CN112101108A - 一种基于图形极点位置特征的左右转交通标志识别方法 - Google Patents

一种基于图形极点位置特征的左右转交通标志识别方法 Download PDF

Info

Publication number
CN112101108A
CN112101108A CN202010801739.8A CN202010801739A CN112101108A CN 112101108 A CN112101108 A CN 112101108A CN 202010801739 A CN202010801739 A CN 202010801739A CN 112101108 A CN112101108 A CN 112101108A
Authority
CN
China
Prior art keywords
image
max
contour
pole
point
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
CN202010801739.8A
Other languages
English (en)
Inventor
许方南
吴夏
韩旭龙
宋悦玮
喻子雨
李旭
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010801739.8A priority Critical patent/CN112101108A/zh
Publication of CN112101108A publication Critical patent/CN112101108A/zh
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
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图形极点位置特征的左右转交通标志识别方法，主要针对左右转标识，具体步骤为，使用单目摄像头获取RGB图像，转化为HSV颜色空间后进行颜色分割，得到二值化图像；通过连通域分析方法降噪。降噪后根据轮廓的质心到轮廓上各点距离的分布，判断该轮廓与圆的相似度，找到相似度较高的轮廓。筛选面积符合要求的圆形轮廓区域，确定标志牌所在位置，切割出圆形标志所在的矩形区域。将标志牌图像二值化处理后，利用轮廓面积关系找到交通标志里的左右转箭头，获取箭头轮廓的上下左右极点，根据极点间位置关系确定标识指示的方向。本发明既考虑到检测结果的准确性，又降低了硬件性能的要求，保证了处理能力较弱系统识别的实时性。

