[发明专利]一种基于图像处理的信号灯检测方法

说明书

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C_L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。

技术领域

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

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力，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。

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。

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。

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。