CN113989771A - 一种基于数字图像处理的交通信号灯识别方法 - Google Patents
一种基于数字图像处理的交通信号灯识别方法 Download PDFInfo
- Publication number
- CN113989771A CN113989771A CN202111250862.6A CN202111250862A CN113989771A CN 113989771 A CN113989771 A CN 113989771A CN 202111250862 A CN202111250862 A CN 202111250862A CN 113989771 A CN113989771 A CN 113989771A
- Authority
- CN
- China
- Prior art keywords
- signal lamp
- image
- lamp
- traffic signal
- arrow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 239000003086 colorant Substances 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 102000018884 Golgi Matrix Proteins Human genes 0.000 description 1
- 108010052778 Golgi Matrix Proteins Proteins 0.000 description 1
- 108010015780 Viral Core Proteins Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
-
- 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
- G06T2207/20036—Morphological image processing
Abstract
本发明公开了一种基于数字图像处理的交通信号灯识别方法,包括:构建车载前方图像采集系统;对待识别的图像进行预处理,进而二值化,定位出信号灯板和信号灯亮块;独立的信号灯块区域;标定出信号灯板及信号灯的检测区域,设置为检测感兴趣区域;在检测感兴趣区域中,删除干扰亮块,提取出信号灯灯块;采用阈值法对信号灯颜色进行分类;判断两类信号灯形状;对于圆形信号灯,结合颜色信息得出信号灯指示结果;对于箭头形信号灯,采用建立箭头形信号灯模型,对模型进行分块处理,再基于不同区域中目标像素点的分布情况进行方向的判断,结合前期颜色信息输出最终的信号灯指示结果。本发明有效提高了交通信号灯自动识别的精度和实时性。
Description
技术领域
本发明涉及一种交通信号灯的自动识别方法,具体涉及一种基于数字图像处理的交通信号灯识别方法。
背景技术
交通信号灯自动识别系统是智能道路运输安全系统的关键组成部分,同时也是无人驾驶技术能够安全可靠运行的主要保障之一。信号灯的检测与识别是交通信号灯自动识别系统的两大核心技术。针对该领域的研究现状,对信号灯检测与识别需要进行深入的分析与思考,设计出能够自动获取所在道路上交通信号灯指示信息的算法,从而使驾驶员将更多的精力投入到车辆驾驶上,同时也能帮助视觉较弱和色觉辨识度不高的群体享受开车的便利,因此,开展对该课题的研究具有十分重要的研究意义。
目前,国内外许多研究人员对交通信号灯的自动识别展开了广泛的研究,提出了多种交通信号灯自动识别的有效方法。谷明琴等人采用YCrCb彩色模型,在Cb和Cr通道下对交通信号灯进行阈值分割,通过统计像素点的数量判断信号灯的颜色,再采用最邻近分类器方法识别方向。该方法仅考虑信号灯灯体,未加入信号灯的面板作为约束条件,因此,该方法的误检率较高。四川大学的李佳阳等人以亮度特征作为约束条件,对信号灯进行分割和提取,结合最优阈值的思路,实现了对信号灯的定位。采用HIS彩色空间的H通道颜色信息的约束,进而确定信号灯的颜色信息。然后,进行形状匹配以此确定信号灯的形状特征,最终判定交通信号灯的状态。国外学者jin.Hyung Park等人提出了一种有效的信号灯识别算法,该算法首先在彩色空间的颜色通道中提取属于信号灯的像素点,然后,采用k均值方法(k-means)进行聚类实现信号灯灯块的定位,再对信号灯灯块区域进行形状检测。最后,加入交通信号灯的背板特征,用于排除其他干扰亮块。该方法的创新之处为其利用了帧间跟踪方法,对误删和漏检的信号灯块进行修正和补充,再利用算法的最优解公式计算出现最优结果,由此有效提高了信号灯的检测率。但是,该方法受周围环境和天气条件的影响比较大,信号灯的误检率较高,算法的鲁棒性有待提高。
