首页 / 专利库 / 医疗设备 / 伽马相机 / 一种基于图像处理的信号灯检测方法

一种基于图像处理信号灯检测方法

阅读:843发布:2020-07-10

专利汇可以提供一种基于图像处理信号灯检测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于 图像处理 的 信号 灯检测方法,包括如下步骤:步骤1:从前端相机读取图像文件F0;步骤2:读取系统配置文件中的感兴趣区域,并从F0中的拷贝感兴趣区域图像F1;步骤3:根据系统当前时间对图像F1进行图像增强;步骤4:对图像F2进行 颜色 区域分割,步骤5:对图像F4进行形态学的闭运算处理;步骤6:提取图像F4中的连通区域,步骤7:提取CL中区域的外接矩形,并根据外接矩形 位置 从图像F2中拷贝候选信号灯图像,得信号灯图像集合L;步骤8:提取L中所有图像的Hog特征,本发明的有益效果是,能实现复杂场景的信号灯检测,并同时满足系统的 稳定性 和实时性的需求。,下面是一种基于图像处理信号灯检测方法专利的具体信息内容。

1.一种基于图像处理信号灯检测方法,其特征在于,包括如下步骤:
步骤1:从前端相机读取图像文件F0;
步骤2:读取系统配置文件中的感兴趣区域,并从F0中的拷贝感兴趣区域图像F1;
步骤3:根据系统当前时间对图像F1进行图像增强;在6:00至18:00之间为白天,对图像F1进行直方图均衡化,其余时间为夜晚,对F1进行伽校正,得增强后图像F2;
步骤4:对图像F2进行颜色区域分割,具体步骤如下:
步骤4.1将图像F2转换到HSV颜色空间中;
步骤4.2根据系统时间对F2进行颜色阈值分割,保留集合red和green中像素信息,并将其他像素的明度设为0,得阈值分割图像F3;白天,保留满足式(1)的像素点的像素值;夜晚,保留满足式(2)的像素点的像素值;
式中,p(x,y)表示像素位置为(x,y)像素点,h,s,v分别表示该点在颜色通道HSV中各通道的通道值,red表示红色像素点集合,green表示绿色像素点集合;
步骤4.3对图像F3进行灰度化,并通过OTSU进行二值化,得二值化图像F4;
步骤5:对图像F4进行形态学的闭运算处理;
步骤6:提取图像F4中的连通区域,得连通区域集合C={Ai|i=1,2,3,…,n},Ai表示第i个连通区域,n表示总连通区域数量;根据式(3)(4)(5)对C中对象其进行几何特征过滤,将不满足的对象从C中剔除,得候选信号灯区域集合CL;
Smin<Ai.S<Smax  (3)
rwhmin<Ai.rwh<rwhmax  (4)
Kmin<Ai.K<Kmax  (5)
其中,其中Smin和Smax分别表示事先给定的最小和最大面积阈值,Ai.S表示Ai的区域面积;rwhmin和rwhmax分别表示事先给定的最小和最大宽高比,Ai.rwh表示Ai的区域宽高比;Kmin和Kmax分别表示事先给定的最小和最大区域密度,Ai.K表示Ai的区域密度,即Ai连通区域内的像素数量与该区域的最小外接矩形面积的比值;
步骤7:提取CL中区域的外接矩形,并根据外接矩形位置从图像F2中拷贝候选信号灯图像,得信号灯图像集合L;
步骤8:提取L中所有图像的Hog特征,并通过PCA方法对其进行特征降维,最后通过训练好的SVM分类器根据降维后图像特征对信号灯进行识别。

