2][1]表示标准点矩阵Pnt中的第二行第一列的值,依次类推。
步骤S2.2、比较聚类像素点与标准点矩阵中三个标准点的距离,若距离本信号灯颜色点最近,则将聚类像素点的类别标签设为L1,若距离黑色点最近,则将聚类像素点的类别标签设为L2,若距离相机成像偏色点最近,则将聚类像素点的类别标签设为L3。
即若di1=min(di1,di2,di3),则该像素点标记为L1;若di2=min(di1,di2,di3),则该像素点标记为L2;若di3=min(di1,di2,di3),则该像素点标记为L3。
步骤S2.3、分别从类别标签为L1、L2、L3的聚类像素点集合中选取与对应标准点距离最小的聚类像素点作为初始聚类中心中对应的像素点。
L1类像素点中的min(di1,di2,di3)构成集合D1,L2类像素点中的min(di1,di2,di3)构成集合D2,L3类像素点中的min(di1,di2,di3)构成集合D3。更新聚类中心矩阵值,其计算方法如下:
其中,r1、g1、b1分别表示D1集合中最小值所对应的RGB值;r2、g2、b2分别表示D2集合中最小值所对应的RGB值;r3、g3、b3分别表示D3集合中最小值所对应的RGB值。由于D1中,像素点与标准点矩阵中第一个标准点距离最小,而r1、g1、b1是L1类像素点中与标准点矩阵中第一个标准点距离最小的像素点的RGB值,同理r2、g2、b2是L2类像素点中与标准点矩阵中第二个标准点距离最小的像素点的RGB值,r3、g3、b3是L3类像素点中与标准点矩阵中第三个标准点距离最小的像素点的RGB值。
从而得到初始聚类中心对应的矩阵:
本实施例预设的标准点不是灯眼候选区域中实际的像素点,通过上述方法得到的初始聚类中心中,各个像素点为灯眼候选区域中真实的像素点,用于后续的聚类,使得聚类的结果更加可靠。
本技术方案采用预设的标准点矩阵寻找灯眼候选区域对应的初始聚类中心,可以采用上述方法,也可以直接在灯眼候选区域中的像素点中搜索与预设的标准点最接近的像素点来作为初始聚类中心的像素点。例如分别根据标准点的RGB值,在灯眼候选区域中的像素点中搜索与标准点的RGB值最接近的多个像素点,可以选择R值最接近的5个点,G值最接近的5个点,B值最接近的5个点,然后从中任选一点作为初始聚类中心的标准点。显然,标准点矩阵还可以直接在灯眼候选区域的实际像素点中进行选取,此选出的标准点矩阵即为初始聚类中心,不需要再计算初始聚类中心。
S3、采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心。
随后对选取出的聚类像素点进行聚类迭代运算,本实施例通过K均值聚类算法对灯眼候选区域的聚类像素点进行迭代聚类,也可以选取其他聚类算法例如K中心点聚类算法,本发明对聚类算法的选取不做限制。由于聚类算法都是比较成熟的技术,对如何进行迭代聚类更新聚类中心,这里不再赘述。
本实施例在进行迭代聚类时,每得到一次聚类中心就重新采用该聚类中心进行迭代计算,直到迭代前后聚类中心点不变或迭代次数达到最大值,则终止迭代运算,获取迭代终止后的最终聚类中心。
S4、计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签。
根据与步骤2.1、步骤2.2相同的方法,为每个像素点添加类别标签,即当di1=min(di1,di2,di3),则该像素点标记为L1;若di2=min(di1,di2,di3),则该像素点标记为L2;若di3=min(di1,di2,di3),则该像素点标记为L3。
S5、根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点。
根据像素点的类别标签,生成标签矩阵LabM[H][W],其中LabM[i][j]表示第i行第j列像素点的标签值,且LabM[i][j]∈{L1,L2,L3}。统计第L1类、第L2类、第L3类像素点所占比例,若L3占比较大,则直接选取L3作为前景点;若L3占比较少,且L1占比大于L3占比,则选取L1像素点作为前景点;否则,选取L2像素点以外的像素点作为前景点。通过本实施例方法选出的前景点即图像中过爆的高亮像素点,对选出的前景点进行涂色,可以对过爆图像进行强化,使得颜色清晰。
分别用P1、P2、P3表示第L1类、第L2类、第L3类像素点所占比例,则有如下公式:
其中,F表示前景点类型,1、3分别表示L1、L3作为前景点,2表示选取L1和L3作为前景点;ThF一般取值在0.05~0.1之间。
S6、对提取的前景点进行强化涂色。
对上述步骤提取出的前景点进行强化涂色,所涂的颜色根据信号灯的状态信息一致,即红灯时选取的前景点涂上红色。
优选地,为了保证前景点选取的更加准确,本技术方案在S4步骤之后,还包括如下步骤:
当选取的前景点为相机成像偏色点对应的标签类型时,选取灯眼候选区域的中心区域,统计中心区域内前景点占中心区域内像素点的比例,根据统计得到的比例再次确定前景点。
例如,当F=3时,进行前景点二次判断,否则跳过本步骤。首先由灯眼参考区域Si内缩1/4灯眼尺寸,得到灯眼中心区域Sic,其坐标表示为{Ci1(xi5,yi5),Ci2(xi6,yi6)},计算公式如下所示:
统计Sic区域内前景点占Sic区域内像素点的比例,记为Pc,则前景点类别标签判断条件如下所示:
其中,Thc一般取值在0.05~0.1之间。当F=1时,确定类别标签为L1的像素点为前景点;当F=3时,确定类别标签为L3的像素点为前景点。
然后根据步骤S5,对上述步骤提取出的前景点进行强化涂色,所涂的颜色根据信号灯的状态信息一致,即红灯时选取的前景点涂上红色。
优选地,在步骤S5之前,还包括步骤:
根据灯眼候选区域中各像素点的类别标签,构造二值图像,在二值图像进行形态学处理和连通区域去除干扰像素点。
则,步骤S5对提取的前景点进行强化涂色,是对灯眼候选区域中去除干扰像素点后的前景点进行强化涂色。从而能够去除干扰点,使得强化涂色更加准确。
具体地,
由灯眼候选区域标签矩阵LabM构造二值图像。重新计算标签矩阵LabM值,计算方法如下所示:
由标签矩阵生成一个与灯眼候选区域同样大小的二值图像,其中像素点灰度值的大小等于对应标签矩阵中标签值。在二值图像进行形态学处理和连通区域去除干扰像素点,保持二值图像灰度值与LabM矩阵同步更新。
若LabM[i][j]不等于0,则灯眼候选区域中第i行第j列像素点需要强化涂色。
如图2所示,本实施例一种交通信号灯过爆图像强化装置,与图1的方法相对应,该交通信号灯过爆图像强化装置包括:
像素抽取模块,用于选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点;
初始聚类中心计算模块,用于根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心;
聚类迭代模块,用于采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心;
标签模块,用于计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签;
前景点提取模块,用于根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点;
强化涂色模块,用于对所述前景点进行强化涂色。
本实施例交通信号灯过爆图像强化装置可以直接设置在电警相机中,也可以设置在后台服务器中,对电警相机抓拍的图片进行处理。
与上述方法对应的,本实施例的装置,有下述优选方案:
本实施例预设的标准点矩阵中的标准点包括本信号灯颜色点、黑色点和相机成像偏色点。
本实施例初始聚类中心计算模块根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心,执行如下操作:
分别计算每个所述聚类像素点到标准点矩阵中标准点的距离;
比较聚类像素点与标准点矩阵中标准点的距离,若距离本信号灯颜色点最近,则将聚类像素点的类别标签设为L1,若距离黑色点最近,则将聚类像素点的类别标签设为L2,若距离相机成像偏色点最近,则将聚类像素点的类别标签设为L3;
分别从类别标签为L1、L2、L3的聚类像素点集合中选取与对应标准点距离最小的聚类像素点作为初始聚类中心中对应的像素点。
本实施例交通信号灯过爆图像强化装置,还包括:
前景点再次确认模块,用于当选取的前景点为相机成像偏色点对应的类别标签L3时,选取灯眼候选区域的中心区域,统计中心区域内前景点占中心区域内像素点的比例,根据统计得到的比例再次确定前景点。
本实施例交通信号灯过爆图像强化装置,还包括:
干扰点去除模块,用于根据灯眼候选区域中各像素点的类别标签,构造二值图像,在二值图像进行形态学处理和连通区域去除干扰像素点。
上述优选方案及其可替代方案在图1的方法描述中具有详细的描述,这里不再赘述。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种交通信号灯过爆图像强化方法,其特征在于,所述交通信号灯过爆图像强化方法包括:
选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点;
根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心;
采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心;
计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签;
根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点;
对所述前景点进行强化涂色。
2.根据权利要求1所述的交通信号灯过爆图像强化方法,其特征在于,所述预设的标准点矩阵中的标准点包括本信号灯颜色点、黑色点和相机成像偏色点。
3.根据权利要求2所述的交通信号灯过爆图像强化方法,其特征在于,所述根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心,包括:
分别计算每个所述聚类像素点到标准点矩阵中标准点的距离;
比较聚类像素点与标准点矩阵中标准点的距离,若距离本信号灯颜色点最近,则将聚类像素点的类别标签设为L1,若距离黑色点最近,则将聚类像素点的类别标签设为L2,若距离相机成像偏色点最近,则将聚类像素点的类别标签设为L3;
分别从类别标签为L1、L2、L3的聚类像素点集合中选取与对应标准点距离最小的聚类像素点作为初始聚类中心中对应的像素点。
4.根据权利要求3所述的交通信号灯过爆图像强化方法,其特征在于,所述根据所述距离为所述灯眼候选区域内像素点添加类别标签之后,还包括步骤:
当选取的前景点为相机成像偏色点对应的类别标签L3时,选取灯眼候选区域的中心区域,统计中心区域内前景点占中心区域内像素点的比例,根据统计得到的比例再次确定前景点。
5.根据权利要求1所述的交通信号灯过爆图像强化方法,其特征在于,所述根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点之前,还包括步骤:
根据灯眼候选区域中各像素点的类别标签,构造二值图像,在二值图像进行形态学处理和连通区域去除干扰像素点。
6.一种交通信号灯过爆图像强化装置,其特征在于,所述交通信号灯过爆图像强化装置包括:
像素抽取模块,用于选取信号灯状态信息对应的灯眼候选区域,根据所述灯眼候选区域确定聚类像素点;
初始聚类中心计算模块,用于根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心;
聚类迭代模块,用于采用所述初始聚类中心对所述聚类像素点进行聚类迭代运算,获取满足迭代终止条件的最终聚类中心;
标签模块,用于计算所述灯眼候选区域内像素点与最终聚类中心的距离,根据所述距离为所述灯眼候选区域内像素点添加类别标签;
前景点提取模块,用于根据所述灯眼候选区域内像素点的类别标签,以及各类像素点所占的比例提取前景点;
强化涂色模块,用于对所述前景点进行强化涂色。
7.根据权利要求6所述的交通信号灯过爆图像强化装置,其特征在于,所述预设的标准点矩阵中的标准点包括本信号灯颜色点、黑色点和相机成像偏色点。
