CN109063619A - 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 - Google Patents
一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 Download PDFInfo
- Publication number
- CN109063619A CN109063619A CN201810823681.XA CN201810823681A CN109063619A CN 109063619 A CN109063619 A CN 109063619A CN 201810823681 A CN201810823681 A CN 201810823681A CN 109063619 A CN109063619 A CN 109063619A
- Authority
- CN
- China
- Prior art keywords
- hog
- traffic signal
- rgb
- signal lamp
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000001629 suppression Effects 0.000 title claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 61
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 239000003086 colorant Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通灯检测方法和系统，用于对现实道路交通环境中出现的各类交通信号灯的检测和识别。本方法通过Gamma校正法对图像进行颜色标准化，将RGB空间图像进行灰度化处理转成灰度图像。通过提取HOG和局部RGB颜色直方图，将两者组合得到HOG‑RGB组合特征作为检测交通灯的基本特征描述符，利用本发明提出的自适应背景抑制滤波法，进行交通灯候选区域的检测，在得到一系列候选窗口后，利用训练得到的线性SVM分类器对候选区域进行进一步的验证识别为不同的语义类型，确认交通信号灯的具体类型。本发明利用自适应背景滤波法对交通信号灯特征提取和检测识别，对实际驾驶环境中不同天气和照明具有很好的鲁棒性。
Description
技术领域
本发明涉及智能交通技术领域，具体而言，尤其涉及一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统。
背景技术
在智能交通系统研究方面，智能车辆通过实时获取信号灯信息帮助车辆进行行为判断，准确地检测和识别交通信号灯是保证车辆在复杂的交通环境中正常行驶的关键。在实际交通环境中，由于天气状况和关照强度的多变、城市中其他发光体的影响，以及检测识别系统提出的实时性要求，这使得交通信号灯检测称为智能研究领域的一个关键部分。
交通信号灯检测识别技术主要是包括两大部分，交通信号灯特征提取的确定和分类识别。特征提取过程中，颜色阈值技术通常被用来确定发光候选区域，但是阈值的确定通常是人工试验和选择，缺少灵活性，且缺乏对光照条件变化的鲁棒性。近年来，针对信号灯识别过程，相关学者在HIS空间根据2D高斯分布训练获取实验参数，但是处理速度无法满足识别的实时性要求。通常的交通灯检测方法着重考虑确定每一帧中交通信号灯的位置和确定交通灯的具体类型，但是强光或阴天的条件下，上述方法通常会由于无法准确检测交通信号灯的形状和边缘信息而影响识别的准确率，颜色阈值方法可能无法分割发光候选物体。因此，提升在不同光照条件下的检测识别准确率和检测的实时性成为交通灯检测识别的关键。
发明内容
根据上述提出在强光或阴天的情况下无法准确检测交通信号灯的形状和边缘信息而影响识别的准确率的技术问题，而提供一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统。本发明主要利用组合的HOG和局部RGB直方图特征，同时对交通信号灯形状信息和颜色信息进行识别，从而极大的提高了检测器的性能，通过自适应背景抑制滤波器的设计，在晴天还是强光、阴天条件下对交通信号灯都有很好的识别效果，对不同照明具有很强的鲁棒性，能够为无人驾驶车辆智能决策系统提供支持。
本发明采用的技术手段如下：
一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法，包括如下步骤：
S1、将RGB交通信号灯彩色样本图像转换为灰度图像，通过Gamma校正法将颜色空间归一化；
S2、对Gamma校正法处理后的图像进行方向梯度直方图，即HOG特征和局部RGB颜色直方图特征提取，将HOG特征和局部RGB颜色直方图特征进行线性加权融合结合得到HOG-RGB组合特征向量；
S3、通过交通信号灯彩色样本图像的HOG-RGB组合特征向量训练线性支持向量机，通过输入不同形状和不同颜色的样本分别训练出相应形状和颜色的交通信号灯分类器，将各交通信号灯分类器组合为级联线性支持向量机分类器；
S4、将待检测图像降采样到不同比例，利用自适应背景抑制滤波器对输入图像进行候选区域提取，通过对多尺度图像进行滑动窗口提取，将不同尺度的结果合并在一起得到候选交通信号灯区域；
S5、通过训练好的级联线性支持向量机分类器识别所述候选交通信号灯区域存在信号灯的具体颜色，然后通过各分类器确定具体交通信号灯类型，得到交通信号灯的检测结果。
进一步地，所述步骤S2具体包括如下步骤：
S21、计算图像梯度，
通过输入图像的像素点坐标计算输入图像像素点的水平方向梯度和垂直方向梯度，通过相应的梯度算子对输入图像进行卷积运算，分别得到x方向的梯度分量和y方向的梯度分量，进而求出像素点处的梯度幅值和梯度方向；
S22、统计梯度方向，
将输入图像窗口分为均匀分布的单元格，每个单元格包含n*n个像素，将单元格的梯度方向分成g个方向块，对单元格内每个像素用梯度方向在直方图中进行加权投影，进而得到单元格的梯度方向直方图，所述输入图像窗口分为i*j和j*i两种像素，分别用于检测垂直姿态和水平姿态的交通灯；
S23、特征向量归一化，
每相邻的2×2个单元格组成一个block块，对每个block块内的特征V进行欧式范数归一化，V＝2×2×g；