说明书全文

一种基于图像处理信号灯检测方法

技术领域

[0001] 本发明涉及图像处理技术领域,具体涉及一种基于图像处理的信号灯检测方法。

背景技术

[0002] 随着互联网和硬件领域的飞速发展,人工智能时代已经来临。研究人员逐渐开始使用各种相关先进技术来解决日常生活中的问题,从而满足人们日益增长的对生活质量的追求。智能交通系统就是这个时代的产物之一,它将多个领域的技术融合在一起,为人们提供安全和便利。而交通信号灯的检测作为智能交通系统的关键组成部分,有着巨大的研究价值和潜,但由于信号灯检测对方法鲁棒性有较高的要求,能稳定运行在复杂的道路天气场景中,且实时性要求较高,而多数的检测方法并不能同时满足上述要求。因此基于图像处理的信号灯检测方法是一种较好的解决方案,既能满足信号灯检测的实时性要求,又能稳定运行在多种复杂的天气场景中。
[0003] 为了信号灯准确检测性和实时性的问题,国内外学术界、工业界提出了很多方案。其中与本发明较为接近的技术方案包括:武莹(武莹,张小宁,何斌.基于图像处理的交通信号灯识别方法[J].交通信息与安全,2011,29(3):51-54.)采用较为复杂但稳定性好的HSI颜色空间进行图像的分割,通过计算圆形度和交通信号灯底板长宽比,过滤候选区域,最后通过模板匹配来确认交通信号灯类型。但是算法在复杂场景中精确度不高,且需要提前知道交通信号灯的放置方向,在实际应用中存在诸多限制。谷明琴(谷明琴,蔡自兴,黄振威,等.城市环境中箭头型交通信号灯的实时识别算法[J].中南大学学报(自然科学版),2013,
44(4):1403-1408.)将RGB颜色空间下的图像转换到YCbCr颜色空间,再利用Gabor小波变换和二维独立分量分析得到交通信号灯候选区域的特征,最后用最近邻分类器对交通信号灯的类型进行识别。由于RGB颜色空间到YCbCr颜色空间的转换是线性的,所以该算法实时性比较好,在白天光线条件比较好的环境下,识别准确率比较高,但是仍不适用于夜晚环境。
周宣汝(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.)提出的算法同样是在YCbCr颜色空间进行图像分割,然后通过面积、形状、密度三重过滤得到交通信号灯候选区域,然后提取处理后图像的HOG特征,利用SVM分类器进行识别。算法采用了机器学习的方法,能够在较为复杂的环境中进行交通信号灯的检测,同时既能检测圆形交通信号灯又能检测箭头形交通信号灯,但是对于带有数字的交通信号灯识别效果不佳。
[0004] 综上所述,当前信号灯检测方案中存在如下不足:1)算法精确度不高,不能应用于复杂的天气场景;2)交通信号灯形状多样,算法不能同时适用于多种不同形状的交通信号灯检测;3)大多数交通信号灯检测算法针对白天的交通场景进行检测,对夜间的信号灯检测效果较差。
[0005] 交通信号灯识别是智慧交通系统的基础应用,决定了交通违章和交通调度的准确性和实时性,但从已有的成果来看,智能交通系统还并不完善,而交通信号灯的检测和识别作为系统的关键组成部分也有许多需要改进的地方。从目前的诸多成果来看,在交通信号灯检测方面,颜色和形状作为信号灯最重要的两个特征,很多算法都是围绕它们进行展开,但由于该检测方法对实时性和稳定性要求较高,大部分的算法并不能同时满足这两个要求,而本发明中通过图像增强,颜色分割,形态学处理,几何特征过滤和对图像中信号灯区域进行提取并通过机器学习方法识别信号灯,能实现复杂场景的信号灯检测,并同时满足系统的稳定性和实时性的需求。

发明内容

[0006] 为了解决现有技术中存在的问题,本发明提供了准确、实时的一种基于图像处理的信号灯检测方法。
[0007] 本发明的技术方案如下:
[0008] 一种基于图像处理的信号灯检测方法,其特征在于,包括如下步骤:
[0009] 步骤1:从前端相机读取图像文件F0;
[0010] 步骤2:读取系统配置文件中的感兴趣区域,并从F0中的拷贝感兴趣区域图像F1;
[0011] 步骤3:根据系统当前时间对图像F1进行图像增强;在6:00至18:00之间为白天,对图像F1进行直方图均衡化,其余时间为夜晚,对F1进行伽校正,得增强后图像F2;
[0012] 步骤4:对图像F2进行颜色区域分割,具体步骤如下:
[0013] 步骤4.1将图像F2转换到HSV颜色空间中;
[0014] 步骤4.2根据系统时间对F2进行颜色阈值分割,保留集合red和green中像素信息,并将其他像素的明度设为0,得阈值分割图像F3;白天,保留满足式(1)的像素点的像素值;夜晚,保留满足式(2)的像素点的像素值;
[0015]
[0016]
[0017] 式中,p(x,y)表示像素位置为(x,y)像素点,h,s,v分别表示该点在颜色通道HSV中各通道的通道值,red表示红色像素点集合,green表示绿色像素点集合;
[0018] 步骤4.3对图像F3进行灰度化,并通过OTSU进行二值化,得二值化图像F4;
[0019] 步骤5:对图像F4进行形态学的闭运算处理;
[0020] 步骤6:提取图像F4中的连通区域,得连通区域集合C={Ai|i=1,2,3,…,n},Ai表示第i个连通区域,n表示总连通区域数量;根据式(3)(4)(5)对C中对象其进行几何特征过滤,将不满足的对象从C中剔除,得候选信号灯区域集合CL;
[0021] Smin<Ai.S<Smax  (3)
[0022] rwhmin<Ai.rwh<rwhmax  (4)
[0023] Kmin<Ai.K<Kmax  (5)
[0024] 其中,其中Smin和Smax分别表示事先给定的最小和最大面积阈值,Ai.S表示Ai的区域面积;rwhmin和rwhmax分别表示事先给定的最小和最大宽高比,Ai.rwh表示Ai的区域宽高比;Kmin和Kmax分别表示事先给定的最小和最大区域密度,Ai.K表示Ai的区域密度,即Ai连通区域内的像素数量与该区域的最小外接矩形面积的比值;
[0025] 步骤7:提取CL中区域的外接矩形,并根据外接矩形位置从图像F2中拷贝候选信号灯图像,得信号灯图像集合L;
[0026] 步骤8:提取L中所有图像的Hog特征,并通过PCA方法对其进行特征降维,最后通过训练好的SVM分类器根据降维后图像特征对信号灯进行识别。
[0027] 本发明的有益效果是:保证交通信号灯在复杂环境下有良好的检测效果;根据信号灯形状颜色等先验特征对信号灯区域进行快速提取,并通过PCA方法对Hog特征进行降维,提高算法的速度,能满足系统的实时性需求;对白天和夜晚的图像进行分别处理,能同时满足白天和夜晚不同光照场景的信号灯检测,有较高的鲁棒性;能够实时检测多种形状和状态的交通信号灯,并具有较高的准确性。附图说明
[0028] 图1为本发明基于图像处理的信号灯检测方法流程图
[0029] 图2为本发明中步骤3中白天直方图均衡化前后对比图;
[0030] 图3为本发明中步骤3中夜晚伽马校正前后对比图;
[0031] 图4为本发明中步骤4中形态学闭运算处理前后对比图;
[0032] 图5为本发明中步骤8后得到的信号灯结果示意图。

