一种基于多分类器的交通信号灯的识别方法技术

本发明专利技术涉及一种基于多分类器的交通信号灯的识别方法，属于图像处理技术领域。本发明专利技术首先定位图像的感兴趣区域,然后根据交通信号灯红绿颜色特点提取候选区域，并根据形态学特征对交通信号灯候选区域进行过滤，依次提取候选区域的HOG特征与颜色特征，在利用交通信号的样本图片训练多个二分类SVM模型构造基于SVM多分类器，本发明专利技术可以克服单个分类器对多目标进行识别的时候，计算速度较慢，识别精度不高等缺点。

A method of identifying traffic lights based on multiple classifiers

The invention relates to a method for identifying traffic signals based on multiple classifiers, which belongs to the field of image processing technology. The present invention first positioning the image region of interest, and then extract the candidate region according to the traffic light red and green color characteristics, and according to the traffic signal filtering candidate region morphological features in HOG feature extraction and color feature of the candidate region, SVM multi classifier based on the traffic signal in the sample pictures of the training of multiple classification SVM two the model structure, the invention can overcome the single classifier for multi target recognition, the calculation speed is slow, the disadvantages of low recognition accuracy.

【技术实现步骤摘要】
一种基于多分类器的交通信号灯的识别方法
本专利技术属于图像处理
，涉及一种基于多分类器的交通信号灯的识别方法。
技术介绍
随着社会和经济技术的发展，交通道路上的车辆越来越多，道路环境也越来越复杂，随之而来的交通事故也频繁发生，为了减少此类情况的发生，智能交通应运而生，而在智能交通中，智能车是智能交通中关键的一部分，智能车的出现帮助驾驶员驾驶，使得交通事故发生的频率得以减少，同时让红绿色盲的人驾车成为可能性，因此对于交通信号灯识别有着非常重要的意义要实现这个目标，首先得从复杂多变的环境中，准备找出交通信号灯的位置，然后在通过进一步特征提取和识别，判断出交通信号灯的具体信息。目前这种方法有准确性，但无法有广泛性适用性不强。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于多分类器的交通信号灯的识别方法，用于实时运行的智能车中，准确识别各个道路口的红绿灯信息，提高安全驾驶性。为达到上述目的，本专利技术提供如下技术方案：一种基于多分类器的交通信号灯的识别方法，该方法包含如下步骤：S1：用视频采集装置采集车辆前方的图像；S2：对采集的图像进行图像灰度化，滤波以及建立兴趣区域的预处理过程；S3：根据采集到的图像，提取交通信号灯颜色；S4：对步骤S3提取的颜色区域进行形态学过滤；S5：对过滤之后的颜色区域进行HOG特征和颜色特征提取；S6：利用HOG特征对SVM分类器进行训练，将颜色特征输入训练好的SVM分类器中进行识别。进一步，所述视频采集装置为摄像头，且分辨率大于640*480，所述摄像头安装在车辆后视镜位置。进一步，步骤S2中所述兴趣区域为采集到的图像的上方1/2部分的区域。进一步，步骤S3包含如下步骤：S31：将摄像头采集的图像转换为YcbCr颜色模式，转化公式为；其中，Y为转换后图像颜色的亮度成分，Cb为转换后图像颜色的蓝色浓度偏移量成分，Cr为转换后图像颜色的红色浓度偏移量成分，R为原始图像中的红色成分，G为原始图像中的绿色成分，B为原始图像中的蓝色成分；S32：在Cb通道下进行红色与绿色的颜色区域提取，判定交通信号灯存在的区域，{f(x,y)|Rmin≤fcb≤Rmax},color＝Red{f(x,y)|Gmin≤fcb≤Gmax},color＝Green其中，f(x,y)为像素点的位置，Rmin为最小红色阈值，Rmax为最大红色阈值，Gmax表示最大绿色阈值，Gmin表示最小绿色阈值。进一步，步骤S4中形态学过滤条件满足：过滤条件Ⅰ：遍历通过颜色检测的候选区域，通过长宽比条件来过滤，满足条件的保留，不满足条件的剔除，其中，Rwh表示交通信号灯的长宽之比，过滤条件Ⅱ：将经过长宽比过滤后区域经过圆检测，定义圆心和半径，其中，r表示交通信号灯圆的半径。进一步，步骤S5中HOG特征提取包含如下步骤：S51：将整个图像进行色彩和伽马归一化处理；S52：计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；S53：将图像分成若干细胞单元，构建方向的直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票；S54：将细胞单元进行合成空间上连通的区间，获得交通信号灯的HOG特征。进一步，步骤S6包含：S61：将交通信号灯的HOG特征作为分类特征输入SVM分类器模型Ⅰ中进行训练，训练好的SVM分类器模型Ⅰ将交通信号灯分为左转、右转和直行三类；S62：将YcbCr颜色分类分别输入到SVM分类器模型Ⅱ、SVM分类器模型Ⅲ和SVM分类器模型Ⅳ进行训练；S63：将左转、右转和直行三类分别输入训练好的SVM分类器模型Ⅱ、SVM分类器模型Ⅲ和SVM分类器模型Ⅳ进行颜色识别；S64：输出识别结果。本专利技术的有益效果在于：本专利技术能够实时快速准确地检测出红绿灯信息，可运用于智能车当中，辅助其正确安全行驶。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术的具体流程图；图2为分类详细流程图；图3为交通信号灯示意图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。如图1、图2所示，本专利技术的方法包含如下步骤：(1)首先，固定采集视频的摄像位置，安装在智能车后视镜中间部分，距离地面1-1.5米，摄像机的广角范围大于120度，图像的分辨率为640*480，通过车辆上装载的摄像机，以每秒30帧的速度来获取车辆前方的道路图像，(2)对采集到的图像进行预处理，包括灰度化，滤波等去除因为环境因素而产生的干扰，同时针对交通信号灯位置，把图像的1/2以上的部分设置为感兴趣区域，可以减少图片处理的复杂度与时间。(3)提取交通信号灯颜色区域，由于摄像机的采集图片是RGB模式，所以首先要先将RGB转化为YCbCr颜色空间转化公式如下所示：经过颜色空间转换后，在Cb通道下进行红绿颜色提取，初步根据交通信号灯颜色定位交通信号灯的位置，Rmin为红色阈值的最小值108，Rmax为红色阈值的最大值160，Gmin为绿色阈值的最小值10，Gmax为绿色阈值的最大值60，f(x,y)表示点(x,y)处的像素值，则：{f(x,y)|Rmin≤fcb≤Rmax},color＝Red{f(x,y)|Gmin≤fcb≤Gmax},color＝Green(4)对初步判断的颜色区域进行形态学过滤，过滤条件1：遍历通过颜色检测的候选区域，通过长宽比条件来过滤，满足条件的保留，不满足条件的剔除。其中，Rwh表示交通信号灯的长宽之比，过滤条件2：将经过上面长宽比过滤后区域经过圆检测，定义圆心和半径，其中，r表示交通信号灯圆的半径。(5)对经过上述颜色和形态学过滤的区域，进行Hog特征与颜色特征提取，HOG特征是表征了物体的梯度方向特征，颜色特征则是交通信号灯最为显著的特征。a、色彩和伽马归一化；为了减少光照因素的影响，首先需要将整个图像进行规范化(归一化)操作。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。b、计算图像梯度；计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。最常用的方法是：简单地使用一个一维的离散微分模板在一个方向上或者同时在水平和垂直两个方向上对图像进行处理，更确切地说，这个方法需要使用滤波器核滤除图像中的色彩或变化剧烈的数据。c、构建方向的直方图；细胞单元中的每一个像素点都为某个基于方向的直方图通道投票。投票是采取加权投票的方式，即每一票都是带有权值的，这个权值是根据该像素点的梯度幅度计算出来。可以采用幅值本身或者它的函数来表示这个权值，实际测试表明：使用幅值来表示权值能获得最佳的效果，当然，也可以选择幅值的函数来表示，比如幅值的平方根、幅值的平方、幅值的截断形式等。细胞单元可以是矩形的，也可以是星形的。d、将细胞单元组合成大的区间；由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化.归一化能够进一步地对光照、阴影和边缘进行压缩。采取的办法是：把各个细胞单元组合成大的、空间上连通的区间。这样，HOG描述符就变成了由各区间所有细胞单元的直方图成分所组成的一个向量。这些区间是互本文档来自技高网...

