一种基于图像处理的特殊场景下交通标志识别方法技术

本申请提供了一种基于图像处理的特殊场景下交通标志识别方法。将含有交通标志的原始图像转换到转化到HSV颜色空间，如果原始图像存在欠曝光或过曝光，则采用曝光度梯度调整方法改善图像曝光；采用暗通道先验法获得原始图像对应的暗通道图像，如果暗通道图像中存在雾霾，则采用自动色阶算法对雾霾图像去雾处理；将经过复合增强算法后的图像输入改进的神经网络模型，输出各种天气场景下的交通标志的位置和类别识别结果。此申请提高了原始交通标志检测识别方法在特殊天气场景下的检测精度，具有良好的实用价值。有良好的实用价值。有良好的实用价值。

【技术实现步骤摘要】
一种基于图像处理的特殊场景下交通标志识别方法


[0001]本专利技术属于计算机视觉中的机器学习领域，涉及一种基于图像处理的特殊场景下交通标志识别方法。

技术介绍

[0002]随着无人驾驶汽车的增加，自动驾驶技术日益普及。交通标志识别(Traffic Sign Recognition，TSR)作为智能交通系统(Intelligent Transportation System，ITS)中十分重要的一个部分，其识别能力的好坏会直接影响智能驾驶的可靠性。交通标志中通常包含路况信息、车速限制、道路预告等重要的语义信息，在智能车的路径规划、驾驶安全、车速调节等方面起到关键作用。
[0003]当前，围绕不同场景下的交通标志检测识别任务，国内外学者们进行了丰富的研究。现阶段常用的检测识别方法的研究成果主要有模板匹配方法、机器学习方法、深度学习方法。模板匹配使用滑动窗口来比较窗口中的图像与模板库中特征的匹配度，从而依照设置的阈值进行判断和分类；机器学习方法首先提取图像的特征，进而将其输入分类器进行分类识别；深度学习方法无需人工手动提取特征，其通过网络模型对大量样本的学习从而获得良好的检测性能，越来越多应用于交通标志检测识别任务。
[0004]然而，目前的研究成果都建立在天气条件良好的情况下，车载摄像头获取的成像较为清晰，光线均匀。实际生活中，在艳阳天、阴天、雾霾天等特殊天气条件下，由于受拍摄天气条件的影响和硬件条件的限制，车载摄像头的成像质量较差。对应的，摄像头所拍摄的图片质量较差，通常具有过曝、欠曝、被遮挡等特点，造成交通标志在图片中较为模糊，对交通标志的识别带来了较大挑战。

