一种交通信号灯候选图像区域的验证方法技术

本发明专利技术公开了一种交通信号灯候选图像区域的验证方法，包括如下步骤：(1)将待验证的交通信号灯候选图像区域分割成若干子块，提取每个子块的像素密度特征，利用预训练好的一级支持向量机判断是否为灯体；(2)将经过步骤(1)筛选的候选图像区域进行扩展，依据该扩展区域从原始图像中切割出同一区域，提取HOG特征，并利用预训练好的二级支持向量机进一步验证。本发明专利技术通过二级向量机对候选灯体图像进行验证及类别判断，其中一级向量机所处理的图像为二值化图像，运算效率很高，并且通过其筛选之后的图像才进一步判断，可减少后续提取的图像数目，减少总耗时；而二级向量机验证采用提取原始彩色图像的HOG特征的方式，从而可以提高判断准确率。

【技术实现步骤摘要】
一种交通信号灯候选图像区域的验证方法
本专利技术涉及车辆的智能驾驶辅助及无人驾驶
，更具体地，涉及一种交通信号灯候选图像区域的验证方法。
技术介绍
红绿灯自动识别技术，尤其是红灯的自动识别技术，是车辆安全驾驶辅助和无人驾驶的关键支撑技术之一，是车辆交通环境感知的重要组成部分。根据所采用的技术方案不同，现有识别方案主要分为基于车路通信、基于周边车辆状态感知、基于GPS导航和基于车辆视觉四大类。尽管多方案融合是未来发展的趋势，但基于车载视觉的识别技术仍是学术界和企业界研究的热点，已成为智能交通系统的热点研究领域。其中，由于红灯表示禁止标志，对于交通次序和安全具有更为重要的意义，因此，能够快速实时、准确可靠的从交通环境视频图像中检测出红灯是工程应用的基本要求。现有红灯图像自动检测技术主要分为传统图像识别和基于深度学习的红灯识别两大类。前者多基于红灯的颜色、几何等特征提取红灯的候选图像区域，实时性较好，但由于车辆运行过程中相对于红灯灯体可能存在随机变化的侧倾、俯仰和横摆等位置变化，对于这些特征的具体参数如何界定缺乏依据，准确率不高。后者需要大量的图像样本进行模型的训练，准确率好，但由于训练好的神经网络模型的参数数量往往很庞大，对硬件处理速度提出了较高要求，不利于部署在车辆上，实时性也较差。这些直接制约着基于车载视觉的红灯自动检测技术在智能驾驶辅助和无人驾驶技术中的应用。针对图像识别技术，为了提高准确率，降低漏检率，往往通过扩大阈值范围的方式，但是这样做的结果就是会识别出一些看似灯体而非灯体的伪灯体。这时就有必要进一步对获得的信号灯候选图像区域进行验证。另外，交通信号灯除了具有相对简单且结构对称的圆形灯和叉形灯以外，还包括箭形交通信号灯。事实上，我国关于交通红绿灯的制作、设置和安装都分别在国标GB14886-2006《道路交通信号灯设置与安装规范》、国标GB14886-2016《道路交通信号灯设置与安装规范》、GB14887-2011《道路交通信号灯》和GB14887-2016《道路交通信号灯》等标准内做出了详细的规定。根据这些标准，常见的箭形交通信号灯主要有箭头朝左的禁止左转方向指示灯和箭头朝上的禁止直行方向指示灯两种，如图1所示。理想情况下，箭形交通信号灯在视频图像中为如图1所示的分体形式，其包括“指向箭头”和“尾部直线”两个独立部分。然而在现实中可能由于光晕、距离过远等原因，其图像成为一体形式，如图2所示。在现有研究中，部分学者并未考虑到箭头灯实际上是由分离的两部分组成，这种分离现象尤其在近距离成像时特别明显；部分学者虽然考虑到了此问题，但大多采用形态学方法进行合并操作，在处理不同距离、不同角度以及复杂多变背景下的分离灯体图像时如何选取合适的形态学内核大小一直没有好的方案。因此对于图像的识别存在限制性。为此，本案专利技术人提出特定的灯体几何形状特征阈值，可以识别分体式灯体的指向箭头图像和尾部直线图像，之后再通过特殊的方法进行配对拼接(已另案申请)。这种方式可以大大降低漏检率，然而，由于整灯的几何形状阈值与各分体的阈值存在交集，会出现将指向箭头图像和尾部直线图像作为整灯识别的现象。因此基于各种原因，均有必要进一步对获得的交通信号灯候选图像区域进行验证，本案由此而产生。参考文献(References):[1]KimKT.STVC:SecureTraffic-lighttoVehicleCommunication[C].InternationalCongressonUltra-ModernTelecommunicationsandControlSystemsandWorkshops,St.PetersburgRussia,2012:96-104。[2]IglesiasI,IsasiL,LarburuM,etal.I2VCommunicationDrivingAssistanceSystem:On-BoardTrafficLightAssistant[C].VehicularTechnologyConference,CalgaryCanada,2008:1-5。[3]CampbellJ,AmorHB,AngMH,etal.Trafficlightstatusdetectionusingmovementpatternsofvehicles[C].ProceedingsoftheIEEEInternationalConferenceonIntelligentTransportationSystems,RiodeJaneiroBrazil,2016:283-288。[4]CampbellJ,TuncaliCE,LiuP,etal.Modelingconcurrencyandreconfigurationinvehicularsystems:Aπ-calculusapproach[C].IEEEInternationalConferenceonAutomationScienceandEngineering,TexasUSA,2016。[5]FairfieldN,UrmsonC.Trafficlightmappinganddetection[C].IEEEInternationalConferenceonRoboticsandAutomation,ShanghaiChina,2011:5421-5426。[6]LevinsonJ,AskelandJ,DolsonJ,etal.Trafficlightmapping,localization,andstatedetectionforautonomousvehicles[C].IEEEInternationalConferenceonRoboticsandAutomation,ShanghaiChina,2011:5784-5791。[7]JangC,ChoS,JeongS,etal.Trafficlightrecognitionexploitingmapandlocalizationateverystage[J].ExpertSystemswithApplications,2017,88:290-304。[8]周宣汝,袁家政,刘宏哲,等.基于HOG特征的交通信号灯实时识别算法研究[J].计算机科学,2014,41(7):313-317。[9]ShiZ,ZouZ,ZhangC.Real-timetrafficlightdetectionwithadaptivebackgroundsuppressionfilter[J].IEEETransactionsonIntelligentTransportationSystems,2015,17(3):690-700。[10]SalarianM,ManavellaA,AnsariR.Avisionbasedsystemfortrafficlightsrecognition[C]//2015SAIIntelligentSystemsConference本文档来自技高网...

