CN112016344A - 信号指示灯的状态检测方法及装置、驾驶控制方法及装置 - Google Patents

信号指示灯的状态检测方法及装置、驾驶控制方法及装置 Download PDF

Info

Publication number
CN112016344A
CN112016344A CN201910450394.3A CN201910450394A CN112016344A CN 112016344 A CN112016344 A CN 112016344A CN 201910450394 A CN201910450394 A CN 201910450394A CN 112016344 A CN112016344 A CN 112016344A
Authority
CN
China
Prior art keywords
signal indicator
indicator lamp
image
characteristic value
state
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
Application number
CN201910450394.3A
Other languages
English (en)
Inventor
苏思畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201910450394.3A priority Critical patent/CN112016344A/zh
Priority to PCT/CN2020/091064 priority patent/WO2020238699A1/zh
Priority to KR1020217011238A priority patent/KR20210058931A/ko
Priority to SG11202102249UA priority patent/SG11202102249UA/en
Priority to JP2021513233A priority patent/JP2021536069A/ja
Publication of CN112016344A publication Critical patent/CN112016344A/zh
Priority to US17/159,352 priority patent/US20210150232A1/en
Pending legal-status Critical Current

Links

Images

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • B60W30/143—Speed control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Abstract

本公开涉及一种信号指示灯的状态检测方法及装置、驾驶控制方法及装置，所述信号指示灯的状态检测方法包括：检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域中包括至少一个具有不同显示状态的信号指示灯；基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；基于得到的所述多个类组确定所述信号指示灯的显示状态。本公开能够提高指示灯状态检测精度。