S24、生成特征向量，
将所有block块HOG特征向量组合在一起，得到图像HOG特征描述向量；
S25、获取局部颜色描述符，
对局部颜色描述符block块进行局部颜色RGB三通道直方图统计，每个通道像素灰度级均匀量化为预设数量的等级，分别用HISTR，HISTG和HISTB表示在R，G，B通道上累积的颜色直方图描述符；
S26、将HOG描述符和三通道颜色直方图描述符进行线性融合，最终特征描述符HOG-RGB的对象窗口表示如下：
HOG-RGB＝[HOG，HISTR，HISTG,，HISTB]。
进一步地，所述步骤S3具体包括如下步骤：
S31、准备训练集S，采用RGB颜色空间滤波实现对交通信号灯候选区域的提取，将相同颜色的信号灯归为一类作为正样本集，将不包含任何信号灯的图像块作为负样本集，得到若干组不同颜色的正样本集和一组负样本集；
S32、准备训练集D，将不同形状的信号灯作为若干不同的样本集；
S33、在训练集S每一个样本得到所述步骤S26提取的最终特征描述符HOG-RGB后，将某正样本上提取的所有HOG-RGB组合特征向量作为正样本并标记为+1，将负样本上提取的所有HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出相对应颜色的交通信号灯分类器；
S34、重复步骤S33，直至将所有正样本训练出相对应颜色的交通信号灯分类器；
S35、在训练集D的每一个样本得到步骤S26提取的最终特征描述符HOG-RGB后，将一号形状样本集上所有的HOG-RGB组合特征向量作为正样本并标记为+1，将除一号形状外其它形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出一号形状对应的交通信号灯分类器；
S36、重复步骤S35，将二、三……N号形状样本集上所有的HOG-RGB组合特征向量作为正样本并标记为+1，将除一和二、一和二和三……1～N-1号形状外其它形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出对应的交通信号灯分类器，直至第N号形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，完成第N-1和第N号形状的交通信号灯分类器；
S37、将步骤S33～S36中得到的各分类器组合成级联线性支持向量机分类器。
进一步地，所述步骤S4具体包括如下步骤：
S41、构建自适应背景抑制滤波器模型，
特征映射HOG-RGB中每个检测窗口Wi可以表示为基本特征向量Xi∈RD×1，设定窗口固定大小为c*d像素和d*c像素，分别用于检测垂直交通灯和水平交通灯，每个检测窗口维数为D＝c*d*4，即4cd维，矢量w＝[w1,w2,…,w4cd]T，每个检测窗口覆盖交通信号灯的可能性表示为：
yi＝wTxi
Xb、Xt分别表示背景窗口和目标窗口，所述滤波器可以在保留交通灯Xt的同时，同时抑制背景Xb，通过解决以下优化问题可以得到自适应背景抑制滤波器：
ξi≥0，i＝1,2,…,Nt
其中，α是惩罚系数，β是正则化系数，ξ＝(ξ1,ξ2,…,ξNt)为非负变量，Nt表示约束的数量，wTRbw表示对背景窗口输出能量的期望，用于抑制不利于交通信号灯检测的背景，表示惩罚变量，用于突出显示交通信号灯，表示正则化项，用于降低模型的复杂性并提高其泛化能力；
S42、自适应背景抑制滤波器模型的优化，
进行如下变量转换，
其中，f、b、H、A均为为了分析和运算而设置的无具体含义的字符，D表示1×D阶0向量的列数，
将S41中的模型重组为如下优化问题：
定义屏障函数：
表示的第i个约束条件。
上述优化问题可近似为如下无约束优化问题：
其中μ表示设置近似精度的屏障因子；
S43、对α和β参数通过如下方式进行设定：
S431、α参数的设定：
通过使用代价函数
转换为以下无约束优化问题
其中，zb＝0表示背景类标签，zt＝1表示目标类标签，E表示单位矩阵，式中，第一项是最小二乘形式，第二项是代价函数形式，二者具有相似功能表述，因此两项相应参数具有相同性质，所以α参数的选择与约束条件数成反比，α与具有相同的数量级；
S432、β参数的设定：
假设λi表示矩阵的第i个特征值，矩阵Rb和Rb+βI的条件数可以表示如下：
当λmax＞＞λmin时，矩阵Rb的逆矩阵变得不稳定，且wTRbw的轮廓变得非常平坦和不正常，为了使自适应背景抑制滤波算法稳定，建立以下关系
κ(Rb+βI)≤η
参数β可以由下式确定
其中η＞0；
S44、自适应背景抑制滤波屏障算法的设计，具体包括如下步骤：
S441、初始化算法，选择一个严格可行且满足的设置公差ε＞0；
S442、计算式的梯度
S443、计算式的海森矩阵
S444、计算下降方向
S445、通过精确的线搜索选择步长ρ
S446、更新
S447、如果迭代停止，获得最优解w*，其中，表示迭代停止设置的参数，否则返回步骤S442；
S448、得到最优解后，检测窗口覆盖交通信号灯的可能性表示为
将与设定的阈值T进行比较，如果则当前窗口别识别为目标窗口；否则当前窗口被识别为背景窗口；
S449、对原始图像按照每帧以不同数值进行降采样到不同比例，对各个不同比例尺重复进行步骤S3，将不同尺度识别的包含交通信号灯窗口的结果合并在一起得到最终包含交通信号灯的候选区域。
进一步地，所述步骤S5包括如下步骤：
S51、利用级联线性SVM验证其是否包含交通信号灯，如果包含则进行具体分类识别；如果不包含，则候选区域被确定为背景区域；
S52、利用不同颜色的分类器将交通信号灯窗口进一步分类为具体的颜色类型；
S53、利用第一形状分类器识别是否为第一形状，如果是，则识别出具体的颜色；如果不是，则进行第二形状交通信号灯的识别；
S54、逐一对第N形状分类器识别是否为第N形状，直至识别出具体形状；
S55、输出交通信号灯识别结果。
本发明还提供了一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测系统，包括：
样本取样单元，用于对自行采集的RGB交通信号灯彩色样本数据或已有的样本库中的样本数据进行采集；
样本图像预处理单元，用于对原始样本图像进行预处理，包括灰度处理模块和Gamma校正模块；
