[发明专利]一种智能驾驶演示环境下交通灯识别方法

说明书

本发明特别涉及一种智能驾驶演示环境下交通灯识别方法。该智能驾驶演示环境下交通灯识别方法，在计算力有限的智能驾驶终端设备上，建立基础检测任务，提取出交通灯图片，根据预先制定的交通灯样式与对应识别策略，识别出交通灯的颜色。该智能驾驶演示环境下交通灯识别方法，不使用深度学习方法，不需要占用深度学习专用芯片设备，节省了终端设备的计算资源，提高了识别速度，同时省去了人工标注数据集的人力消耗，适宜推广应用。

技术领域

本发明涉及智能驾驶及计算机视觉技术领域，特别涉及一种智能驾驶演示环境下交通灯识别方法。

背景技术

自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。

汽车自动驾驶技术包括视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况，并通过一个详尽的地图(通过有人驾驶汽车采集的地图)对前方的道路进行导航。这一切都通过数据中心来实现，数据中心能处理汽车收集的有关周围地形的大量信息。就这点而言，自动驾驶汽车相当于数据中心的遥控汽车或者智能汽车。汽车自动驾驶技术物联网技术应用之一。

智能驾驶就是对整个社会、驾驶员和行人均有益处。首先，自动驾驶汽车的交通事故发生率几乎可以下降至零，即使受其他汽车交通事故发生率的干扰，自动驾驶汽车市场份额的高速增长也会使整体交通事故发生率稳步下降；其次，自动驾驶汽车的行驶模式更加节能高效，因此可以大大缓解交通拥堵及尾气排放对空气造成的污染。

深度神经网络在智能驾驶领域经常被用来做人、车等道路物体的的检测，用以辅助驾驶，由于深度神经网络需要较高的计算力，同时智能驾驶对实时性的要求较高，英伟达等公司也发布了很多针对智能驾驶的专用芯片，用来对深度神经网络模型加速。

交通灯的检测通常是和人、车、交通标志等物体的检测共用一个检测网络，一般不包括交通灯颜色识别功能，如果需要对颜色识别，可选三种方案：

一、对原有检测网络分类分支添加交通灯颜色类，同时加入标注好颜色的交通灯数据集重新训练检测网络；

二、单独对交通灯进行颜色识别；

三、专门对交通灯训练一个检测加识别网络。

其中，方案一可能会需要修改原有模型架构(一般需要检测类别越多，网络越复杂)，同时需要在原来数据集中加入与其他类别数量相当的标注好的交通灯数据集(数据集的收集和标注会耗费一定人力)。

方案三则增加了检测网络数量，需要占用专用芯片加速，影响其他任务执行速度，不利于实时性。

因此，针对相对简单的智能驾驶演示环境，本发明提出了一种智能驾驶演示环境下交通灯识别方法。

发明内容

本发明为了弥补现有技术的缺陷，提供了一种简单高效的智能驾驶演示环境下交通灯识别方法。

本发明是通过如下技术方案实现的：

一种智能驾驶演示环境下交通灯识别方法，其特征在于：在计算力有限的智能驾驶终端设备上，建立基础检测任务，提取出交通灯图片，根据预先制定的交通灯样式与对应识别策略，识别出交通灯的颜色。

所述智能驾驶终端设备上，采用智能驾驶检测CNN(Convolutional NeuralNetworks，卷积神经网络)网络模型作为基础检测模型，用于检测人、车、交通标志及交通灯。

所述识别策略不涉及深度学习分类方法，识别手段包括交通灯区域划分，区域亮度检测和光线波长检测三部分。