[发明专利]一种适应白天检测的运动车辆刹车灯状态识别方法

摘要

本发明涉及一种适应白天检测的运动车辆刹车灯状态识别方法。所述方法包括裁剪图像生成感兴趣区域ROI；精确定位前方车辆区域；对定位后的车辆区域进行刹车灯状态识别；输出刹车灯状态信息。本发明通过提取车体区域内刹车灯的颜色特征、形状特征以及结构特征，实时准确地输出前方车辆刹车灯状态信息。实验表明，本发明所述方法在晴天对各种车辆刹车灯的识别准确率都在91%以上，即使是在恶劣的雨天，准确率也在80%以上。另外，本发明所述方法计算速度较快，每帧的处理时间在100ms左右，具有较强的实用性。因此，本发明解决了现有检测方法不能在白天进行刹车灯状态识别或计算模型复杂速度慢等问题。

主权项

一种适应白天检测的运动车辆刹车灯状态识别方法，其特征在于包括以下步骤：步骤1，裁剪图像生成感兴趣区域ROI；首先，将视频转化为图片dst_1，放缩为统一大小，记为dst_2；然后，依据同车道前方车辆在图片中的位置信息，获取实验经验值进行图像感兴趣区域的提取，排除不相关的干扰区域，为后面定位车辆缩小范围，提高实时性；提取出的感兴趣区域记为dst_ROI1；步骤2，精确定位前方车辆区域；步骤2.1，训练Adaboost级联分类器；首先，利用样本的harr特征进行分类器训练，得到一个级联的Adaboost分类器；训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，仅包含车尾特写图像样本，反例样本指不包含目标的其他图片；所有的正样本图片都被归一化为统一的尺寸；步骤2.2，利用Adaboost级联分类器进行车辆检测；在dst_ROI1中进行目标车辆的检测；通过按比例放大检测子窗的方法，对图像dst_ROI1进行目标车辆的检测，即对图像dst_ROI1采用与训练目标样本窗口同样大小的窗口遍历整幅图像，以后逐渐放大窗口，同样做遍历搜索物体；利用步骤2.1针对车尾特写图像样本训练的Adaboost级联分类器在图像中找到包含目标物体的矩形区域，并且将这些区域作为一序列的矩形框返回；通过区域遍历搜索，在dst_ROI1中得到前方车辆的精确区域信息；如果未检测到车辆，也就不可能检测到刹车灯状态信息，识别过程结束，读取下一帧进行处理；步骤3，对定位后的车辆区域进行刹车灯状态识别；步骤3.1，获取刹车灯二值化图像；对步骤2得到的车辆区域重置ROI，记为图像dst_ROI2，对图像的通道进行R通道减去G通道的处理，得到图像dst_gray，利用最大类间方差法对dst_gray图像求取使类间方差最大的阈值threshold，利用此阈值对图像dst_gray像素点进行二值化处理，得到刹车灯二值化图像dst_bw_brakelight，表示如下：ss·val[0]=255,dst_gray.Val[0]>thresholdss·val[0]=0,else]]>其中，ss·val[0]为刹车灯二值化图dst_bw_brakelight的像素值，dst_gray.val[0]为dst_gray的像素值；步骤3.2，检测高位刹车灯区域；步骤3.3，检测车尾刹车灯区域；步骤4，输出刹车灯状态信息；如果检测到高位刹车灯或者车尾刹车灯，表明前方车辆正在刹车，输出刹车灯状态信息，实时警示后方车辆，实现智能驾驶的决策，车辆减速或者停止；所述步骤3.2检测高位刹车灯区域的方法还包括以下步骤：(1)对dst_bw_brakelight二值化图像进行膨胀腐蚀操作，得到图像dst_dilate_brakelight；(2)检测高位刹车灯区域；在dst_dilate_brakelight二值化图像中，刹车灯区域为白色区域，在图像中上部分区域范围内遍历寻找轮廓，找到面积和宽高比在一定范围的外接矩形区域，即高位刹车灯区域；判断条件如下：当aRect.width/aRect.height≥e且f≤tmparea≤g时，存在满足条件的矩形区域，则检测到高位刹车灯，转步骤4；否则，转步骤3.3；其中，aRect.width为外接矩形的宽，aRect.height为外接矩形的高，tmparea为外接矩形的面积，f为设定的最小面积，g为设定的最大面积，e为设定的宽高比的最小值；所述步骤3.3检测车尾刹车灯区域的方法还包括以下步骤：(1)判断车身颜色；如果二值化图像dst_bw_brakelight中白色像素点占总像素点比例K小于0.2，车身为非红黄色，转步骤(2)；否则，车身为红黄色，转步骤(3)；(2)检测非红黄车身的车尾刹车灯区域；在dst_dilate_brakelight二值化图像中，在图像中下部分区域范围内遍历寻找轮廓，找到面积在一定范围的外接矩形区域，即车尾刹车灯候选区域；对每一个找到的轮廓计算目标区域的中心位置，然后以此位置为中心左右扩展3个像素，形成7*7矩形窗，并在原图dst_ROI2中对应位置读取图片数据记为图片dst_dd，将图片dst_dd灰度化，得到dst_dd_gray图片，并对其进行HSV和YCBCR颜色空间转换，分别得到图片dst_dd_HSV和图片dst_dd_YCBCR；对图片dst_dd_gray，图片dst_dd中的R、G、B通道，图片dst_dd_HSV中的H、S、V通道和图片dst_dd_YCBCR中的Y、CB、CR通道的像素值累加和分别求取均值，即每个通道的像素值累加和除以7*7，得到10个特征值组成的向量M＝(Gray_average，R_average，G_average，B_average，H_average，S_average，V_average，Y_average，CB_average，CR_average)；将搜索到的车尾刹车灯候选区域的向量M分别与红色特征向量ttrr＝(Xi)、白色特征向量ttww＝(Yi)和黄色特征向量ttyy＝(Zi)，i＝1,2,…,10，进行阈值匹配判断，进一步确认是否存在车尾刹车灯，判断方法如下：如果|M‑ttrr|<a或者|M‑ttww|<b或者|M‑ttyy|<c，其中|M‑ttrr|表示两个向量的距离，则检测到车尾刹车灯，转步骤4；其中，a、b、c分别为事先统计并设定的红色误差阈值，白色误差阈值，黄色误差阈值；(3)检测红黄色车身车尾刹车灯区域；对dst_ROI2图像，在图像中下部分区域范围内取两个4*6的矩形窗，从中间向两边移动并向下遍历寻找满足条件的车尾灯区域；对每个成对的左右两个矩形框，按照步骤(2)的方法计算区域的R，G，B，H，S，V，Y，CB，CR各通道和灰度图像的平均值所组成的向量Ml＝(Gray_average_l，R_average_l，G_average_l，B_average_l，H_average_l，S_average_l，V_average_l，Y_average_l，CB_average_l，CR_average_l)和Mr＝(Gray_average_r，R_average_r，G_average_r，B_average_r，H_average_r，S_average_r，V_average_r，Y_average_r，CB_average_r，CR_average_r)，Ml和Mr分别与红色特征向量ttrr、白色特征向量ttww和黄色特征向量ttyy进行阈值匹配判断，进一步确认是否存在车尾刹车灯，判断方法如下：如果|Ml‑ttrr|<h&|Mr‑ttrr|<h或者|Ml‑ttww|<i&|Mr‑ttww|<i或者|Ml‑ttyy|<j&|Mr‑ttyy|<j，则检测到车尾刹车灯；其中，h、i、j分别为事先统计并设定的红色误差阈值，白色误差阈值和黄色误差阈值。