HOG-RGB组合特征向量构建单元，用于提取图像的HOG特征和局部RGB颜色直方图特征并对其进行线性加权融合得到HOG-RGB组合特征向量；
交通信号灯分类器训练单元，用于通过HOG-RGB组合特征向量训练出不同形状和不同颜色的交通信号灯分类器；
待检测图像预处理单元，用于对待检测图像进行预处理，包括灰度处理模块、Gamma校正模块和若干个降采样处理模块；
自适应背景抑制滤波器构建单元，用于构建自适应背景抑制滤波器；
待检测图像处理单元，用于通过自适应背景抑制滤波器对待检测图像进行候选区域提取，并将结果合并在一起得到候选交通信号灯区域；
图像判断单元，用于通过交通信号灯分类器识别候选交通信号灯区域存在信号灯的具体颜色和交通信号灯类型，得到交通信号灯的检测结果。
较现有技术相比，本发明具有以下优点：
1、本发明利用组合的HOG和局部RGB直方图特征，同时对交通信号灯形状信息和颜色信息进行识别，极大的提高了检测器的性能。
2、本发明通过使用自适应背景抑制滤波器，检测器无论在晴天还是强光、阴天条件下对交通信号灯都有很好的识别效果，对不同照明具有很强的鲁棒性，能够为无人驾驶车辆智能决策系统提供支持。
基于上述理由本发明可在智能交通技术领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于自适应背景抑制滤波器和组合方向梯度直方图交通信号灯检测方法的流程图。
图2为本发明一种基于自适应背景抑制滤波器和组合方向梯度直方图交通信号灯检测装置的模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1，如图1所示，本发明提供了一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法，其特征在于，包括：如下步骤：
S1、将RGB交通信号灯彩色样本图像转换为灰度图像，通过Gamma校正法将颜色空间归一化；
Gamma校正法对输入图像进行颜色空间归一化，可以很好地调节图像的对比度，消除光照对图像的影响，同时抑制一定噪音干扰；
设定像素点(x,y)，I(x,y)为像素点的灰度值，Gamma校正公示为：
I(x,y)＝I(x,y)γ
其中γ＝0.5。
S2、对Gamma校正法处理后的图像进行方向梯度直方图，即HOG特征和局部RGB颜色直方图特征提取，将HOG特征和局部RGB颜色直方图特征进行线性加权融合结合得到HOG-RGB组合特征向量；
S3、通过交通信号灯彩色样本图像的HOG-RGB组合特征向量训练线性支持向量机，通过输入不同形状和不同颜色的样本分别训练出相应形状和颜色的交通信号灯分类器，将各交通信号灯分类器组合为级联线性支持向量机分类器；
S4、将待检测图像降采样到不同比例，利用自适应背景抑制滤波器对输入图像进行候选区域提取，通过对多尺度图像进行滑动窗口提取，将不同尺度的结果合并在一起得到候选交通信号灯区域；
S5、通过训练好的级联线性支持向量机分类器识别所述候选交通信号灯区域存在信号灯的具体颜色，然后通过各分类器确定具体交通信号灯类型，得到交通信号灯的检测结果。
所述步骤S2具体包括如下步骤：
S21、计算图像梯度，
通过输入图像的像素点坐标计算输入图像像素点的水平方向梯度和垂直方向梯度，通过相应的梯度算子对输入图像进行卷积运算，分别得到x方向的梯度分量和y方向的梯度分量，进而求出像素点处的梯度幅值和梯度方向，
输入图像像素点(x，y)的梯度计算公式为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量。
像素点(x，y)处的梯度幅值和梯度方向计算公式分别为：
其中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。
S22、统计梯度方向，
将输入图像窗口分为均匀分布的单元格，每个单元格包含8*8个像素，将单元格的梯度方向分成9个方向块，即平均分成9个bin区间，对单元格内每个像素用梯度方向在直方图中进行加权投影，进而得到单元格的梯度方向直方图，所述输入图像窗口分为60×30像素和30×60像素，分别用于检测垂直姿态和水平姿态的交通灯；
S23、特征向量归一化，
每相邻的2×2个单元格组成一个block块，对每个block块内的特征V进行欧式范数归一化，V＝2×2×9，
其中ε为常数，数值很小的常数，同时保持限制V的最大值为0.2；
S24、生成特征向量，
Block块大小为10×10像素，将所有block块HOG特征向量组合在一起，得到图像HOG特征描述向量；
S25、获取局部颜色描述符，
局部颜色描述符block块大小设置为5×5个像素，对局部颜色描述符block块进行局部颜色RGB三通道直方图统计，每个通道像素灰度级均匀量化为预设数量的等级，分别用HISTR，HISTG和HISTB表示在R，G，B通道上累积的颜色直方图描述符；
S26、将HOG描述符和三通道颜色直方图描述符进行线性融合，最终特征描述符HOG-RGB的对象窗口表示如下：
HOG-RGB＝[HOG，HISTR，HISTG,，HISTB]。
所述步骤S3具体包括如下步骤：
使用交通信号灯样本训练级联线性支持向量机，典型的交通信号灯分为8种：红色圆形交通灯、绿色圆形交通灯、左转箭头红色信号灯、右转箭头绿色信号灯、右转箭头红色信号灯、右转箭头绿色信号灯、直行箭头红色信号灯、直行箭头绿色。训练集的准备具体步骤如下：
S31、准备训练集S。采用RGB颜色空间滤波实现对交通信号灯候选区域的提取，将所有红灯归为一类作为正样本集SPR，所有绿灯归为一类作为正样本集SPG,不包含任何信号灯的图像块作为负样本集SN。
S32、准备训练集D。为了分辨信号灯具体指示的方向信息，将圆形信号灯作为样本集DC,左转箭头信号灯作为样本集DL,右转箭头信号灯作为样本集DR,直行箭头信号灯作为样本集DUP。
S33、在训练集S每一个样本并得到步骤S26提取的最终特征描述符HOG-RGB之后，将SPR上提取的所有HOG-RGB组合特征向量作为正样本并标记为+1，将SN上提取的所有HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性SVM分类器中，调节相关参数，训练出红色交通信号灯分类器1。
S34、重复步骤S33，直至将所有正样本训练出相对应颜色的交通信号灯分类器，本实施例得到绿色交通信号灯分类器2；
