[发明专利]一种应用于无人驾驶汽车的交通灯快速检测算法

说明书

技术领域

本发明涉及交通信息检测领域，具体涉及一种应用于无人驾驶汽车的交通灯快速检测算法。

背景技术

现有的交通灯检测识别技术绝大多数使用的是计算机图形图像处理技术、机器学习等技术。大体的思路无非是：颜色空间转换后，使用一定阈值提取到可能是红绿灯的区域，然后使用复杂的算法或者机器学习的方法去掉一定程度的非交通灯的区域。这些方法的缺点是非常明显的，经常会出现交通等检测不到，或者虚景率过高的情况，例如，路旁的LED显示牌、阳光照射下的红色物体都会出现被检测为交通灯，尤其是夜晚的时候更是无能为力；与此同时，算法复杂度过高导致处理时间过长也是一个致命的缺点，毕竟在自动驾驶设备中，需要非常快速的检测、识别能力。

以上提及的方法都适用于比较通用的环境，使用以上算法的设备都仅仅是“驾驶辅助设备”，仅仅起到提示、警示的作用，并不可以代替人类本身，所以并不适用于自动驾驶汽车的系统中。

发明内容

有鉴于此，本发明的目的是提供了提出一种应用于无人驾驶汽车的交通灯快速检测算法，具有检测范围小、检测精度高的特点。

本发明的目的是通过以下技术方案来实现的，

一种应用于无人驾驶汽车的交通灯快速检测算法，包括以下步骤：

S1.根据采集到的每一帧图像各通道的值选取红色和绿色的候选区域，所述候选区域包括若干个连通域；

S2.根据上一帧图像中的红绿灯区域位置和传感器的数据，并结合红绿灯的高度范围，预测当前帧图像中红绿灯区域的位置，形成预测区域；

S3.对当前帧图像中连通域的形状和颜色进行识别，当同一形状和颜色的连通域出现在预测区域，则该连通域为红绿灯区域。

优选的，所述步骤S1还包括步骤S11.在选取红色和绿色的候选区域时，还包括将每一帧图像由RGB颜色空间转换到CIE L*a*b*颜色空间，使用a通道和b通道的值判断并选取红色和绿色的候选区域。

优选的，所述步骤S1还包括步骤S12.利用形态学方法对候选区域进行处理。

优选的，所述形态学方法具体包括：膨胀过程、填充过程、腐蚀过程、再膨胀过程。

优选的，对连接域的形状识别方法具体包括以下子步骤：

S21.提取红绿灯的连通域，并对连通域图片进行HOG特征提取；

S22.将提取的特征放入提前训练完成的SVM的模型中进行判决，得出此连通域对应的交通灯的形状信息。

优选的，所述步骤S2具体包括以下子步骤：

S21.利用摄像机视角和红绿灯高度范围，利用连通域的质心在图像的位置，并使用上一帧图像采集时刻摄像头与水平的夹角，计算出某个连通域的对应的实物与摄像机的实际距离；

S22.记录采集上一帧图像时刻到采集当前帧图像时刻之间的车速和转向角随时间变化的曲线，并且利用上一时刻摄像机和实物之间的距离，计算当前时刻的摄像机和同一个实物之间的距离；

S23.通过当前时刻的摄像机和实物之间的距离，以及摄像机的视角、摄像机当前时刻与水平的夹角和红绿灯的高度，结合一定的误差，预测在当前帧图片中此实物对应连通域的质心在图像中的大概区域，则该区域为预测区域。

由于采用了上述技术方案，本发明具有如下的优点：

本发明使用摄像头采集的上一个时刻的图像(上一帧)和现在时刻的图像(本帧)，并使用传感器采集两个时刻之间的车速、车转向角与时间变化的曲线和两个时刻的摄像头与水平面的夹角，利用交通灯的高度全都符合国标的特点，达到缩小检测范围、提高检测精度的交通等颜色形状检测的目的，并且具有以下优点。

1.使用无人驾驶汽车中较为常见的传感器预测当前帧中符合GB的交通灯的位置，极大地去除了非交通灯的发光物体造成的虚景；

2.使用Lab颜色空间进行颜色筛选，更符合人眼的特点；

3.使用了经典的图像处理算法，优化处理二值图片

4.利用SVM和HOG作为形状识别模块，因为HOG会提供位置和形状信息且SVM线性分类器的速度快、判决准确。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为一定亮度下的颜色与a、b取值的关系；

图2为a-b平面分割示意图；

图3为填充多连通域流程图；

图4为红绿灯外接框；

图5为HOG特征的提取过程；

图6为HOG特征组合示意图；