一种基于多分类器的交通信号灯的识别方法与流程

本发明属于图像处理技术领域，涉及一种基于多分类器的交通信号灯的识别方法。

背景技术：

随着社会和经济技术的发展，交通道路上的车辆越来越多，道路环境也越来越复杂，随之而来的交通事故也频繁发生，为了减少此类情况的发生，智能交通应运而生，而在智能交通中，智能车是智能交通中关键的一部分，智能车的出现帮助驾驶员驾驶，使得交通事故发生的频率得以减少，同时让红绿色盲的人驾车成为可能性，因此对于交通信号灯识别有着非常重要的意义

要实现这个目标，首先得从复杂多变的环境中，准备找出交通信号灯的位置，然后在通过进一步特征提取和识别，判断出交通信号灯的具体信息。目前这种方法有准确性，但无法有广泛性适用性不强。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于多分类器的交通信号灯的识别方法，用于实时运行的智能车中，准确识别各个道路口的红绿灯信息，提高安全驾驶性。

为达到上述目的，本发明提供如下技术方案：

一种基于多分类器的交通信号灯的识别方法，该方法包含如下步骤：

s1：用视频采集装置采集车辆前方的图像；

s2：对采集的图像进行图像灰度化，滤波以及建立兴趣区域的预处理过程；

s3：根据采集到的图像，提取交通信号灯颜色；

s4：对步骤s3提取的颜色区域进行形态学过滤；

s5：对过滤之后的颜色区域进行hog特征和颜色特征提取；

s6：利用hog特征对svm分类器进行训练，将颜色特征输入训练好的svm分类器中进行识别。

进一步，所述视频采集装置为摄像头，且分辨率大于640*480，所述摄像头安装在车辆后视镜位置。

进一步，步骤s2中所述兴趣区域为采集到的图像的上方1/2部分的区域。

进一步，步骤s3包含如下步骤：

s31：将摄像头采集的图像转换为ycbcr颜色模式，转化公式为；

其中，y为转换后图像颜色的亮度成分，cb为转换后图像颜色的蓝色浓度偏移量成分，cr为转换后图像颜色的红色浓度偏移量成分，r为原始图像中的红色成分，g为原始图像中的绿色成分，b为原始图像中的蓝色成分；

s32：在cb通道下进行红色与绿色的颜色区域提取，判定交通信号灯存在的区域，

{f(x,y)|rmin≤fcb≤rmax},color＝red

{f(x,y)|gmin≤fcb≤gmax},color＝green

其中，f(x,y)为像素点的位置，rmin为最小红色阈值，rmax为最大红色阈值，gmax表示最大绿色阈值，gmin表示最小绿色阈值。

进一步，步骤s4中形态学过滤条件满足：

过滤条件ⅰ：遍历通过颜色检测的候选区域，通过长宽比条件来过滤，满足条件的保留，不满足条件的剔除，

其中，rwh表示交通信号灯的长宽之比，

过滤条件ⅱ：将经过长宽比过滤后区域经过圆检测，定义圆心和半径，

其中，r表示交通信号灯圆的半径。

进一步，步骤s5中hog特征提取包含如下步骤：

s51：将整个图像进行色彩和伽马归一化处理；

s52：计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；

s53：将图像分成若干细胞单元，构建方向的直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票；

s54：将细胞单元进行合成空间上连通的区间，获得交通信号灯的hog特征。

进一步，步骤s6包含：

s61：将交通信号灯的hog特征作为分类特征输入svm分类器模型ⅰ中进行训练，训练好的svm分类器模型ⅰ将交通信号灯分为左转、右转和直行三类；

s62：将ycbcr颜色分类分别输入到svm分类器模型ⅱ、svm分类器模型ⅲ和svm分类器模型ⅳ进行训练；

s63：将左转、右转和直行三类分别输入训练好的svm分类器模型ⅱ、svm分类器模型ⅲ和svm分类器模型ⅳ进行颜色识别；

s64：输出识别结果。

本发明的有益效果在于：本发明能够实时快速准确地检测出红绿灯信息，可运用于智能车当中，辅助其正确安全行驶。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的具体流程图；

图2为分类详细流程图；

图3为交通信号灯示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1、图2所示，本发明的方法包含如下步骤：

(1)首先，固定采集视频的摄像位置，安装在智能车后视镜中间部分，距离地面1-1.5米，摄像机的广角范围大于120度，图像的分辨率为640*480，通过车辆上装载的摄像机，以每秒30帧的速度来获取车辆前方的道路图像，

