CN112069906A - 一种基于OpenCV和综合匹配距离的红绿灯识别方法 - Google Patents

一种基于OpenCV和综合匹配距离的红绿灯识别方法 Download PDF

Info

Publication number
CN112069906A
CN112069906A CN202010795417.7A CN202010795417A CN112069906A CN 112069906 A CN112069906 A CN 112069906A CN 202010795417 A CN202010795417 A CN 202010795417A CN 112069906 A CN112069906 A CN 112069906A
Authority
CN
China
Prior art keywords
image
tested
function
opencv
pixel points
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.)
Granted
Application number
CN202010795417.7A
Other languages
English (en)
Other versions
CN112069906B (zh
Inventor
张烨
陈威慧
樊一超
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010795417.7A priority Critical patent/CN112069906B/zh
Publication of CN112069906A publication Critical patent/CN112069906A/zh
Application granted granted Critical
Publication of CN112069906B publication Critical patent/CN112069906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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

Abstract

一种基于OpenCV和综合匹配距离的红绿灯识别方法，利用OpenCV中的cv2.VideoCapture类函数捕获行车过程中的路况视频流，接着调用cv2.VideoCapture.read函数、cv2.CAP_PROP_FRAME_WIDTH函数和cv2.CAP_PROP_FRAME_HEIGHT函数捕获width、height尺寸的视频帧；然后利用OpenCV中的cv2.medianBlur函数对捕获的视频帧进行中值滤波；紧接着对中值滤波后的图像进行加权平均灰度化，然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测。再然后对检测、分割到的圆环进行颜色检测，即把图像从RGB色彩空间转换到HSV色彩空间，接着利用cv2.inRange函数筛选颜色，然后通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值，构建衡量两幅图像相似度的综合匹配距离，最后通过比较计算出的所有综合匹配距离，选择最小综合匹配距离对应的待测试图像的类别为识别结果。

