一种交通灯快速识别方法与流程

本发明涉及车辆主动安全系统领域，具体涉及一种交通灯快速识别方法。

背景技术：

如今，现有交通灯识别技术大多数使用的是计算机图形处理技术、计算机学习、神经网络等技术。一般使用的是直接使用模板匹配的算法或基于SVM支持向量机的交通灯识别算法。由于模板匹配的算法存在识别正确率低、识别速率慢等缺陷；而用SVM支持向量机的交通灯识别算法，需要根据不同的环境(如白天、夜晚、阴天、反光等)进行大量的样本训练，还需要根据不同的道路交通路口位置进行训练，运算量大，识别速度慢，受环境影响较大。

技术实现要素：

为了解决现有技术所存在的技术问题，本发明提供一种交通灯快速识别方法，该方法运算量少、识别速度快、识别准确率高、受环境因素影响小，便于应用于无人驾驶汽车、车辆辅助驾驶系统。

本发明的交通灯快速识别方法，包括以下步骤：

一：获取车辆前方道路信息图像；

二：从获取的前方道路信息图像中，根据交通灯颜色对交通灯图片进行快速跳步定位，获取交通灯初步位置；

三：对快速跳步定位得到的交通灯初步位置进行区域划分，分为RGB三个通道；分别对交通灯的颜色进行分离，将分离结果二值化；进行均值去噪处理；

四：对步骤三处理后图像的连续像素点区域进行分割；

五：使用width/height≈1.0的方法筛选分割后的图像，大致确认交通灯位置，并记录交通灯位置在原图的位置，其中width指分割后图像的宽度，height指分割后图像的高度；

六：利用“十字验证”方法进一步确认，检测某个区域是否为交通灯所在的位置；

所述“十字验证”方法以步骤五所筛选图像为中心位置，沿该中心位置的上、下、左、右四个方向分别延伸出一个与其大小相同的正方形，对四个方向的正方形进行检测运算；如果检测到某一个方向为定义的交通灯颜色占比达到85％或以上，则判断中心位置为交通灯所在的位置；

七：对所确认交通灯位置的区域进行检测，是否为圆形，若否则执行步骤八；

八：使用canny获取图像的轮廓，计算图像HU矩，与标准箭头HU矩进行匹配；若与标准箭头HU矩匹配不成功则执行步骤九；

九：将图片传送给SVM分类器进行分类识别。

与现有技术相比，本发明具有如下优点和有益效果：

1、本发明首先通过快速跳步进行可疑区域的定位，大大减少了对图像处理的计算量。例如在步骤S3中需要对图像进行二值化处理，若不进行可疑区域定位则需要对图像所有的像素点进行计算，现只需进行对可疑区域进行处理，从而缩短了计算时间。

2、分割图像后，采用十字验证法对交通灯位置进行确认，提高了算法的准确率。

3、对交通灯进行识别时，充分使用规则几何图形进行辅助性识别，当遇到圆形交通信号灯时，可不进行HU矩计算，也无需使用SVM分类器，缩短了图像处理的时间。

4、引入HU矩进行匹配，能有效识别箭头型的交通信号灯；使用SVM分类器提高了图像不清晰时候的识别率。

附图说明

图1是本发明交通灯快速识别方法的流程示意图；

图2是进行交通灯颜色分离后的图片；

图3是对图2进行图像分割并筛选的交通灯信号图片之一；

图4是对图2进行图像分割并筛选的交通灯信号图片之二。

具体实施方式

下面将结合附图和具体实施方式对本发明做进一步的说明，但本发明的实施方式不限于此。

实施例

参见图1，本发明的一种交通灯快速识别方法，包括以下步骤：

S1：利用摄像头获取车辆前方道路信息图像。

S2：从获取的前方道路信息图像中，对交通灯图片进行快速跳步定位，获取交通灯初步位置。快速跳步是通过检测交通灯颜色以确定交通灯可疑区域，可以选择(5x,5y)的方式，即以5个像素为单位进行快速跳步定位，读取图像信息快速预定位交通灯可疑区域，以达到减少处理图像信息加快处理速度的目的。其中，交通灯颜色包括红、黄、绿及黑色。

S3：对快速跳步定位得到的交通灯初步位置进行区域划分，并将该区域分为RGB三个通道，分别对交通灯的颜色进行分离，将分离结果二值化，使每一个通道仅存在0与255的值；进行均值去噪处理，将零散的像素点清除掉。结果如图2所示。对交通灯的颜色进行分离时，主要是通过RGB三个通道的计算并与预设的阈值进行比较。

S4：对步骤S3处理后图像的连续像素点区域进行分割。本步骤首先计算图像连续区域，然后将每一个图像连续区域分成独立的一小块图像。当分割出两个图像部分存在重复部分时，将两个图像部分合并，取其长宽最大值。