S35、在训练集D的每一个样本并得到步骤S26提取的最终特征描述符HOG-RGB之后，首先将样本集DC上所有的HOG-RGB组合特征向量作为正样本并标记为+1，将样本集DL、DR、DUP上所有的HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性SVM，调节相关参数，训练出圆形交通信号灯分类器3。
S36、重复步骤S35，将二、三……N号形状样本集上所有的HOG-RGB组合特征向量作为正样本并标记为+1，将除一和二、一和二和三……1～N-1号形状外其它形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出对应的交通信号灯分类器，直至第N号形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，完成第N-1和第N号形状的交通信号灯分类器。
本实施例具体为：将样本集DUP上的所有HOG-RGB组合特征向量作为正样本并标记为+1，将样本集DT和DR上的所有HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性SVM分类器中，调节相关参数，训练出直行箭头信号灯的分类器4。
将样本集DL上的所有HOG-RGB组合特征向量作为正样本并标记为+1，将样本集DR上的所有HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性SVM分类器中，调节相关参数，训练出左转信号灯和右转信号灯的分类器5。
S37、将步骤S33～S36中得到的各分类器组合成级联线性支持向量机分类器。
所述步骤S4具体包括如下步骤：
S41、构建自适应背景抑制滤波器模型，
特征映射HOG-RGB中每个检测窗口Wi可以表示为基本特征向量Xi∈RD×1，设定窗口固定大小为16×8像素和8×16像素，分别用于检测垂直交通灯和水平交通灯，每个检测窗口维数为D＝16×8×4，即256维，矢量w＝[w1,w2,…,w256]T，每个检测窗口覆盖交通信号灯的可能性表示为：
yi＝wTxi
Xb、Xt分别表示背景窗口和目标窗口，所述滤波器可以在保留交通灯Xt的同时，同时抑制背景Xb，通过解决以下优化问题可以得到自适应背景抑制滤波器：
ξi≥0，i＝1,2,…,Nt
其中，α是惩罚系数，β是正则化系数，由于复杂光照条件下交通灯的外观可能会有很大差异，为了增强过滤器的稳健性，不同外观类型的交通灯样本被添加到了约束中，但是考虑到当约束数量变大，检测区域可行性会急剧减少，引入非负变量ξ＝(ξ1,ξ2,…,ξNt)来放宽约束，Nt表示约束的数量，wTRbw表示对背景窗口输出能量的期望，用于抑制不利于交通信号灯检测的背景，表示惩罚变量，用于突出显示交通信号灯，表示正则化项，用于降低模型的复杂性并提高其泛化能力；
S42、自适应背景抑制滤波器模型的优化，
进行如下变量转换，
其中，f、b、H、A均为为了分析和运算而设置的无具体含义的字符，D表示1×D阶0向量的列数，
将S41中的模型重组为如下优化问题：
定义屏障函数：
表示的第i个约束条件。
上述优化问题可近似为如下无约束优化问题：
其中μ表示设置近似精度的屏障因子；
S43、α和β参数的设定影响自适应背景抑制滤波算法的精确程度，具体分析及设定如下步骤：
S431、α参数的设定：
通过使用代价函数
转换为以下无约束优化问题
其中，zb＝0表示背景类标签，zt＝1表示目标类标签，E表示单位矩阵，式中，第一项是最小二乘形式，第二项是代价函数形式，二者具有相似功能表述，因此两项相应参数具有相同性质，所以α参数的选择与约束条件数成反比，α与具有相同的数量级；经过试验，本发明中α设置为0.001。
S432、β参数的设定：
假设λi表示矩阵的第i个特征值，矩阵Rb和Rb+βI的条件数可以表示如下：
当λmax＞＞λmin时，矩阵Rb的逆矩阵变得不稳定，且wTRbw的轮廓变得非常平坦和不正常，为了使自适应背景抑制滤波算法稳定，建立以下关系
κ(Rb+βI)≤η
参数β可以由下式确定
其中η＞0，可进行经验性选择，本发明中η＝100,β＝0.03；
S44、自适应背景抑制滤波屏障算法的设计，具体包括如下步骤：
S441、初始化算法，选择一个严格可行且满足的设置公差ε＞0；
S442、计算式的梯度
S443、计算式的海森矩阵
S444、计算下降方向
S445、通过精确的线搜索选择步长ρ
S446、更新
S447、如果迭代停止，获得最优解w*，其中，表示一个迭代停止设置的参数，否则返回步骤S442；
S448、得到最优解后，检测窗口覆盖交通信号灯的可能性表示为
将与设定的阈值T进行比较，如果则当前窗口别识别为目标窗口；否则当前窗口被识别为背景窗口。本发明中，设置T＝0.1；
S449、对原始图像按照每帧以不同数值进行降采样到不同比例，对各个不同比例尺重复进行步骤S3，将不同尺度识别的包含交通信号灯窗口的结果合并在一起得到最终包含交通信号灯的候选区域。本实施例中，对原始图像按照每帧以1,1.8,2.1,…,15的进行了降采样到不同比例。
所述步骤S5包括如下步骤：
S51、利用级联线性SVM验证其是否包含交通信号灯，如果包含则进行具体分类识别；如果不包含，则候选区域被确定为背景区域；
S52、利用不同颜色的分类器将交通信号灯窗口进一步分类为具体的颜色类型，本实施例中，利用分类器1、2将交通信号灯窗口进一步分类为“红色信号灯”或“绿色信号灯”两种基本类型。确定颜色类别后，进行如下识别过程；
S53、利用第一形状分类器识别是否为第一形状，如果是，则识别出具体的颜色；如果不是，则进行第二形状交通信号灯的识别，本实施例中，利用分类器3识别是否为圆形交通信号灯，如果是，则识别出具体为红灯或者绿灯；如果不是，则进行箭头状交通信号灯的识别；
S54、逐一对第N形状分类器识别是否为第N形状，直至识别出具体形状，本实施例中，利用分类器4识别是否为直行箭头信号灯，如果是，则识别出是可以直行或禁止直行；如果不是，则进行左转或右转类信号灯识别，利用分类器5识别是否为左转箭头信号灯，如果是，则识别为左转信号灯，否则为右转信号灯；
S55、：输出交通信号灯识别结果。
本发明还提供了一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测系统，包括：
