[发明专利]一种识别前方车辆尾灯及判断其状态的方法

说明书

技术领域

本发明涉及图像识别技术领域，更具体地说，涉及一种识别前方车辆尾灯 及判断其状态的方法。

背景技术

近年来随着车辆的增多，交通道路的驾驶情况越来越复杂，人们对高级辅 助驾驶系统的需要也随之上升。其中，就包括汽车能够自主识别出前车是否将 进行变道或刹车操作，从而为汽车自身减速或避让做好准备。由于车辆的尾灯 有转向信号灯和刹车信号灯，因此可以通过自主识别出转向信号灯是否闪烁或 刹车信号灯是否点亮来判断前车是否将变道或刹车。因此，对车道尾灯的识别 以及其状态判断极其重要。当前主流的卷积神经网络识别方法仅在静态图片中 有较好性能表现，而在动态视频中因为检查速度过慢而导致性能表现不能满足 技术需求。YOLO神经网络将整张图片分割成若干网格，然后每个单独的网格 直接预测车辆所在位置的边界框和物体为车辆的概率。YOLO神经网络法具有 较快的识别速率和对大目标具有较高的识别率，适用于视频识别。

发明内容

本发明要解决的技术问题在于，提供一种识别前方车辆尾灯及判断其状态 的方法。

本发明解决其技术问题所采用的技术方案是：构造一种识别前方车辆尾灯 及判断其状态的方法，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。

在上述步骤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。

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)

(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：