【技术保护点】
一种基于多分类器的交通信号灯的识别方法，其特征在于：该方法包含如下步骤：S1：用视频采集装置采集车辆前方的图像；S2：对采集的图像进行图像灰度化，滤波以及建立兴趣区域的预处理过程；S3：根据采集到的图像，提取交通信号灯颜色；S4：对步骤S3提取的颜色区域进行形态学过滤；S5：对过滤之后的颜色区域进行HOG特征和颜色特征提取；S6：利用HOG特征对SVM分类器进行训练，将颜色特征输入训练好的SVM分类器中进行识别。

【技术特征摘要】
1.一种基于多分类器的交通信号灯的识别方法，其特征在于：该方法包含如下步骤：S1：用视频采集装置采集车辆前方的图像；S2：对采集的图像进行图像灰度化，滤波以及建立兴趣区域的预处理过程；S3：根据采集到的图像，提取交通信号灯颜色；S4：对步骤S3提取的颜色区域进行形态学过滤；S5：对过滤之后的颜色区域进行HOG特征和颜色特征提取；S6：利用HOG特征对SVM分类器进行训练，将颜色特征输入训练好的SVM分类器中进行识别。2.根据权利要求1所述的一种基于多分类器的交通信号灯的识别方法，其特征在于：所述视频采集装置为摄像头，且分辨率大于640*480，所述摄像头安装在车辆后视镜位置。3.根据权利要求1所述的一种基于多分类器的交通信号灯的识别方法，其特征在于：步骤S2中所述兴趣区域为采集到的图像的上方1/2部分的区域。4.根据权利要求1所述的一种基于多分类器的交通信号灯的识别方法，其特征在于：步骤S3包含如下步骤：S31：将摄像头采集的图像转换为YcbCr颜色模式，转化公式为；其中，Y为转换后图像颜色的亮度成分，Cb为转换后图像颜色的蓝色浓度偏移量成分，Cr为转换后图像颜色的红色浓度偏移量成分，R为原始图像中的红色成分，G为原始图像中的绿色成分，B为原始图像中的蓝色成分；S32：在Cb通道下进行红色与绿色的颜色区域提取，判定...

【专利技术属性】
技术研发人员：朱浩，刘智毅，吴吉红，秦浩，舒德伟，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50