8.根据权利要求7所述的交通信号灯过爆图像强化装置,其特征在于,所述初始聚类中心计算模块根据所述信号灯状态信息,采用预设的标准点矩阵计算初始聚类中心,执行如下操作:
分别计算每个所述聚类像素点到标准点矩阵中标准点的距离;
比较聚类像素点与标准点矩阵中标准点的距离,若距离本信号灯颜色点最近,则将聚类像素点的类别标签设为L1,若距离黑色点最近,则将聚类像素点的类别标签设为L2,若距离相机成像偏色点最近,则将聚类像素点的类别标签设为L3;
分别从类别标签为L1、L2、L3的聚类像素点集合中选取与对应标准点距离最小的聚类像素点作为初始聚类中心中对应的像素点。
9.根据权利要求7所述的交通信号灯过爆图像强化装置,其特征在于,所述交通信号灯过爆图像强化装置,还包括:
前景点再次确认模块,用于当选取的前景点为相机成像偏色点对应的类别标签L3时,选取灯眼候选区域的中心区域,统计中心区域内前景点占中心区域内像素点的比例,根据统计得到的比例再次确定前景点。
10.根据权利要求6所述的交通信号灯过爆图像强化装置,其特征在于,所述交通信号灯过爆图像强化装置,还包括:
干扰点去除模块,用于根据灯眼候选区域中各像素点的类别标签,构造二值图像,在二值图像进行形态学处理和连通区域去除干扰像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710346015.7A CN108961357B (zh) | 2017-05-17 | 2017-05-17 | 一种交通信号灯过爆图像强化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710346015.7A CN108961357B (zh) | 2017-05-17 | 2017-05-17 | 一种交通信号灯过爆图像强化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961357A CN108961357A (zh) | 2018-12-07 |
CN108961357B true CN108961357B (zh) | 2023-07-21 |
Family
ID=64461343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710346015.7A Active CN108961357B (zh) | 2017-05-17 | 2017-05-17 | 一种交通信号灯过爆图像强化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961357B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016344A (zh) * | 2019-05-28 | 2020-12-01 | 深圳市商汤科技有限公司 | 信号指示灯的状态检测方法及装置、驾驶控制方法及装置 |
CN114783192A (zh) * | 2022-03-24 | 2022-07-22 | 杭州海康威视数字技术股份有限公司 | 一种信号灯色彩的处理方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240217B1 (en) * | 1997-02-24 | 2001-05-29 | Redflex Traffic Systems Pty Ltd | Digital image processing |
CN101470806A (zh) * | 2007-12-27 | 2009-07-01 | 东软集团股份有限公司 | 车灯检测方法和装置、感兴趣区域分割方法和装置 |
JP2012173879A (ja) * | 2011-02-18 | 2012-09-10 | Toyota Central R&D Labs Inc | 信号機検出装置及びプログラム |
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 |
CN104574377A (zh) * | 2014-12-24 | 2015-04-29 | 南京金智视讯技术有限公司 | 用于电子警察的红灯偏黄的校正方法 |
CN104851288A (zh) * | 2015-04-16 | 2015-08-19 | 宁波中国科学院信息技术应用研究院 | 一种交通灯定位方法 |
CN106203336A (zh) * | 2016-07-11 | 2016-12-07 | 陕西科技大学 | 一种基于灰度图像标记的矿井巷道灯识别方法 |
DE102016117780A1 (de) * | 2015-09-24 | 2017-03-30 | Fuji Jukogyo Kabushiki Kaisha | Fahrzeugaussenumgebung-Erkennungsvorrichtung |
CN106651797A (zh) * | 2016-12-08 | 2017-05-10 | 浙江宇视科技有限公司 | 一种信号灯有效区域的确定方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011166450A (ja) * | 2010-02-09 | 2011-08-25 | Konica Minolta Business Technologies Inc | 画像符号化方法 |
CN102496282B (zh) * | 2011-12-16 | 2014-04-16 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
CN103093245B (zh) * | 2013-01-21 | 2016-01-20 | 信帧电子技术(北京)有限公司 | 视频图像中识别信号灯的方法 |
