一種基于無人駕駛的實時動態(tài)紅綠燈檢測識別方法
【專利摘要】一種基于無人駕駛的實時動態(tài)路口紅綠燈檢測識別方法屬于智能交通行業(yè)的交通信息檢測領(lǐng)域。本發(fā)明首先對原始圖像進行感興趣區(qū)域切割，通過經(jīng)驗值過濾掉與紅綠燈無關(guān)的區(qū)域。其次，設(shè)置小模板即紅綠燈模板，并求取其HSV空間的二維直方圖。再次。讀入待處理圖片，設(shè)置搜索塊大小與小模板相同，反向塊投影來搜索，計算出搜索的位置。最后，在得出的紅綠燈位置基礎(chǔ)上，轉(zhuǎn)換到Y(jié)CBCR空間進行顏色識別。之后分別求取紅色、綠色區(qū)域的坐標位置并比較，依據(jù)紅燈、綠燈位置信息及智能車所在的車道信息決定行駛與否。本發(fā)明能夠?qū)崟r動態(tài)地檢測出紅綠燈信息，運用于無人駕駛車當中。
【專利說明】一種基于無人駕駛的實時動態(tài)紅綠燈檢測識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明是一種利用視頻圖像基于無人駕駛的實時動態(tài)紅綠燈檢測識別方法，屬于智能交通行業(yè)的交通信息檢測領(lǐng)域。
【背景技術(shù)】
[0002]隨著社會和經(jīng)濟的快速發(fā)展，無人駕駛車輛越來越受到人們的關(guān)注。原因在于以下:無人駕駛車輛能夠替代駕駛員減少交通事故的發(fā)生，并且可以替代駕駛員完成特殊的作業(yè)。對于車輛的行駛，在路口準確的實時的識別紅綠燈顏色是必須的。因此，對于解決無人駕駛的實時動態(tài)紅綠燈檢測識別，還有提升與進步的空間。
[0003]要解決這個問題，首先必須要能夠從復(fù)雜的背景圖片中獲得紅綠燈的大概位置，然后再判斷紅綠燈的具體信息。目前，對無人駕駛車上的紅綠燈識別方法主要有神經(jīng)網(wǎng)絡(luò)等方法。該方法檢測有一定的準確率，但是受樣本特性影響，只有樣本足以表征問題的特性時，效果明顯，并且樣本的測試數(shù)量要合適，所以樣本選擇尤其重要。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于將本發(fā)明實時運行于無人駕駛車當中，準確識別路口紅綠燈信息，提高其行駛的安全性，提出了一種基于視頻圖像處理的實時動態(tài)紅綠燈檢測識別方法。
[0005]為了實現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案:
[0006]首先固定采集視頻的攝像頭位置，安裝在智能汽車的后視鏡中間位置，距離地面
1.2米，攝像頭廣角大于120度，分辨率大于640*480。
[0007]—、設(shè)定紅綠燈模板，同時求取模板的二維直方圖。所設(shè)定的模板特點明顯，便于提取直方圖特征，進而在下一步利用該特征進行搜索。求二維直方圖按如下步驟進行:首先對模板圖像進行顏色空間變換，由RGB空間轉(zhuǎn)換到HSV空間；然后求取模板圖像的H分量和S分量；在這基礎(chǔ)上，計算此二分量的二維直方圖hist_src。
[0008]二、讀取待處理圖片dst_cutl,使用函數(shù)cvCalcBackProjectPatchO反向塊投影求取紅綠燈位置，該函數(shù)中參數(shù)CV_C0MP_C0RREL表示相關(guān)系數(shù)，相關(guān)系數(shù)值為I是最相關(guān)。該函數(shù)工作過程如下:第一次窗口從(0，O)起滑動，第二次(0，I)起滑動，以此類推，每次滑動移動一個像素，窗口大小與size相同。在dst_cutl上切割一塊src大小的臨時圖像，生成臨時圖像的二維直方圖，比較臨時圖像的二維直方圖與src的二維直方圖差異，依次得出取值范圍為0-1的相關(guān)系數(shù)，同時定義與圖片dst_cutl大小相同的圖片result保存結(jié)果，將(0，O)起滑動生成的相關(guān)系數(shù)賦值給圖片result (0，O)處的值，將(0，I)起滑動生成的相關(guān)系數(shù)賦值給圖片result (O, I)處的值,窗口遍歷到圖片dst_cutl右下角之后，生成結(jié)果圖result，該圖上每點像素表示一次比較后的相關(guān)系數(shù)值。