Description

一种基于图形极点位置特征的左右转交通标志识别方法
技术领域
本发明涉及一种图像处理技术，属于基于交通标识图形轮廓的特征量匹配技术领域，具体涉及一种基于图形极点位置特征的左右转交通标志识别方法。
背景技术
近年来智能驾驶的需求日益增加，交通要素识别的发展也是十分迅速。交通标识的识别通常以机器视觉为主，因此与图像处理的发展也紧密相关。基于卷积神经网络的标志识别方法已被广泛研究，效果好于传统方法，有高实时性、高准确性和鲁棒性等优点。但由于实际应用中智能驾驶系统硬件水平较为有限，对更高效的标志检测方法的研究仍在继续。
传统的识别方法有应用HSV空间颜色特征，形状特征，SURF，以及模板匹配等方法。由于道路环境复杂，标志的检测多为几种方法相结合。颜色特征和形状特征等计算量小处理速度快但鲁棒性差的方法，多为用于检测是否有标志牌或对标志牌进行分类；模板匹配等鲁棒性高但相对计算量大的方法，常用于在确定有标志牌或获取标志牌所在区域后再进行进一步识别。
本发明是基于处理能力弱的树莓派设计的，针对这种情况要保证实时性我们可以从如下两个方面入手：提高检测有无标志时的精度，减少误判带来的冗余的检测和识别过程所消耗的时间；提高识别时的效率，对标志牌的特征量进行更有针对性的提取和匹配。
发明内容
为实现上述措施，本发明采用技术方案如下：对图片进行颜色分割后进行降噪。在其中寻找轮廓面积在一定阈值范围且与圆相似度较高的圆形轮廓，以确定标志牌位置。提取切割后图像中标志牌，进行二值化处理。并根据标志牌内的图像轮廓面积判断其是否为左右转向标志牌。获取转向箭头轮廓上下左右四极点的坐标，根据位置关系判断转向的方向：
本发明一种基于图形极点位置特征的左右转交通标志识别方法包括如下步骤：
步骤一：总进程获取摄像头中对应的图像列表，读取图像列表里的图像。由于标志牌通常先出现在图像上半区，为了减少计算量提高实时性，截取每张图像中上半区，并通过消息列表的方式将截取的图像传入识别进程。
子步骤一：使用cvtColor()函数，函数设置参数为COLOR_BGR2HSV，将截取的RGB图像转化为HSV色域图像。
根据不同光线条件下的标志牌蓝色区域的色调、饱和度、明度的范围，设置颜色分割的上限[124,255,255]和下限[100,80,40]。通过判断每一像素颜色值是否在阈值内来对图像中的蓝色部分进行提取，得到初始二值化图像。
子步骤二：使用连通组件状态统计函数connectedComponentsWithStats()对初始二值化图像中的连通域进行分析，获取连通域个数、标号和对应的面积。
使用np.zero()函数生成一个与初始二值化图像大小相等的全零矩阵，全零矩阵用来充当背景图。
通过实验得知，标志牌可识别时在图中面积通常大于300像素，因此筛选连通域面积大于300像素的连通域，找到符合条件连通域的位置，并将背景图中对应区域位置的像素置为255。最终得到的背景图即为无损降噪后的图像。
步骤三：对降噪后图像中的每一轮廓使用距离质心算法，判断图像中是否有标志牌及标志牌位置。包含的具体步骤如下：
步骤一：使用cv2.findContours()函数，获取降噪图像中所有轮廓。
子步骤二：使用cv2.moments()函数对每一个轮廓进行矩分析，获得几何矩、中心矩和中心归一化矩，主要使用0阶几何矩M00和1阶几何矩M01，M10计算出轮廓的质心。其计算方法为：
Mji＝∑xy(P(x,y).xj.yi) (1)
式(1)中Mji表示i+j阶几何矩，P(x，y)为灰度或二值化图像在(x，y)处的取值。
计算轮廓质心坐标(x0,y0),用1阶矩除以0阶矩获得，计算方法具体为：
Figure BDA0002627647560000021
子步骤三：使用勾股定理计算轮廓上每一点到质心的距离Si，并存入数组。检索轮廓上的点到质心的距离最大值Smax，并将所有距离依次与最大距离做商，作为轮廓每一点的权重值Wi存入另一数组：
Figure BDA0002627647560000022
Figure BDA0002627647560000023
计算权重Wi与1的差，若圆形轮廓上第i个点到质心的距离与最大距离Smax近似，则当前点的权重Wi趋近于1。权重与1的差值趋近于0。计算所有差值的算术平均值，算术平均值越小轮廓越接近圆形。相似度阈值设为80％，则差值平均值应小于0.2。权重与1差值的算数平均值与设定的容错阈值相比较，若超出阈值则认为当前轮廓不是圆形轮廓。
子步骤四：标志牌在图中半径为15至60像素时可被识别，使用直接插入排序法获取图中半径小于60像素的最大圆形轮廓。通过记Smax最大的轮廓的Smax为max_distance，初始化max_distance＝0。若当前轮廓是圆形轮廓，Smax小于60像素大于15像素，即15<Smax<60，且当前轮廓Smax大于当前的max_distance时，则使max_distance＝Smax，并从原图中切割当前轮廓所在的最小矩形区域图像记为标志图像。
