[发明专利]一种道路标志牌检测方法及装置

说明书

本发明涉及一种道路标志牌检测方法，按照以下步骤进行：步骤1，车载终端配备间歇性光源和摄像头，使间歇性光源和摄像头对着道路两边，能拍摄到道路标志牌；步骤2，摄像头分别采集间歇周期内明暗交替的多张道路标志牌图像；步骤3，对摄像头采集的图像进行帧差计算；步骤4，确定图像的有效区域；步骤5，对图像进行目标分割；步骤6，对图像进行目标识别，完成道路标志牌检测。本发明在车载终端设备上配置间歇光源，摄像头采集到图像后，通过帧差法能快速定位到交通标志，从而减少不必要的检测区域计算，大幅提高计算效率，使得标志牌识别深度学习算法能在嵌入式车载终端设备上实时运行。

技术领域

本发明涉及图像检测识别技术领域，尤其涉及一种道路标志牌检测方法及装置。

背景技术

随着自动驾驶技术的发展，对道路标志的检测识别需求随之而来。现有的道路标志的检测方式主要有两种：第一种是，依靠高精度地图或者V2X(V2X为vehicle toeverything，即车对外界的信息交换)，从已有的数据库中获取相应的道路信息(限速、急转弯、禁止停车等)；第二种是，终端设备配置摄像头，依靠人工智能计算机视觉算法，识别标志牌，并理解其含义。

现有道路标志的检测技术中，如公告号CN106709412A的专利，采用了“图像处理+传统机器学习”的手段，图像处理过程中，把RGB红绿蓝图像转换为HSV(色度、饱和度、亮度)格式，根据目标的颜色、形状、大小以及图像梯度值，做目标分割，最后再训练分类器，识别标识符。该专利的缺点是准确性差，目标分割不完整，传统分类器精度低。

又如公告号CN109902609A、CN109753949A的专利，采用了热门的“YOLO(YOLO是一种用于目标检测的深度学习模型)深度学习”作为目标检测，或者通过对标准YOLO模型的优化结构提高检测效果，或者采用多视窗检测来提升检测准确性。虽然深度学习模型的准确性高，但是存在计算量大缺点，虽然通过剪枝能提升运算速度，但是在车载终端上仍然无法保证实时性。

为了克服上述问题，我们发明了一种道路标志牌检测方法及装置。

发明内容

本发明的发明目的在于解决现有道路标志的检测技术，“图像处理+传统机器学习”存在准确性差、目标分割不完整、传统分类器精度低，“YOLO深度学习”存在计算量大、车载终端上无法保证实时性的问题。其具体解决方案如下：

一种道路标志牌检测方法，按照以下步骤进行：

步骤1，车载终端配备间歇性光源和摄像头，使间歇性光源和摄像头对着道路两边，能拍摄到道路标志牌；

步骤2，摄像头分别采集间歇周期内明暗交替的多张道路标志牌图像；

步骤3，对摄像头采集的图像进行帧差计算；

步骤4，确定图像的有效区域；

步骤5，对图像进行目标分割；

步骤6，对图像进行目标识别，完成道路标志牌检测。

进一步地，所述间歇性光源保持固定周期2T间歇性开关工作，每个周期2T内，前周期T时间内光源开，后周期T时间内光源关。

进一步地，所述摄像头采用与间歇性光源相同波长的滤光片，减少杂光的干扰。

进一步地，所述间歇性光源采用红外不可见光源，减少对前方驾驶员的干扰。

进一步地，所述帧差计算的方法是：将t时刻的图像I(t)与(t-T)时刻的图像I(t-T)相减后，再取绝对值得到t时刻的帧差图像I_diff(t)。

进一步地，所述帧差计算的公式为

I_diff(t,i,j)＝abs(I(t,i,j)-I(t-T,i,j)),(i,j)∈[0,w-1]×[0,h-1]，