Description

一种基于OpenCV和综合匹配距离的红绿灯识别方法
技术领域
本发明涉及自动驾驶领域，具体涉及一种识别红绿灯的方法。
技术背景
在计算机技术的发展浪潮下，自动驾驶技术离人们越来越近，这也逐渐引发了人们对如何精准完成红绿灯识别问题的思考。目前，基于机器学习的识别方法算法较复杂、计算量较大，难以满足行车过程中的实时识别要求，而直接提取彩色图像的红色分量和绿色分量用于识别的方法，易受外界条件的影响，如相机的成像质量和环境的光照等。打造智慧城市，借助科学技术识别交通灯，提高驾驶员的安全驾驶指数，不断深化对智慧城市中的红绿灯识别问题的研究显得尤为必要。
发明内容
针对现有技术的上述问题，本发明提出一种基于OpenCV和综合匹配距离的红绿灯识别方法。
本发明首先利用OpenCV中的cv2.VideoCapture类函数捕获行车过程中的路况视频流，接着调用cv2.VideoCapture.read函数、cv2.CAP_PROP_FRAME_WIDTH函数和cv2.CAP_PROP_FRAME_HEIGHT函数捕获width、height尺寸的视频帧。然后利用OpenCV中的cv2.medianBlur函数对捕获的视频帧进行中值滤波。紧接着对中值滤波后的图像进行加权平均灰度化，然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测。再然后对检测、分割到的圆环进行颜色检测，即把图像从RGB色彩空间转换到HSV色彩空间，接着利用cv2.inRange函数筛选颜色，然后通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值，构建衡量两幅图像相似度的综合匹配距离，最后通过比较计算出的所有综合匹配距离，选择最小综合匹配距离对应的待测试图像的类别为识别结果。
为实现上述目的，本发明采用以下技术方案：
一种基于OpenCV和综合匹配距离的红绿灯识别方法，包括如下步骤：
步骤一，捕获视频帧；
本发明利用OpenCV中的cv2.VideoCapture类函数从安装在车头用于拍摄前方路况的摄像设备实时读入视频流。同时通过利用cv2.CAP_PROP_FPS函数设置捕获每幅视频帧的帧速，然后调用cv2.VideoCapture.read函数和设置每个帧对象的width、height的cv2.CAP_PROP_FRAME_WIDTH函数、cv2.CAP_PROP_FRAME_HEIGHT函数完成视频帧捕获。
步骤二，对视频图像进行中值滤波；
利用OpenCV中的cv2.medianBlur函数对步骤一捕获的视频帧进行平滑操作，以减少图像中的噪声，避免后续步骤发生误判。
步骤三，霍夫圆环检测；
红绿灯通常为圆形灯，本发明对经过步骤二处理后的图像进行加权平均灰度化，然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测，即采用HOUGH_GRADIENT检测方法，同时令图像分辨率与圆心累加器分辨率的比率dp为1，maxRadius为
Figure BDA0002625360390000021
minRadius为
Figure BDA0002625360390000022
步骤四，颜色检测；
对步骤三检测、分割到的圆环进行颜色检测，具体流程如下：
(1)将图像从RGB色彩空间转换到HSV色彩空间；
在HSV色彩模型中，图像的取色变得更加直观，同时可以提高目标识别与检测的鲁棒性，获得更为精准的检测结果。本发明通过调用OpenCV中的cv2.cvtColor函数将图像RGB格式转换为HSV格式。
(2)利用cv2.inRange函数筛选颜色；
在HSV色彩空间中，H通道对应着不同颜色，即各颜色的差异主要体现在H通道值的不同上。所以，通过对H通道值进行筛选，便能够筛选出特定的颜色。若待测试图像内像素点的像素值处于区间[lowerb,upperb]内，则输出图像中对应位置上的像素值为255，否则为0。
(3)计算待测试图像的非零像素点数；
首先设置区间[lowerb,upperb]为[0,10]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若输出图像的像素值全为0，即表明待测试图像不是红色信号灯，则更改区间[lowerb,upperb]为[50,70]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若输出图像的像素值全为0，即表明待测试图像不是绿色信号灯，则更改区间[lowerb,upperb]为[20,40]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若三个[lowerb,upperb]区间对应的输出图像的像素值均全为0，则将此待测试图像做报废处理。
