CN109784317B - 一种交通信号灯的识别方法及装置 - Google Patents

Abstract

本申请提供了一种交通信号灯的识别方法，所述方法包括：获取含有交通信号灯的彩色拍摄图像；将所述彩色拍摄图像转化为灰度图；获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息；根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息。利用本申请提供的方法，能够实现交通信号灯的准确定位进而准确的识别交通信号灯的状态。本申请还提供了一种交通信号灯的识别装置。

Description

一种交通信号灯的识别方法及装置

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种交通信号灯的识别方法及装置。

背景技术

交通信号灯的识别是指在准确定位交通信号灯位置的基础上对交通信号灯的状态进行识别，例如对于最常见的采用红绿灯形式的交通信号灯，交通信号灯的识别具体指通过识别交通信号灯的亮暗状态(例如红灯、绿灯、黄灯的亮暗等)以确定所述交通信号灯的指示状态(例如允许通行、禁止通行等)。交通信号灯的识别可以用于判断交通路口处的通行状态，在自动驾驶、导航提示等方面具有重要的意义。

目前交通信号灯的识别主要依赖于深度学习方法，通过车辆上安装的摄像头获取车辆前方的道路信息，再将摄像头拍摄的彩色图像输入神经网络模型中进行深度学习来获取所述交通信号灯的位置，进而获得所述交通信号灯的状态，但由于所述摄像头拍摄的彩色图像中交通信号灯的轮廓往往较为模糊，这使深度学习过程中对交通信号灯形态特征提取时的准确度下降，从而降低了对交通信号灯进行定位的准确度，进而导致无法对所述交通信号灯的状态进行准确识别。

发明内容

为了解决现有技术存在的上述技术问题，本申请提供了一种交通信号灯的识别方法及装置，能够实现交通信号灯的准确定位进而准确的识别交通信号灯的状态。

本申请提供了一种交通信号灯的识别方法，所述方法包括：

获取含有交通信号灯的彩色拍摄图像；

将所述彩色拍摄图像转化为灰度图；

获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息；

根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息。

可选的，所述获取所述交通信号灯在所述灰度图中的位置信息包括：

向预设深度学习模型中输入所述灰度图，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓并获取所述交通信号灯在所述灰度图中的位置信息。

可选的，若在所述彩色拍摄图像中获取到出多个所述交通信号灯的位置，所述方法还包括：

选择与当前车道匹配的交通信号灯的位置信息。

可选的，所述位置信息为所述交通信号灯的位置框。

可选的，所述根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息包括：

对所述彩色拍摄图像处于所述位置框内的部分进行颜色匹配；

对所述颜色匹配的结果进行指示状态匹配以获取所述交通信号灯当前的指示状态信息。

本申请实施例还提供了一种交通信号灯的识别装置，其特征在于，所述装置包括：第一获取单元、转化单元、第二获取单元和第三获取单元；

所述第一获取单元，用于获取含有交通信号灯的彩色拍摄图像；

所述转化单元，用于将所述彩色拍摄图像转化为灰度图；

所述第二获取单元，用于获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息；

所述第三获取单元，用于根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息。

可选的，其特征在于，所述第二获取单元，具体包括：位置获取子单元；

所述位置获取子单元，用于向预设深度学习模型中输入所述灰度图，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓并获取所述交通信号灯在所述灰度图中的位置信息。