技术实现思路

[0005]本申请提供一种基于图像处理的特殊场景下交通标志识别方法，用以解决在曝光异常、雾霾等特殊场景下的交通标志识别识别精度低的问题。
[0006]实现本专利技术目的的技术解决方案为提供一种基于图像处理的特殊场景下交通标志识别方法，包括以下步骤：
[0007]将含有交通标志的原始图像转换到转化到HSV颜色空间，如果原始图像存在欠曝光或过曝光，则采用曝光度梯度调整方法改善图像曝光；
[0008]采用暗通道先验法获得原始图像对应的暗通道图像，如果暗通道图像中存在雾霾，则采用自动色阶算法对雾霾图像去雾处理；
[0009]将经过复合增强算法后的图像输入改进的神经网络模型，输出各种天气场景下的交通标志的位置和类别识别结果；其中，神经网络模型以YOLOv5神经网络模型为基础进行优化处理，优化处理包括对网络模型检测部分输出特征图尺寸，以及采用Soft
‑
NMS方法进行预测框的选择。
[0010]可选的，将含有交通标志的原始图像转换到转化到HSV颜色空间，如果原始图像存
在欠曝光或过曝光，则采用曝光度梯度调整方法改善图像曝光，包括：
[0011]将原始图像从RGB颜色空间转换到HSV色彩空间；
[0012]将V通道图像平均分为多个区域，并计算每个区域内V通道平均数值，如果V通道平均数值超过正常范围的区域所占比例，则认为原始图像曝光异常；
[0013]将曝光异常的图像在V通道上根据每个像素点V的大小做梯度增强，进行增强或减小。
[0014]可选的，将V通道图像平均分为多个区域，并计算每个区域内V通道平均数值，如果V通道平均数值超过正常范围的区域所占比例，则认为原始图像曝光异常，包括：
[0015]将原始图像的大小统一设置为1024
×
1024，将RGB色彩空间中的图像转换到HSV色彩通道；
[0016]图像划分为8
×
8个小区域，每个区域大小为128
×
128；
[0017]将图像V通道的取值范围确定为[0,1]，统计每个区域内所有像素点的V通道平均值；
[0018]根据人眼视觉感受范围，将V通道平均值大于第一预设阈值的区域记为过曝光区域；
[0019]将V通道平均值小于第二预设阈值的区域记为欠曝光区域；
[0020]分别统计过曝光区域和欠曝光区域所占比例，若占比在预设阈值之外，则分别判定为图像过曝光或欠曝光。
[0021]可选的，将曝光异常的图像在V通道上根据每个像素点V的大小做梯度增强，进行增强或减小，包括：
[0022]对于过曝光图像，做如下变换：
[0023][0024]对于欠曝光图像，做如下变换：
[0025][0026]式中，V(i,j)表示图像中(i,j)点的V通道数值。
[0027]可选的，采用暗通道先验法获得原始图像对应的暗通道图像，如果暗通道图像中存在雾霾，则采用自动色阶算法对雾霾图像去雾处理，包括：
[0028]获取原始图像的暗通道图像，如果检测暗通道图像非全黑色，则输入原始图像中存在雾霾；
[0029]去除图像在每个通道最高或最低的像素值，将其余图像的像素值进行伽马校正至预设区间，从而生成去雾后的图像。
[0030]可选的，获取原始图像的暗通道图像，如果检测暗通道图像非全黑色，则输入原始图像中存在雾霾，包括：
[0031]通过以下方法确定原始图像的暗通道图像：
[0032][0033]式中，J
c
表示图像的RGB每个通道，Ω(x)表示以像素x为中心的窗口，J
dark
表示图像的暗通道；如果J
dark
→
0，则判定该图像无雾霾。
[0034]可选的，去除图像在每个通道最高或最低的像素值，将其余图像的像素值进行伽马校正至预设区间，从而生成去雾后的图像，包括：
[0035]统计图像的灰度级，将像素个数大于200的灰度级视为有效灰度级，并得到有效灰度级的最大值、最小值；
[0036]根据灰度级映射函数将原图像的灰度级扩展到整个[0,255]灰度范围；
[0037]灰度级映射函数为：
[0038][0039]式中，T(k)为变换后的灰度级，k为原图像各灰度级，k
max
、k
min
分别为最大和最小有效灰度级；
[0040]通过以下方法确定增强图像的各灰度值：
[0041]s
(i,j)
＝T(r
(i,j)
)
ꢀꢀꢀ
(5)
[0042]式中，r、s分别为原图像和增强图像的灰度值，(i,j)表示图像中第i行j列；
[0043]将增强灰度图按原比例恢复至RGB色彩空间，得到去雾后的图像。
[0044]可选的，所述优化处理具体包括；
[0045]YOLOv5神经网络模型中检测锚框的尺寸根据识别目标的尺寸改为预设尺寸，限制YOLOv5模型的最高下采样倍数限制为4、8、16倍中的某一倍数；
[0046]对于预测框，将YOLOv5神经网络模型中的非极大值抑制方法改进为Soft
‑
NMS方法进行多次筛选，保留置信度高于阈值的检测框作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的特殊场景下交通标志识别方法，其特征在于，所述方法包括：将含有交通标志的原始图像转换到转化到HSV颜色空间，如果原始图像存在欠曝光或过曝光，则采用曝光度梯度调整方法改善图像曝光；采用暗通道先验法获得原始图像对应的暗通道图像，如果暗通道图像中存在雾霾，则采用自动色阶算法对雾霾图像去雾处理；将经过复合增强算法后的图像输入改进的神经网络模型，输出各种天气场景下的交通标志的位置和类别识别结果；其中，神经网络模型以YOLOv5神经网络模型为基础进行优化处理，优化处理包括对网络模型检测部分输出特征图尺寸，以及采用Soft
‑
NMS方法进行预测框的选择。2.根据权利要求1所述的方法，其特征在于，将含有交通标志的原始图像转换到转化到HSV颜色空间，如果原始图像存在欠曝光或过曝光，则采用曝光度梯度调整方法改善图像曝光，包括：将原始图像从RGB颜色空间转换到HSV色彩空间；将V通道图像平均分为多个区域，并计算每个区域内V通道平均数值，如果V通道平均数值超过正常范围的区域所占比例，则认为原始图像曝光异常；将曝光异常的图像在V通道上根据每个像素点V的大小做梯度增强，进行增强或减小。3.根据权利要求2所述的方法，其特征在于，将V通道图像平均分为多个区域，并计算每个区域内V通道平均数值，如果V通道平均数值超过正常范围的区域所占比例，则认为原始图像曝光异常，包括：将原始图像的大小统一设置为1024
×
1024，将RGB色彩空间中的图像转换到HSV色彩通道；图像划分为8
×
8个小区域，每个区域大小为128
×
128；将图像V通道的取值范围确定为[0,1]，统计每个区域内所有像素点的V通道平均值；根据人眼视觉感受范围，将V通道平均值大于第一预设阈值的区域记为过曝光区域；将V通道平均值小于第二预设阈值的区域记为欠曝光区域；分别统计过曝光区域和欠曝光区域所占比例，若占比在预设阈值之外，则分别判定为图像过曝光或欠曝光。4.根据权利要求2所述的方法，其特征在于，将曝光异常的图像在V通道上根据每个像素点V的大小做梯度增强，进行增强或减小，包括：对于过曝光图像，做如下变换：对于欠曝光图像，做如下变换：
式中，V(i,j)表示...

【专利技术属性】
技术研发人员：李军，王子文，张礼轩，张书恒，潘治豪，王有为，徐文涛，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：