(4)构建衡量两幅图像相似度的综合匹配距离；
本发明通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值，构建衡量两幅图像相似度的综合匹配距离。
根据图像非零像素点邻域梯度值以及梯度方向对非零像素点进行向量化后，本发明基于圆形领域计算待测试图像与数据库图像非零像素点向量之间的欧氏距离。对于待测试图像中的非零像素点I(x0,y0)，在数据库图像中构建以相同的坐标点(x0,y0)为圆心、r为半径的圆形邻域O，且邻域半径r的取值范围为
Figure BDA0002625360390000023
若数据库图像中在该圆形邻域内存在m个非零像素点，则分别计算待测试图像中的非零像素点向量i与数据库图像中这m个非零像素点向量j之间的欧氏距离，即有：
Figure BDA0002625360390000024
其中，dij为待测试图像中的非零像素点向量i与数据库图像中的非零像素点向量j之间的欧氏距离；k为每幅图像非零像素点向量的向量维数；i∈[1,N1]，j∈[1,N2]，且N1为待测试图像中的非零像素点数，N2为数据库图像中的非零像素点数。
在此基础上，融合待测试图像与数据库图像之间的非零像素点数比值，即有衡量两幅图像相似度的综合匹配距离D：
Figure BDA0002625360390000031
其中，d(t)为第t个非零像素点之间的欧氏距离。
Figure BDA0002625360390000032
作为权值对平均欧氏距离进行加权处理，描述了两幅图像之间的匹配程度。两幅图像之间的匹配程度越高，待测试图像的非零像素点数与数据库图像的非零像素点数越接近，该权值越小，因而最终的综合匹配距离越小。当待测试图像遍历数据库中所有训练图像之后，对计算出的所有综合匹配距离进行对比，最小综合匹配距离对应的待测试图像的类别即为识别结果。
步骤(2)所述的通过对H通道值进行筛选，筛选出特定的颜色，具体包括：在OpenCV中的HSV模式内，红色、绿色、黄色在H通道内的值分别为0、60和30。在提取各颜色时，通常将各颜色值附近的一个区间值作为提取范围，取该区间半径为10，故红色、绿色和黄色调用的cv2.inRange函数中的lowerb分别为0、50和20，upperb分别为10、70和40。
本发明的优点是：
本发明基于OpenCV和综合匹配距离，提出了一种识别红绿灯的方法。其突出特点有：本发明直接利用封装在OpenCV中的函数读取视频流、捕获视频帧、完成霍夫圆环检测以及进行交通灯颜色筛选，然后利用综合匹配距离获取识别结果，一方面可以有效杜绝基于机器学习的识别方法需要大量的训练样本和较长时间的离线学习且计算复杂的问题，另一方面可以避免因采用从RGB、HSI等颜色空间中直接提取彩色图像的红色分量和绿色分量，但彩色图像易受相机成像质量和环境光照的影响，导致颜色失真的不足，即本发明的算法设计简单高效、适应性强、识别结果精准，且不需要借助其他的辅助识别硬件，无形中降低了制造成本、使用成本。
附图说明
图1是本发明的流程图。
具体实施方式
为了验证本发明提出的方法的可行性和优越性，现结合应用场景和附图对本发明做进一步的阐述：
步骤一，捕获视频帧；
本发明利用OpenCV中的cv2.VideoCapture类函数从安装在车头用于拍摄前方路况的摄像设备实时读入视频流。同时通过利用cv2.CAP_PROP_FPS函数设置捕获每幅视频帧的帧速，然后调用cv2.VideoCapture.read函数和设置每个帧对象的width、height的cv2.CAP_PROP_FRAME_WIDTH函数、cv2.CAP_PROP_FRAME_HEIGHT函数完成视频帧捕获。
步骤二，对视频图像进行中值滤波；
利用OpenCV中的cv2.medianBlur函数对步骤一捕获的视频帧进行平滑操作，以减少图像中的噪声，避免后续步骤发生误判。
步骤三，霍夫圆环检测；
红绿灯通常为圆形灯，本发明对经过步骤二处理后的图像进行加权平均灰度化，然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测，即采用HOUGH_GRADIENT检测方法，同时令图像分辨率与圆心累加器分辨率的比率dp为1，maxRadius为
Figure BDA0002625360390000041
minRadius为
Figure BDA0002625360390000042
步骤四，颜色检测；
对步骤三检测、分割到的圆环进行颜色检测，具体流程如下：
(1)将图像从RGB色彩空间转换到HSV色彩空间；
在HSV色彩模型中，图像的取色变得更加直观，同时可以提高目标识别与检测的鲁棒性，获得更为精准的检测结果。本发明通过调用OpenCV中的cv2.cvtColor函数将图像RGB格式转换为HSV格式。