样本取样单元，用于对自行采集的RGB交通信号灯彩色样本数据或已有的样本库中的样本数据进行采集；
样本图像预处理单元，用于对原始样本图像进行预处理，包括灰度处理模块和Gamma校正模块；
HOG-RGB组合特征向量构建单元，用于提取图像的HOG特征和局部RGB颜色直方图特征并对其进行线性加权融合得到HOG-RGB组合特征向量；
交通信号灯分类器训练单元，用于通过HOG-RGB组合特征向量训练出不同形状和不同颜色的交通信号灯分类器；
待检测图像预处理单元，用于对待检测图像进行预处理，包括灰度处理模块、Gamma校正模块和若干个降采样处理模块；
自适应背景抑制滤波器构建单元，用于构建自适应背景抑制滤波器；
待检测图像处理单元，用于通过自适应背景抑制滤波器对待检测图像进行候选区域提取，并将结果合并在一起得到候选交通信号灯区域；
图像判断单元，用于通过交通信号灯分类器识别候选交通信号灯区域存在信号灯的具体颜色和交通信号灯类型，得到交通信号灯的检测结果。
下表检测率1和识别率1为应用本发明实施例方法对交通信号灯进行检测的结果。检测率2和识别率2为应用传统颜色阈值分割和形状识别技术得到的检测结果。由表经过对比可知，本发明实施例在检测精度和识别精度上相较于传统方法都有明显提高。
在本申请所提供的实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法，其特征在于，包括：如下步骤：
S1、将RGB交通信号灯彩色样本图像转换为灰度图像，通过Gamma校正法将颜色空间归一化；
S2、对Gamma校正法处理后的图像进行方向梯度直方图，即HOG特征和局部RGB颜色直方图特征提取，将HOG特征和局部RGB颜色直方图特征进行线性加权融合结合得到HOG-RGB组合特征向量；
S3、通过交通信号灯彩色样本图像的HOG-RGB组合特征向量训练线性支持向量机，通过输入不同形状和不同颜色的样本分别训练出相应形状和颜色的交通信号灯分类器，将各交通信号灯分类器组合为级联线性支持向量机分类器；
S4、将待检测图像降采样到不同比例，利用自适应背景抑制滤波器对输入图像进行候选区域提取，通过对多尺度图像进行滑动窗口提取，将不同尺度的结果合并在一起得到候选交通信号灯区域；
S5、通过训练好的级联线性支持向量机分类器识别所述候选交通信号灯区域存在信号灯的具体颜色，然后通过各分类器确定具体交通信号灯类型，得到交通信号灯的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括如下步骤：
S21、计算图像梯度，
通过输入图像的像素点坐标计算输入图像像素点的水平方向梯度和垂直方向梯度，通过相应的梯度算子对输入图像进行卷积运算，分别得到x方向的梯度分量和y方向的梯度分量，进而求出像素点处的梯度幅值和梯度方向；
S22、统计梯度方向，
将输入图像窗口分为均匀分布的单元格，每个单元格包含n*n个像素，将单元格的梯度方向分成g个方向块，对单元格内每个像素用梯度方向在直方图中进行加权投影，进而得到单元格的梯度方向直方图，所述输入图像窗口分为i*j和j*i两种像素，分别用于检测垂直姿态和水平姿态的交通灯；
S23、特征向量归一化，
每相邻的2×2个单元格组成一个block块，对每个block块内的特征V进行欧式范数归一化，V＝2×2×g；
S24、生成特征向量，
将所有block块HOG特征向量组合在一起，得到图像HOG特征描述向量；
S25、获取局部颜色描述符，
对局部颜色描述符block块进行局部颜色RGB三通道直方图统计，每个通道像素灰度级均匀量化为预设数量的等级，分别用HISTR，HISTG和HISTB表示在R，G，B通道上累积的颜色直方图描述符；
S26、将HOG描述符和三通道颜色直方图描述符进行线性融合，最终特征描述符HOG-RGB的对象窗口表示如下：
HOG-RGB＝[HOG，HISTR，HISTG，，HISTB]。
3.根据权利要求2所述的方法，其特征在于，所述步骤S3具体包括如下步骤：
S31、准备训练集S，采用RGB颜色空间滤波实现对交通信号灯候选区域的提取，将相同颜色的信号灯归为一类作为正样本集，将不包含任何信号灯的图像块作为负样本集，得到若干组不同颜色的正样本集和一组负样本集；
S32、准备训练集D，将不同形状的信号灯作为若干不同的样本集；
S33、在训练集S每一个样本得到所述步骤S26提取的最终特征描述符HOG-RGB后，将某正样本上提取的所有HOG-RGB组合特征向量作为正样本并标记为+1，将负样本上提取的所有HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出相对应颜色的交通信号灯分类器；
S34、重复步骤S33，直至将所有正样本训练出相对应颜色的交通信号灯分类器；
S35、在训练集D的每一个样本得到步骤S26提取的最终特征描述符HOG-RGB后，将一号形状样本集上所有的HOG-RGB组合特征向量作为正样本并标记为+1，将除一号形状外其它形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出一号形状对应的交通信号灯分类器；
S36、重复步骤S35，将二、三......N号形状样本集上所有的HOG-RGB组合特征向量作为正样本并标记为+1，将除一和二、一和二和三......1～N-1号形状外其它形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，传递给线性支持向量机中，调节相关参数，训练出对应的交通信号灯分类器，直至第N号形状上所有的HOG-RGB组合特征向量作为负样本并标记为-1，完成第N-1和第N号形状的交通信号灯分类器；
S37、将步骤S33～S36中得到的各分类器组合成级联线性支持向量机分类器。
4.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括如下步骤：
S41、构建自适应背景抑制滤波器模型，
特征映射HOG-RGB中每个检测窗口Wi可以表示为基本特征向量Xi∈RD×1，设定窗口固定大小为c*d像素和d*c像素，分别用于检测垂直交通灯和水平交通灯，每个检测窗口维数为D＝c*d*4，即4cd维，矢量w＝[w1，w2，...，w4cd]T，每个检测窗口覆盖交通信号灯的可能性表示为：
yi＝wTKi