完成所有轮廓的Smax大小的比较后，最终切割提取的图像即为标志牌图像.
步骤四：判断标志牌区域是否含有左右转箭头图形。包含的具体步骤如下：
子步骤一：放缩标志图像至40*40像素，获取标志图像的灰度图像后，再以亮度200为阈值进行二值化。
子步骤二：找出二值化图像内的所有轮廓，使用boundingRect()函数获取当前轮廓的最小外接矩形，并计算当前轮廓外接矩形的面积Sarr。
标志牌二值化图像面积为1600像素，获取不同拍摄角度的标志牌二值化图像中箭头轮廓外接矩形的面积Sarr，计算可得Sarr通常大于30像素，且与标志图形外接矩形面积之比介于0.15和0.55之间。因此满足轮廓外接矩形面积大于30像素，即Sarr＞30，且轮廓外接矩形面积与图像面积之比在0.15和0.55之间，即
Figure BDA0002627647560000031
则认为当前轮廓为箭头。
若图中轮廓皆不满足上述要求，则得出结论当前获取的图像中没有左右转标志，回到进程开头，置为等待图像传入的状态。
步骤五：根据图形轮廓极点位置判断标志牌指示方向。包含的具体步骤如下：
子步骤一：记cnt为当前轮廓。使用代码cnt[:,:,0].argmin()获取轮廓上x方向最小值所在点的编号，根据编号确定该点坐标，记为左极点；使用代码cnt[:,:,0].argmax()获取轮廓上x方向最大值所在点的编号，根据编号确定该点坐标，记为右极点；使用代码cnt[:,:,1].argmin()获取轮廓上y方向最小值所在点的编号，根据编号确定该点坐标，记为上极点；使用代码cnt[:,:,0].argmax()获取轮廓上y方向最大值所在点的编号，根据编号确定该点坐标，记为下极点。
子步骤二：由左转标识图形轮廓极点的位置可做如下判断：
当左极点的横坐标小于下极点横坐标，且纵坐标小于下极点纵坐标时，认为左极点在下极点的左上方。当上极点的横坐标小于下极点横坐标，且纵坐标小于下极点纵坐标时，认为上极点在下极点的左上方。满足上述两条件，则认为当前标志为左转标志符，进程传出参数列表的左转标记置为true。
由右转标识图形轮廓极点的位置可做如下判断：
当右极点的横坐标大于下极点横坐标，且纵坐标小于下极点纵坐标时，认为右极点在下极点的右上方。上极点的横坐标大于下极点横坐标，且纵坐标小于下极点纵坐标时，认为上极点在下极点的右上方。满足上述两条件，则认为当前标志为右转标志符，进程传出参数列表的右转标记置为true。
若不符合上述情况，则回到进程开头，置为等待图像传入的状态。
本发明的有益效果为：
在路况较为简单的情况下，在保证一定的鲁棒性的情况下，大大提高了交通标志识别的实时性，使计算能力较弱的智能驾驶系统也能正常工作。
附图说明
图1是本发明的流程图；
图2是传入进程的上半张图像；
图3是颜色分割后的二值化图像；
图4是无损降噪后的二值化图像；
图5是提取放缩后的标志牌图像；
图6是标志牌二值化图像；
图7是标识图形轮廓外接矩形和标志牌二值化图像面积关系示意图；
图8是左转标识极点位置关系示意图；
图9是右转标识极点位置关系示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明需要主机载有python2.7及opencv3.0及以上的软件库。在单个主机控制智能驾驶系统的情况下，本发明应作为单独的线程或进程使用，与总控线程之间进行参数的传输。
智能驾驶系统搭载视觉传感器，主机在总控进程中获取图像，在将图像预处理后传给标志识别子进程，标志识别子进程通过颜色分割、降噪和特征量提取对当前图像进行判断和识别，得出是否有标志牌以及标志指示为左转还是右转，并传出用于决策运动的相关参数。
本发明中，dst为生成图像像素点灰度值；src为原灰度图像像素点灰度值；Mji为图像几何矩；x0为轮廓质心横坐标；y0为轮廓质心纵坐标；Si为轮廓某点到质心距离；为Sarr轮廓外接矩形面积。
如图1所示，本发明的具体步骤如下：
步骤一：总进程获取摄像头中对应的图像列表，读取图像列表里的图像。由于标志牌通常出现在图像上半区，为了减少计算量提高实时性，截取每张图像中上半区，并通过消息列表的方式将截取的图像传入识别进程。切割后图像如图2所示。
步骤二：根据颜色特征进行分割、无损降噪。包含的具体步骤如下：
子步骤一：使用cvtColor()函数，函数设置参数为COLOR_BGR2HSV，将截取的RGB图像转化为HSV色域图像。
根据不同光线条件下的标志牌蓝色区域的色调、饱和度、明度的范围，设置颜色分割的上限[124,255,255]和下限[100,80,40]。通过判断每一像素颜色值是否在阈值内来对图像中的蓝色部分进行提取，得到初始二值化图像。如图3所示。
子步骤二：使用连通组件状态统计函数connectedComponentsWithStats()对初始二值化图像中的连通域进行分析，获取连通域个数、标号和对应的面积。
