[发明专利]一种基于视觉的交通信号灯自动检测识别方法

说明书

技术领域：

本发明提供一种基于视觉的交通信号灯自动检测识别方法，它涉及一种利用颜色空间线性滤波和梯度方向直方图特征相结合的层级架构，通过训练来构建我国典型交通信号灯的自动检测识别方法。属于特定目标检测识别技术领域。

背景技术：

智能交通系统(Intelligent Transportation System，简称ITS)作为未来交通系统的发展方向，是一种将先进的信息技术、数据通讯传输技术、控制技术、电子传感技术及计算机技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合的运输和管理系统。而无人驾驶车辆作为智能交通系统中的重要分支，其在提高交通系统的方便性、快捷性和智能性方面的前景之广阔不言而喻。而要想无人驾驶车辆在复杂的城市交通环境中安全平稳行驶，那么交通场景中交通信号的感知与理解就显得至关重要。在城市环境的交通信号中，交通信号灯为车辆的安全、高效行驶提供了基本保障。因此，只有为无人驾驶车辆提供鲁棒的交通信号灯的检测和识别信息，以供中央决策单元的逻辑判断，才能真正实现无人驾驶车辆的安全上路，从而做到无人驾驶车辆与有人驾驶车辆和行人和谐有序通行。

交通信号灯的检测与识别作为图像处理、计算机视觉、模式识别与机器学习等学科的典型应用，在国内外引起了一些学者的关注。在目前的基于视觉的交通信号灯的检测与识别中，为了满足实时性的要求，一股都采用层级检测思路：即首先通过颜色阈值分割或形态学滤波得到交通信号灯的候选区域，再在候选区域中做交通信号灯形状信息的确认以识别。在候选区域筛选阶段，由于交通信号灯是主动发光单元，通过相机得到的视频图像中交通信号灯的发光单元经常颜色失真，因此普通的颜色空间阈值分割方法或者颜色查表法不但阈值难以确定，而且对光照变化和颜色失真等情况的鲁棒性也不好，而形态学滤波方法又只能针对圆形发光单元，且实时性不好；在形状确认阶段，目前主要采用的为模板匹配的方法，该方法对模板的选择具有很大依赖性，且要想做到通用性，模板空间较大，因此在实时性和通用性方面均很难达到较高精度。本发明针对上述情况，提出一种利用颜色空间线性滤波筛选交通信号灯候选区域，利用颜色梯度方向直方图特征与支持向量机(SupportVector Machine，SVM)进行交通信号灯检测识别的层级方法。该方法针对我国典型交通信号灯而设计，达到了较高的检测识别精度。

发明内容：

1、目的：本发明的目的是提供一种基于视觉的交通信号灯自动检测识别方法，该方法利用约束能量最小化(Constrained Energy Minimization，CEM)方法来对交通图像的颜色空间进行线性滤波，从而得到交通信号灯的候选区域，再在候选区域上提取图像的多层梯度方向直方图(Multi-layer Histogram ofGradient，MHoG)特征和梯度方向直方图(Histogram ofGradient，HoG)特征，利用SVM线性分类器进行交通信号灯的检测识别工作。

2、技术方案：本发明是通过以下技术方案实现的：

本发明一种基于视觉的交通信号灯自动检测识别方法，它包括如下两个阶段：训练阶段和测试阶段。

阶段1：训练阶段，该阶段包括如下三个步骤：

步骤1：训练数据准备：训练阶段是测试阶段的基础，训练阶段需要准备训练数据集。本训练数据集来自无人驾驶车辆在城市交通环境中收集得到。典型交通信号灯按颜色可分为红灯、绿灯和黄灯3种。由于黄灯停留时间短，且对无人驾驶车意义不大，故不考虑黄灯。因此，根据我国交通法规对交通信号灯的规定，对无人驾驶车辆有重要意义的典型交通信号灯可分为：机动车信号灯红灯(圆形发光单元)、机动车信号灯绿灯(圆形发光单元)、左转方向信号灯红灯(左箭头发光单元)、左转方向信号灯绿灯(左箭头发光单元)、右转方向信号灯红灯(右箭头发光单元)、右转方向信号灯绿灯(右箭头发光单元)、直行信号灯红灯(上箭头发光单元)、直行信号灯绿灯(上箭头发光单元)8个类别。

(1)训练集S

由于本发明采用颜色空间滤波方法实现交通信号灯的候选区域筛选。故在训练阶段的交通信号灯形状确认中，本发明采用将所有的红灯归为一类作为正样本集SPR，所有绿灯归为一类，作为正样本集SPG，再在交通图像上随机采取非交通信号灯图像块作为负样本集SN，并将样本集SPR、SPG和SN标记为训练集S。

(2)训练集D