CN103679733B (zh) * | 2013-12-18 | 2018-06-05 | 浙江宇视科技有限公司 | 一种信号灯图像处理方法及其装置 |
CN105488538B (zh) * | 2015-12-15 | 2018-12-04 | 云南电网有限责任公司电力科学研究院 | 一种基于改进k均值聚类算法的天空图像云空辨识方法 |
CN105957071B (zh) * | 2016-04-26 | 2019-04-12 | 浙江宇视科技有限公司 | 一种灯组定位方法及装置 |
-
2017
- 2017-05-17 CN CN201710346015.7A patent/CN108961357B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240217B1 (en) * | 1997-02-24 | 2001-05-29 | Redflex Traffic Systems Pty Ltd | Digital image processing |
CN101470806A (zh) * | 2007-12-27 | 2009-07-01 | 东软集团股份有限公司 | 车灯检测方法和装置、感兴趣区域分割方法和装置 |
JP2012173879A (ja) * | 2011-02-18 | 2012-09-10 | Toyota Central R&D Labs Inc | 信号機検出装置及びプログラム |
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 |
CN104574377A (zh) * | 2014-12-24 | 2015-04-29 | 南京金智视讯技术有限公司 | 用于电子警察的红灯偏黄的校正方法 |
CN104851288A (zh) * | 2015-04-16 | 2015-08-19 | 宁波中国科学院信息技术应用研究院 | 一种交通灯定位方法 |
DE102016117780A1 (de) * | 2015-09-24 | 2017-03-30 | Fuji Jukogyo Kabushiki Kaisha | Fahrzeugaussenumgebung-Erkennungsvorrichtung |
CN106203336A (zh) * | 2016-07-11 | 2016-12-07 | 陕西科技大学 | 一种基于灰度图像标记的矿井巷道灯识别方法 |
CN106651797A (zh) * | 2016-12-08 | 2017-05-10 | 浙江宇视科技有限公司 | 一种信号灯有效区域的确定方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于Lab色彩空间和模板匹配的实时交通灯识别算法;徐成;谭乃强;刘彦;;计算机应用(05);第1251-1253页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108961357A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN103093203B (zh) | 一种人体再识别方法以及人体再识别系统 | |
KR102595704B1 (ko) | 영상 검측 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
WO2018040756A1 (zh) | 一种车身颜色识别的方法及装置 | |
CN103413147B (zh) | 一种车牌识别方法和系统 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN107480676B (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
CN105809716B (zh) | 融合超像素与三维自组织背景减除法的前景提取方法 | |
CN108205671A (zh) | 图像处理方法及装置 | |
US11347792B2 (en) | Video abstract generating method, apparatus, and storage medium | |
CN103544480A (zh) | 车辆颜色识别方法 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN107729812A (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
CN112489142B (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN107506738A (zh) | 特征提取方法、图像识别方法、装置及电子设备 | |
CN111144337A (zh) | 火灾检测方法、装置及终端设备 | |
CN108961357B (zh) | 一种交通信号灯过爆图像强化方法及装置 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN111079637A (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
CN111784768B (zh) | 基于三色四灯标记识别的无人机姿态估计方法及系统 | |
US20130251252A1 (en) | Method and a device for extracting color features | |
CN111126187A (zh) | 火情检测方法、系统、电子设备及存储介质 | |
CN111695374A (zh) | 监控视角中斑马线区域的分割方法、系统、介质及设备 | |
CN109978889A (zh) | 一种图像处理方法、系统、装置、存储介质及黑板装置 |
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 |