使用np.zero()函数生成一个与初始二值化图像大小相等的全零矩阵，全零矩阵用来充当背景图。
通过实验得知，标志牌可识别时在图中面积通常大于300像素，因此筛选连通域面积大于300像素的连通域，找到符合条件连通域的位置，并将背景图中对应区域位置的像素置为255。最终得到的背景图即为无损降噪后的图像。如图4所示。
步骤三：对降噪图像中的每一轮廓使用距离质心算法，判断图像中是否有标志牌及确定标志牌位置。包含的具体步骤如下：
子步骤一：使用cv2.findContours()函数，获取降噪图像中所有轮廓。
子步骤二：使用cv2.moments()函数对每一个轮廓进行矩分析，获得几何矩、中心矩和中心归一化矩，主要使用0阶几何矩M00和1阶几何矩M01，M10计算出轮廓的质心。其计算方法为：
Mji＝∑xy(P(x,y).xj.yi) (1)
式(1)中Mji表示i+j阶几何矩，P(x，y)为灰度或二值化图像在(x，y)处的取值。
计算轮廓质心坐标(x0,y0),用1阶矩除以0阶矩获得，计算方法具体为：
Figure BDA0002627647560000061
子步骤三：使用勾股定理计算轮廓上每一点到质心的距离Si，并存入数组。检索轮廓上的点到质心的距离最大值Smax，并将所有距离依次与最大距离做商，作为轮廓每一点的权重值Wi存入另一数组：
Figure BDA0002627647560000062
Figure BDA0002627647560000063
计算权重Wi与1的差，若圆形轮廓上第i个点到质心的距离与最大距离Smax近似，则当前点的权重Wi趋近于1。权重与1的差值趋近于0。计算所有差值的算术平均值，算术平均值越小轮廓越接近圆形。相似度阈值设为80％，则差值平均值应小于0.2。权重与1差值的算数平均值与设定的容错阈值相比较，若超出阈值则认为当前轮廓不是圆形轮廓。
子步骤四：标志牌在图中半径为15至60像素时可被识别，使用直接插入排序法获取图中半径小于60像素的最大圆形轮廓记Smax最大的轮廓的Smax为max_distance，初始化max_distance＝0。若当前轮廓是圆形轮廓，Smax小于60像素大于15像素，即15<Smax<60，且当前轮廓Smax大于当前的max_distance时，则使max_distance＝Smax，并从原图中切割当前轮廓所在的最小矩形区域图像记为标志图像。
完成所有轮廓的Smax大小的比较后，最终切割提取的图像即为标志牌图像，如图5所示。
步骤四：判断标志牌区域是否含有左右转箭头图形。包含的具体步骤如下：
子步骤一：放缩标志图像至40*40像素，获取标志图像的灰度图像后，再以亮度200为阈值进行二值化。所得标志牌二值化图像如图6所示
子步骤二：找出二值化图像内的所有轮廓，使用boundingRect()函数获取当前轮廓的最小外接矩形，并计算当前轮廓外接矩形的面积Sarr，如图7所示。
标志牌二值化图像面积为1600像素，获取不同拍摄角度的标志牌二值化图像中箭头轮廓外接矩形的面积Sarr，计算可得Sarr通常大于30像素，且与标志图形外接矩形面积之比介于0.15和0.55之间。因此满足轮廓外接矩形面积大于30像素，即Sarr＞30，且轮廓外接矩形面积与图像面积之比在0.15和0.55之间，即
Figure BDA0002627647560000071
则认为当前轮廓为箭头。
若图中轮廓皆不满足上述要求，则得出结论当前获取的图像中没有左右转标志，回到进程开头，置为等待图像传入的状态。
步骤五：根据图形轮廓极点位置判断标志牌指示方向。包含的具体步骤如下：
子步骤一：记cnt为当前轮廓。使用代码cnt[:,:,0].argmin()获取轮廓上x方向最小值所在点的编号，根据编号确定该点坐标，记为左极点；使用代码cnt[:,:,0].argmax()获取轮廓上x方向最大值所在点的编号，根据编号确定该点坐标，记为右极点；使用代码cnt[:,:,1].argmin()获取轮廓上y方向最小值所在点的编号，根据编号确定该点坐标，记为上极点；使用代码cnt[:,:,0].argmax()获取轮廓上y方向最大值所在点的编号，根据编号确定该点坐标，记为下极点。
子步骤二：由图8所示左转标识图形轮廓极点的位置可做如下判断：
当左极点的横坐标小于下极点横坐标，且纵坐标小于下极点纵坐标时，认为左极点在下极点的左上方。当上极点的横坐标小于下极点横坐标，且纵坐标小于下极点纵坐标时，认为上极点在下极点的左上方。满足上述两条件，则认为当前标志为左转标志符，进程传出参数列表的左转标记置为true。
由图9所示右转标识图形轮廓极点的位置可做如下判断：
当右极点的横坐标大于下极点横坐标，且纵坐标小于下极点纵坐标时，认为右极点在下极点的右上方。上极点的横坐标大于下极点横坐标，且纵坐标小于下极点纵坐标时，认为上极点在下极点的右上方。满足上述两条件，则认为当前标志为右转标志符，进程传出参数列表的右转标记置为true。
若不符合上述情况，则回到进程开头，置为等待图像传入的状态。