Description

信号指示灯的状态检测方法及装置、驾驶控制方法及装置
技术领域
本公开涉及计算机视觉领域，特别涉及一种信号指示灯的状态检测方法及装置、驾驶控制方法及装置。
背景技术
在自动驾驶或辅助驾驶过程中，需要对路口的交通灯进行交通灯状态的检测，自动驾驶车辆需要在各种环境干扰的路况下实时地检测到交通灯的位置及其状态才能很好地进行路径规划。因此，如何准确地对交通灯状态进行检测是自动驾驶中一个重要的课题。
发明内容
本公开实施例提供了一种信号指示灯的状态检测方案。
根据本公开的一方面，提供了一种信号指示灯的状态检测方法，其包括：
检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域中包括至少一个具有不同显示状态的信号指示灯；
基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；
基于得到的所述多个类组确定所述信号指示灯的显示状态。
在一些可能的实施方式中，所述基于得到的所述多个类组确定所述信号指示灯的显示状态，包括：
根据所述目标图像的图像采集设备中预设的参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心；
响应于存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第一状态。
在一些可能的实施方式中，所述方法还包括：
在根据所述参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心之后，响应于不存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第二状态。
在一些可能的实施方式中，采用以下步骤设定所述参考特征值：
利用所述图像采集设备拍摄色彩标定板，得到参考图像；
根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值。
在一些可能的实施方式中，所述根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值，包括：
将预设颜色区域内的像素点的色值确定为所述参考特征值；或者
对所述预设颜色区域内的像素点的色值执行归一化处理，得到所述参考特征值。
在一些可能的实施方式中，所述参考特征值包括红色状态的参考特征值、黄色状态的参考特征值以及绿色状态的参考特征值。
在一些可能的实施方式中，所述方法还包括：
在确定所述信号指示灯为第一状态的情况下，基于与所述参考特征值匹配的各个类中心对应的类组内的各像素点，确定各类组在所述目标区域中所形成的第一面积；
将第一面积最大的类组包含的像素点确定为所述信号指示灯包含的像素点；
基于第一面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述信号指示灯的显示颜色。
在一些可能的实施方式中，所述方法还包括：
在确定所述信号指示灯为第一状态的情况下，对与所述参考特征值匹配的类中心对应的类组内的各像素点进行聚类处理，得到多个新的类组；
确定所述新的类组的类中心所匹配的参考特征值，并确定各个新的类组中的各像素点在所述目标区域中所形成的第二面积；
将第二面积最大的类组包含的像素点确定为所述信号指示灯包含的像素点；
基于第二面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述信号指示灯的显示颜色。
在一些可能的实施方式中，所述确定所述目标区域内各像素点的第一特征值，包括：
将所述目标区域内各像素点的色值确定为所述第一特征值；或者
对所述目标区域内各像素点的色值执行归一化处理，得到所述第一特征值。
在一些可能的实施方式中，所述基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组，包括：
通过K-均值聚类算法，对所述目标区域内的各像素点进行聚类，得到预设数目个类组。
根据本公开的第二方面，提供了一种驾驶控制方法，其包括：
通过智能驾驶设备上的图像采集设备采集道路图像；
将所述道路图像作为目标图像执行本公开的第一方面中的任一信号指示灯的状态检测方法，得到所述道路图像中的信号指示灯的显示状态；
根据所述道路图像中的信号指示灯的显示状态，生成控制所述智能行驶设备的控制指令并输出，以控制所述智能驾驶设备。
在一些可能的实施方式中，所述控制指令包括以下至少之一：速度保持控制指令、速度调整控制指令、方向保持控制指令、方向调整控制指令、预警提示控制指令、驾驶模式切换控制指令。
根据本公开的第三方面，提供了一种信号指示灯的状态检测装置，其包括：
检测模块，其用于检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域中包括至少一个具有不同显示状态的信号指示灯；
聚类模块，其用于基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；
确定模块，其用于基于得到的所述多个类组确定所述信号指示灯的显示状态。
在一些可能的实施方式中，所述确定模块，用于根据获取所述目标图像的图像采集设备中预设的参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心；
响应于存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第一状态。
在一些可能的实施方式中，所述确定模块还用于在根据所述参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心之后，响应于不存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第二状态。
在一些可能的实施方式中，所述装置还包括设定模块，其用于利用所述图像采集设备拍摄色彩标定板，得到参考图像；
根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值。
在一些可能的实施方式中，所述设定模块，用于：
利用所述图像采集设备拍摄色彩标定板，得到参考图像；
将预设颜色区域内的像素点的色值确定为所述参考特征值；或者，对所述预设颜色区域内的像素点的色值执行归一化处理，得到所述参考特征值。
在一些可能的实施方式中，所述参考特征值包括红色状态的参考特征值、黄色状态的参考特征值以及绿色状态的参考特征值。
在一些可能的实施方式中，所述确定模块还用于在确定所述信号指示灯为第一状态的情况下，基于与所述参考特征值匹配的各个类中心对应的类组内的各像素点，确定各类组在所述目标区域中所形成的第一面积；
