[发明专利]一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法

说明书

一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法主要包括主控树莓派3B+、广角摄像头、蜂鸣器提示模块和液晶屏显示屏模块。树莓派3B+搭载深度学习框架TensorFlow，运行RCNN区域卷积神经网络模型。广角摄像头实时采集当前的道路图像，使用深度学习模型定位红绿灯具体位置，得到其外接矩。OpenCV根据外接矩裁剪出红绿灯的ROI感兴趣区域，较少计算量，经过传统的滤波等预处理手段后，将图像从BGR颜色空间转换到Lab颜色空间，单独提取出a通道并根据连通域面积的占比识别红绿灯。最终结果会通过蜂鸣器模块和显示屏模块进行提示。本发明有利于减少交通事故，提高驾驶的安全系数。

技术领域

本发明专利涉及无人驾驶、辅助驾驶领域，尤其涉及一种基于RCNN的红绿灯识别方案设计。

背景技术

近些年，无人驾驶方向的技术创新不断涌现，众多智能化设备和系统已经在实际道路上得到广泛实践，并可以完成一定程度的自动或辅助驾驶。红绿灯的有效识别便是其中一项非常重要的研究课题，如果能够将当前的红绿灯信息及时准确地传达给驾驶员或者自动驾驶系统，将非常有利于减少交通事故，提高驾驶的安全系数。

现实生活中的红绿灯交通标识复杂多样，除去常见的机动车信号灯的圆形之外，还有人行信号灯、方向指示信号灯等。另外，采用摄像头采集图像时，白天、夜晚、阴雨天等不同天气情况下拍摄的样张色彩表现多样。传统的BGR或HSV图像处理方法很难做出泛化能力很强的系统，因此使用深度学习结合传统图像处理手段势在必行。发明(申请公布号CN107169421A)发明设计了利用RCNN识别汽车驾驶场景的目标检测算法，发明(申请公布号CN107665336A)也发明了使用RCNN来进行冰箱内物体的检测方法。

发明内容

鉴于上述现有的技术和背景，本发明的目的在于提供一套基于RCNN区域卷积神经网络的红绿灯自动识别提示装置和方法，以提高无人驾驶或辅助驾驶的安全性和可靠性。

实现本发明的技术解决方案为：一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法。该系统包括塑料的装置外壳、可旋转的摄像头支架、广角摄像头、显示屏和蜂鸣器提醒模块、树莓派3B+主控。其中，所述的摄像头和支架部分，可以进行360旋转和一定程度的弯曲，便于更好地在车内安装本装置。装置外壳的左侧留有USB接口，内置电池的Micro-USB充电接口和开机按钮。

本发明的树莓派主控主要完成如下步骤：

1.系统启动，加载神经网络模型并确保蜂鸣器、显示屏、广角摄像头等正常工作。如果出现异常情况，则进行语音提示，进行报警；

2.开启广角摄像头，并实时采集图像；

3.对采集后的图像进行图像预处理、图像中红绿灯位置定位、红绿灯最终结果识别。识别的结果通过显示屏、树莓派扬声器和蜂鸣器模块进行提示。

一种基于Faster RCNN的红绿灯无人驾驶辅助装置及方法，具有如下的有益效果：

第一、可自由旋转和弯曲的摄像头支架能够大大扩充装置的安装场景，避免装置因不利的安装而损坏。

第二、基于轻量级的深度学习框架和模型编写的程序，能够在保证识别速度的前提下，大大提高识别稳定性，即使是在阴雨天和夜晚。

第三、广角摄像头的拍摄角度，有利于识别左转或右转的红绿灯。

附图说明

图1是本专利的装置结构示意图

图2是本专利的系统设计示意图

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面结合实例及附图对本发明产品作进一步详细地说明。