【技术保护点】
1.一种交通信号灯候选图像区域的验证方法，其特征在于包括如下步骤：/n(1)将待验证的交通信号灯候选图像区域分割成若干子块，提取每个子块的像素密度特征，利用预训练好的一级支持向量机判断是否为灯体；/n(2)经过步骤(1)筛选的候选图像区域，先按一定延展系数进行扩展，依据该扩展的候选图像区域，从原始图像中切割出同一区域，提取HOG特征，并利用预训练好的二级支持向量机进一步验证。/n

【技术特征摘要】
1.一种交通信号灯候选图像区域的验证方法，其特征在于包括如下步骤：
(1)将待验证的交通信号灯候选图像区域分割成若干子块，提取每个子块的像素密度特征，利用预训练好的一级支持向量机判断是否为灯体；
(2)经过步骤(1)筛选的候选图像区域，先按一定延展系数进行扩展，依据该扩展的候选图像区域，从原始图像中切割出同一区域，提取HOG特征，并利用预训练好的二级支持向量机进一步验证。


2.根据权利要求1所述的一种交通信号灯候选图像区域的验证方法，其特征在于：所述候选图像区域如果不是二值化图像，先进行二值化处理。


3.根据权利要求1所述的一种交通信号灯候选图像区域的验证方法，其特征在于：所述一级支持向量机和二级支持向量机中的样本图像，均通过人工标记其所属类别，并分为7类，分别为伪灯体、朝左、朝右、朝上及朝下箭头灯、圆形灯和叉形灯；并基于相应特征和类别构建训练样本。


4.根据权利要求1所述的一种交通信号灯候选图像区域的验证方法，其特征在于所述步骤(2)中，候选图像区域扩展方式为：以候选图像区域外接矩形R0(i)中心为基点，在宽度w0(i)和高度h0(i)方向进行适当延展获得矩形R′0(i)，基于R′0(i)从原始图像中分割提取出同一区域图像C′0(i)，其中，矩形R′0(i)的宽度w′0(i)＝(1+α)w0(i)，高度h′0(i)＝(1+β)h0(i)，α和β为延展系数。


5.根据权利要求1或4所述的一种交通信号灯候选图像区域的验证方法，其特征在于：所述的延展系数为2.1。


6.根据权利要求1所述的一种交通信号灯候选图像区域的验证方法，其特征在于所述一级支持向量机的训练样本集方法为：(1)大量采集各种情况下含有交通信号灯的交通图像，提取各图像中所有交通信号灯候选图像，获得二值化信号灯样本图像集合C0，并人工标记C0中每个样本图像C0(i)所属类...

【专利技术属性】
技术研发人员：钟铭恩，汤世福，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建;35