将第一面积最大的类组包含的像素点确定为所述信号指示灯包含的像素点；
基于第一面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述信号指示灯的显示颜色。
在一些可能的实施方式中，所述确定模块还用于在确定所述信号指示灯为第一状态的情况下，对与所述参考特征值匹配的类中心对应的类组内的各像素点进行聚类处理，得到多个新的类组；
确定所述新的类组的类中心所匹配的参考特征值，并确定各个新的类组中的各像素点在所述目标区域中所形成的第二面积；
将第二面积最大的类组包含的像素点确定为所述信号指示灯包含的像素点；
基于第二面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述信号指示灯的显示颜色。
在一些可能的实施方式中，所述检测模块，用于：
检测目标图像中的目标区域；
将所述目标区域内各像素点的色值确定为所述第一特征值；或者，对所述目标区域内各像素点的色值执行归一化处理，得到所述第一特征值。
在一些可能的实施方式中，所述聚类模块，用于通过K-均值聚类算法，对所述目标区域内的各像素点进行聚类，得到预设数目个类组。
根据本公开的第四方面，提供了一种驾驶控制装置，其包括：
图像采集设备，其安装在智能驾驶设备上，并用于采集道路图像；
信号指示灯状态检测模块，其用于将所述道路图像作为目标图像执行本公开的第一方面中任一项所述的信号指示灯的状态检测方法，得到所述道路图像中的信号指示灯的显示状态；
控制模块，其用于根据所述道路图像中的信号指示灯的显示状态，生成控制所述智能行驶设备的控制指令并输出，以控制所述智能驾驶设备。
在一些可能的实施方式中，所述控制指令包括以下至少之一：速度保持控制指令、速度调整控制指令、方向保持控制指令、方向调整控制指令、预警提示控制指令、驾驶模式切换控制指令。
根据本公开的第五方面，提供了一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行第一方面中任意一项所述的方法，或者执行第二方面中任意一项所述的方法。
本公开实施例可以检测图像中的信号指示灯所在的目标区域，能够对信号指示灯所在的目标区域的各像素点的特征值进行聚类处理，得到多个类组，从而根据该多个类组与参考特征值的匹配情况，得到信号指示灯的显示状态。本公开实施例在能够实现信号指示灯的显示状态的精确检测的前提下，不需要通过神经网网络执行显示状态的检测，一方面减少了网络训练的程序，另一方面还能够缩短信号指示灯的显示状态的检测时间。在自动驾驶领域，也可以通过本公开实施例确定交通灯的显示状态，进而提高自动驾驶的安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种信号指示灯的状态检测方法的流程图；
图2示出根据本公开实施例的一种信号指示灯的状态检测方法中步骤S30的流程图；
图3示出根据本公开实施例的一种信号指示灯的状态检测方法中获取参考特征值的流程图；
图4示出根据本公开实施例的一种信号指示灯的状态检测方法中步骤S34的流程图；
图5示出根据本公开实施例的一种信号指示灯的状态检测方法中步骤S34的另一流程图；
图6示出根据本公开实施例的信号指示灯的结构示意图；
图7示出根据本公开实施例提供的一种驾驶控制方法的流程图；
图8示出根据本公开实施例的一种信号指示灯的状态检测装置的框图；
图9示出根据本公开实施例的一种驾驶控制装置的框图；
图10示出根据本公开实施例的一种电子设备的框图；
图11示出根据本公开实施例的一种电子设备的另一框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供了一种信号指示灯的状态检测方法，该方法可以检测目标图像中的信号指示灯的显示状态。其中，本公开实施例的信号指示灯的状态检测方法可以应用在任意的图像采集和图像处理设备中，例如可以应用在摄像机、照相机、手机、计算机、PAD、智能手表、智能手环，或者服务器中，或者还可以应用在机器人、智能驾驶设备、导盲设备等，只要能够执行图像采集或者图像处理，即可以实现本公开实施例的方法，本公开的对此不作具体限定。
图1示出根据本公开实施例的一种信号指示灯的状态检测方法的流程图。其中，所述信号指示灯的状态检测方法可以包括：
S10：检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域包括至少一个具有不同显示状态的信号指示灯；
如上所述，本公开实施例的信号指示灯的状态检测方法可以实现目标图像中的信号指示灯(下述称为目标对象)的显示状态的检测，其中首先可以获取该目标图像。在一些可能的实施方式中，目标图像为通过图像采集设备采集的图像，例如可以在车辆、飞行器等自动驾驶或者辅助驾驶的设备中设置行车记录仪等图像采集设备，通过该图像采集设备可以采集行驶记录图像，该行驶记录图像可以为本公开实施例的目标图像。或者，也可以为从接收的视频图像中采样获得目标图像，也可以为从其他设备接收的目标图像，本公开对此不作具体限定。
在一些可能的实施方式中，在获得目标图像之后，可以通过步骤S10检测目标图像中目标对象所在的目标区域，其中目标对象可以包括信号指示灯，该信号指示灯可以包括引导行驶方向的直行、转弯的信号指示灯，或者也可以包括引导停止、行驶、等待的信号指示灯，也可以包括指示各种仪器设备的工作状态的信号指示灯，本公开对此不作一一举例说明。图6示出根据本公开实施例的信号指示灯的结构示意图，其中只是示例性举例说明各信号指示灯的类型，例如纵向排列的红绿灯，横向排列的红绿灯，或者方向指示灯，其中，图6中示出的目标对象可以包括三个指示灯，本公开实施例对于指示灯的数量可以为1个也可以为多个，对此不作具体限定，另外，信号指示灯可以具有不同的显示状态，如亮起或者不亮，或者也可以为亮起时具有不同的亮起颜色，如红色、黄色、绿色中的至少一种，或者在其他实施例中也可以包括其他亮起颜色或者其他显示状态。本公开实施例中，以目标对象为信号指示灯为例进行说明，在其他实施例中，只要目标对象具有不同的颜色或者不同的亮度等不同显示状态的情况，也可以作为本公开实施例的目标对象。
在一些可能的实施方式中，可以通过图像识别算法(非神经网络检测的方法)执行目标对象及其所在的目标区域的检测，或者也可以通过经过训练能够识别目标对象的神经网络来执行目标对象及其目标区域的检测，其中神经网络可以为卷积神经网络，或者，也可以通过接收的框选操作确定目标对象所在的目标区域，例如可以通过输入组件接收用户输入的触控操作(即框选操作)，基于所述触控操作所框选出的区域确定目标对象所在的目标区域。上述仅为示例性举例说明，在其他实施例中也可以通过其他方式确定目标对象所在的目标区域，本公开对此不做具体限定。