S5：使用width/height≈1.0的方法筛选分割后的图像，以去掉图像边缘比较独立的像素，大致确认交通灯位置，并记录交通灯位置在原图的位置，并且给每一个符合条件的图像标记2R＝width，其中width指分割后图像的宽度，height指分割后图像的高度。无论交通灯是箭头还是圆形，均可采用本步骤进行处理，箭头交通灯的结果如图3所示，圆形交通灯的结果如图4所示。

S6：利用“十字验证”方法进一步确认，检测某个区域是否为交通灯所在的位置。

本发明主要是应用于无人驾驶机动车在道路上的启停、转向等时对交通灯的快速识别，由于指示车辆启停、转向类型的交通灯一般都是三个以上，且三个交通灯横向设置或竖向设置，因此某一交通灯的上、下、左、右四个方向一般至少有一个方向是存在相邻交通灯的。本步骤“十字验证法”，正是基于这一前提来实现的。

由于步骤S5中筛选的图像高度与宽带比接近1:1，“十字验证”方法以待检测区域为中心位置，沿该中心位置的上、下、左、右四个方向分别延伸出边长为2R的正方形，即在步骤S5所筛选图像的上、下、左、右分别取一个与其大小相同的区域，对四个方向的正方形进行检测运算。如果检测到某一个方向为定义的交通灯颜色(交通灯为红色、黄色、绿色或黑色)占比达到85％或以上，则认为中心位置为交通灯信号；也就是说，延伸出来的正方形区域内，若交通灯颜色占比达到85％以上，则判断中心位置为交通灯所在的位置。

S7：据观察统计，大部分的交通灯面板外面均有白色铁圈，因而本发明还可进一步检测“十字验证”方法所确定的交通灯位置，是否存在白色铁圈，从而最终确认交通灯位置。若没有计算出交通灯面板外的白色铁圈，则转入步骤S8。

本步骤不是必要的。通过步骤S6已经大致确认了交通灯所在位置，在该位置周围进一步检测是否存在白色区域，可进一步确定交通灯位置。若周围存在白色区域，则沿着白色区域检测，当白色区域闭合并包围着步骤S6采用“十字验证”方法所检测的交通灯所在位置时则认为白色铁圈存在。

S8：对所确认交通灯位置的区域进行检测，是否为圆形。本步骤检测所确认交通灯位置的区域是否为圆形时，所用方法为：计算图形面积S，计算图像周长C，由于圆形的面积、周长有以下特征：

S/C＝(πR²)/(2πR)＝R/2

如果此时S/C＝(width+height)/8则认为该形状为圆形。若检测结果为圆形则转入步骤S11，否则执行步骤S9。

S9：使用canny获取图像的轮廓，计算图像HU矩，与标准箭头HU矩进行匹配；若与标准箭头HU矩匹配成功则转入步骤S11，否则执行步骤S10。

在步骤S9中，计算图形的HU矩所用的公式为：

I₁＝y₂₀+y₀₂

I₂＝(y₂₀+y₀₂)²+4y₁₁²

I₃＝(y₃₀+3y)²+(3y₂₁-y₀₃)²

I₄＝(y₃₀+y₁₂)²+(y₂₁+y₀₃)²

I₅＝(y₃₀-y₁₂)(y₃₀-y₁₂)[(y₃₀+y₁₂)²-3(y₂₁+y₀₃)²]+(3y₂₁-y₀₃)(y₂₁+y₃₀)[3(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]

I₆＝(y₂₀-y₀₂)[(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]+4y₁₁(y₃₀+y₁₂)(y₂₁+y₀₃)

I₇＝(3y₂₁+y₀₃)(y₃₀+y₁₂)[(y₃₀+y₁₂)²-3(y₂₁+y₀₃)²]+9y₃₀-3y₁₂)(y₂₁+y₃₀)[3(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]

其中，I_k为不变矩，y_pq为(p+q)阶归一化中心矩，k、q及p均为整数，且1≤k≤7,0≤p≤3，0≤q≤3。上述七个不变矩是由二阶和三阶中心矩构造的，无论所得到的箭头是哪一个方向，或者检测到的箭头大小不一致，它的HU矩都不会发生变化，所以能够达到快速检测的目的。

S10：将图片传送给SVM分类器进行分类识别。其中，SVM分类器需进行训练。训练时，采用SVM分类器提取图片的特征，形成多维向量特征，然后人工标记样本为左、右、前进箭头，最后SVM分类器将人工识别结果储存到特征库。

S11：将运算结果通过串口发送出去。

由于步骤S8、步骤S9、步骤S10是逐层进入的，所以大部分的结果能够在运算量较少的步骤S8、步骤S9完成，减少识别时间。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。