一种基于图像处理和深度学习的交通灯识别方法技术

本发明专利技术公开了一种基于图像处理和深度学习的交通灯识别方法，包括以下步骤：（1）颜色空间变换和提取候选区；（2）目标边界处理和提取候选框；（3）尺寸噪声处理；（4）重叠处理；（5）纹理噪声处理；（6）候选框并行分类；（7）后处理。本发明专利技术能够有效地提高交通灯识别的准确性，缩短了模型的运行时间，同时减小了模型体积。

【技术实现步骤摘要】
一种基于图像处理和深度学习的交通灯识别方法
本专利技术涉及智能交通领域，具体涉及一种基于图像处理和深度学习的交通灯识别方法。
技术介绍
城市环境中的交通灯识别对于车辆控制以及助力有视觉障碍的行人穿越十字路口来说都至关重要。许多研究致力于识别交通灯并被归纳为两大类，即两阶段方法和一阶段方法。对于前者，首先需要提取建议区，然后使用分类器对建议区进行分类；提取建议区的方法有很多：滑动窗口是最简单、最耗时的方法，随后选择性搜索和边缘检测等快速提取方法被提出；然而这些方法对尺寸较小的物体不敏感，对个体的分割效果也不佳。其他研究有使用聚光灯检测颜色和形状特征、地图信息等来提取建议区，然而这些方法通常需要有力的假设，并且可能会造成建议区冗余，从而增加了运行时间成本。在两阶段方法中，典型的分类器包括模板匹配、支撑向量机、隐马尔可夫模型和深度学习。1)模板匹配简单易操作，但是其分类精度与模板的好坏密切相关；2)支撑向量机在小样本训练集中，其分类表现较好，但当训练数据变大时，支撑向量机变得非常耗时，并且在解决多分类问题时精度非常有限；3)隐马尔可夫模型可基本文档来自技高网...

【技术保护点】
1.一种基于图像处理和深度学习的交通灯识别方法，其特征在于包括以下步骤：/n(1)颜色空间变换和提取候选区：对输入图像进行颜色变换，再根据特定的交通灯颜色提取交通灯所在的区域，并生成候选区；/n(2)目标边界处理和提取候选框：对生成的候选区进行二值化处理，再使用轮廓检测算法估算候选区交通灯的轮廓并计算相应的包围框，得到目标候选框；/n(3)尺寸噪声处理：采用交通灯尺寸经验估算法对经上述步骤生成的候选框进行尺寸噪声消除；/n(4)重叠处理：多个候选框在同一交通灯周围存在彼此覆盖，采用交并比方法删除重叠候选框；/n(5)纹理噪声处理：采用分形维数和R比率对经上述步骤生成的候选框进行纹理噪声消除；/...

【技术特征摘要】
1.一种基于图像处理和深度学习的交通灯识别方法，其特征在于包括以下步骤：
(1)颜色空间变换和提取候选区：对输入图像进行颜色变换，再根据特定的交通灯颜色提取交通灯所在的区域，并生成候选区；
(2)目标边界处理和提取候选框：对生成的候选区进行二值化处理，再使用轮廓检测算法估算候选区交通灯的轮廓并计算相应的包围框，得到目标候选框；
(3)尺寸噪声处理：采用交通灯尺寸经验估算法对经上述步骤生成的候选框进行尺寸噪声消除；
(4)重叠处理：多个候选框在同一交通灯周围存在彼此覆盖，采用交并比方法删除重叠候选框；
(5)纹理噪声处理：采用分形维数和R比率对经上述步骤生成的候选框进行纹理噪声消除；
(6)候选框并行分类：经上述步骤处理后，利用分类器和并行化处理技术对剩余的候选框进行分类，并生成分类框；
(7)后处理：对经上述步骤处理后的分类框进行后处理，得到准确的分类图像和准确的目标位置。


2.根据权利要求1所述的一种基于图像处理和深度学习的交通灯识别方法，其特征在于：在上述步骤(1)中，颜色变换为Red-Green-Yellow模式到Hue-Saturation-Value模式的变换；在Hue-Saturation-Value模式下，利用颜色阈值法提取交通灯所在的区域，并生成候选区。


3.根据权利要求2所述的一种基于图像处理和深度学习的交通灯识别方法，其特征在于：在上述步骤(1)中，红色的阈值为：0≤hred1＜15、115≤sred1≤255、115≤vred1≤255和165≤hred2≤180、120≤sred2≤255、90≤vred2≤255；绿色的阈值为：55≤hgreen≤90、60≤sgreen≤255和90≤vgreen≤255；黄色的阈值为：15≤hyellow≤25、195≤syellow≤255和205≤vyellow≤255。


4.根据权利要求1所述的一种基于图像处理和深度学习的交通灯识别方法，其特征在于：在上述步骤(2)中，轮廓检测算法采用CHAIN_APPROX_SIMPLE算法，且候选框的尺寸依赖于包围框的宽度和高度，其计算公式为：






式中，bw和bh分别为候选框的宽度和高度；w和h分别为包围框的宽度和高度；...

【专利技术属性】
技术研发人员：车明亮，王英利，王晓文，张驰，曹鑫亮，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32