(2)利用cv2.inRange函数筛选颜色；
在HSV色彩空间中，H通道对应着不同颜色，即各颜色的差异主要体现在H通道值的不同上。所以，通过对H通道值进行筛选，便能够筛选出特定的颜色。在OpenCV中的HSV模式内，红色、绿色、黄色在H通道内的值分别为0、60和30。在提取各颜色时，通常将各颜色值附近的一个区间值作为提取范围，本发明取该区间半径为10，故红色、绿色和黄色在本发明调用的cv2.inRange函数中的lowerb分别为0、50和20，upperb分别为10、70和40。若待测试图像内像素点的像素值处于区间[lowerb,upperb]内，则输出图像中对应位置上的像素值为255，否则为0。
(3)计算待测试图像的非零像素点数；
首先设置区间[lowerb,upperb]为[0,10]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若输出图像的像素值全为0，即表明待测试图像不是红色信号灯，则更改区间[lowerb,upperb]为[50,70]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若输出图像的像素值全为0，即表明待测试图像不是绿色信号灯，则更改区间[lowerb,upperb]为[20,40]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若三个[lowerb,upperb]区间对应的输出图像的像素值均全为0，则将此待测试图像做报废处理。
(4)构建衡量两幅图像相似度的综合匹配距离；
本发明通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值，构建衡量两幅图像相似度的综合匹配距离。
根据图像非零像素点邻域梯度值以及梯度方向对非零像素点进行向量化后，本发明基于圆形领域计算待测试图像与数据库图像非零像素点向量之间的欧氏距离。对于待测试图像中的非零像素点I(x0,y0)，在数据库图像中构建以相同的坐标点(x0,y0)为圆心、r为半径的圆形邻域O，且邻域半径r的取值范围为
Figure BDA0002625360390000051
若数据库图像中在该圆形邻域内存在m个非零像素点，则分别计算待测试图像中的非零像素点向量i与数据库图像中这m个非零像素点向量j之间的欧氏距离，即有：
Figure BDA0002625360390000052
其中，dij为待测试图像中的非零像素点向量i与数据库图像中的非零像素点向量j之间的欧氏距离；k为每幅图像非零像素点向量的向量维数；i∈[1,N1]，j∈[1,N2]，且N1为待测试图像中的非零像素点数，N2为数据库图像中的非零像素点数。
在此基础上，融合待测试图像与数据库图像之间的非零像素点数比值，即有衡量两幅图像相似度的综合匹配距离D：
Figure BDA0002625360390000053
其中，d(t)为第t个非零像素点之间的欧氏距离。
Figure BDA0002625360390000054
作为权值对平均欧氏距离进行加权处理，描述了两幅图像之间的匹配程度。两幅图像之间的匹配程度越高，待测试图像的非零像素点数与数据库图像的非零像素点数越接近，该权值越小，因而最终的综合匹配距离越小。当待测试图像遍历数据库中所有训练图像之后，对计算出的所有综合匹配距离进行对比，最小综合匹配距离对应的待测试图像的类别即为识别结果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.一种基于OpenCV和综合匹配距离的红绿灯识别方法，包括如下步骤：
步骤一，捕获视频帧；
利用OpenCV中的cv2.VideoCapture类函数从安装在车头用于拍摄前方路况的摄像设备实时读入视频流；同时通过利用cv2.CAP_PROP_FPS函数设置捕获每幅视频帧的帧速，然后调用cv2.VideoCapture.read函数和设置每个帧对象的width、height的cv2.CAP_PROP_FRAME_WIDTH函数、cv2.CAP_PROP_FRAME_HEIGHT函数完成视频帧捕获；
步骤二，对视频图像进行中值滤波；
利用OpenCV中的cv2.medianBlur函数对步骤一捕获的视频帧进行平滑操作，以减少图像中的噪声，避免后续步骤发生误判；
步骤三，霍夫圆环检测；
红绿灯通常为圆形灯，对经过步骤二处理后的图像进行加权平均灰度化，然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测，即采用HOUGH_GRADIENT检测方法，同时令图像分辨率与圆心累加器分辨率的比率dp为1，maxRadius为
Figure FDA0002625360380000011
minRadius为