Claims (5)

1.一种基于图形极点位置特征的左右转交通标志识别方法，适用于对左右转弯标志的识别，其特征在于，包括如下步骤：
步骤一：总进程获取摄像头对应的图像列表，读取图像列表里的图像，截取每张图像中上半区，并通过消息列表的方式将截取的图像传入识别进程；
步骤二：识别进程对采集到的图像进行颜色分割，再对分割后得到的二值化图像进行无损降噪；
步骤三：对降噪后图像中的每一轮廓使用距离质心算法，判断图像中是否有标志牌及标志牌位置；
步骤四：判断标志牌区域是否含有左右转箭头图形；
步骤五：根据图形轮廓极点位置判断标志牌指示方向。
2.根据权利要求1所述的一种基于图形极点位置特征的左右转交通标志识别方法，其特征在于，步骤二，根据颜色特征进行分割、无损降噪的方法具体如下：
子步骤一：使用cvtColor()函数，函数设置参数为COLOR_BGR2HSV，将截取的RGB图像转化为HSV色域图像；
根据不同光线条件下的标志牌蓝色区域的色调、饱和度、明度的范围，设置颜色分割的上限[124,255,255]和下限[100,80,40]；通过判断每一像素颜色值是否在阈值内来对图像中的蓝色部分进行提取，得到初始二值化图像；
子步骤二：使用连通组件状态统计函数connectedComponentsWithStats()对初始二值化图像中的连通域进行分析，获取连通域个数、标号和对应的面积；
使用np.zero()函数生成一个与初始二值化图像大小相等的全零矩阵，全零矩阵用来充当背景图；
筛选连通域面积大于300像素的连通域，找到符合条件连通域的位置，并将背景图中对应区域位置的像素置为255，最终得到的背景图即为无损降噪后的图像。
3.根据权利要求1所述的一种基于图形极点位置特征的左右转交通标志识别方法，其特征在于，步骤三，对降噪后图像中的每一轮廓使用距离质心算法，判断图像中是否有标志牌及标志牌位置的方法具体如下：
步骤一：使用cv2.findContours()函数，获取降噪图像中所有轮廓；
子步骤二：使用cv2.moments()函数对每一个轮廓进行矩分析，获得几何矩、中心矩和中心归一化矩，主要使用0阶几何矩M00和1阶几何矩M01，M10计算出轮廓的质心，其计算方法为：
Mji＝∑xy(P(x，y)·xj·yi) ⑴
式(1)中Mji表示i+j阶几何矩，P(x，y)为灰度或二值化图像在(x，y)处的取值；
计算轮廓质心坐标(x0,y0),用1阶矩除以0阶矩获得，计算方法具体为：
Figure FDA0002627647550000021
子步骤三：使用勾股定理计算轮廓上每一点到质心的距离Si，并存入数组；检索轮廓上的点到质心的距离最大值Smax，并将所有距离依次与最大距离做商，作为轮廓每一点的权重值Wi存入另一数组：
Figure FDA0002627647550000022
Figure FDA0002627647550000023
计算权重Wi与1的差，若圆形轮廓上第i个点到质心的距离与最大距离Smax近似，则当前点的权重Wi趋近于1；权重与1的差值趋近于0；计算所有差值的算术平均值，算术平均值越小轮廓越接近圆形；相似度阈值设为80％，则差值平均值应小于0.2；权重与1差值的算数平均值与设定的容错阈值相比较，若超出阈值则认为当前轮廓不是圆形轮廓；
子步骤四：标志牌在图中半径为15至60像素时可被识别，使用直接插入排序法获取图中半径小于60像素的最大圆形轮廓；通过记Smax最大的轮廓的Smax为max_distance，初始化max_distance＝0；若当前轮廓是圆形轮廓，Smax小于60像素大于15像素，即15<Smax<60，且当前轮廓Smax大于当前的max_distance时，则使max_distance＝Smax，并从原图中切割当前轮廓所在的最小矩形区域图像记为标志图像；
