[发明专利]深度学习与图像处理融合的交通信号灯故障检测方法

说明书

本发明公开了一种深度学习与图像处理融合的交通信号灯故障检测方法，包括步骤S1：获得各种天气情况下的电子警察视频流，解码电子警察视频流，得到包含交通信号灯图像，交通信号灯灯组在图像中的位置信息、交通信号灯组内各信号灯的类型信息和位置信息；步骤S2：配置交通信号灯组信息和灯组内的各个信号灯信息；步骤S3：建立交通信号灯的检测模型；本发明有效解决了小范围摄像机抖动和位置偏移问题，提高了报警的准确率；采用基于卷积神经网络的深度学习技术，实现信号灯的位置和状态识别，采用基于信号灯周期的图像处理算法，进一步提升信号灯的识别准确率。

技术领域

本发明涉及交通信号灯状态监测技术领域，尤其涉及一种深度学习与图像处理融合的交通信号灯故障检测方法。

背景技术

交通信号灯是交通安全产品中的一个类别，可用于加强道路的交通管理，提高道路使用效率。交通信号灯的正常运行是城市正常运转的基础，但目前现存的大量交通信号灯是没有故障自诊断能力的非智能交通信号灯，该类交通信号灯的故障检测主要通过执勤交警的报修，交通设施单位巡检以及市民报警等方式。

上述信号灯故障检测方式，存在维护人员工作量大，故障发现不及时，效率较低等问题。针对城市道路交通信号灯故障检测和维修的实际需要，目前主流的信号灯故障自动检测方法主要是基于视频识别的检测方法。

基于视频识别的检测方法主要是采用深度学习的方法，首先获取大量信号灯图片，训练得到信号灯检测模型，其次通过灯检测模型对视频中的信号灯区域内信号灯进行检测，最终确定信号灯位置和状态。该方法目前主要的有路口级的检测方案和中心级的检测方案。此检测方法在实际使用中存在的问题包括：信号灯样本数量有限，检测模型的泛化能力较弱，在检测过程中存在漏检，从而影响检测精度，造成误报的发生。

例如，一种在中国专利文献上公开的“一种交通信号灯的故障检测方法、系统及存储介质”，其公告号：CN109636777A，其申请日：2018年11月20日，包括以下步骤：获取摄像机视频流，实时采集单帧图像；根据采集到的单帧图像，获取交通信号灯区域；根据交通信号灯区域，对交通信号灯的检测环境进行判断；根据判断结果，对交通信号灯区域进行灰度图划分，得到单通道灰度图；所述单通道灰度图包括红色通道灰度图、黄色通道灰度图和绿色通道灰度图；根据单通道灰度图，得到红色灰度图像、黄色灰度图像以及绿色灰度图像；分别对红色灰度图像、黄色灰度图像以及绿色灰度图像进行图像二值化处理，得到二值化图像；根据二值化图像，生成故障检测结果；所述故障包括交通信号灯熄灭故障和交通信号灯显示故障。该申请的交通信号灯故障检测方法，主要采用图像处理的方法，其获取的信号灯样本数量有限，检测的精度低，易造成误报。

发明内容

本发明主要解决现有的视频检测方法中检测模型泛化能力弱，模型识别精度低，检测过程中存在的漏检的问题；提供一种深度学习与图像处理融合的交通信号灯故障检测方法，降低了基于视频检测信号灯故障的误报率，提高了报警的准确率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：深度学习与图像处理融合的交通信号灯故障检测方法，包括以下步骤：

步骤S1：获得各种天气情况下的电子警察视频流，解码电子警察视频流，得到包含交通信号灯图像，交通信号灯灯组在图像中的位置信息、交通信号灯组内各信号灯的类型信息和位置信息；

步骤S2：配置交通信号灯组信息和灯组内的各个信号灯信息；

步骤S3：建立交通信号灯的检测模型；

步骤S4：对交通信号灯进行图像处理识别；

步骤S5：按信号灯周期统计一个交通信号灯组的状态；