综上所述,对交通信号灯的自动识别方法主要有两大类,即侧重于采用颜色特征或者侧重采用形状特征识别信号灯。由于交通信号灯的颜色与周围环境的颜色对比度较大,基于颜色特征的信号灯识别方法能够取得较好的识别效果,但是,该类方法受光照和天气条件的影响会导致信号灯颜色失真,无法应用在在复杂光照环境下的信号灯识别。基于形态特征的信号灯识别方法可以克服信号灯颜色失真等因素,但是,自然场景中存在很多与信号灯形状相似的干扰物体,或者信号灯的轮廓被遮挡无法完整检测时都将降低信号灯的识别率。
发明内容
本发明的目的在于克服现有技术的不足,提供一种交通信号灯的自动识别方法,在图像采集系统、图像增强和滤波降噪的预处理、信号灯灯板和灯块检测区域定位、基于颜色和形状特征的信号灯目标灯块提取的前提下,通过灯块的形状特征进行的箭头形信号灯的方向判定,并在此基础上结合颜色特征输出信号灯的指示结果,有效提高了交通信号灯自动识别的精度和实时性。
本发明的目的是通过以下技术方案来实现的:
一种基于数字图像处理的交通信号灯识别方法,包括以下步骤:
S1.构建车载前方图像采集系统;
S2.采集若干张包含交通信号灯的图像,对采集的待识别的图像进行预处理;
S3.对预处理后的图像进行二值化,定位出信号灯板和信号灯亮块;
S4.采用形态学方法提取独立的信号灯块区域,并设置为下一步信号灯检测的候选目标;
S5.基于摄像头的安装位置标定出信号灯板及信号灯的检测区域,设置为检测感兴趣区域;
S6.在检测感兴趣区域中,基于候选信号灯块的位置、最小外接矩形的形状、面积特征删除干扰亮块,提取出信号灯灯块;
S7.基于HSV彩色模式中,采用阈值法对信号灯颜色进行分类;
S8.基于信号灯块面积与最小外接矩形框面积的比值关系,判断两类信号灯形状,即圆形和箭头形;
S9.对于圆形信号灯,结合颜色信息得出信号灯指示结果;对于箭头形信号灯,采用建立箭头形信号灯模型,对模型进行分块处理,再基于不同区域中目标像素点的分布情况进行方向的判断,结合前期颜色信息输出最终信号灯指示结果。
本发明进一步的改进在于,步骤S1所述的图像采集系统的具体实现方法如下:
考虑到图像质量和检测系统的稳定性,选用型号为IMX274的模块相机作为系统的图像采集模块,采用吸盘固定在前挡风玻璃,摄像头外壳设置为可调整上下俯仰角和左右偏向角,摄像头的镜头选用可变焦镜头,且能够灵活调整拍摄图像的亮度和颜色的饱和度。
本发明进一步的改进在于,步骤S2所述的图像预处理的具体实现方法如下:
S201.采集若干张包含交通信号灯的图像,原图像为RGB图,由红、绿和蓝三基色组成,将原RGB图像转换为HSV颜色模式,转换过程表示如下:
R′=R/255 (1)
G′=G/255 (2)
B′=B/255 (3)
Cmax=max(R′,G′,B′) (4)
Cmin=min(R′,G′,B′) (5)
Δ=Cmax-Cmin (6)
V=Cmax(9)
S202.将S201步得到的HSV彩色图进行三通道分离处理,即得到H、S和V三个分量的灰度图,将三个分量的灰度图直方图进行合成得到总直方图,采用限制对比度直方图均衡算法对上述得出的总直方图进行均衡化;
S203.采用中值滤波法进行去噪,将HSV颜色模式的图像进行三通道分离,对各个通道图像的所有像素点按矩形形状全搜索方式进行中值滤波,即将各像素点的值由其邻域的像素点通过累加取中值计算得出。
本发明进一步的改进在于,步骤S3所述的对预处理后的图像进行二值化,定位出交通信号灯板和信号灯灯块的具体实现方法如下:
S301.在S201~S203的基础上,提取HSV的亮度分量V,对V做分割处理;
S302.在V分量中,截取大量图像中交通信号灯灯板区域,统计此类区域的V分量直方图,得到交通信号灯灯板的分割阈值范围为[m1,m2],其中,m1为最小阈值,m2为最大阈值;将V分量图像进行分割,落于阈值范围内的像素点归类为灯板目标点,置为255,落于阈值范围外的像素点为背景,置为0,由此得到以交通信号灯灯板为目标的二值图;
