[发明专利]一种基于多分类器的交通信号灯的识别方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于多分类器的交通信号灯的识别方法。

背景技术

随着社会和经济技术的发展，交通道路上的车辆越来越多，道路环境也越来越复杂，随之而来的交通事故也频繁发生，为了减少此类情况的发生，智能交通应运而生，而在智能交通中，智能车是智能交通中关键的一部分，智能车的出现帮助驾驶员驾驶，使得交通事故发生的频率得以减少，同时让红绿色盲的人驾车成为可能性，因此对于交通信号灯识别有着非常重要的意义

要实现这个目标，首先得从复杂多变的环境中，准备找出交通信号灯的位置，然后在通过进一步特征提取和识别，判断出交通信号灯的具体信息。目前这种方法有准确性，但无法有广泛性适用性不强。

发明内容

有鉴于此，本发明的目的在于提供一种基于多分类器的交通信号灯的识别方法，用于实时运行的智能车中，准确识别各个道路口的红绿灯信息，提高安全驾驶性。

为达到上述目的，本发明提供如下技术方案：

一种基于多分类器的交通信号灯的识别方法，该方法包含如下步骤：

S1：用视频采集装置采集车辆前方的图像；

S2：对采集的图像进行图像灰度化，滤波以及建立兴趣区域的预处理过程；

S3：根据采集到的图像，提取交通信号灯颜色；

S4：对步骤S3提取的颜色区域进行形态学过滤；

S5：对过滤之后的颜色区域进行HOG特征和颜色特征提取；

S6：利用HOG特征对SVM分类器进行训练，将颜色特征输入训练好的SVM分类器中进行识别。

进一步，所述视频采集装置为摄像头，且分辨率大于640*480，所述摄像头安装在车辆后视镜位置。

进一步，步骤S2中所述兴趣区域为采集到的图像的上方1/2部分的区域。

进一步，步骤S3包含如下步骤：

S31：将摄像头采集的图像转换为YcbCr颜色模式，转化公式为；

其中，Y为转换后图像颜色的亮度成分，Cb为转换后图像颜色的蓝色浓度偏移量成分，Cr为转换后图像颜色的红色浓度偏移量成分，R为原始图像中的红色成分，G为原始图像中的绿色成分，B为原始图像中的蓝色成分；

S32：在Cb通道下进行红色与绿色的颜色区域提取，判定交通信号灯存在的区域，

{f(x,y)|R_min≤f_cb≤R_max},color＝Red

{f(x,y)|G_min≤f_cb≤G_max},color＝Green

其中，f(x,y)为像素点的位置，R_min为最小红色阈值，R_max为最大红色阈值，G_max表示最大绿色阈值，G_min表示最小绿色阈值。

进一步，步骤S4中形态学过滤条件满足：

过滤条件Ⅰ：遍历通过颜色检测的候选区域，通过长宽比条件来过滤，满足条件的保留，不满足条件的剔除，

其中，R_wh表示交通信号灯的长宽之比，

过滤条件Ⅱ：将经过长宽比过滤后区域经过圆检测，定义圆心和半径，

其中，r表示交通信号灯圆的半径。

进一步，步骤S5中HOG特征提取包含如下步骤：

S51：将整个图像进行色彩和伽马归一化处理；

S52：计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；

S53：将图像分成若干细胞单元，构建方向的直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票；

S54：将细胞单元进行合成空间上连通的区间，获得交通信号灯的HOG特征。

进一步，步骤S6包含：

S61：将交通信号灯的HOG特征作为分类特征输入SVM分类器模型Ⅰ中进行训练，训练好的SVM分类器模型Ⅰ将交通信号灯分为左转、右转和直行三类；

S62：将YcbCr颜色分类分别输入到SVM分类器模型Ⅱ、SVM分类器模型Ⅲ和SVM分类器模型Ⅳ进行训练；

S63：将左转、右转和直行三类分别输入训练好的SVM分类器模型Ⅱ、SVM分类器模型Ⅲ和SVM分类器模型Ⅳ进行颜色识别；

S64：输出识别结果。