之后在結(jié)果圖result上使用函數(shù)cvMinMaxLocO計算出該最大值的位置，就找到了滑窗遍歷后直方圖與模板最相近位置。在圖片dst_cutl上找到該位置，再對此位置長度放大2倍，高度不變來包括紅綠燈整體，該位置即為紅綠燈在待處理圖片中的位置，將該部分切割出來得圖片dst_Cut2 ；上述函數(shù)cvCalcBackProjectPatchO表示的思想是:滑窗與模版大小相同，從頂點坐標開始依次滑動，每次滑動移動一個像素，每次都把當前窗口處的圖像存儲為一幅臨時圖像，對圖片dst_cutl不做變化，計算當前滑窗內(nèi)臨時圖像像素的二維直方圖，采用相關(guān)系數(shù)法與模版的二維直方圖進行對比，每次得出一個相關(guān)系數(shù)，將每個相關(guān)系數(shù)保存到結(jié)果圖片對應(yīng)的點，直到滑窗遍歷到圖像的右下角終點坐標，取結(jié)果圖片的相關(guān)系數(shù)的最大值的坐標位置，將該范圍長度放大2倍，高度不變以包括紅綠燈整體，將該位置在圖片dst_cutl中切割出來即為搜索到的紅綠燈所在位置dst_cut2。該步驟通過搜索，在大范圍的實時視頻中得到了紅綠燈精確地位置。
[0009]三、對定位的紅綠燈位置dst_Cut2進行顏色識別。上述兩步已經(jīng)得到了準確的紅綠燈位置，接下來識別顏色即可。RGB空間也可以進行顏色識別，但是受光照等環(huán)境影響較大，轉(zhuǎn)換到Y(jié)CBCR空間時間短且識別準確。提取符合紅綠燈顏色的cr通道值，并且將符合該條件的區(qū)域二值化，分別得到綠燈二值化圖bw_green,紅燈二值化bw_red。
[0010].
【權(quán)利要求】
1.一種基于無人駕駛的實時動態(tài)紅綠燈檢測識別方法，其特征在于，包括以下步驟: 1)首先固定采集視頻的攝像頭位置，安裝在智能汽車的后視鏡中間位置，距離地面1.1-1.2米，攝像頭要求廣角大于120度，分辨率大于640*480 ;通過智能車輛上的攝像頭，以20-50幀/秒的幀率實時獲取智能車輛前方道路的圖像image，依據(jù)紅綠燈在圖像中的位置關(guān)系，對獲取的原始圖像image進行剪切獲得感興趣區(qū)域，具體為從原始圖像image左上端點為(O, O),橫坐標為原始圖像image寬的0.45,縱坐標為原始圖像image高的0.47為起點，切割寬為l/5image,高為l/10image大小的圖片得感興趣區(qū)域圖片dst_cutl ； 2)設(shè)定紅綠燈的小模板src，size為100*30，并轉(zhuǎn)化為HSV空間，求取其H分量和S分量；在這基礎(chǔ)上，計算此二分量的二維直方圖hist_src ； 3)讀取待處理圖片dst_cutl,反向塊投影求取紅綠燈位置,在dst_cutl上切割一塊src大小的臨時圖像，生成臨時圖像的二維直方圖，比較臨時圖像的二維直方圖與src的二維直方圖差異，依次得出取值范圍為0-1的相關(guān)系數(shù)，遍歷到圖片dst_cutl，生成結(jié)果圖result，該圖上每點像素表示一次比較后的相關(guān)系數(shù)值；之后在結(jié)果圖result上計算出該相關(guān)系數(shù)最大值的位置，就找到了滑窗遍歷后直方圖與模板最相近位置；在圖片dst_Cutl上找到該位置，再對此位置長度放大2倍，高度不變來包括紅綠燈整體，該位置即為紅綠燈在待處理圖片中的位置，將該部分切割出來得圖片dst_Cut2 ； 4)識別紅綠燈顏色，將圖片dst_cut2由RGB空間轉(zhuǎn)換為YCBCR空間得圖片dst_ycrcb，提取符合紅綠燈顏色的cr通道值，并且將符合該條件的區(qū)域二值化，分別得到綠燈二值化圖 bw_green,紅燈二值化 bw_red;

【文檔編號】G06K9/60GK103489324SQ201310438726
【公開日】2014年1月1日 申請日期:2013年9月22日 優(yōu)先權(quán)日:2013年9月22日
【發(fā)明者】袁家政, 劉宏哲, 周宣汝, 鄭永榮 申請人:北京聯(lián)合大學(xué)