在确定了目标对象在目标图像中所在的目标区域时，可以获取该目标区域中各像素点对应的第一特征值，该第一特征值可以表示各像素点的像素值，具体可以为像素点所对应的各颜色通道的特征值。如本公开实施例中的目标图像可以为RGB图像(彩色图像)，则获取的各像素点的第一特征值可以为目标区域内各像素点的色值，色值是一种颜色在不同的颜色模式中所对应的颜色值，颜色模式是将一种颜色表现为数字形式的模型，或者说是一种记录图像颜色的方式，目前常用的颜色模式包括：RGB模式、CMYK模式、HSB模式、Lab颜色模式、位图模式、灰度模式、索引颜色模式、双色调模式和多通道模式，等等。因此，在RGB模式中，该色值可以包括R值、G值和B值。RGB模式也是目前最常用的颜色模式，以下示例中仅以RGB模式为例进行说明，对于采用其他颜色模式的信号指示灯的状态检测方法与采用RGB模式的信号指示灯的状态检测方法类似，在此不再赘述。另外，在目标图像为其他形式的图像时，可以通过空间转换的方式，将其他形式的图像转换成RGB图像，例如将YUV形式的图像转换成RGB形式的图像，进而获得各像素点的第一特征值。其中本公开实施例对图像转换的方式不做具体限定。
在一些可能的实施方式中，目标区域内各像素点的第一特征值也可以为经过归一化处理后的色值，即本公开实施例可以在获取目标图像的目标区域内各像素点的色值(R值、G值和B值)之后，可以对获得的R值、G值和B值执行归一化处理，从而可以减少噪声，减少第一特征值由于噪声的引入所带来的差异，从而提高聚类精度以及显示状态的显示精度。其中，归一化处理的方式可以包括分别将R值、G值和B值与一标准值做除法运算，得到R值、G值和B值的归一化处理结果。其中，标准值可以根据需求确定，一般可以按照目标图像各像素点的灰度级确定，如可以将目标图像的最大像素值确定为该标准值。例如目标区域内一像素点的RGB可以表示为(255,0,0)，标准值为255，则归一化的结果可以为(1,0,0)。
S20：基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；
本公开实施例中，在获得了目标区域内各像素点的第一特征值的情况下，可以根据获得的第一特征值对各像素点进行聚类，得到不同颜色状态的类组。
在一些可能的实施方式中，可以将各像素点的第一特征值映射到色值所对应的三维空间，以色值为RGB为例，即可以将各像素点的第一特征值映射到RGB三维空间中，可以将RGB值视作RGB三维空间上的坐标点，例如对于第一特征值为(1,0,0)的像素点，该点可以位于R轴上，并且在R轴上的坐标值为1。以此类推，可以得到每个像素点在RGB空间中的位置，进而根据各第一特征值在RGB空间中的位置对各像素点进行聚类处理。
在一些可能的实施方式中，可以采用K均值聚类算法执行各像素点的聚类处理。K均值聚类算法可以先从目标区域内各像素点的第一特征值中随机选取K(K为大于1的整数)个对象(第一特征值)作为初始的聚类中心，聚类中心的个数与预先设定的类组数相同。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类(类组)。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目的)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化。通过上述方式，即可以完成各像素点的聚类，得到设定的类组数的多个类组。其中，通过K均值聚类处理后，在得到了多个类组的同时还能够确定类组的类中心(聚类中心)。
本公开实施例中，通过上述聚类处理可以将第一特征值距离相近的像素点分配到一个类组(聚类)中，该过程可以实现相同颜色的各像素点的聚类处理。
S30：基于得到的所述多个类组确定所述信号指示灯的显示状态。
如上所述，本公开实施例通过步骤S20可以执行针对相同颜色的像素点的聚类处理，通过聚类处理得到的不同类组可以表示成不同颜色的像素点的聚类。因此，可以根据各个聚类代表的颜色确定目标区域中目标对象的显示状态。其中，目标对象可以为信号指示灯，对应的本公开实施例中目标对象的显示状态可以包括第一状态和第二状态，第一状态为存在信号指示灯亮起的状态，第二状态为不存在信号指示灯亮起的状态，以及在第一状态下，还可以进一步确定亮起的指示灯的颜色。
图2示出根据本公开实施例的一种信号指示灯的状态检测方法中步骤S30的流程图，其中，所述基于得到的所述多个类组确定所述目标对象的显示状态，可以包括：
S31：根据每个类组的类中心对应的第一特征值与参考特征值，确定是否存在与参考特征值匹配的类中心；
在一些可能的实施方式中，可以设置有多个颜色状态的参考特征值，同样的，每个参考特征值可以具有相应颜色的色值，如RGB值，并可以将该参考特征值映射到色值空间中，从而可以根据该参考特征值对应的色值与各类组的类中心之间的距离确定类中心是否与参考特征值匹配。其中，对于目标对象为信号指示灯的情况，设置的参考特征值可以包括：红色状态的参考特征值、黄色状态的参考特征值以及绿色状态的参考特征值。各参考特征值可以表示成RGB空间中的一个坐标点，各坐标值为相应的RGB值。
通过将聚类处理得到的各类组的类中心与参考特征值进行比较，可以确定类中心是否与参考特征值匹配，即相应类组的颜色是否与参考特征值对应的颜色匹配。
在一些可能的实施方式中，在一类中心与一参考特征值之间的距离小于距离阈值时，可以确定该类中心与该参考特征值匹配，即该类中心对应的类组的颜色与该参考特征值对应的颜色匹配，也就是说，目标区域可能存在该颜色的高亮显示状态，如指示灯亮起的状态。如果对于全部的类组的类中心，都不存在与类中心匹配的参考特征值，即每个类中心与各参考特征值之间的距离都大于或者等于距离阈值，此时说明目标区域中的目标对象并不存在与各参考特征值对应的颜色的亮起状态，即没有与参考特征值对应的颜色被高亮显示，即不存在信号指示灯亮起。
S32：响应于存在与所述参考特征值匹配的类中心，确定所述目标对象为第一状态；
如上述所述，在存在一类中心与参考特征值之间的距离小于距离阈值时，可以确定为存在与所述参考特征值匹配的类中心，此时可以判断为目标区域的目标对象为第一状态，即存在参考特征值对应的颜色的高亮显示的状态，此时为可能存在指示灯亮起的状态。
S33：响应于不存在与所述参考特征值匹配的类中心，确定所述目标对象为第二状态；
如上述所述，在对于全部的类组的类中心的第一特征值，与任意的参考特征值之间的距离都大于或者等于距离阈值时，可以确定为不存在与所述参考特征值匹配的类中心，此时可以判断为目标区域的目标对象为第二状态，即不存在参考特征值对应的颜色的高亮显示状态，此时为不存在信号指示灯亮起的状态。
S34：根据所述第一状态或者所述第二状态，确定所述目标对象的显示状态。
