The invention discloses a traffic signal lamp positioning identification method, device and system, wherein, the method comprises: acquiring image detection and recognition model of convolutional neural network based target; through the detection and recognition model based on convolutional neural network to target the traffic lights detection image detection region traffic lights recognition; get the image information in the detection of traffic lights; the traffic lights information includes: the color of the traffic light, the position coordinates and confidence. The technical scheme of the invention through the detection and recognition model of convolutional neural network target recognition of traffic lights based on the signal, not only can adapt to the external environmental impact, identify the location and is suitable for any shape of traffic signal lamp signal, so as to improve the traffic signal recognition accuracy, reduce the misjudgment rate.
【技术实现步骤摘要】
一种交通信号灯定位识别方法、装置及系统
本专利技术涉及图像识别
,特别涉及一种交通信号灯定位识别方法、装置及系统。
技术介绍
随着经济水平和人民生活水平的不断提高,各大中小城市中车辆不断的增加。与此同时,随之而来的交通问题也越来越备受关注。在交通违法行为识别的过程中,自动准确的识别交通信号灯的尤为重要。传统的交通信号灯识别方案主要是利用像素变化,检测特定区域的颜色值变化,来确定交通信号灯的状态。例如用户划定固定的检测区域,如果该区域出现红色,则认为红灯亮。但是,这种交通信号灯的识别方案由于天气,季节的变化,和物体热胀冷缩的特性,交通信号灯的位置会发生上下,左右的移动,系统初始化时候设定的位置很多时候不是最终检测对应的灯的位置。同时,由于光照,成像技术的原因,事实上的红灯在成像上面可能显示为更接近黄灯的颜色,造成识别的错误。这种颜色失真现象在夜晚会更加明显。现有技术中识别交通信号灯的技术方案还有一种是利用交通信号灯的形状,如圆形,箭头等形状在特定区域进行模板匹配,并且对匹配的区域提取像素值,从而识别灯的颜色。但是,这种技术方案由于交通信号灯的形状各异,例如圆灯,箭头灯,而且图像采集的摄像头的安装位置以及交通信号灯的安装位置各有不同,导致不同位置间交通信号灯的大小不一,很难找到一个能够覆盖各种情况的通用模板。而且该方案也存在技术一中出现的光照、成像技术导致的颜色失真现象,无法精准的进行交通信号灯识别。因此,在专利技术人开发交通信号灯识别的过程中,发现现有技术中至少存在如下问题:现有技术中识别交通信号灯的技术方案识别精度不高,误判率高,且通用性差,受外界环 ...
【技术保护点】
一种交通信号灯定位识别方法,其特征在于,包括:获取待检测图像及基于卷积神经网络的目标检测识别模型;通过所述基于卷积神经网络的目标检测识别模型对所述待检测图像的交通信号灯检测区域进行交通信号灯识别;获取所述待检测图像中交通信号灯信息;所述交通信号灯信息包括:交通信号灯的颜色、坐标位置及置信度。
【技术特征摘要】
1.一种交通信号灯定位识别方法,其特征在于,包括:获取待检测图像及基于卷积神经网络的目标检测识别模型;通过所述基于卷积神经网络的目标检测识别模型对所述待检测图像的交通信号灯检测区域进行交通信号灯识别;获取所述待检测图像中交通信号灯信息;所述交通信号灯信息包括:交通信号灯的颜色、坐标位置及置信度。2.根据权利要求1所述的方法,其特征在于,该方法还包括:获取带标注的训练样本、待训练样本图像及配置参数;所述标注的训练样本带有交通信号灯框一个角点的坐标位置,灯框宽高值和当前灯的颜色;根据配置参数,生成所述待训练样本图像的候选推荐区域,并确定所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度;根据所述带标注的训练样本与所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度,确定所述待训练样本图像的候选推荐区域的样本类型;所述样本类型包括:正样本或负样本;根据所述带标注的训练样本、所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度和所述待训练样本图像的候选推荐区域的样本类型,获取所述基于卷积神经网络的目标检测识别模型。3.根据权利要求2所述的方法,其特征在于,所述配置参数包括:交通信号灯框长宽比及交通信号灯框标准信息;所述根据配置参数,生成所述待训练样本图像的候选推荐区域,并确定所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度步骤,具体包括:根据所述交通信号灯框长宽比,生成所述待训练样本图像的候选推荐区域;根据所述交通信号灯框标准信息,确定所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度。4.根据权利要求3所述的方法,其特征在于,所述基于卷积神经网络的目标检测识别模型包括:候选推荐区域检测器和交通信号灯分类定位器;所述根据所述带标注的训练样本、所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及所述待训练样本图像的候选推荐区域的样本类型,获取所述基于卷积神经网络的目标检测识别模型的步骤,具体包括:根据所述带标注的训练样本、所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度和所述待训练样本图像的候选推荐区域的样本类型,获取所述候选推荐区域检测器;根据所述候选推荐区域检测器输出的所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度和带标注的训练样本中标注的带有交通信号灯框一个角点的坐标位置、灯框宽高值和当前灯的颜色,获取所述交通信号灯分类定位器。5.根据权利要求1-4中任意项所述的方法,其特征在于,该方法还包括:预设置待检测图像的交通信号灯检测区域;所述通过所述基于卷积神经网络的目标检测识别模型对所述待检测图像的交通信号灯检测区域进行交通信号灯识别步骤包括:通过所述基于卷积神经网络的目标检测识别模型,确定所述待检测图像的交通信号灯检测区域内候选推荐区域;在候选推荐区域内进行交通信号灯识别,获取所述交通信号灯框一个角点的坐标位置、灯框宽高值,当前灯的颜色及其置信度;按照所述交通信号灯的坐标位置以及置信度,调整所述交通信号灯检测区域;所述调整后的交通信号灯检测区域将用于下一轮的交通信号灯识别,以便在后待检测图像的交通信号灯识别。6.根据权利要求5所述的方法,其特征在于,所述获取所述待检测图像中交通信号灯信息;所述交通信号灯信息包括:交通信号灯的颜色、...
【专利技术属性】
技术研发人员:陶海,李虹杰,曹松,郑翔,
申请(专利权)人:北京文安智能技术股份有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。