Figure FDA0002625360380000012
步骤四，颜色检测；
对步骤三检测、分割到的圆环进行颜色检测，具体流程如下：
(1)将图像从RGB色彩空间转换到HSV色彩空间；
在HSV色彩模型中，图像的取色变得更加直观，同时可以提高目标识别与检测的鲁棒性，获得更为精准的检测结果；通过调用OpenCV中的cv2.cvtColor函数将图像RGB格式转换为HSV格式；
(2)利用cv2.inRange函数筛选颜色；
在HSV色彩空间中，H通道对应着不同颜色，即各颜色的差异主要体现在H通道值的不同上；所以，通过对H通道值进行筛选，筛选出特定的颜色；若待测试图像内像素点的像素值处于区间[lowerb,upperb]内，则输出图像中对应位置上的像素值为255，否则为0；
(3)计算待测试图像的非零像素点数；
首先设置区间[lowerb,upperb]为[0,10]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若输出图像的像素值全为0，即表明待测试图像不是红色信号灯，则更改区间[lowerb,upperb]为[50,70]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若输出图像的像素值全为0，即表明待测试图像不是绿色信号灯，则更改区间[lowerb,upperb]为[20,40]，若输出图像存在非零像素点，则计算图像的非零像素点数，然后进入步骤(4)；若三个[lowerb,upperb]区间对应的输出图像的像素值均全为0，则将此待测试图像做报废处理；
(4)构建衡量两幅图像相似度的综合匹配距离；
通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值，构建衡量两幅图像相似度的综合匹配距离；
根据图像非零像素点邻域梯度值以及梯度方向对非零像素点进行向量化后，基于圆形领域计算待测试图像与数据库图像非零像素点向量之间的欧氏距离；对于待测试图像中的非零像素点I(x0,y0)，在数据库图像中构建以相同的坐标点(x0,y0)为圆心、r为半径的圆形邻域O，且邻域半径r的取值范围为
Figure FDA0002625360380000021
若数据库图像中在该圆形邻域内存在m个非零像素点，则分别计算待测试图像中的非零像素点向量i与数据库图像中这m个非零像素点向量j之间的欧氏距离，即有：
Figure FDA0002625360380000022
其中，dij为待测试图像中的非零像素点向量i与数据库图像中的非零像素点向量j之间的欧氏距离；k为每幅图像非零像素点向量的向量维数；i∈[1,N1]，j∈[1,N2]，且N1为待测试图像中的非零像素点数，N2为数据库图像中的非零像素点数；
在此基础上，融合待测试图像与数据库图像之间的非零像素点数比值，即有衡量两幅图像相似度的综合匹配距离D：
Figure FDA0002625360380000023
其中，d(t)为第t个非零像素点之间的欧氏距离；
Figure FDA0002625360380000024
作为权值对平均欧氏距离进行加权处理，描述了两幅图像之间的匹配程度；两幅图像之间的匹配程度越高，待测试图像的非零像素点数与数据库图像的非零像素点数越接近，该权值越小，因而最终的综合匹配距离越小；当待测试图像遍历数据库中所有训练图像之后，对计算出的所有综合匹配距离进行对比，最小综合匹配距离对应的待测试图像的类别即为识别结果。
2.如权利要求1所述的基于OpenCV和综合匹配距离的红绿灯识别方法，其特征在于：步骤(2)所述的通过对H通道值进行筛选，筛选出特定的颜色，具体包括：在OpenCV中的HSV模式内，红色、绿色、黄色在H通道内的值分别为0、60和30。在提取各颜色时，通常将各颜色值附近的一个区间值作为提取范围，取该区间半径为10，故红色、绿色和黄色调用的cv2.inRange函数中的lowerb分别为0、50和20，upperb分别为10、70和40。
CN202010795417.7A 2020-08-10 2020-08-10 一种基于OpenCV和综合匹配距离的红绿灯识别方法 Active CN112069906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010795417.7A CN112069906B (zh) 2020-08-10 2020-08-10 一种基于OpenCV和综合匹配距离的红绿灯识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010795417.7A CN112069906B (zh) 2020-08-10 2020-08-10 一种基于OpenCV和综合匹配距离的红绿灯识别方法