在一些可能的实施方式中，在确定目标对象为第二状态时，目标对象的显示状态即为不存在任意参考特征值对应的颜色的高亮显示，即不存在信号指示灯亮起的状态。
在一些可能的实施方式中，在确定目标对象为第一状态时，目标对象的显示状态即为存在与参考特征值对应的颜色的高亮显示，如存在指示灯亮起的状态。
通过本公开实施例可以确定信号指示灯的第一状态和第二状态，其中在第二状态的情况下，可以确定该目标区域内的信号指示灯均未亮起，此时可以检测出该处的信号指示灯为故障的指示灯(因为在正常情况下，信号指示灯中一定有一个指示灯是亮的)。另外，为了提醒相关部门该处指示灯的故障情况，还可以在确定目标图像的信号指示灯处于第二状态的情况下，上报该故障信息。例如将目标图像、目标图像对应的位置信息、目标图像的第二状态一起传送给预设的存储地址(例如交通部门的通信地址)，上报该故障信息，从而方便有关部门的人员对信号指示灯进行检修，提高交通安全性。
另外，本公开实施例中的各颜色对应的参考特征值，如参考RGB值可以通过设定的RGB值确定。其中可以将标准状态下红色颜色的RGB值确定为红色的参考特征值，将标准状态下黄色颜色的RGB值确定为黄色的参考特征值，将标准状态下绿色颜色的RGB值确定为绿色的参考特征值。
在另一些实施方式中，也可以通过图像采集设备拍摄彩标定板，进而得到该图像采集设备对应的各颜色的参考特征值。图3示出根据本公开实施例的一种信号指示灯的状态检测方法中获取参考特征值的流程图。所述获取所述参考特征值的步骤，包括：
S41：利用获取所述目标图像的图像采集设备拍摄色彩标定板，得到参考图像；
在一些可能的实施方式中，色彩标定板可以为具有不同颜色的彩色样本，通过采集目标图像的图像采集设备拍摄该色彩标定板可以得到针对该色彩标定板的参考图像。
S42：根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值。
由于参考图像中可以包括多个颜色区域，因此，可以获取各颜色区域内的像素点的色值(如RGB值)，本公开实施例可以将相应区域内所有像素点的色值的均值作为该颜色区域对应的参考特征值，即该颜色的参考特征值。
同样的，与第一特征值的获取方式类似，也可以对相应颜色区域的色值的均值做归一化处理，得到该颜色的参考特征值。归一化处理方式与上述说明相同，例如将色值的均值除以灰度级或者其他标准值，得到归一化的参考特征值，具体过程在此不作重复赘述。
通过上述实施例，可以得到针对图像采集设备对各个颜色的参考特征值,使得后续流程基于此参考特征值进行后续的逻辑处理，即类中心与参考特征值的匹配处理，减少由于图像采集设备的参数对颜色的像素的影响。同时还可以适应用于各种类型的图像采集设备，减少图像采集设备采集的图像之间的颜色偏差。
在一些可能的实施方式中，在确定目标对象为第一状态时，还可以进一步确定指示灯亮起的颜色。
图4示出根据本公开实施例的一种信号指示灯的状态检测方法中步骤S34的流程图，其中，所述根据所述第一状态或者所述第二状态，确定所述目标对象的显示状态，包括：
S3401：在确定所述目标对象为第一状态的情况下，基于与所述参考特征值匹配的类中心对应的类组内的各像素点，确定该类组在所述目标区域中所形成的第一面积；
在一些可能的实施方式中，在确定目标对象为第一状态的情况下，可以得到与参考特征值匹配的类中心对应的类组内的像素点在目标区域中形成的区域的第一面积。如可以将与参考特征值匹配的类中心对应的像素点重新映射到目标区域中，确定出该类组的像素点在目标区域中构成的第一面积。本公开实施例可以根据积分的方式确定第一面积，或者也可以通过其他方式得到第一面积，本公开对此不作具体限定。
S3402：基于第一面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述目标对象的显示颜色。
由于与参考特征值匹配的类中心可能存在多个，因此可能得到至少一个类组对应的第一面积，此时，本公开实施例可以将第一面积最大且该第一面积大于面积阈值的类组对应的参考特征值的颜色，确定为目标区域中目标对象的显示颜色。通过该方式可以简单方便的确定目标区域中亮起的信号指示灯的颜色。其中，本公开实施例可以根据需求设定相应的面积阈值，本公开对此不作具体限定。
或者，在本公开的另一些实施例中，也可以对重新映射到目标区域内的各像素点执行进一步的聚类处理，得到新的多个类组，并进一步确定目标对象的显示颜色，即亮起的指示灯的颜色。通过该种方式可以提高显示颜色的检测精度。
图5示出根据本公开实施例的一种信号指示灯的状态检测方法中步骤S34的另一流程图，其中所述根据所述第一状态或者所述第二状态，确定所述目标对象的显示状态，还可以包括：
S3411：在确定所述目标对象为第一状态的情况下，对与所述参考特征值匹配的类中心对应的类组内的各像素点执行聚类处理，得到多个新的类组；
如上述实施例所述，本公开实施例可以将确定的与参考特征匹配的类中心的对应的类组内的各像素点重新映射到目标区域中，并可以对所有重新映射的像素点重新执行聚类处理。
其中，同样可以基于各重新映射的像素点的第一特征值执行聚类处理，如也可以执行K均值聚类处理，其中，步骤S20中聚类处理中设定的聚类的组数和本步骤中聚类处理设定的类组的组数可以相同，也可以不同，一般可以设置成大于或者等于3的数值。
在基于各重新映射的像素点的第一特征值执行该重新映射的各像素点的聚类处理后，可以得到多个新的类组，该新的类组可以包括至少一个重新映射到目标区域内的像素点，通过该步骤可以实现步骤S20得到的与参考特征值匹配的各类组内的像素点的重新聚类，形成新的类组，基于此同样也可以得到各新的类组的类中心，本公开对该过程不作具体限定。
S3412：确定所述新的类组的类中心所匹配的参考特征值，并确定新的类组中的各像素点在所述目标区域中所形成的第二面积；
S3413：基于第二面积最大的新的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述目标对象的显示颜色。
在一些可能的实施方式中，在得到多个新的类组之后，可以重新确定各新的类组的类中心所匹配的参考特征值，该步骤中，可以将与各新的类组的类中心距离最近的参考特征值对应的颜色，确定为该新的类组对应的颜色。
并且，本公开实施例中，还可以基于各新的类组内的像素点确定相应的新的类组所构成的第二面积，如可以确定各新的类组内各像素点所围成的区域，并进一步确定该区域的第二面积，即为相应的新的类组的第二面积。
在得到各新的类组的第二面积之后，可以从中选择出第二面积最大的新的类组。进而可以将第二面积最大且大于面积阈值的新的类组的类中心所匹配的参考特征值对应的颜色，确定为目标对象的显示颜色。