完成所有轮廓的Smax大小的比较后，最终切割提取的图像即为标志牌图像；子步骤四：记Smax最大的轮廓的Smax为max_distance，初始化max_distance＝0；若当前轮廓是圆形轮廓，Smax小于60像素大于15像素，即15<Smax<60，且当前轮廓Smax大于当前的max_distance时，则使max_distance＝Smax；从原图中切割当前轮廓所在矩形区域图像记为标志图像；
完成所有轮廓Smax大小的比较后，最终切割提取的图像即为标志牌图像。
4.根据权利要求1所述的一种基于图形极点位置特征的左右转交通标志识别方法，其特征在于，步骤四，判断标志牌区域是否含有左右转箭头图形的方法具体如下：
子步骤一：放缩标志图像至40*40像素，获取标志图像的灰度图像后，再以亮度200为阈值进行二值化；
子步骤二：找出二值化图像内的所有轮廓，使用boundingRect()函数获取当前轮廓的最小外接矩形，并计算当前轮廓外接矩形的面积Sarr；
标志牌二值化图像面积为1600像素，获取不同拍摄角度的标志牌二值化图像中箭头轮廓外接矩形的面积Sarr，计算可得Sarr通常大于30像素，且与标志图形外接矩形面积之比介于0.15和0.55之间；因此满足轮廓外接矩形面积大于30像素，即Sarr＞30，且轮廓外接矩形面积与图像面积之比在0.15和0.55之间，即
Figure FDA0002627647550000031
则认为当前轮廓为箭头；
若图中轮廓皆不满足上述要求，则得出结论当前获取的图像中没有左右转标志，回到进程开头，置为等待图像传入的状态。
5.根据权利要求1所述的一种基于图形极点位置特征的左右转交通标志识别方法，其特征在于，步骤五，根据图形轮廓极点位置判断标志牌指示方向的方法具体如下：
子步骤一：记cnt为当前轮廓；使用代码cnt[:,:,0].argmin()获取轮廓上x方向最小值所在点的编号，根据编号确定该点坐标，记为左极点；使用代码cnt[:,:,0].argmax()获取轮廓上x方向最大值所在点的编号，根据编号确定该点坐标，记为右极点；使用代码cnt[:,:,1].argmin()获取轮廓上y方向最小值所在点的编号，根据编号确定该点坐标，记为上极点；使用代码cnt[:,:,0].argmax()获取轮廓上y方向最大值所在点的编号，根据编号确定该点坐标，记为下极点；
子步骤二：由左转标识图形轮廓极点的位置可做如下判断：
当左极点的横坐标小于下极点横坐标，且纵坐标小于下极点纵坐标时，认为左极点在下极点的左上方；当上极点的横坐标小于下极点横坐标，且纵坐标小于下极点纵坐标时，认为上极点在下极点的左上方；满足上述两条件，则认为当前标志为左转标志符，进程传出参数列表的左转标记置为true；
由右转标识图形轮廓极点的位置可做如下判断：
当右极点的横坐标大于下极点横坐标，且纵坐标小于下极点纵坐标时，认为右极点在下极点的右上方；上极点的横坐标大于下极点横坐标，且纵坐标小于下极点纵坐标时，认为上极点在下极点的右上方；满足上述两条件，则认为当前标志为右转标志符，进程传出参数列表的右转标记置为true；
若不符合上述情况，则回到进程开头，置为等待图像传入的状态。
CN202010801739.8A 2020-08-11 2020-08-11 一种基于图形极点位置特征的左右转交通标志识别方法 Pending CN112101108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010801739.8A CN112101108A (zh) 2020-08-11 2020-08-11 一种基于图形极点位置特征的左右转交通标志识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010801739.8A CN112101108A (zh) 2020-08-11 2020-08-11 一种基于图形极点位置特征的左右转交通标志识别方法

