[发明专利]一种识别前方车辆尾灯及判断其状态的方法

权利要求书

1.一种识别前方车辆尾灯及判断其状态的方法，其特征在于，包括以下步骤：

步骤S010，将车载摄像头视频输入经过训练的YOLO神经网络1，识别出视频中的车辆；

步骤S020，将YOLO神经网络1识别出的车辆输入YOLO神经网络2，识别出车辆的尾灯；

步骤S030，每间隔多个帧图片获取一次尾灯的HSV值，计算相邻两次HSV值的差值是否大于阈值，若差值大于阈值，则车辆尾灯的转向信号灯闪烁或刹车信号灯点亮，进而判断前车将进行刹车或换道操作，若差值小于阈值，则车辆尾灯的转向信号灯不闪烁且刹车信号灯不亮，进而判断前车没有进行刹车及换道操作。

2.根据权利要求1所述的一种识别前方车辆尾灯及判断其状态的方法，其特征在于，在所述步骤S010和步骤S020中，所述YOLO神经网络1和YOLO神经网络2的训练方法包括以下步骤：首先在完整的车载摄像头图片上标注出其中的车辆，组成训练样本集1；然后将训练样本集1中标注的汽车分别剪切出来，并在其中标注出尾灯，组成训练样本集2；采用随机梯度下降法训练所述YOLO神经网络1和YOLO神经网络2，并将训练样本集1用于所述YOLO神经网络1的训练，将训练样本集2用于所述YOLO神经网络2的训练，训练完成后得到用于测试的图片。

3.根据权利要求2所述的一种识别前方车辆尾灯及判断其状态的方法，其特征在于，从车载摄像头图片上标注出车辆以及从训练样本集1中标注尾灯的过程如下：输入图像被YOLO神经网络划分为S×S的网格，每个网络预测是否有物体的中心落入其内部，若预测结果为是，则该网格预测出B个检测边界框以及每个检测边界框的置信度，置信度反映预测边界框对其框选出物体的自信程度，置信度的计算公式为：

Pr(Object)*IOU(1)

IOU=area(BBdt∩BBgt)area(BBdt∪BBgt)---(2)]]>

(1)式和(2)式中，Pr(Object)为边界框包含目标物体的概率，BB_gt为基于训练标签的参考标准框；BB_dt为检测边界框；area表示边界面积；

每个检测边界框包含5个参数：x，y，w，h以及confidence，(x，y)代表检测边界框的中心相对其母网格的位置，(w，h)为检测边界框中心相对于整张图像的位置；

每个网格还预测C个类别概率，即Pr(Class_i|Object)，其表示第i类物体中心落入该网格的概率，C为类别数量且与B无关，输出层输出S×S(B×5+C)维的张量；

YOLO神经网络采用误差平方和作为损失函数，在输出层S×S个网格中，每个网格输出(B×5+C)维数据，其中包含检测边界框坐标位置信息B×4维，检测边界框置信度B×1维，类别数量C维，YOLO神经网络将B×4维的定位误差和B×1维的置信度误差设定更大的权重λ_coord＝5，将不包含物体中心的网格的置信度误差设定更小的权重λ_noobj＝0.5，C维分类误差和包含物体中心的网格的置信度误差则保持不变；

YOLO神经网络规定每个检测边界框只负责框选一个物体，计算当前检测边界框与所有参考标准框的IOU值，其中最大IOU值对应的物体即当前检测边界框负责框选的物体；

YOLO神经网络的损失函数形式为：

λcoordΣi=0S2Σj=0BIijobj[(xi-x^i)2+(yi-y^i)2]+λcoordΣi=0S2Σj=0BIijobj[(wi-w^i)2+(hi-h^i)2]+Σi=0S2Σj=0BIijobj(Ci-C^i)2+λnoobjΣi=0S2Σj=0BIijnoobj(Ci-C^i)2+Σi=0S2IiobjΣc∈classes(pi(c)-p^i(c))2---(3)]]>

(3)式中，I_i表示是否有物体中心落入网格i中，若有则I_i＝1，反之为0，I_ij表示判断网格i中第j个检测边界框是否负责该物体，若是则为1，反之为0。