通过上述实施例，可以得到第二面积最大的新的类组所对应的参考特征值的颜色，可以将该显示颜色确定为目标对象的显示颜色。通过对能够匹配到与参考特征值的类组内的像素点重新聚类，由于该重新聚类的过程只是针对步骤S20中能够匹配到参考特征值的类组内的像素点重新聚类，可以减少其他像素点的影响，提高重新聚类得到的类组的精度，以及提高相应颜色的匹配度。
综上所述，本公开实施例提供了一种能够精确的检测信号指示灯的显示状态的技术方案，其中通过检测图像中的目标对象(信号指示灯)所在的目标区域，并对目标对象所在的目标区域内的各像素点的特征值进行聚类处理，得到多个聚类，从而根据该多个类组与参考特征值的匹配情况，得到的目标对象的显示状态。通过上述聚类处理，可以将具有相同显示状态的相似点确定为一个聚类，通过进一步的对各聚类(类组)进行分析准确的确定出目标对象的显示状态，可以信号指示灯背景干扰的鲁棒性。
另外，本公开实施例还提供了一种智能驾驶控制方法，该智能驾驶控制方法可以应用在智能驾驶设备中，例如可以应用在智能驾驶车辆(包括自动驾驶和高级辅助驾驶系统)、飞行器、机器人以及导盲设备等设备中。本公开对于智能驾驶设备的类型不作具体限定，只要能够结合信号指示灯的显示状态执行驾驶控制的设备，即可以作为本公开实施例的应用主体。
图7示出根据本公开实施例提供的一种驾驶控制方法的流程图，其中所述驾驶控制方法可以包括：
S100：通过智能驾驶设备上的图像采集设备采集道路图像；
在智能驾驶设备中可以设置有图像采集设备，该图像采集设备可以实时的采集形式过程中的智能驾驶设备前方的道路图像，从而可以采集到包括信号指示灯的道路图像。
S200：将所述道路图像作为目标图像执行如上述实施例所述的信号指示灯的状态检测方法，得到所述道路图像中的信号指示灯的显示状态；
在得到道路图像之后，可以采用上述信号指示灯的状态检测方法检测道路图像中包括的信号指示灯的显示状态，具体过程不再重复，可以参见上述实施例的检测过程。
S200：根据所述道路图像中的信号指示灯的显示状态，生成控制所述智能行驶设备的控制指令并输出，以控制所述智能驾驶设备。
在得到道路图像中包括的信号指示灯的显示状态之后，可以根据该显示状态执行智能行驶设备的行驶参数的控制，即生成控制智能行驶设备的控制指令。控制指令包括以下至少之一：用于保持形式速度的速度保持控制指令、用于调整行驶速度的速度调整控制指令、用于保持行驶方向的方向保持控制指令、用于调整行驶方向的方向调整控制指令、用于执行预警(如红灯预警、转弯预警等)的预警提示控制指令、驾驶模式切换控制指令。其中，执行聚类处理的参考特征值的颜色可以包括红色参考特征值、绿色参考特征值以及黄色参考特征值，例如，在确定信号指示灯中的红灯亮起时，可以对应的减速或者停止。在确定信号指示灯中的绿灯亮起时，表示可以直行通过，或者，在其他的实施方式中，还可以根据转向指示灯的亮起颜色确定行驶方向、选择车道以及行驶速度中的至少一种。
通过上述实施例可以基于识别的信号灯的显示状态，执行智能驾驶设备的驾驶参数的控制，由于得到的信号灯的显示状态准确性，能够提高智能驾驶设备的准确控制。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了信号指示灯的状态检测装置、驾驶控制装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种信号指示灯的状态检测方法或者驾驶控制方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图8示出根据本公开实施例的一种信号指示灯的状态检测装置的框图，如图8所示，所述信号指示灯的状态检测装置包括：
检测模块10，其用于检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域中包括至少一个具有不同显示状态的信号指示灯；
聚类模块20，其用于基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；
确定模块30，其用于基于得到的所述多个类组确定所述信号指示灯的显示状态。
在一些可能的实施方式中，所述确定模块还用于根据获取所述目标图像的图像采集设备中预设的参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心；
响应于存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第一状态。
在一些可能的实施方式中，所述确定模块，用于在根据所述参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心之后，响应于不存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第二状态。
在一些可能的实施方式中，所述装置还包括设定模块，其用于利用所述图像采集设备拍摄色彩标定板，得到参考图像；
根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值。
在一些可能的实施方式中，所述设定模块，用于：
利用所述图像采集设备拍摄色彩标定板，得到参考图像；
将预设颜色区域内的像素点的色值确定为所述参考特征值；或者，对所述预设颜色区域内的像素点的色值执行归一化处理，得到所述参考特征值。
在一些可能的实施方式中，所述参考特征值包括红色状态的参考特征值、黄色状态的参考特征值以及绿色状态的参考特征值。
在一些可能的实施方式中，所述确定模块还用于在确定所述信号指示灯为第一状态的情况下，基于与所述参考特征值匹配的各个类中心对应的类组内的各像素点，确定各类组在所述目标区域中所形成的第一面积；
将第一面积最大的类组包含的像素点确定为所述信号指示灯包含的像素点；
基于第一面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述信号指示灯的显示颜色。
在一些可能的实施方式中，所述确定模块还用于在确定所述信号指示灯为第一状态的情况下，对与所述参考特征值匹配的类中心对应的类组内的各像素点进行聚类处理，得到多个新的类组；
确定所述新的类组的类中心所匹配的参考特征值，并确定各个新的类组中的各像素点在所述目标区域中所形成的第二面积；
将第二面积最大的类组包含的像素点确定为所述信号指示灯包含的像素点；
基于第二面积最大的类组的类中心所匹配的参考特征值，确定所述目标区域内的所述信号指示灯的显示颜色。
在一些可能的实施方式中，所述检测模块，用于：
检测目标图像中的目标区域；
将所述目标区域内各像素点的色值确定为所述第一特征值；或者，对所述目标区域内各像素点的色值执行归一化处理，得到所述第一特征值。