可选的，所述第二获取单元还包括：选择子单元；

所述选择子单元，用于选择与当前车道匹配的交通信号灯的位置信息。

可选的，所述位置信息为所述交通信号灯的位置框。

可选的，所述第三获取单元，具体包括：颜色匹配子单元和状态匹配子单元；

所述颜色匹配子单元，用于对所述彩色拍摄图像处于所述位置框内的部分进行颜色匹配；

所述状态匹配子单元，用于对所述颜色匹配的结果进行指示状态匹配以获取所述交通信号灯当前的指示状态信息。

本申请所述方法具有以下优点：

本申请提供了一种交通信号灯的识别方法，所述方法首先获取含有交通信号灯的彩色拍摄图像；然后将所述彩色拍摄图像转化为灰度图，由于灰度图中只包含有亮度信息而不包含颜色信息，因此所述灰度图所包含的数据信息量少于所述彩色拍摄图像，可以缩短图像处理的耗时，同时灰度图中的所述交通信号灯的轮廓比彩色拍摄图像更为明显，相对于彩色拍摄图像更能够表征所述交通信号灯的形态特征，使得对所述交通信号灯进行位置提取时更加准确；接着获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息，实现了对所述交通信号灯的准确定位；最后根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的状态信息。利用本申请提供的方法，能够实现交通信号灯的准确定位进而准确的识别交通信号灯的状态。

附图说明

为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例一提供的一种交通信号灯的识别方法的流程图；

图2为本申请实施例二提供的另一种交通信号灯的识别方法的流程图；

图3为本申请实施例三提供的一种交通信号灯的识别装置的示意图；

图4为本申请实施例四提供的另一种交通信号灯的识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例一：

本申请实施例一提供了一种交通信号灯的识别方法，下面结合附图具体说明。

参见图1，该图为本申请实施例一提供的一种交通信号灯的识别方法的流程图。

本申请实施例所述方法包括以下步骤：

S101：获取含有交通信号灯的彩色拍摄图像。

所述交通信号灯可以为车道信号灯、方向指示信号灯或道路与铁路平面交叉道口信号灯等，本申请对此不作具体限定，此外本申请对所述交通信号灯的数量也不作具体限定。

可以通过车辆上安装的摄像设备实时获取含有交通信号灯的拍摄图像，所述彩色拍摄图像采用RGB色彩模式，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。

S102：将所述彩色拍摄图像转化为灰度图。

所述灰度图(Gray Scale Image)又称灰阶图，把白色与黑色之间按对数关系分为若干等级，称为灰度，灰度分为256阶，用灰度表示的图像称作灰度图。

由于所述彩色拍摄图像中的颜色采用RGB色彩模式，即由红(R)、绿(G)、蓝(B)三原色组成，例如原来某点的颜色为RGB(R，G，B)，那么可以通过下面几种方法，将其转换为灰度(Gray)：

1.浮点算法：Gray＝R*0.3+G*0.59+B*0.11。

2.整数方法：Gray＝(R*30+G*59+B*11)/100。

3.平均值法：Gray＝(R+G+B)/3。

4.仅取绿色：Gray＝G。

通过上述任一种方法求得灰度后，将该点原来的颜色RGB(R，G，B)中的R，G，B统一用灰度替换，得到RGB(Gray，Gray，Gray)，用它替换原来的RGB(R，G，B)，将所述彩色拍摄图像上的所有像素点进行上述替换后所得的图像即为灰度图。

需要注意的是，上述说明只给出四种将RGB转换为灰度的方法，将RGB转换为灰度还可以采取其它方法实现，本申请对此不作具体限定。

此外，将所述彩色拍摄图像转化为所述灰度图可由行车电脑完成，也可以由远程终端实现，本申请对此不作具体限定。

完成对所述彩色拍摄图像的转化后，仍然保留所述彩色拍摄图像以供后续步骤继续使用。

S103：获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息。

预设深度学习模型，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓，所述交通信号灯在所述灰度图中的轮廓比在所述彩色图像中的轮廓更为明显，即所述交通信号灯在所述灰度图中的形态特征更为明显，在一种可能的实现方式中，在所述预设深度学习模型中预存若干各类型的交通信号灯在灰度图中的已知轮廓，将当前获取的灰度图输入预设深度学习模型中进行深度学习以提取所述灰度图中的所述交通信号灯的轮廓，并根据所述轮廓所在位置确定所述交通信号灯的位置信息。

所述交通信号灯的位置信息可以为所述交通信号灯在所述灰度图中的像素坐标范围，在一种可能的实现方式中，所述位置信息为所述交通信号灯的位置框，所述位置框完全包括所述交通信号灯。

