一种复杂路口下交通信号灯检测与识别方法及系统技术方案

本发明专利技术提供一种复杂路口下交通信号灯检测与识别方法及系统，所述方法包括：通过车载摄像头拍摄出带有交通信号灯的图片

【技术实现步骤摘要】
一种复杂路口下交通信号灯检测与识别方法及系统


[0001]本专利技术涉及交通监测
，具体而言，涉及一种复杂路口下交通信号灯检测与识别方法及系统
。

技术介绍

[0002]传统交通信号灯以及车道线检测方法通常基于视觉信息，当视觉信息不足时，追踪成为了另一种流行的后处理方案
。
随着深度学习的发展，一些基于深度神经网络的方案在车道线检测上表现出了较好的性能
。
目前主流用于车道线检测的深度学习方法主要有：语义分割
、
顺序预测
、
聚类和
3D
构造等
。
[0003]但是，现有的这些车道线检测的深度学习网络模型在道路状况复杂时，模型运行时间过长，远端车道线检测的准确率会有较大幅度下降
。

技术实现思路

[0004]鉴于此，本专利技术的目的在于对深度学习网络模型进行改进设计，并改进实时车道线检测方法的
SegNet
算法，在保证不影响检测精度的前提下，达到减少模型运行时间
。
[0005]本专利技术提供一种复杂路口下交通信号灯检测与识别方法，包括以下步骤：
[0006]A、
通过一个车载摄像头拍摄出带有交通信号灯的图片；使用另一个车载摄像头拍摄带有车道线和路面的标志标识的图片；将其他车载摄像头和激光测距雷达配合起来感知周围障碍物以及车辆与周围障碍物的距离；
[0007]因为交通信号灯
(
红绿灯
)
的空间位置都比车辆高，所以摄像头的安装位置应该靠近支架的上方，防止因为低视角错失红绿灯的检测；
[0008]B、
在车辆启动前输入目的地，生成导航线路，判断在交叉路口是左转
、
右转
、
还是直行；使用深度学习算法进行车道线检测，通过车道线检测结果和摄像头的视角反推车辆具体在哪个车道，引导车辆行驶在正确的车道上；
[0009]在车辆快驶入交叉口时，告诉车辆该走哪条车道
。
因为没有使用高精地图，
GPS
定位有误差，无法实现车道级别的定位，所以使用深度学习算法来进行车道线检测，通过车道线检测结果和摄像头的视角来反推车辆具体在哪个车道；
[0010]如果所述车道线检测结果不是在推荐车道，则需要进行变道，在变道前采用激光测距雷达和其他车载摄像头进行周边环境检测，确定无障碍物后，再进行变道；
[0011]C、
采用深度学习算法从所述带有交通信号灯的图片中检测出交通信号灯图像；
[0012]D、
对交通信号灯的红绿灯信号进行识别与语义理解；
[0013]从前面的车道定位模块已经知道车辆所处车道；例如，车辆是在左转车道，就看左边交通信号灯的颜色，绿色就直接通行，红色就停下来等待，其他车道同理
。
[0014]进一步地，所述
B
步骤的所述进行车道线检测的方法包括：
[0015]采用改进
SegNet
算法的实时车道线检测方法，在保证不影响检测精度的前提下达到减少网络模型运行时间，通过
SegNet
算法只将池化索引保存，不用保存整个解码部分的
特征图，达到节省内存空间的目的；将
SegNet
改为多编码
‑‑
少解码的非对称的编码与解码网络架构；将
SegNet
中的卷积层与
BN
层合并；通过连通域约束与最小二乘法拟合等图像后处理技术对图片图像进行处理
。
[0016]为提高检测的实时性，对
SegNet
算法进行精简与改进，主要从两方面进行改进，首先是将模型原本的对称结构改为“多编码
‑
少解码”的非对称网络架构，其次是
SegNet
算法卷积层与
BN
层的融合，以上两点均极大地减少了网络运行的时间，提高了实时性
。
[0017]进一步地，所述
C
步骤的所述深度学习算法包括：
[0018]基于对权重文件大小
、
识别精度和检测速度的综合考虑，选择
YOLOv5s
网络模型；
[0019]实现对交通信号灯的检测是无人驾驶的重要环节，而
YOLOv5
非常易于运用在交通场景下对交通信号灯进行检测，选择检测速度最快
、
识别精度相对较高的
YOLOv5s。
[0020]进一步地，所述
C
步骤的所述检测出交通信号灯图像的方法包括：
