[发明专利]一种基于深度特征学习的快速交通信号灯检测方法

说明书

本发明提供了一种基于深度特征学习的快速交通信号灯检测方法，涉及图像处理、深度学习和智能交通领域，首先从被检测图像中提取交通信号灯候选区域，然后利用卷积神经网络对交通信号灯候选区域进行分类，通过增加训练数据，能够使网络适用于各种复杂场景，提高交通信号灯召回率与检测准确率，本发明由于交通信号灯候选区域提取算法与分类网络能够达到较高的召回率与分类正确率，使分类网络能够适用于各种复杂场景；检测速率高，满足应用于无人驾驶车辆的实时性要求；减少了候选区域数量，减少了后续分类网络的计算量，提高系统整体的检测速率；使交通信号灯检测能够适用于各种复杂场景并提高了检测准确率。

技术领域

本发明涉及图像处理、深度学习和智能交通领域，尤其是一种交通信号灯检测方法。

背景技术

当前大多数交通信号灯识别方法都是先对图像进行特征提取，然后使用分类器或者模板匹配的方式进行识别。交通信号灯最明显的特征是它的亮度、颜色与形状，使用这些特征对其进行描述，设置适当的阈值从图像中分割出交通信号灯区域，然后对提取出的目标区域使用SVM、Adaboost等分类器对该目标区域分类。

吕亚运等人对图片做RGB归一化处理与聚类操作来提取颜色特征，然后对图像做形态学的处理，最后通过与交通信号灯数据库中的样本数据进行比对，满足条件的就被判定为交通信号灯。

徐成等人基于Lab色彩空间对图像颜色信息进行处理，通过颜色特征分割出交通信号灯候选区域，并根据交通信号灯的形状特点对分割出来的区域进行确认，然后与设计好的标准模板进行匹配，进而识别交通信号灯。

周宣汝等人提出的算法使用了HOG特征。该方法的主要思路是，先对图像进行颜色分割，然后提取图像的HOG特征，用于描述交通信号灯的外观与形状特点，构建SVM分类器，最后根据判决函数实现对当前交通信号灯信息的实时判决，从而得到较为准确的结果。

Masako Omachi等人提出了一种基于交通信号灯颜色和边缘特征的检测方法。该方法先根据目标的颜色特征提取出符合条件的交通信号灯候选区域，再利用Soble算法检测交通信号灯候选区域的边缘特征，然后通过Hough变换检测实心圆来获得交通信号灯区域，实现对目标的检测。

LI YI，CAI Zi-xing等人使用基于形态学滤波与统计分类的算法对交通信号灯进行识别。该算法先使用形态学变换处理图像，检测交通信号灯区域，并且对交通信号灯的背板进行计算，然后将图像转换至HSV色彩空间，通过H值的分布统计结果来判断交通信号灯的颜色类型。

高超提出的检测算法同样使用到了形态学变换，该算法只对RGB图像的R与G通道进行处理，经过形态学变换后将其转换为二值图像，得到交通信号灯候选区域，然后使用SVM分类器进行识别。

现有技术在交通信号灯识别领域已经取得了很多的成果，但现有技术主要依赖人工设计特征，通常适用于固定场景中的交通信号灯识别，当场景更换或者遇到环境较为复杂情况时召回率与准确率较低，需要人为调整阈值，并且现有技术在处理速度上有待进一步提高。

发明内容

为了克服现有技术的不足，解决现有技术中人为设计特征适用范围小、召回率与准确率不理想、以及处理速度慢的问题，本发明利用卷积神经网络能够自动学习图像深度特征信息的特点，提出了一种基于深度特征学习的快速交通信号灯检测算法。首先从被检测图像中提取交通信号灯候选区域，然后利用卷积神经网络对交通信号灯候选区域进行分类，卷积神经网络无需人为设计特征，它能够模拟人脑认知过程，自动从图像中学得相应的深度特征信息，通过增加训练数据，能够使网络适用于各种复杂场景，提高交通信号灯召回率与检测准确率。另外，通过减少交通信号灯候选区域数量，并使用小型的卷积神经网络，以此提高图像处理速度，达到无人驾驶车辆应用中的实时性要求。

本发明解决其技术问题所采用的技术方案包括以下步骤：

第一步：亮度滤波