Xb、Xt分别表示背景窗口和目标窗口，所述滤波器可以在保留交通灯Xt的同时，同时抑制背景Xb，通过解决以下优化问题可以得到自适应背景抑制滤波器：
ξi≥0，i＝1，2，...，Nt
其中，α是惩罚系数，β是正则化系数，ξ＝(ξ1，ξ2，...，ξNt)为非负变量，Nt表示约束的数量，wTRbw表示对背景窗口输出能量的期望，用于抑制不利于交通信号灯检测的背景，表示惩罚变量，用于突出显示交通信号灯，表示正则化项，用于降低模型的复杂性并提高其泛化能力；
S42、自适应背景抑制滤波器模型的优化，
进行如下变量转换，
其中，f、b、H、A均为为了分析和运算而设置的无具体含义的字符，D表示1×D阶0向量的列数，
将S41中的模型重组为如下优化问题：
定义屏障函数：
表示的第i个约束条件；
上述优化问题可近似为如下无约束优化问题：
其中μ表示设置近似精度的屏障因子；
S43、对α和β参数通过如下方式进行设定：
S431、α参数的设定：
通过使用代价函数
转换为以下无约束优化问题
其中，zb＝0表示背景类标签，zt＝1表示目标类标签，E表示单位矩阵，式中，第一项是最小二乘形式，第二项是代价函数形式，二者具有相似功能表述，因此两项相应参数具有相同性质，所以α参数的选择与约束条件数成反比，α与具有相同的数量级；
S432、β参数的设定：
假设λi表示矩阵的第i个特征值，矩阵Rb和Rb+βI的条件数可以表示如下：
当λmax＞＞λmin时，矩阵Rb的逆矩阵变得不稳定，且wTRbw的轮廓变得非常平坦和不正常，为了使自适应背景抑制滤波算法稳定，建立以下关系
κ(Rb+βI)≤η
参数β可以由下式确定
其中η＞0；
S44、自适应背景抑制滤波屏障算法的设计，具体包括如下步骤：
S441、初始化算法，选择一个严格可行且满足的设置公差ε＞0；
S442、计算式的梯度
S443、计算式的海森矩阵
S444、计算下降方向
S445、通过精确的线搜索选择步长ρ
S446、更新
S447、如果迭代停止，获得最优解w*，其中，表示迭代停止设置的参数，否则返回步骤S442；
S448、得到最优解后，检测窗口覆盖交通信号灯的可能性表示为
将与设定的阈值T进行比较，如果则当前窗口别识别为目标窗口；否则当前窗口被识别为背景窗口；
S449、对原始图像按照每帧以不同数值进行降采样到不同比例，对各个不同比例尺重复进行步骤S3，将不同尺度识别的包含交通信号灯窗口的结果合并在一起得到最终包含交通信号灯的候选区域。
5.根据权利要求1或3或4所述的方法，其特征在于，所述步骤S5包括如下步骤：
S51、利用级联线性SVM验证其是否包含交通信号灯，如果包含则进行具体分类识别；如果不包含，则候选区域被确定为背景区域；
S52、利用不同颜色的分类器将交通信号灯窗口进一步分类为具体的颜色类型；
S53、利用第一形状分类器识别是否为第一形状，如果是，则识别出具体的颜色；如果不是，则进行第二形状交通信号灯的识别；
S54、逐一对第N形状分类器识别是否为第N形状，直至识别出具体形状；
S55、输出交通信号灯识别结果。
6.一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测系统，其特征在于，
包括：
样本取样单元，用于对自行采集的RGB交通信号灯彩色样本数据或已有的样本库中的样本数据进行采集；
样本图像预处理单元，用于对原始样本图像进行预处理，包括灰度处理模块和Gamma校正模块；
HOG-RGB组合特征向量构建单元，用于提取图像的HOG特征和局部RGB颜色直方图特征并对其进行线性加权融合得到HOG-RGB组合特征向量；
交通信号灯分类器训练单元，用于通过HOG-RGB组合特征向量训练出不同形状和不同颜色的交通信号灯分类器；
待检测图像预处理单元，用于对待检测图像进行预处理，包括灰度处理模块、Gamma校正模块和若干个降采样处理模块；
自适应背景抑制滤波器构建单元，用于构建自适应背景抑制滤波器；
待检测图像处理单元，用于通过自适应背景抑制滤波器对待检测图像进行候选区域提取，并将结果合并在一起得到候选交通信号灯区域；
图像判断单元，用于通过交通信号灯分类器识别候选交通信号灯区域存在信号灯的具体颜色和交通信号灯类型，得到交通信号灯的检测结果。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时，执行所述权利要求1至5中任一项权利要求所述的方法。
8.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的极端机程序，其特征在于，所述处理器通过所述计算机程序运行执行所述权利要求1至5中任一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810823681.XA CN109063619A (zh) | 2018-07-25 | 2018-07-25 | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810823681.XA CN109063619A (zh) | 2018-07-25 | 2018-07-25 | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109063619A true CN109063619A (zh) | 2018-12-21 |
Family
ID=64835436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810823681.XA Pending CN109063619A (zh) | 2018-07-25 | 2018-07-25 | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063619A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084190A (zh) * | 2019-04-25 | 2019-08-02 | 南开大学 | 一种基于 ann 的剧烈光照环境下实时非结构化道路检测方法 |
| CN110287854A (zh) * | 2019-06-20 | 2019-09-27 | 北京百度网讯科技有限公司 | 表格的提取方法、装置、计算机设备和存储介质 |