(2)对采集到的图像进行预处理，包括灰度化，滤波等去除因为环境因素而产生的干扰，同时针对交通信号灯位置，把图像的1/2以上的部分设置为感兴趣区域，可以减少图片处理的复杂度与时间。

(3)提取交通信号灯颜色区域，由于摄像机的采集图片是rgb模式，所以首先要先将rgb转化为ycbcr颜色空间转化公式如下所示：

经过颜色空间转换后，在cb通道下进行红绿颜色提取，初步根据交通信号灯颜色定位交通信号灯的位置，rmin为红色阈值的最小值108，rmax为红色阈值的最大值160，gmin为绿色阈值的最小值10，gmax为绿色阈值的最大值60，f(x,y)表示点(x,y)处的像素值，则：

{f(x,y)|rmin≤fcb≤rmax},color＝red

{f(x,y)|gmin≤fcb≤gmax},color＝green

(4)对初步判断的颜色区域进行形态学过滤，

过滤条件1：遍历通过颜色检测的候选区域，通过长宽比条件来过滤，满足条件的保留，不满足条件的剔除。

其中，rwh表示交通信号灯的长宽之比，

过滤条件2：将经过上面长宽比过滤后区域经过圆检测，定义圆心和半径，

其中，r表示交通信号灯圆的半径。

(5)对经过上述颜色和形态学过滤的区域，进行hog特征与颜色特征提取，hog特征是表征了物体的梯度方向特征，颜色特征则是交通信号灯最为显著的特征。

a、色彩和伽马归一化；为了减少光照因素的影响，首先需要将整个图像进行规范化(归一化)操作。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。

b、计算图像梯度；计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。

最常用的方法是：简单地使用一个一维的离散微分模板在一个方向上或者同时在水平和垂直两个方向上对图像进行处理，更确切地说，这个方法需要使用滤波器核滤除图像中的色彩或变化剧烈的数据。

c、构建方向的直方图；细胞单元中的每一个像素点都为某个基于方向的直方图通道投票。投票是采取加权投票的方式，即每一票都是带有权值的，这个权值是根据该像素点的梯度幅度计算出来。可以采用幅值本身或者它的函数来表示这个权值，实际测试表明：使用幅值来表示权值能获得最佳的效果，当然，也可以选择幅值的函数来表示，比如幅值的平方根、幅值的平方、幅值的截断形式等。细胞单元可以是矩形的，也可以是星形的。

d、将细胞单元组合成大的区间；由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化.归一化能够进一步地对光照、阴影和边缘进行压缩。

采取的办法是：把各个细胞单元组合成大的、空间上连通的区间。这样，hog描述符就变成了由各区间所有细胞单元的直方图成分所组成的一个向量。这些区间是互有重叠的，这就意味着：每一个细胞单元的输出都多次作用于最终的描述器。区间有两个主要的几何形状——矩形区间(r-hog)和环形区间(c-hog)。r-hog区间大体上是一些方形的格子，它可以有三个参数来表征：每个区间中细胞单元的数目、每个细胞单元中像素点的数目、每个细胞的直方图通道数目。

首先将图像分成小的连通区域，这些连通区域被叫做细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来，就可以构成特征描述符。

(6)采集实际道路上交通信号灯视频，如图3所示为交通信号灯示意图，从采集的交通信号灯视频中截取出交通信号灯的图片作为分类器的训练样本，训练的正样本包括，左转红灯，左转黄灯，左转绿灯，直行红灯，直行黄灯，直行绿灯，右转红灯，右转黄灯，右转绿灯。负样本包括跟交通信号灯颜色形状相近，易被检测到物体，同时准备四个分类器，对模型ⅰ分类器训练hog特征，将检测到的目标区域，进行识别，识别出左转，直行，右转，三种不同的方向信号，然后对模型ⅱ、ⅲ、ⅳ，分类器训练颜色特征，将模型ⅰ识别出左转信号送入模型ⅱ分类器，对左转信号颜色进行识别判断，直行信号送入模型ⅲ分类器，判断出直行信号灯的颜色，右转信号送入模型ⅳ分类器，判断出右转信号灯的颜色。

列如，当前图像有一个右转的绿灯，那么首先经过颜色空间和形状，确定交通信号灯的位置，然后对候选区域进行特征提取，然后通过模型ⅰ分类器，进行方向识别，判断出为右转信号，在将识别出右转信号，放入模型ⅳ分类器中，识别出当前右转信号灯的颜色。

最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。