S104：根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的状态信息。

由于所述灰度图由所述彩色拍摄图像转化所得，转化过程中只涉及到每个像素点的颜色变化，因此根据所述位置信息可以在所述彩色拍摄图像上直接获取所述交通信号灯对应的位置，即无论在灰度图还是在所述彩色拍摄图像上，所述交通信号灯的相对位置相同。

进一步的，获取所述交通信号灯在所述彩色拍摄图像上的位置，即完成了对所述交通信号灯定位，然后对所述彩色拍摄图像对所述交通信号灯的位置处的颜色进行匹配，根据匹配的结果获取对应的交通信号灯的状态，在一种可能的实现方式中，所述位置信息为位置框，采用聚类算法对所述位置框中的像素点进行聚类，聚类的依据时所述像素点的颜色信息，使具有相同颜色信息的像素点组成一类，将所得的每一类的颜色信息与所述交通信号灯工作时可能存在的颜色信息进行匹配以确定所述交通信号灯当前的颜色，再根据所述交通信号灯当前的颜色确定所述交通信号灯当前的指示状态信息。

下面以所述交通信号灯为红绿灯为例进行说明，完成对所述红绿灯的定位后，根据所述彩色拍摄图像对所述红绿灯的位置处的颜色进行匹配，由于红绿灯在同一时刻只会有一种颜色的灯亮，根据所述颜色匹配的结果可以确定当前颜色对应的红绿灯的状态，例如颜色匹配的结果为红色，对应的指示状态信息为停止通行，再例如颜色匹配的结果为绿色，对应的指示状态信息为允许通行等。

本申请实施例提供了一种交通信号灯的识别方法，所述方法首先获取含有交通信号灯的彩色拍摄图像；然后将所述彩色拍摄图像转化为灰度图，由于灰度图中只包含有亮度信息而不包含颜色信息，因此所述灰度图所包含的数据信息量少于所述彩色拍摄图像，可以缩短图像处理的耗时，同时灰度图中的所述交通信号灯的轮廓比在所述彩色拍摄图中的轮廓像更为明显，相对于彩色拍摄图像更能够表征所述交通信号灯的形态特征，使得以后步骤中对所述交通信号灯进行位置提取时更加准确；接着获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息，实现了对所述交通信号灯的准确定位；最后根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的状态信息。

利用本申请实施例提供的方法，能够实现交通信号灯的准确定位进而准确的识别交通信号灯的状态。

实施例二：

基于实施例一所述的方法，本申请实施例二还提供了另一种交通信号灯的识别方法，下面结合附图具体说明。

参见图2，该图为本申请实施例二提供的另一种交通信号灯的识别方法的流程图。

本申请实施例所述方法包括以下步骤：

S101：获取含有交通信号灯的彩色拍摄图像。

S102：将所述彩色拍摄图像转化为灰度图。

S103a：向预设深度学习模型中输入所述灰度图，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓并获取所述交通信号灯在所述灰度图中的位置信息。

所述位置信息为所述交通信号灯的位置框，所述位置框表征着所述交通信号灯的位置区域。

S103b：选择与当前车道匹配的交通信号灯的位置信息。

考虑到当交通路口的各侧的车道数目较多时，车辆前方的可能存在多个交通信号灯，所述彩色拍摄图像中可能或包含有多个交通信号灯，因此可能会出现存在多个位置框的情况，为了避免由于所述彩色拍摄图像中包含多个交通信号灯而导致颜色匹配错误，在进行颜色匹配前还需提前选择与当前车道匹配的交通信号灯的位置信息，排除其它位置上的交通信号灯的干扰。

S104a：对所述彩色拍摄图像处于所述位置框内的部分进行颜色匹配。

由于所述灰度图由所述彩色拍摄图像转化所得，转化过程中只涉及到每个像素点的颜色变化，因此根据所述位置信息可以在所述彩色拍摄图像上直接获取所述交通信号灯对应的位置，即无论在灰度图还是在所述彩色拍摄图像上，所述交通信号灯的相对位置相同。