| CN111382658A (zh) * | 2019-11-14 | 2020-07-07 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
| CN112036392A (zh) * | 2020-07-22 | 2020-12-04 | 四川长宁天然气开发有限责任公司 | 一种页岩气田生产场站ups指示灯状态的自动识别方法 |
| CN112270328A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 一种融合hog-lbp函数的交通信号灯检测方法 |
| CN112541444A (zh) * | 2020-12-17 | 2021-03-23 | 昆明理工大学 | 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 |
| CN112712057A (zh) * | 2021-01-13 | 2021-04-27 | 腾讯科技（深圳）有限公司 | 交通信号识别方法、装置、电子设备及存储介质 |
| CN112733815A (zh) * | 2021-03-30 | 2021-04-30 | 广州赛特智能科技有限公司 | 一种基于rgb室外道路场景图像的红绿灯识别方法 |
| CN113160751A (zh) * | 2021-04-21 | 2021-07-23 | 晟合微电子(肇庆)有限公司 | 一种amoled显示面板的子像素渲染方法 |
| CN113319854A (zh) * | 2021-06-25 | 2021-08-31 | 河北工业大学 | 一种洗浴机器人的视觉示教方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104050827A (zh) * | 2014-06-06 | 2014-09-17 | 北京航空航天大学 | 一种基于视觉的交通信号灯自动检测识别方法 |
| CN106682641A (zh) * | 2017-01-05 | 2017-05-17 | 北京细推科技有限公司 | 基于fhog‑lbph特征的图像行人识别方法 |
| CN107330365A (zh) * | 2017-05-27 | 2017-11-07 | 深圳市美好幸福生活安全系统有限公司 | 基于最大稳定极值区域和svm的交通标志识别方法 |
| CN107403169A (zh) * | 2017-08-08 | 2017-11-28 | 上海识加电子科技有限公司 | 信号灯检测识别方法及装置 |
| CN107704853A (zh) * | 2017-11-24 | 2018-02-16 | 重庆邮电大学 | 一种基于多分类器的交通信号灯的识别方法 |
| CN108182431A (zh) * | 2018-03-15 | 2018-06-19 | 大连理工大学 | 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 |
-
2018
- 2018-07-25 CN CN201810823681.XA patent/CN109063619A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104050827A (zh) * | 2014-06-06 | 2014-09-17 | 北京航空航天大学 | 一种基于视觉的交通信号灯自动检测识别方法 |
| CN106682641A (zh) * | 2017-01-05 | 2017-05-17 | 北京细推科技有限公司 | 基于fhog‑lbph特征的图像行人识别方法 |
| CN107330365A (zh) * | 2017-05-27 | 2017-11-07 | 深圳市美好幸福生活安全系统有限公司 | 基于最大稳定极值区域和svm的交通标志识别方法 |
| CN107403169A (zh) * | 2017-08-08 | 2017-11-28 | 上海识加电子科技有限公司 | 信号灯检测识别方法及装置 |
| CN107704853A (zh) * | 2017-11-24 | 2018-02-16 | 重庆邮电大学 | 一种基于多分类器的交通信号灯的识别方法 |
| CN108182431A (zh) * | 2018-03-15 | 2018-06-19 | 大连理工大学 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENWEI SHI ET AL.: "Real-Time Traffic Light Detection With Adaptive Background Suppression Filter", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| 刘国明: "基于HOG-LBP特征的静态图像中的行人检测", 《电脑知识与技术》 * |
| 张新栋: "基于自适应滤波的交通信号灯检测算法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084190A (zh) * | 2019-04-25 | 2019-08-02 | 南开大学 | 一种基于 ann 的剧烈光照环境下实时非结构化道路检测方法 |
| CN110084190B (zh) * | 2019-04-25 | 2024-02-06 | 南开大学 | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 |
| CN110287854A (zh) * | 2019-06-20 | 2019-09-27 | 北京百度网讯科技有限公司 | 表格的提取方法、装置、计算机设备和存储介质 |
| CN110287854B (zh) * | 2019-06-20 | 2022-06-10 | 北京百度网讯科技有限公司 | 表格的提取方法、装置、计算机设备和存储介质 |
| CN111382658A (zh) * | 2019-11-14 | 2020-07-07 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
