[发明专利]基于深度学习的交通路口可通行道路规划方法

说明书

本发明提供一种基于深度学习的交通路口可通行道路规划方法，包括：特征提取步骤；目标检测步骤；信号灯颜色优化检测步骤：将置信度小于门限值的信号灯检测结果所在的预选框内的图像进行颜色采样，分别计算预选框图像中特征点颜色与红色、绿色的相似度，再计算预选框图像中红色特征点数量、绿色特征点数量占图像中所有特定点数量的比例，对比例大于预设比例值则判断该预选框图像中的信号灯为对应颜色；斑马线走向检测步骤：选择斑马线检测结果所在的预选框中长宽比例的大于3:1以及长度大于检测图片1/3长度的预选框进行中心点连线，中心线的斜率为斑马线的走向。本发明能实时有效地检测出当前拍摄的视频中包含的交通信号灯信息和斑马线位置信息。

技术领域

本发明提出视觉理解技术。

背景技术

目前，全世界视力受损人群基数巨大，对这些有视力缺陷的群体来说，平时出行通过交通路口危险性远远大于普通人，他们迫切需要一种可以极大提高通过路口安全系数的辅助通行设备。

随着计算机视觉技术与图像处理技术的不断发展，可以利用视觉理解技术来提供直观的路口通行帮助与预警提示，从而提高行人通过交通路口的安全性。在路口安全通行系统中，通过用户身上的摄像设备获取周边的交通环境信息，将获取的图像信息输入系统进行处理，通过采用目标检测和模式识别等方法解决目标识别问题，最终将系统处理的通行提示反馈给用户，从而达到辅助安全通过红路灯路口的作用。当前，市面上仅有的几款少数基于计算机视觉技术研发的辅助通行方案主要使用传统的机器学习算法。例如经典的方向梯度直方图HOG特征结合支持向量机SVM分类器检测当前环境下的行人、车辆信息；多通道组合ACF特征结合提升树ADBoost分类器检测当前环境下的道路信息；此类方法存在以下缺陷：由于各种路口场景复杂、目标类别过多，导致分类器的分类准确率较低，分类器训练难度大，方法的实时性差。

深度学习的出现引领AI人工智能时代的到来，深度神经网络不仅在准确率上远远超越了传统的机器学习算法，而且目前主流的神经网络如实时物体检测YOLO、多尺度目标检测SSD等在保持高精度的同时已经达到了很好的实时性。

发明内容

本发明所要解决的技术问题是，提供一种基于深度神经网络的识别当前路口下的红绿灯和斑马线信息的可通行道路规划。

本发明为解决上述技术问题所采用的技术方案是，基于深度学习的交通路口可通行道路规划方法，包括以下步骤：

特征提取步骤：将检测图片尺寸调整到统一大小到256x256像素大小，特征提取使用卷积模块并下采样4次，分别生成256x32x32、256x16x16、512x8x8、512x6x6的四个尺度的特征谱；之后，进入目标检测步骤；

目标检测步骤：利用信号灯与斑马线的特定比例设置预选框对从低到高的4个尺度的特征谱进行基于深度学习的目标检测；之后，进入信号灯目标的检测优化步骤与斑马线走向检测步骤；

信号灯目标的检测优化步骤：将置信度小于门限值的信号灯检测结果所在的预选框内的图像进行颜色采样，分别计算预选框图像中特征点颜色与RGB红色[255，0，0]、RGB绿色[0，255，0]的相似度，当有特征点颜色与红色或绿色的相似度满足最低要求，则判断该特征点为红色或绿色；之后计算预选框图像中红色特征点数量、绿色特征点数量占图像中所有特定点数量的比例，如有比例大于预设比例值则判断该预选框图像中的信号灯为对应颜色；将置信度大于等于门限值的信号灯检测结果不进行优化；

斑马线走向检测步骤：选择斑马线检测结果所在的预选框中长宽比例的大于3:1以及长度大于检测图片1/3长度的预选框进行中心点连线，得到的连线为斑马线区域的中心线，中心线的斜率为斑马线的走向；以中心线上的像素点向左右两边扩展检测图片设定长度的为可行走的安全区域。

规划步骤：根据检测出的信号灯颜色与斑马线走向检测结果规划出可行的通行路线并通报用户。