Publications (2)

Publication Number Publication Date
CN112069906A true CN112069906A (zh) 2020-12-11
CN112069906B CN112069906B (zh) 2024-02-20

Family

ID=73662700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010795417.7A Active CN112069906B (zh) 2020-08-10 2020-08-10 一种基于OpenCV和综合匹配距离的红绿灯识别方法

Country Status (1)

Country Link
CN (1) CN112069906B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507951A (zh) * 2020-12-21 2021-03-16 北京百度网讯科技有限公司 指示灯识别方法、装置、设备、路侧设备和云控平台
CN113440843A (zh) * 2021-06-25 2021-09-28 咪咕互动娱乐有限公司 云游戏启动控制方法、装置、云服务器和终端设备
CN116402784A (zh) * 2023-03-29 2023-07-07 湖北工业大学 基于机器视觉的辅助对中方法、系统、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
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
CN107679508A (zh) * 2017-10-17 2018-02-09 广州汽车集团股份有限公司 交通标志检测识别方法、装置及系统
CN108550274A (zh) * 2018-04-04 2018-09-18 中国计量大学 一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法
CN110348289A (zh) * 2019-05-27 2019-10-18 广州中国科学院先进技术研究所 一种基于二值图的手指静脉识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CN107679508A (zh) * 2017-10-17 2018-02-09 广州汽车集团股份有限公司 交通标志检测识别方法、装置及系统
CN108550274A (zh) * 2018-04-04 2018-09-18 中国计量大学 一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法
CN110348289A (zh) * 2019-05-27 2019-10-18 广州中国科学院先进技术研究所 一种基于二值图的手指静脉识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507951A (zh) * 2020-12-21 2021-03-16 北京百度网讯科技有限公司 指示灯识别方法、装置、设备、路侧设备和云控平台
CN112507951B (zh) * 2020-12-21 2023-12-12 阿波罗智联(北京)科技有限公司 指示灯识别方法、装置、设备、路侧设备和云控平台
CN113440843A (zh) * 2021-06-25 2021-09-28 咪咕互动娱乐有限公司 云游戏启动控制方法、装置、云服务器和终端设备
CN113440843B (zh) * 2021-06-25 2023-12-08 咪咕互动娱乐有限公司 云游戏启动控制方法、装置、云服务器和终端设备
CN116402784A (zh) * 2023-03-29 2023-07-07 湖北工业大学 基于机器视觉的辅助对中方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN112069906B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN112069906B (zh) 一种基于OpenCV和综合匹配距离的红绿灯识别方法
TWI409718B (zh) 移動中車輛之車牌定位方法
CN104598883B (zh) 一种多摄像机监控网络中目标再识别的方法
CN113139521B (zh) 一种用于电力监控的行人越界标监测方法
CN111582216A (zh) 一种无人驾驶车载交通信号灯识别系统及方法
KR101409340B1 (ko) 교통 표지 인식 방법 및 그 시스템
Hechri et al. Automatic detection and recognition of road sign for driver assistance system
CN107240112B (zh) 一种复杂场景下个体x角点提取方法
EP3051461B1 (en) A computer implemented system and method for extracting and recognizing alphanumeric characters from traffic signs
US20230394829A1 (en) Methods, systems, and computer-readable storage mediums for detecting a state of a signal light
CN111832388B (zh) 一种车辆行驶中交通标志检测与识别方法及系统
CN108182691B (zh) 识别限速标志的方法、装置及车辆
Budianto Automatic License Plate Recognition: A Review with Indonesian Case Study
CN112241982A (zh) 一种图像处理方法、装置及机器可读存储介质
CN113989771A (zh) 一种基于数字图像处理的交通信号灯识别方法
CN112053407A (zh) 一种交通执法影像中基于ai技术的车道线自动检测方法
CN110969135A (zh) 自然场景中的车标识别方法
CN110688876A (zh) 一种基于视觉的车道线检测方法及装置
CN112613568B (zh) 基于可见光及红外多光谱图像序列的目标识别方法和装置
CN111583341B (zh) 云台像机移位检测方法
Liu et al. Real-time speed limit sign detection and recognition from image sequences
CN104077566B (zh) 基于颜色差分的卡口图片人脸检测方法
KR102178202B1 (ko) 신호등 검출 방법 및 장치
JP2018055591A (ja) 情報処理装置、情報処理方法およびプログラム
CN112710632A (zh) 一种玻璃微珠高低折射率检测方法及系统

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
GR01 Patent grant
GR01 Patent grant