在一些可能的实施方式中，所述聚类模块，用于通过K-均值聚类算法，对所述目标区域内的各像素点进行聚类，得到预设数目个类组。
图9示出根据本公开实施例的一种驾驶控制装置的框图；所述驾驶控制装置包括：
图像采集设备100，其安装在智能驾驶设备上，并用于采集道路图像；
信号指示灯状态检测模块200，其用于将所述道路图像作为目标图像执行第一方面中任一项所述的信号指示灯的状态检测方法，得到所述道路图像中的信号指示灯的显示状态；
控制模块300，其用于根据所述道路图像中的信号指示灯的显示状态，生成控制所述智能行驶设备的控制指令并输出，以控制所述智能驾驶设备。
在一些可能的实施方式中，所述控制指令包括以下至少之一：速度保持控制指令、速度调整控制指令、方向保持控制指令、方向调整控制指令、预警提示控制指令、驾驶模式切换控制指令。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图10，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图11示出根据本公开实施例的一种电子设备的另一框图。例如，电子设备1900可以被提供为一服务器。参照图11，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种信号指示灯的状态检测方法，其特征在于，包括：
检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域中包括至少一个具有不同显示状态的信号指示灯；
基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；
基于得到的所述多个类组确定所述信号指示灯的显示状态。
2.根据权利要求1所述的方法，其特征在于，所述基于得到的所述多个类组确定所述信号指示灯的显示状态，包括：
根据所述目标图像的图像采集设备中预设的参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心；
响应于存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第一状态。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在根据所述参考特征值和每个类组的类中心对应的第一特征值，确定是否存在与所述参考特征值匹配的类中心之后，响应于不存在与所述参考特征值匹配的类中心，确定所述信号指示灯为第二状态。
4.根据权利要求2或3所述的方法，其特征在于，采用以下步骤设定所述参考特征值：
利用所述图像采集设备拍摄色彩标定板，得到参考图像；
根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述参考图像中预设颜色区域内的像素点的色值，确定所述参考特征值，包括：
将预设颜色区域内的像素点的色值确定为所述参考特征值；或者
对所述预设颜色区域内的像素点的色值执行归一化处理，得到所述参考特征值。
6.根据权利要求2-5中任一项所述的方法，其特征在于，所述参考特征值包括红色状态的参考特征值、黄色状态的参考特征值以及绿色状态的参考特征值。
7.一种驾驶控制方法，其特征在于，包括：
通过智能驾驶设备上的图像采集设备采集道路图像；
将所述道路图像作为目标图像执行如权利要求1-6中任一项所述的信号指示灯的状态检测方法，得到所述道路图像中的信号指示灯的显示状态；
根据所述道路图像中的信号指示灯的显示状态，生成控制所述智能行驶设备的控制指令并输出，以控制所述智能驾驶设备。
8.一种信号指示灯的状态检测装置，其特征在于，包括：
检测模块，其用于检测目标图像中的目标区域，并确定所述目标区域内各像素点的第一特征值，所述目标区域中包括至少一个具有不同显示状态的信号指示灯；
聚类模块，其用于基于所述第一特征值对所述目标区域内的各像素点进行聚类处理，得到针对各像素点的多个类组；
确定模块，其用于基于得到的所述多个类组确定所述信号指示灯的显示状态。
9.一种驾驶控制装置，其特征在于，包括：
图像采集设备，其安装在智能驾驶设备上，并用于采集道路图像；
信号指示灯状态检测模块，其用于将所述道路图像作为目标图像执行如权利要求1-6中任一项所述的信号指示灯的状态检测方法，得到所述道路图像中的信号指示灯的显示状态；
控制模块，其用于根据所述道路图像中的信号指示灯的显示状态，生成控制所述智能行驶设备的控制指令并输出，以控制所述智能驾驶设备。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至6中任意一项所述的方法，或者执行权利要求7所述的方法。
CN201910450394.3A 2019-05-28 2019-05-28 信号指示灯的状态检测方法及装置、驾驶控制方法及装置 Pending CN112016344A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201910450394.3A CN112016344A (zh) 2019-05-28 2019-05-28 信号指示灯的状态检测方法及装置、驾驶控制方法及装置
PCT/CN2020/091064 WO2020238699A1 (zh) 2019-05-28 2020-05-19 信号指示灯的状态检测方法及装置、驾驶控制方法及装置
KR1020217011238A KR20210058931A (ko) 2019-05-28 2020-05-19 신호 표시등의 상태 검출 방법 및 장치, 운전 제어 방법 및 장치
SG11202102249UA SG11202102249UA (en) 2019-05-28 2020-05-19 State detection method and device for signal indicator, driving control method and device
JP2021513233A JP2021536069A (ja) 2019-05-28 2020-05-19 信号表示灯の状態検出方法及び装置、運転制御方法及び装置
US17/159,352 US20210150232A1 (en) 2019-05-28 2021-01-27 Method and device for detecting a state of signal indicator light, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910450394.3A CN112016344A (zh) 2019-05-28 2019-05-28 信号指示灯的状态检测方法及装置、驾驶控制方法及装置