S303.将S302步骤得出的二值图做取反运算,得到交通信号灯板为黑色区域的二值图;
S304.将信号灯灯板分割二值图和灯块分割二值图求交集,得到灯块为白色像素点,信号灯板为黑色像素点的二值图。
本发明进一步的改进在于,步骤S4所述的采用形态学方法提取独立的信号灯块区域,并设置为下一步信号灯检测的候选目标的具体实现方法如下:
S401.由S301~S304得到目标二值图中,信号灯灯块区域经常出现中心处存在小孔的情况,对二值图做孔洞填充的形态学处理,方法为:先提取孔洞当中的一个点,然后不断地用结构元去膨胀,再和原图像的补集求交集,重复此过程,直至图形不再改变,最后再与原图求交集;
S402.由S301~S304得到目标二值图,对目标像素点进行连通标注,并提取每个连通区域的面积、周长、质心位置、最小外接矩形坐标等属性,将这类连通区域作为信号灯候选目标区域。
本发明进一步的改进在于,步骤S5所述的基于摄像头的安装位置标定出信号灯板及信号灯的检测区域,设置为检测感兴趣区域的具体实现方法如下:
选择任意一张包含交通信号灯的图像作为样本图,选取图像的交通信号灯灯板所在区域作为模板,对灯板及灯块区域所在矩形框的四个顶点的位置坐标进行标记,计算出灯板的宽高及灯块的中点位置,作为后期筛选候选信号灯块的参考阈值参数,根据灯板的标定位置作设定缩放得到信号灯块的检测感兴趣区域。
本发明进一步的改进在于,步骤S6所述的在检测感兴趣区域中,基于候选信号灯块的位置、最小外接矩形的形状、面积特征删除干扰亮块,提取出信号灯灯块的具体实现方法如下:
在信号灯块的检测感兴趣区域中,对候选信号灯块做筛选,将候选信号灯块的相关特征与预设阈值进行比较,判断候选信号灯块是否满足预设阈值:
若是,则归类为信号灯目标块;
若否,则归类为干扰区域,予以删除;
若所有候选信号灯块均不满足限制条件,则认为未识别到信号灯,返回步骤S2进行下一张待识别图像的预处理。
本发明进一步的改进在于,步骤S7所述的基于HSV彩色模式中,采用阈值法对信号灯颜色进行分类的具体实现方法如下:
S701.选择多张包含交通信号灯图像作为样本图,截取三种颜色信号灯的光源部分;
S702.按照S201~S202步骤,将光源图像从RGB通道转换为HSV彩色模型并进行图像增强;
S703.在HSV模型中,统计图像增强后的光源图像三通道的取值范围,即为该颜色信号灯的阈值,并统计多组数据,进行均值化处理,将均值作为判决信号灯颜色的阈值;
S704.逐个完成信号灯颜色提取之后,将三种颜色信号灯进行排序,按照从左至右的顺序排序,形成最后的颜色识别结果。
本发明进一步的改进在于,步骤S8所述的基于信号灯块面积与最小外接矩形框面积的比值关系,判断两类信号灯形状,即圆形和箭头形的具体实现方法如下:
圆形只包含颜色信息,箭头型则包含颜色和方向两种信息,根据得出的信号灯及其特征值,计算信号灯面积与其最小外接矩形面积的比值,与预设阈值比较,若满足限制条件,则归类为圆形灯体,反之,归类为箭头形灯体。
本发明进一步的改进在于,步骤S9所述的对于圆形信号灯,结合颜色信息得出信号灯指示结果,对于箭头形信号灯,采用建立箭头形信号灯模型,对模型进行分块处理,再基于不同区域中目标像素点的分布情况进行方向的判断,结合前期颜色信息输出最终信号灯指示结果的具体实现方法如下:
S901.若步骤S9得出的圆形信号灯,结合S7步骤得到的颜色信息,即可得出信号灯的指示结果;若步骤S9得出的箭头形信号灯,结合S7步骤得到的颜色信息,进一步对箭头的方向进行判别;
S902.构建箭头形信号灯几何模型,通过分析箭头形信号灯的二值图像,基于其边缘特征和外形条件,建立一个箭头形交通信号灯的几何模型;
S903.对箭头形信号灯的几何模型进行分块,截取交通信号灯的矩形图,将矩形图形态学处理后,再将交通信号灯的矩形部分分割为四个区域;
S904.对上述划分的四个区域内的白色像素点进行求和,通过对比四个区域的像素点关系判断箭头的指示方向;再结合信号灯的颜色信息,输出最终的信号灯指示结果,实现交通信号灯的自动识别功能。
本发明至少具有如下有益的技术效果:
本发明提出了一种基于数字图像处理的交通信号灯识别方法。交通信号灯作为用于指挥交通的工具,在日常生活中极为重要,不同地域选用的信号灯样式不尽相同,但其样式和安装方法都必须遵循一定的规定。基于数字图像处理的交通信号灯识别方法具有算法易于实现,实时性强,信号灯自动识别的精度高等特性,同时,视频采集系统具有价格低廉的优势,大大降低了信号灯自动识别系统的成本。
进一步,搭建了图像采集系统,对待识别图像进行了图像增强和滤波降噪的预处理,提高了图像的质量,基于HSV颜色模型中V分量提取信号灯灯板,由此定位出交通信号灯的检测区域,有效降低信号灯识别环节的干扰,提高了识别效率,在信号灯灯块提取的前提下,通过灯块的形状特征进行圆形和箭头形信号灯分类,以及箭头形信号灯的方向判定,并在此基础上结合颜色特征输出信号灯的指示结果,有效提高了交通信号灯自动识别的精度和实时性,有很好的工程应用价值。
附图说明
图1是本发明一个实施例的图像采集的原图;
图2是本发明一个实施例的图像增强后的效果图;
图3为本发明一个实施例的颜色模式转换后效果图;
图4为本发明一个实施例的V分量的中值滤波效果图;-
图5为本发明一个实施例在V通道下灯板的阈值统计图;
图6为本发明一个实施例在V通道下灯板阈值分割后的效果图;
图7为本发明一个实施例的V通道下灯块阈值分割后效果图;
图8为本发明一个实施例的灯板和灯块联合阈值分割二值图;
图9为本发明一个实施例的箭头形信号灯的几何模型图;
图10为本发明一个实施例的箭头形信号灯的分块模型图;
图11为本发明一个实施例的红灯识别结果图;
图12为本发明一个实施例的黄灯识别结果图;
图13为本发明一个实施例的绿灯识别结果图;
图14为本发明的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1和图14所示,本发明提供的一种基于数字图像处理的交通信号灯识别方法,包括以下步骤:
S1.构建车载前方图像采集系统;
S2.采集若干张包含交通信号灯的图像,对采集的待识别的图像进行预处理;
S3.对预处理后待识别的图像进行二值化,定位出信号灯板和信号灯亮块;
S4.采用形态学方法提取独立的信号灯块区域,并设置为下一步信号灯检测的候选目标;
S5.基于摄像头的安装位置标定出信号灯板及信号灯的检测区域,设置为检测感兴趣区域;
S6.在检测感兴趣区域中,基于候选信号灯块的位置、最小外接矩形的形状、面积等特征删除干扰亮块,提取出信号灯灯块;
S7.基于HSV彩色模式中,采用阈值法对信号灯颜色进行分类;
S8.基于信号灯块面积与最小外接矩形框面积的比值关系,判断两类信号灯形状,即圆形和箭头形;
S9.对于圆形信号灯,结合颜色信息得出信号灯指示结果;对于箭头形信号灯,采用建立箭头形信号灯模型,对模型进行分块处理,再基于不同区域中目标像素点的分布情况进行方向的判断,结合前期颜色信息输出最终信号灯指示结果。
在本申请的实施例中,所述步骤S1包括:
考虑到图像质量和检测系统的稳定性,选用型号为IMX274的模块相机作为系统的图像采集模块。采用吸盘固定在前挡风玻璃,摄像头外壳设置为可调整上下俯仰角和左右偏向角。摄像头的镜头选用可变焦镜头,可以灵活调整拍摄图像的亮度和颜色的饱和度。这种固定方法的优点是使摄像头的拍摄位置可调,摄像头的图片质量调整变得灵活简单,采集的图像效果如图1所示。
在本申请的实施例中,所述步骤S2包括:
S201.获取若干张包含交通信号灯的图像,原图像为RGB图,由红(R)、绿(G)、蓝(B)三基色组成,通过大量实验发现原图转换到HSV颜色模式的图像,图中交通信号灯的颜色的对比度更大,有利于后期提取交通信号灯感兴趣区域,因此,将原RGB图像转换为HSV颜色模式,转换过程表示如下:
R′=R/255 (1)
G′=G/255 (2)
B′=B/255 (3)
Cmax=max(R′,G′,B′) (4)
Cmin=min(R′,G′,B′) (5)
Δ=Cmax-Cmin (6)
V=Cmax (9)
S202.将S201步得到的HSV彩色图进行三通道分离处理,即得到H、S、V三个分量的灰度图,将三个分量的灰度图直方图进行合成得到总直方图。采用限制对比度直方图均衡(CLAHE)算法对上述得出的总直方图进行均衡化。该方法可有效改进图像的局部对比度以及获得更多的图像细节,同时能够抑制噪音的增强,图像增强后的效果图如图2所示。