对所述彩色拍摄图像对所述交通信号灯的位置处的颜色进行匹配时可以采用聚类算法，按照颜色对所述交通信号灯的所述位置框中的像素点进行聚类，将聚类所得的颜色同所述交通信号灯可以显示的颜色进行匹配以获取所述交通信号灯的当前颜色。

S104b：对所述颜色匹配的结果进行状态匹配以获取所述交通信号灯当前的状态信息。

对于交通信号灯而言，不同颜色的信号灯匹配不同的状态，例如红色信号灯匹配停止状态、绿色信号灯匹配通信状态等，因此还需对所述颜色匹配的结果进行状态匹配以获取所述交通信号灯当前的状态信息。

需要注意的是，本申请实施例所述方法的步骤并不构成对本申请的限定，可根据实际情况对上述步骤进行适当的调整，例如“S103b：选择与当前车道匹配的交通信号灯的位置信息”的作用是为了排除其它位置上的交通信号灯的干扰，可将S103b的与S101进行结合，并对S101做出适当修改，即“S101：获取与当前车道匹配的交通信号灯的彩色拍摄图像”，以使在确定交通信号灯的位置时所获得位置信息就是当前车道匹配的交通信号灯的位置信息，而不包含其它车道对应的交通信号灯的位置信息。

利用本申请实施例提供的方法，通过先对所述交通信号灯进行定位以获得其位置信息，再对所述位置包含的所述彩色拍摄图像进行颜色分类，将复杂的识别过程有效简化，实现了交通信号灯的快速定位并及时有效地识别交通信号灯的状态，此外，本申请实施例所述方法还能有效避免当所述彩色拍摄图像中存在多个交通信号灯时可能带来识别错误，进一步提升了对交通信号灯识别的准确性。

实施例三：

基于上述实施例提供的方法，本申请实施例三还提供了一种交通信号灯的识别装置，下面结合附图具体说明。

参见图3，该图为本申请实施例三提供的一种交通信号灯的识别装置结构图。

本申请实施例所述装置包括：第一获取单元301、转化单元302、第二获取单元303和第三获取单元304。

所述第一获取单元301，用于获取含有交通信号灯的彩色拍摄图像。

所述彩色拍摄图像为彩色图像，所述彩色拍摄图像采用RGB色彩模式，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。

所述第一获取单元301可以集成于车载摄像设备上，也可以集成在行车电脑上，本申请对此不作具体限定。

所述转化单元302，用于将所述彩色拍摄图像转化为灰度图。

所述第二获取单元303，所述第二获取单元，用于获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息

在一种可能的实现方式中，所述位置信息为所述交通信号灯的位置框。

所述第三获取单元304，用于根据所述位置信息与所述彩色拍摄图像确定所述交通信号灯当前的指示状态信息。

所述转化单元302、第二获取单元303和第三获取单元304可以集成于行车电脑上，也可以单独设置，本申请对此不作具体限定。

需要注意的是，本申请实施例中的“第一”、“第二”、“第三”只是为了方便说明，并不是对本申请实施例所述装置的限定。

本申请提供了一种交通信号灯的识别装置，所述装置利用第一获取单元获取含有交通信号灯的彩色拍摄图像；然后利用转换单元将所述彩色拍摄图像转化为灰度图，由于灰度图中只包含有亮度信息而不包含颜色信息，因此所述灰度图所包含的数据信息量少于所述彩色拍摄图像，可以缩短图像处理的耗时，同时灰度图中的所述交通信号灯的轮廓比彩色拍摄图像更为明显，相对于彩色拍摄图像更能够表征所述交通信号灯的形态特征，使得对所述交通信号灯进行位置提取时更加准确；利用第二获取单元获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息，实现了对所述交通信号灯的准确定位；最后利用第三转换单元根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的状态信息。利用本申请实施例提供的装置，能够实现交通信号灯的准确定位进而准确的识别交通信号灯的状态。