[0021]对复杂的交叉路口检测出的多组交通信号灯，判断原则是：以车辆正前方的信号灯为准；如果车辆正前方仍存在多组交通信号灯，则通过激光雷达测距，选取距离车辆最近的那组信号灯
。
[0022]进一步地，所述
YOLOv5s
网络模型包括三处
CSP1
‑
x
结构，所述
CSP1
‑
x
结构采用跨阶段局部网络
CSPNet
，把基础层的特征映射为两部分，然后通过跨阶段层次结构将映射的两部分合并，这样可以大大减少网络的计算量提高网络的运行速度，同时精度基本上保持不变
。
[0023]进一步地，所述
CSP1
‑
x
结构中的
CSP1
‑
x
残差组件采用
Resnet
网络，通过在卷积层之间增加跨连接
(shortcut)
方式使得网络模型的计算量减少，加快网络的运行效率
。
[0024]进一步地，所述
CSP1
‑
x
残差组件基于
DenseNet
网络结构，设计新的
unit
组件
D
‑
unit(Dense
‑
unit)
，所述
D
‑
unit
采用
1x1
和
3x3
两种大小的卷积核
、Batch Normalization
归一化层
、Hardwish
激活函数层；
[0025]通过在原来的基础对每个
CBH
模块之间都添加跨连接，使得各个模块紧密的连接起来从而更好的解决深度网络模型的退化问题
。
[0026]本专利技术还提供一种复杂路口下交通信号灯检测与识别系统，执行如上述所述的复杂路口下交通信号灯检测与识别方法，包括：
[0027]信息获取模块：由若干车载摄像头和激光测距雷达组成，通过一个车载摄像头拍摄出带有交通信号灯的图片；使用另一个车载摄像头拍摄带有车道线和路面的标志标识的图片；将其他车载摄像头和激光测距雷达配合起来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种复杂路口下交通信号灯检测与识别方法，其特征在于，包括以下步骤：
A、
通过一个车载摄像头拍摄出带有交通信号灯的图片；使用另一个车载摄像头拍摄带有车道线和路面的标志标识的图片；将其他车载摄像头和激光测距雷达配合起来感知周围障碍物以及车辆与周围障碍物的距离；
B、
在车辆启动前输入目的地，生成导航线路，判断在交叉路口是左转
、
右转
、
还是直行；使用深度学习算法进行车道线检测，通过车道线检测结果和摄像头的视角反推车辆具体在哪个车道，引导车辆行驶在正确的车道上；
C、
采用深度学习算法从所述带有交通信号灯的图片中检测出交通信号灯图像；
D、
对交通信号灯的红绿灯信号进行识别与语义理解
。2.
根据权利要求1所述的复杂路口下交通信号灯检测与识别方法，其特征在于，所述
B
步骤的所述进行车道线检测的方法包括：采用改进
SegNet
算法的实时车道线检测方法，在保证不影响检测精度的前提下达到减少网络模型运行时间，通过
SegNet
算法只将池化索引保存，不用保存整个解码部分的特征图，达到节省内存空间的目的；将
SegNet
改为多编码
‑‑
少解码的非对称的编码与解码网络架构；将
SegNet
中的卷积层与
BN
层合并；通过连通域约束与最小二乘法拟合等图像后处理技术对图片图像进行处理
。3.
根据权利要求1所述的复杂路口下交通信号灯检测与识别方法，其特征在于，所述
C
步骤的所述深度学习算法包括：基于对权重文件大小
、
识别精度和检测速度的综合考虑，选择
YOLOv5s
网络模型
。4.
根据权利要求1所述的复杂路口下交通信号灯检测与识别方法，其特征在于，所述
C
步骤的所述检测出交通信号灯图像的方法包括：对复杂的交叉路口检测出的多组交通信号灯，判断原则是：以车辆正前方的信号灯为准；如果车辆正前方仍存在多组交通信号灯，则通过激光雷达测距，选取距离车辆最近的那组信号灯
。5.
根据权利要求4所述的复杂路口下交通信号灯检测与识别方法，其特征在于，所述
YOLOv5s
网络模型包括三处
CSP1
‑
x
结构，所述
CSP1
‑
x
结构采用跨阶段局部网络
CSPNet
，把基础层的特征映射为两部分，然后通过跨阶段...

【专利技术属性】
技术研发人员：邓天民，李亚楠，张曦月，杨令，程鑫鑫，
申请(专利权)人：重庆市佰强科技有限公司，
类型：发明
国别省市：