[发明专利]基于深度网络的指示灯状态识别方法

权利要求书

1.一种基于深度网络的指示灯状态识别方法，步骤包括：首先，采集指示灯位置的视频；然后，采用指示灯状态判别模型对视频帧图像中的指示灯的亮灭状态进行识别，其特征是

步骤1：搭建基于深度学习的指示灯状态判别模型：步骤2：对先验框进行调整；

步骤3：将待检测图片输入到深度学习目标检测网络中，得出检测结果，即获得指示灯所在区域，并将指示灯区域图像裁切出来；

步骤4：把指示灯区域图像的RGB模式图像利用HSV模型进行转换；

步骤5：根据不同颜色所分布的区间进行指示灯具体颜色的提取：

在HSV颜色空间中，各种颜色的分布取值情况如下表所示，

红、绿、黄色的HSV分布表

根据颜色具体分布情况，H通道存放的是图像的颜色信息，据此根据期望识别出的颜色设置相应的阈值，对不同的颜色信息进行提取；

步骤6：在HSV颜色空间下，指示灯的状态进行判断，方法为：指示灯在亮和灭的状态下，V值所在的分布区间不同，则通过识别出指示灯所在区域的V值即断定出该指示灯的亮灭状态，得出识别结果。

2.根据权利要求1所述的基于深度网络的指示灯状态识别方法，其特征是步骤1)中，使用YOLOv3网络，在该深度学习目标检测网络中，采用残差网络对图像进行特征提取；残差网络由多个残差块组成，残差块有2个卷积层和1个快捷链路；检测网络使用了3个不同尺度的特征图。

3.根据权利要求1所述的基于深度网络的指示灯状态识别方法，其特征是步骤2)中，调整先验框是使用K均值聚类算法K-means，步骤包括：

2.1)设k值，k值表示聚类后的数据集分为k个集合；

2.2)确定质心：在数据集中任意设定k个点，作为最初的质心；

2.3)划分集合：数据集中每个点都计算这个点与各个质心的距离；算出距离后，与质心距离最近的点被划分到相应质心所述属于的集合中；

2.4)所有的数据点都被计算后，得到k个新的集合；随后再一次对每一个新的集合计算一遍质心的位置；

2.5)如果重新计算得出的质心与原质心距离与阈值差别较大，则要重复2.3)～2.4)步骤。

4.根据权利要求1所述的基于深度网络的指示灯状态识别方法，其特征是在RGB模式中，r表示红色、g表示绿色、b表示蓝色；在HSV模式中，定义色调H、饱和度S、明度V；

步骤4)中，转换方法为：

max＝Max(R，G，B)    (1)

min＝Min(R,G,B)    (2)

y＝max    (5)

对H、S、V分量进行了转化，转化公式如式(6)所示。

5.根据权利要求1所述的基于深度网络的指示灯状态识别方法，其特征是步骤5中，确定HSV分布为：

红色指示灯的H分量范围是156～180，S分量范围是43～255，V分量范围是225～255；

绿色指示灯的H分量范围是30～77，S分量范围是43～255，V分量范围是225～255；

黄色指示灯的H分量范围是11～26，S分量范围是43～255，V分量范围是225～255。

6.根据权利要求1所述的基于深度网络的指示灯状态识别方法，其特征是步骤6中，利用指示灯圆心邻域的V值判断状态，如果V值值大于210，指示灯就是处在亮的状态，如果V值小于210时，指示灯就是处在灭的状态。