Publications (1)

Publication Number Publication Date
CN112101108A true CN112101108A (zh) 2020-12-18

Family

ID=73753450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010801739.8A Pending CN112101108A (zh) 2020-08-11 2020-08-11 一种基于图形极点位置特征的左右转交通标志识别方法

Country Status (1)

Country Link
CN (1) CN112101108A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528802A (zh) * 2020-12-04 2021-03-19 杭州电子科技大学 基于机器视觉的无人船自动回坞方法
CN112750162A (zh) * 2020-12-29 2021-05-04 北京电子工程总体研究所 一种目标识别定位方法和装置
CN116167687A (zh) * 2023-04-25 2023-05-26 成都运荔枝科技有限公司 一种冷链系统智能调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679470A (zh) * 2017-09-22 2018-02-09 天津大学 一种基于hdr技术的交通标志牌检测和识别方法
CN108230307A (zh) * 2017-12-29 2018-06-29 浙江大学 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679470A (zh) * 2017-09-22 2018-02-09 天津大学 一种基于hdr技术的交通标志牌检测和识别方法
CN108230307A (zh) * 2017-12-29 2018-06-29 浙江大学 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528802A (zh) * 2020-12-04 2021-03-19 杭州电子科技大学 基于机器视觉的无人船自动回坞方法
CN112750162A (zh) * 2020-12-29 2021-05-04 北京电子工程总体研究所 一种目标识别定位方法和装置
CN116167687A (zh) * 2023-04-25 2023-05-26 成都运荔枝科技有限公司 一种冷链系统智能调度方法
CN116167687B (zh) * 2023-04-25 2023-06-27 成都运荔枝科技有限公司 一种冷链系统智能调度方法

Similar Documents

Publication Publication Date Title
CN110598609B (zh) 一种基于显著性引导的弱监督目标检测方法
Yuan et al. Robust traffic sign recognition based on color global and local oriented edge magnitude patterns
Zhang et al. Image segmentation based on 2D Otsu method with histogram analysis
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN112101108A (zh) 一种基于图形极点位置特征的左右转交通标志识别方法
Romdhane et al. An improved traffic signs recognition and tracking method for driver assistance system
Zhang et al. Study on traffic sign recognition by optimized Lenet-5 algorithm
Xu Robust traffic sign shape recognition using geometric matching
Zhang et al. A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles
CN109919002B (zh) 黄色禁停线识别方法、装置、计算机设备及存储介质
Chen et al. Detection and Recognition of Traffic Signs Based on HSV Vision Model and Shape features.
CN112381870B (zh) 一种基于双目视觉的船舶识别与航速测量系统及方法
Yang et al. Real-time traffic sign detection via color probability model and integral channel features
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
Xiang et al. Moving object detection and shadow removing under changing illumination condition
CN109409356B (zh) 一种基于swt的多方向中文印刷体文字检测方法
Zhang et al. Automatic detection of road traffic signs from natural scene images based on pixel vector and central projected shape feature
Deng et al. Detection and recognition of traffic planar objects using colorized laser scan and perspective distortion rectification
CN108319961B (zh) 一种基于局部特征点的图像roi快速检测方法
CN111401364A (zh) 一种基于颜色特征和模板匹配相结合的车牌定位算法
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Deshmukh et al. Real-time traffic sign recognition system based on colour image segmentation
Salunkhe et al. Recognition of multilingual text from signage boards
Song et al. Color-based traffic sign detection
CN113420633B (zh) 一种基于um增强和sift特征提取的交通标志识别方法

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