[发明专利]一种无人驾驶车载交通信号灯识别系统及方法

说明书

本发明实施例公开了一种无人驾驶车载交通信号灯识别系统，包括用于对交通信号灯图片进行颜色和形状组合分析的检测识别模块；用于对摄像头组件拍摄的动态视频构建基于运动模型的交通信号灯变换预测模块；利用GPS系统对检测识别模块和变换预测模块的数据分析结果附加基于概率模型的地理位置信息的GIS模块，其识别方法为：通过对红绿灯的颜色和形状特征提取从摄像模块获取的图像中取出候选区域；采用图像下采样算法，降低候选区域的图像分辨率，得到低分辨率像素组；再通过线性色彩分类器为低分辨率像素组的每个像素赋予色彩类别标签，随后采用图像分隔算法处理获得不同色彩类别的信号灯候选区域，从物理和算法结构上极大提高了信号灯的识别效率。

技术领域

本发明实施例涉及无人驾驶技术领域，具体涉及一种无人驾驶车载交通信号灯识别系统及方法。

背景技术

交通信号灯识别技术作为无人驾驶汽车技术的一个重要组成部分，有着很广阔的应用范围。随着社会经济的发展与科学技术的进步，汽车成为人们一个重要的代步工具。汽车极大地方便了人们的生活，使得大规模的城市成为可能，并极大地拉近了城市间的距离。通过技术手段，能够让车辆在比人眼可视距离更远的距离上，识别出交通信号灯的指示信息，提醒驾驶员前方路口的通行规则。

交通信号灯的主要特征包括颜色特征，形态特征和位置特征。其中位置特征主要用于减少运算量，由于交通信号灯安装位置较高，通常只对图像的上半部分进行处理识别。颜色特征和形态特征则是交通信号灯识别的主要依据。针对颜色特征，在不同的颜色空间中分析颜色的分布特征，设置相应的筛选条件，将具有固定颜色特征（红绿黄）的交通信号灯从原图像中分割出来。当图像中存在颜色与交通信号灯相近的物体，即非交通信号灯图像同样满足筛选条件时，易产生误识别的问题。

RGB 空间是最常见的颜色空间，但是也存在着易受光照条件的问题。 Masako 等对 RGB 空间进行归一化处理，并设置了阈值，对红色和绿色的区域进行了筛选提取，作为候选区域。提取图像的边缘信息，使用 Hough 变换搜索其中的圆形的轮廓，统计 Hough 变换搜索到的圆形轮廓所包含颜色像素数量，进行计数，计数值最高的认为是交通信号灯。该方法结合了颜色和圆形形态特征，但是 Hough 变换运算量较大，且对形变敏感，易出现无法识别的问题。

交通信号灯的识别主要从其自身的颜色、形态、位置等特征入手，通过针对不同特征的识别方法，特征识别的顺序以及各个环节结果的融合，对图像中的交通信号灯图像进行识别提取，但是图像中如果存在颜色与形状均与交通信号灯类似的物体，在识别过程中能够满足筛选要求，则难以分辨正确的交通信号灯。

发明内容

为此，本发明实施例提供一种无人驾驶车载交通信号灯识别系统及方法，有效的解决了传统信号灯识别过程中对于图像的处理、算法的架构以及图像识别中的存在较多的干扰项的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种无人驾驶车载交通信号灯识别系统，包括：

检测识别模块，用于对摄像头组件拍摄的静态交通信号灯图片以物理结构降低分辨率，并进行裁切、模糊分类以及坐标投影操作后，以颜色和形状匹配组合方式分析图片中的信号灯像素因子；

算法处理模块，包括对信号灯像素因子进行分类的像素分类器，以及存储的日间交通灯算法和夜间交通灯算法；

日间交通灯算法对一定数量的信号灯像素因子进行颜色空间分布特征提取，夜间交通灯算法对一定数量的信号灯像素因子进行RＧ空间阈值中光晕图像提取筛选，将筛选结果二值化，通过区域包围零点数量筛选和局部区域取反操作，消除光晕，提取出完整的交通灯轮廓，然后通过区域形态特征方法识别，还包括结合日间交通灯算法和夜间交通灯算法的对信号灯像素因子进行明暗区域同步识别的中间算法；