S203.在图像采集和传输过程中,受周围环境影响,采集的图像噪声多,严重的会导致图像部分特征丢失或改变,不利于交通信号灯目标识别方法的实现。为此,采用中值滤波法进行去噪,图3为颜色模式转换后的效果图,将HSV颜色模式的图像进行三通道分离,对各个通道图像的所有像素点按矩形形状全搜索方式进行中值滤波,即将各像素点的值由其邻域的像素点通过累加取中值计算得出,V分量的中值滤波效果图如图4所示。
在本申请的实施例中,所述步骤S3包括:
S301.在S201~S203的基础上,提取HSV的亮度分量V,对V做分割处理;
S302.在V分量中,截取大量图像中交通信号灯灯板区域,统计此类区域的V分量直方图如图5所示;得到交通信号灯灯板的分割阈值范围为[m1,m2],其中,m1为最小阈值,m2为最大阈值。将V分量图像进行分割,落于阈值范围内的像素点归类为灯板目标点,置为255,落于阈值范围外的像素点为背景,置为0,由此得到以交通信号灯灯板为目标的二值图像,图6为V通道下灯板阈值分割后的效果图,图7为V通道下灯块阈值分割后效果图;
S303.将S302步骤得出的二值图做取反运算,得到交通信号灯板为黑色区域的二值图;
S304.将信号灯灯板分割二值图和灯块分割二值图求交集,得到灯块为白色像素点,信号灯板为黑色像素点的二值图,图8为信号灯板和信号灯块的分割效果图;
在本申请的实施例中,所述步骤S4包括:
S401.由S301~S304得到目标二值图中,信号灯灯块区域经常出现中心处存在小孔的情况,对二值图做孔洞填充的形态学处理,方法为:先提取孔洞当中的一个点,然后不断地用结构元去膨胀,再和原图像的补集求交集,重复此过程,直至图形不再改变,最后再与原图求交集;
S402.由S301~S304得到目标二值图,对目标像素点进行连通标注,并提取每个连通区域的面积、周长、质心位置、最小外接矩形坐标等属性,将这类连通区域作为信号灯候选目标区域。
在本申请的实施例中,所述步骤S5包括:
选择任意一张包含交通信号灯的图像作为样本图,选取图像的交通信号灯灯板所在区域作为模板。对灯板及灯块区域所在矩形框的四个顶点的位置坐标进行标记,计算出灯板的宽高及灯块的中点位置,作为后期筛选候选信号灯块的参考阈值参数。根据灯板的标定位置作一定缩放得到信号灯块的检测感兴趣区域。
在本申请的实施例中,所述步骤S6包括:
在信号灯块的检测感兴趣区域中,对候选信号灯块做筛选,将候选信号灯块的相关特征与预设阈值进行比较,判断候选信号灯块是否满足预设阈值:
若是,则归类为信号灯目标块;
若否,则归类为干扰区域,予以删除。
若所有候选信号灯块均不满足限制条件,则认为未识别到信号灯,返回步骤S2进行下一张待识别图像的预处理。
在本申请的实施例中,所述步骤S7包括:
S701.选择多张包含交通信号灯图像作为样本图,截取三种颜色信号灯的光源部分;
S702.按照S201~S202步骤,将光源图像从RGB通道转换为HSV彩色模型并进行图像增强;
S703.在HSV模型中,统计图像增强后的光源图像三通道的取值范围,即为该颜色信号灯的阈值,并统计多组数据,进行均值化处理,将均值作为判决信号灯颜色的阈值;
S704.逐个完成信号灯颜色提取之后,将三种颜色信号灯进行排序,按照从左至右的顺序排序,形成最后的颜色识别结果;
在本申请的实施例中,所述步骤S8包括:
圆形只包含颜色信息,箭头型则包含颜色和方向两种信息。经过以上步骤得出信号灯及其特征值,计算信号灯面积与其最小外接矩形面积的比值,与预设阈值比较,若满足限制条件,则归类为圆形灯体,反之,归类为箭头形灯体;
在本申请的实施例中,所述步骤S9包括:
S901.若步骤S9得出的圆形信号灯,结合S7步骤得到的颜色信息,即可得出信号灯的指示结果;若步骤S9得出的箭头形信号灯,结合S7步骤得到的颜色信息,还需进一步对箭头的方向进行判别。
S902.构建箭头形信号灯几何模型如图9所示,通过分析箭头形信号灯的二值图像,基于其边缘特征和外形条件,建立一个箭头形交通信号灯的几何模型;
S903.对箭头形信号灯的几何模型进行分块,分块模型图如图10所示,截取交通信号灯的矩形图,将矩形图形态学处理后,再将交通信号灯的矩形部分分割为四个区域;
S904.对上述划分的四个区域内的白色像素点进行求和,通过对比四个区域的像素点关系判断箭头的指示方向;再结合信号灯的颜色信息,输出最终的信号灯指示结果,实现交通信号灯的自动识别功能,信号灯识别效果分别如图11~13所示。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于数字图像处理的交通信号灯识别方法,其特征在于,包括以下步骤:
S1.构建车载前方图像采集系统;
S2.采集若干张包含交通信号灯的图像,对采集的待识别的图像进行预处理;
S3.对预处理后的图像进行二值化,定位出信号灯板和信号灯亮块;
S4.采用形态学方法提取独立的信号灯块区域,并设置为下一步信号灯检测的候选目标;
S5.基于摄像头的安装位置标定出信号灯板及信号灯的检测区域,设置为检测感兴趣区域;
S6.在检测感兴趣区域中,基于候选信号灯块的位置、最小外接矩形的形状、面积特征删除干扰亮块,提取出信号灯灯块;
S7.基于HSV彩色模式中,采用阈值法对信号灯颜色进行分类;
S8.基于信号灯块面积与最小外接矩形框面积的比值关系,判断两类信号灯形状,即圆形和箭头形;
S9.对于圆形信号灯,结合颜色信息得出信号灯指示结果;对于箭头形信号灯,采用建立箭头形信号灯模型,对模型进行分块处理,再基于不同区域中目标像素点的分布情况进行方向的判断,结合前期颜色信息输出最终信号灯指示结果。
2.根据权利要求1所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S1所述的图像采集系统的具体实现方法如下:
考虑到图像质量和检测系统的稳定性,选用型号为IMX274的模块相机作为系统的图像采集模块,采用吸盘固定在前挡风玻璃,摄像头外壳设置为可调整上下俯仰角和左右偏向角,摄像头的镜头选用可变焦镜头,且能够灵活调整拍摄图像的亮度和颜色的饱和度。
3.根据权利要求1所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S2所述的图像预处理的具体实现方法如下:
S201.采集若干张包含交通信号灯的图像,原图像为RGB图,由红、绿和蓝三基色组成,将原RGB图像转换为HSV颜色模式,转换过程表示如下:
R′=R/255 (1)
G′=G/255 (2)
B′=B/255 (3)
Cmax=max(R′,G′,B′) (4)
Cmin=min(R′,G′,B′) (5)
Δ=Cmax-Cmin (6)
V=Cmax (9)
S202.将S201步得到的HSV彩色图进行三通道分离处理,即得到H、S和V三个分量的灰度图,将三个分量的灰度图直方图进行合成得到总直方图,采用限制对比度直方图均衡算法对上述得出的总直方图进行均衡化;
S203.采用中值滤波法进行去噪,将HSV颜色模式的图像进行三通道分离,对各个通道图像的所有像素点按矩形形状全搜索方式进行中值滤波,即将各像素点的值由其邻域的像素点通过累加取中值计算得出。
4.根据权利要求3所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S3所述的对预处理后的图像进行二值化,定位出交通信号灯板和信号灯灯块的具体实现方法如下:
S301.在S201~S203的基础上,提取HSV的亮度分量V,对V做分割处理;
S302.在V分量中,截取大量图像中交通信号灯灯板区域,统计此类区域的V分量直方图,得到交通信号灯灯板的分割阈值范围为[m1,m2],其中,m1为最小阈值,m2为最大阈值;将V分量图像进行分割,落于阈值范围内的像素点归类为灯板目标点,置为255,落于阈值范围外的像素点为背景,置为0,由此得到以交通信号灯灯板为目标的二值图;
S303.将S302步骤得出的二值图做取反运算,得到交通信号灯板为黑色区域的二值图;
S304.将信号灯灯板分割二值图和灯块分割二值图求交集,得到灯块为白色像素点,信号灯板为黑色像素点的二值图。
5.根据权利要求4所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S4所述的采用形态学方法提取独立的信号灯块区域,并设置为下一步信号灯检测的候选目标的具体实现方法如下:
S401.由S301~S304得到目标二值图中,信号灯灯块区域经常出现中心处存在小孔的情况,对二值图做孔洞填充的形态学处理,方法为:先提取孔洞当中的一个点,然后不断地用结构元去膨胀,再和原图像的补集求交集,重复此过程,直至图形不再改变,最后再与原图求交集;
S402.由S301~S304得到目标二值图,对目标像素点进行连通标注,并提取每个连通区域的面积、周长、质心位置、最小外接矩形坐标等属性,将这类连通区域作为信号灯候选目标区域。