具体实施方式

[0033] 下面结合实施实例来详细阐述本发明基于图像处理的信号灯检测方法具体实施方式。
[0034] 一种基于图像处理的信号灯检测方法具体步骤如下:
[0035] 步骤1:从前端相机读取图像文件F0;
[0036] 步骤2:读取系统配置文件中的感兴趣区域,并从F0中的拷贝感兴趣区域图像F1;
[0037] 步骤3:根据系统当前时间对图像F1进行图像增强;在6:00至18:00之间为白天,对图像F1进行直方图均衡化,其余时间为夜晚,对F1进行伽马校正,得增强后图像F2;
[0038] 步骤4:对图像F2进行颜色区域分割,具体步骤如下:
[0039] 步骤4.1将图像F2转换到HSV颜色空间中;
[0040] 步骤4.2根据系统时间对F2进行颜色阈值分割,保留集合red和green中像素信息,并将其他像素的明度设为0,得阈值分割图像F3;白天,保留满足式(1)的像素点的像素值;夜晚,保留满足式(2)的像素点的像素值;
[0041]
[0042]
[0043] 式中,p(x,y)表示像素位置为(x,y)像素点,h,s,v分别表示该点在颜色通道HSV中各通道的通道值,red表示红色像素点集合,green表示绿色像素点集合;
[0044] 步骤4.3对图像F3进行灰度化,并通过OTSU进行二值化,得二值化图像F4;
[0045] 步骤5:对图像F4进行形态学的闭运算处理;
[0046] 步骤6:提取图像F4中的连通区域,得连通区域集合C={Ai|i=1,2,3,…,n},Ai表示第i个连通区域,n表示总连通区域数量;根据式(3)(4)(5)对C中对象其进行几何特征过滤,将不满足的对象从C中剔除,得候选信号灯区域集合CL;
[0047] Smin<Ai.S<Smax  (3)
[0048] rwhmin<Ai.rwh<rwhmax  (4)
[0049] Kmin<Ai.K<Kmax  (5)
[0050] 其中,其中Smin和Smax分别表示事先给定的最小和最大面积阈值,Ai.S表示Ai的区域面积;rwhmin和rwhmax分别表示事先给定的最小和最大宽高比,Ai.rwh表示Ai的区域宽高比;Kmin和Kmax分别表示事先给定的最小和最大区域密度,Ai.K表示Ai的区域密度,即Ai连通区域内的像素数量与该区域的最小外接矩形面积的比值;在本示例中,Smin=30,Smax=120;rwhmin=0.5,rwhmax=2.0;Kmin=0.5,Kmax=0.9;
[0051] 步骤7:提取CL中区域的外接矩形,并根据外接矩形位置从图像F2中拷贝候选信号灯图像,得信号灯图像集合L;
[0052] 步骤8:提取L中所有图像的Hog特征,并通过PCA方法对其进行特征降维,最后通过训练好的SVM分类器根据降维后图像特征对信号灯进行识别。
[0053] 本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