| CN111382658B (zh) * | 2019-11-14 | 2023-04-18 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
| CN112036392B (zh) * | 2020-07-22 | 2022-05-03 | 四川长宁天然气开发有限责任公司 | 一种页岩气田生产场站ups指示灯状态的自动识别方法 |
| CN112036392A (zh) * | 2020-07-22 | 2020-12-04 | 四川长宁天然气开发有限责任公司 | 一种页岩气田生产场站ups指示灯状态的自动识别方法 |
| CN112270328A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 一种融合hog-lbp函数的交通信号灯检测方法 |
| CN112541444B (zh) * | 2020-12-17 | 2023-08-22 | 昆明理工大学 | 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 |
| CN112541444A (zh) * | 2020-12-17 | 2021-03-23 | 昆明理工大学 | 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 |
| CN112712057B (zh) * | 2021-01-13 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 交通信号识别方法、装置、电子设备及存储介质 |
| CN112712057A (zh) * | 2021-01-13 | 2021-04-27 | 腾讯科技（深圳）有限公司 | 交通信号识别方法、装置、电子设备及存储介质 |
| CN112733815B (zh) * | 2021-03-30 | 2021-08-17 | 广州赛特智能科技有限公司 | 一种基于rgb室外道路场景图像的红绿灯识别方法 |
| CN112733815A (zh) * | 2021-03-30 | 2021-04-30 | 广州赛特智能科技有限公司 | 一种基于rgb室外道路场景图像的红绿灯识别方法 |
| CN113160751A (zh) * | 2021-04-21 | 2021-07-23 | 晟合微电子(肇庆)有限公司 | 一种amoled显示面板的子像素渲染方法 |
| CN113160751B (zh) * | 2021-04-21 | 2022-07-26 | 晟合微电子(肇庆)有限公司 | 一种amoled显示面板的子像素渲染方法 |
| CN113319854A (zh) * | 2021-06-25 | 2021-08-31 | 河北工业大学 | 一种洗浴机器人的视觉示教方法及系统 |
| CN113319854B (zh) * | 2021-06-25 | 2023-01-20 | 河北工业大学 | 一种洗浴机器人的视觉示教方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
| CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| Liu et al. | Detection of aphids in wheat fields using a computer vision technique | |
| Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN104834912B (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
| CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
| CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
| US20120170801A1 (en) | System for Food Recognition Method Using Portable Devices Having Digital Cameras | |
| CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
| 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 | |
| CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
| CN103577838A (zh) | 一种人脸识别方法和装置 | |
| CN103136504A (zh) | 人脸识别方法及装置 | |
| CN105976407B (zh) | 一种适用于遮挡条件下的餐盘形状识别方法 | |
| CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
| US8094971B2 (en) | Method and system for automatically determining the orientation of a digital image | |
| CN111259756A (zh) | 基于局部高频次特征和混合度量学习的行人重识别方法 | |
| CN114373185A (zh) | 票据图像的分类方法及其装置、电子设备及存储介质 | |
| CN112419278A (zh) | 一种基于深度学习的实木地板分类方法 | |
| CN104299234B (zh) | 视频数据中雨场去除的方法和系统 |
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: 20181221 |
|
| RJ01 | Rejection of invention patent application after publication |