6.根据权利要求5所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S5所述的基于摄像头的安装位置标定出信号灯板及信号灯的检测区域,设置为检测感兴趣区域的具体实现方法如下:
选择任意一张包含交通信号灯的图像作为样本图,选取图像的交通信号灯灯板所在区域作为模板,对灯板及灯块区域所在矩形框的四个顶点的位置坐标进行标记,计算出灯板的宽高及灯块的中点位置,作为后期筛选候选信号灯块的参考阈值参数,根据灯板的标定位置作设定缩放得到信号灯块的检测感兴趣区域。
7.根据权利要求6所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S6所述的在检测感兴趣区域中,基于候选信号灯块的位置、最小外接矩形的形状、面积特征删除干扰亮块,提取出信号灯灯块的具体实现方法如下:
在信号灯块的检测感兴趣区域中,对候选信号灯块做筛选,将候选信号灯块的相关特征与预设阈值进行比较,判断候选信号灯块是否满足预设阈值:
若是,则归类为信号灯目标块;
若否,则归类为干扰区域,予以删除;
若所有候选信号灯块均不满足限制条件,则认为未识别到信号灯,返回步骤S2进行下一张待识别图像的预处理。
8.根据权利要求7所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S7所述的基于HSV彩色模式中,采用阈值法对信号灯颜色进行分类的具体实现方法如下:
S701.选择多张包含交通信号灯图像作为样本图,截取三种颜色信号灯的光源部分;
S702.按照S201~S202步骤,将光源图像从RGB通道转换为HSV彩色模型并进行图像增强;
S703.在HSV模型中,统计图像增强后的光源图像三通道的取值范围,即为该颜色信号灯的阈值,并统计多组数据,进行均值化处理,将均值作为判决信号灯颜色的阈值;
S704.逐个完成信号灯颜色提取之后,将三种颜色信号灯进行排序,按照从左至右的顺序排序,形成最后的颜色识别结果。
9.根据权利要求8所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S8所述的基于信号灯块面积与最小外接矩形框面积的比值关系,判断两类信号灯形状,即圆形和箭头形的具体实现方法如下:
圆形只包含颜色信息,箭头型则包含颜色和方向两种信息,根据得出的信号灯及其特征值,计算信号灯面积与其最小外接矩形面积的比值,与预设阈值比较,若满足限制条件,则归类为圆形灯体,反之,归类为箭头形灯体。
10.根据权利要求9所述的一种基于数字图像处理的交通信号灯识别方法,其特征在于,步骤S9所述的对于圆形信号灯,结合颜色信息得出信号灯指示结果,对于箭头形信号灯,采用建立箭头形信号灯模型,对模型进行分块处理,再基于不同区域中目标像素点的分布情况进行方向的判断,结合前期颜色信息输出最终信号灯指示结果的具体实现方法如下:
S901.若步骤S9得出的圆形信号灯,结合S7步骤得到的颜色信息,即可得出信号灯的指示结果;若步骤S9得出的箭头形信号灯,结合S7步骤得到的颜色信息,进一步对箭头的方向进行判别;
S902.构建箭头形信号灯几何模型,通过分析箭头形信号灯的二值图像,基于其边缘特征和外形条件,建立一个箭头形交通信号灯的几何模型;
S903.对箭头形信号灯的几何模型进行分块,截取交通信号灯的矩形图,将矩形图形态学处理后,再将交通信号灯的矩形部分分割为四个区域;
S904.对上述划分的四个区域内的白色像素点进行求和,通过对比四个区域的像素点关系判断箭头的指示方向;再结合信号灯的颜色信息,输出最终的信号灯指示结果,实现交通信号灯的自动识别功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250862.6A CN113989771A (zh) | 2021-10-26 | 2021-10-26 | 一种基于数字图像处理的交通信号灯识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250862.6A CN113989771A (zh) | 2021-10-26 | 2021-10-26 | 一种基于数字图像处理的交通信号灯识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989771A true CN113989771A (zh) | 2022-01-28 |