实施例四：

本申请实施例四还提供了另一种交通信号灯的识别装置，下面结合附图具体说明。

参见图4，该图为本申请实施例四提供的另一种交通信号灯的识别装置结构图。

基于实施例三所述的交通信号灯的识别装置，本申请实施例所述第二获取单元，具体包括：位置获取子单元303a和选择子单元303b。

所述位置获取子单元303a，用于向预设深度学习模型中输入所述灰度图，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓并获取所述交通信号灯在所述灰度图中的位置信息。

所述选择子单元303b，用于选择与当前车道匹配的交通信号灯的位置信息。

本申请实施例所述第三获取单元，具体包括：颜色匹配子单元304a和状态匹配子单元304b。

所述颜色匹配子单元304a，用于对所述彩色拍摄图像处于所述位置框内的部分进行颜色匹配。

所述状态匹配子单元304b，用于对所述颜色匹配的结果进行状态匹配以获取所述交通信号灯当前的指示状态信息。

所述指示状态信息可以包括停止、准备和通行等。

利用本申请实施例提供的装置，将对于所述交通信号灯的识别转化为先对所述交通信号灯进行定位以获得其位置信息，再对所述位置包含的所述彩色拍摄图像进行颜色分类，将复杂的识别过程有效简化，实现了交通信号灯的快速定位并及时有效地识别交通信号灯的状态，此外，本申请实施例所述装置利用位置匹配子单元选择与当前车道匹配的交通信号灯的位置信息，能有效避免当所述拍摄图像中存在多个交通信号灯时可能带来识别错误，进一步提升了对交通信号灯识别的准确性。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (6)

1.一种交通信号灯的识别方法，其特征在于，所述方法包括：

获取含有交通信号灯的彩色拍摄图像；

将所述彩色拍摄图像转化为灰度图；

获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息；所述位置信息为所述交通信号灯的位置框；根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息；所述根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息包括：对所述彩色拍摄图像处于所述位置框内的部分进行颜色匹配；对所述颜色匹配的结果进行指示状态匹配以获取所述交通信号灯当前的指示状态信息。

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，所述获取所述交通信号灯在所述灰度图中的位置信息包括：

向预设深度学习模型中输入所述灰度图，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓并获取所述交通信号灯在所述灰度图中的位置信息。

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，若在所述彩色拍摄图像中获取到出多个所述交通信号灯的位置，所述方法还包括：

选择与当前车道匹配的交通信号灯的位置信息。

4.一种交通信号灯的识别装置，其特征在于，所述装置包括：第一获取单元、转化单元、第二获取单元和第三获取单元；

所述第一获取单元，用于获取含有交通信号灯的彩色拍摄图像；

所述转化单元，用于将所述彩色拍摄图像转化为灰度图；

所述第二获取单元，用于获取所述交通信号灯在所述灰度图中的位置信息，并根据所述交通信号灯在所述灰度图中的位置信息获取所述交通信号灯在所述彩色拍摄图像中的位置信息；所述位置信息为所述交通信号灯的位置框；

所述第三获取单元，用于根据所述交通信号灯在所述彩色拍摄图像中的位置确定所述交通信号灯当前的指示状态信息；

所述第三获取单元，具体包括：颜色匹配子单元和状态匹配子单元；

所述颜色匹配子单元，用于对所述彩色拍摄图像处于所述位置框内的部分进行颜色匹配；

所述状态匹配子单元，用于对所述颜色匹配的结果进行指示状态匹配以获取所述交通信号灯当前的指示状态信息。

5.根据权利要求4所述的交通信号灯的识别装置，其特征在于，所述第二获取单元，具体包括：位置获取子单元；

所述位置获取子单元，用于向预设深度学习模型中输入所述灰度图，通过所述深度学习模型识别所述交通信号灯在所述灰度图中的轮廓并获取所述交通信号灯在所述灰度图中的位置信息。

6.根据权利要求4所述的交通信号灯的识别装置，其特征在于，所述第二获取单元还包括：选择子单元；

所述选择子单元，用于选择与当前车道匹配的交通信号灯的位置信息。

Images