Publications (1)

Publication Number Publication Date
CN112016344A true CN112016344A (zh) 2020-12-01

Family

ID=73501363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910450394.3A Pending CN112016344A (zh) 2019-05-28 2019-05-28 信号指示灯的状态检测方法及装置、驾驶控制方法及装置

Country Status (6)

Country Link
US (1) US20210150232A1 (zh)
JP (1) JP2021536069A (zh)
KR (1) KR20210058931A (zh)
CN (1) CN112016344A (zh)
SG (1) SG11202102249UA (zh)
WO (1) WO2020238699A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699773A (zh) * 2020-12-28 2021-04-23 北京百度网讯科技有限公司 交通灯识别方法、装置及电子设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113747636B (zh) * 2021-08-24 2022-04-19 安顺市成威科技有限公司 一种基于无线传感器技术的智慧路灯智能调控方法及云调控系统
CN114148252B (zh) * 2021-12-27 2023-12-29 一汽解放汽车有限公司 应用于车辆中的指示灯控制方法、装置、设备及介质
CN114359844B (zh) * 2022-03-21 2022-06-21 广州银狐科技股份有限公司 一种基于色彩识别的aed设备状态监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097657A (zh) * 2006-06-26 2008-01-02 上海宝信软件股份有限公司 基于视频图像处理的交通信号灯状态判定方法
CN104019901A (zh) * 2014-06-16 2014-09-03 哈尔滨工业大学 一种基于动态聚类方法的汽车仪表指示灯颜色检测方法
CN107527511A (zh) * 2016-06-22 2017-12-29 杭州海康威视数字技术股份有限公司 一种智能车辆行车提醒方法及装置
CN108681994A (zh) * 2018-05-11 2018-10-19 京东方科技集团股份有限公司 一种图像处理方法、装置、电子设备及可读存储介质
CN108961357A (zh) * 2017-05-17 2018-12-07 浙江宇视科技有限公司 一种交通信号灯过爆图像强化方法及装置
CN109116846A (zh) * 2018-08-29 2019-01-01 五邑大学 一种自动驾驶方法、装置、计算机设备和存储介质
CN109784317A (zh) * 2019-02-28 2019-05-21 东软睿驰汽车技术（沈阳）有限公司 一种交通信号灯的识别方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1220182A3 (en) * 2000-12-25 2005-08-17 Matsushita Electric Industrial Co., Ltd. Image detection apparatus, program, and recording medium
CN102785645B (zh) * 2012-04-20 2017-05-31 中兴通讯股份有限公司 一种判断交通灯的方法及终端
JP2013242686A (ja) * 2012-05-21 2013-12-05 Nissan Motor Co Ltd 信号機検出装置及び信号機検出方法
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
JP6679857B2 (ja) * 2015-04-02 2020-04-15 株式会社リコー 認識装置、認識方法及びプログラム
US10507807B2 (en) * 2015-04-28 2019-12-17 Mobileye Vision Technologies Ltd. Systems and methods for causing a vehicle response based on traffic light detection
JP6819996B2 (ja) * 2016-10-14 2021-01-27 国立大学法人金沢大学 交通信号認識方法および交通信号認識装置
JP6825299B2 (ja) * 2016-10-24 2021-02-03 株式会社リコー 情報処理装置、情報処理方法およびプログラム
CN109684900B (zh) * 2017-10-18 2021-03-02 百度在线网络技术（北京）有限公司 用于输出颜色信息的方法和装置
CN108108761B (zh) * 2017-12-21 2020-05-01 西北工业大学 一种基于深度特征学习的快速交通信号灯检测方法
CN109389838A (zh) * 2018-11-26 2019-02-26 爱驰汽车有限公司 无人驾驶路口路径规划方法、系统、设备及存储介质
US11087152B2 (en) * 2018-12-27 2021-08-10 Intel Corporation Infrastructure element state model and prediction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097657A (zh) * 2006-06-26 2008-01-02 上海宝信软件股份有限公司 基于视频图像处理的交通信号灯状态判定方法
CN104019901A (zh) * 2014-06-16 2014-09-03 哈尔滨工业大学 一种基于动态聚类方法的汽车仪表指示灯颜色检测方法
CN107527511A (zh) * 2016-06-22 2017-12-29 杭州海康威视数字技术股份有限公司 一种智能车辆行车提醒方法及装置
CN108961357A (zh) * 2017-05-17 2018-12-07 浙江宇视科技有限公司 一种交通信号灯过爆图像强化方法及装置
CN108681994A (zh) * 2018-05-11 2018-10-19 京东方科技集团股份有限公司 一种图像处理方法、装置、电子设备及可读存储介质
CN109116846A (zh) * 2018-08-29 2019-01-01 五邑大学 一种自动驾驶方法、装置、计算机设备和存储介质
CN109784317A (zh) * 2019-02-28 2019-05-21 东软睿驰汽车技术（沈阳）有限公司 一种交通信号灯的识别方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
余鑫亮 等,: "交通信号灯工作状态监视电路的设计", 《延安大学学报（自然科学版）》, vol. 28, no. 2, 30 June 2009 (2009-06-30), pages 60 - 61 *
周强，: "交通信号灯状态判别", 《电子技术应用》, vol. 2006, no. 12, 31 December 2006 (2006-12-31), pages 77 - 79 *
朴松昊 等,: "智能机器人", vol. 2012, 31 December 2012, 《哈尔滨工业大学出版社》, pages: 54 - 59 *
许正芳，: "城市交通信号运行状态自动检测与故障远程报警技术", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, vol. 2018, no. 12, 15 December 2018 (2018-12-15), pages 034 - 519 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699773A (zh) * 2020-12-28 2021-04-23 北京百度网讯科技有限公司 交通灯识别方法、装置及电子设备
CN112699773B (zh) * 2020-12-28 2023-09-01 阿波罗智联(北京)科技有限公司 交通灯识别方法、装置及电子设备

Also Published As

Publication number Publication date
KR20210058931A (ko) 2021-05-24
WO2020238699A1 (zh) 2020-12-03
SG11202102249UA (en) 2021-04-29
JP2021536069A (ja) 2021-12-23
US20210150232A1 (en) 2021-05-20

Similar Documents

Publication Publication Date Title
CN108764069B (zh) 活体检测方法及装置
CN112016344A (zh) 信号指示灯的状态检测方法及装置、驾驶控制方法及装置
US11321575B2 (en) Method, apparatus and system for liveness detection, electronic device, and storage medium
US10007841B2 (en) Human face recognition method, apparatus and terminal
US20210192239A1 (en) Method for recognizing indication information of an indicator light, electronic apparatus and storage medium
CN107539209B (zh) 控制车辆灯光的方法及装置
CN113344901A (zh) 涂胶缺陷检测方法、装置、存储介质及电子设备
CN107627969B (zh) 更换车身颜色的方法、装置及计算机存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN107025441B (zh) 肤色检测方法及装置
WO2022160638A1 (zh) 目标对象曝光方法、装置、存储介质、设备及程序
US20210200233A1 (en) Motion control method, apparatus and system
CN109255784B (zh) 图像处理方法及装置、电子设备和存储介质
EP3309711A1 (en) Vehicle alert apparatus and operating method thereof
CN112572281A (zh) 光强调节方法及装置、电子设备和存储介质
CN111104920A (zh) 视频处理方法及装置、电子设备和存储介质
WO2021136978A1 (en) Image processing method and apparatus, electronic device, and storage medium
CN107677377B (zh) 确定色温的方法及装置
AU2020309091B2 (en) Image processing method and apparatus, electronic device, and storage medium
CN111325701A (zh) 图像处理方法、装置及存储介质
EP3825894A1 (en) Method, device and terminal for performing word segmentation on text information, and storage medium
CN112187995A (zh) 光照补偿方法、光照补偿装置及存储介质
CN111832338A (zh) 对象检测方法及装置、电子设备和存储介质
CN114723715A (zh) 车辆目标检测方法、装置、设备、车辆及介质
CN113781429A (zh) 液晶面板的缺陷分类方法及装置、电子设备和存储介质

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