Family
ID=79741968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111250862.6A Pending CN113989771A (zh) | 2021-10-26 | 2021-10-26 | 一种基于数字图像处理的交通信号灯识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989771A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631160A (zh) * | 2022-10-19 | 2023-01-20 | 武汉海微科技有限公司 | Led灯故障检测方法、装置、设备及存储介质 |
CN116152785A (zh) * | 2023-04-24 | 2023-05-23 | 之江实验室 | 一种基于cbam结合hsb模式的交通信号灯检测方法和系统 |
-
2021
- 2021-10-26 CN CN202111250862.6A patent/CN113989771A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631160A (zh) * | 2022-10-19 | 2023-01-20 | 武汉海微科技有限公司 | Led灯故障检测方法、装置、设备及存储介质 |
CN116152785A (zh) * | 2023-04-24 | 2023-05-23 | 之江实验室 | 一种基于cbam结合hsb模式的交通信号灯检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809138B (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
CN111582216B (zh) | 一种无人驾驶车载交通信号灯识别系统及方法 | |
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN111666834A (zh) | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 | |
CN110688907B (zh) | 基于夜间道路光源识别物体的方法及装置 | |
CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
CN109215364B (zh) | 交通信号识别方法、系统、设备和存储介质 | |
CN102982350A (zh) | 一种基于颜色和梯度直方图的台标检测方法 | |
CN106709412B (zh) | 交通标志检测方法和装置 | |
CN107563301A (zh) | 基于图像处理技术的红灯信号检测方法 | |
CN104408424A (zh) | 一种基于图像处理的多信号灯识别方法 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111401364B (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
CN107886033B (zh) | 识别圆形交通灯的方法、装置及车辆 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN109766846B (zh) | 一种基于视频的自适应多车道车流检测方法及系统 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN107016343A (zh) | 一种基于贝尔格式图像的红绿灯快速识别方法 | |
CN107507140A (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 |
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 |