一种面向无人驾驶车的交通标志识别方法技术

本发明专利技术提供一种面向无人驾驶车的交通标志识别方法，该交通标志识别方法基于凸壳算法、Hu不变矩以及横纵向直方图放缩快速匹配等算法进行交通标志识别，属于图像处理技术领域。本发明专利技术的这种种针对无人驾驶汽车的交通标志识别方法，相较于现有技术中的交通标志识别方法具有多种优势：识别范围大，且对禁令性和指示性标志进行识别，实时性好，识别准确率高，误识别率低。

【技术实现步骤摘要】
一种面向无人驾驶车的交通标志识别方法
本专利技术属于图像处理
，尤其涉及一种面向无人驾驶车的交通标志识别方法。
技术介绍
随着社会的发展，汽车已经成为人类日常生活不可替代的交通工具。然而，随之而来是其带来的日益突出的安全问题。能够主动识别交通标志并且做出快速提醒或判断可以很大程度地减少交通事故的发生。作为未来智能交通系统(ITS)的重要部分，无人驾驶汽车将在人们的生活中起到越来越重要的作用。道路交通标志识别系统作为无人车环境感知的重要部分，在智能交通系统中起到了重要作用。随着无人驾驶汽车技术的快速发展，其智能化程度不断提高，一套完整的智能交通决策系统需要知道无人车所处环境的交通标志指示信息，从而做出正确决策。目前，基于视觉的交通标志识别技术大多针对较为理想的环境，针对复杂道路环境的高效交通标志识别技术成果相对较少。一些基于霍夫变换等算法的识别方法在识别速率上有待提高，而针对无人车这样的高速运动物体，交通标志的快速探测和识别是一个亟待解决的问题。由此可见，高效高准确度的交通标志识别系统在智能交通系统中发挥着举足轻重的作用，而交通标志检测和识别算法则是识别系统的核心，决定了识别系统的性能，对于汽车安全驾驶以及无人驾驶汽车正确决策都有着很高的应用价值。
技术实现思路
为解决上述问题，本专利技术提供一种面向无人驾驶车的交通标志识别方法，该方法识别范围大，且对禁令性和指示性标志进行识别，实时性好，识别准确率高，误识别率低。本专利技术的一种面向无人驾驶车的交通标志识别方法，其包括：步骤1，获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；步骤2，使用双线性插值算法将所述原始识别图像的横向分辨率和纵向分辨率均降为原来的二分之一，然后进行色彩恒常处理、色彩空间转换后遍历图像像素信息，进行色彩分割，得到红、蓝通道的信道图像，对该红、蓝通道的信道图像进行预处理后进行Laplacian变换，得到红、蓝通道的二值化图像，其中预处理包括：中值滤波、膨胀处理、腐蚀处理；步骤3，对每一二值化图像，通过轮廓处理算法获得其所有轮廓，依次计算所有轮廓的面积，选取所有轮廓中面积在指定面积范围以内的轮廓，并依次对其进行凸壳处理，将凸壳处理后的轮廓连线成新轮廓图像，从而获得红、蓝通道的新轮廓图像；步骤4，对每一新轮廓图像，计算其每个轮廓的面积和周长之比，通过与交通标志的面积周长比进行对比，筛除不相符的轮廓，然后计算相符的轮廓的不变矩特征值，依次计算每个相符的轮廓的不变矩特征值与交通标志的圆形不变矩特征值、方形不变矩特征值之间的欧氏距离，最后将该欧式距离与对应形状的指定距离范围比较，选择在相应指定距离范围内的轮廓作为感兴趣轮廓图像，从而获得红、蓝通道的感兴趣轮廓图像；步骤5，对每一感兴趣轮廓图像，对应到步骤1中的原始识别图像上，根据该感兴趣轮廓图像获得该原始识别图像上的感兴趣区域，遍历模板库里的各种交通标志的标准模板，选择出与该原始识别图像上的感兴趣区域相匹配的交通标志的标准模板，从而识别出该感兴趣区域所属交通标志类型。进一步的，所述步骤5包括：步骤51，将原始识别图像上的感兴趣区域图像转化为灰度图像，并对该灰度图像进行高斯滤波后进行二值化处理获得感兴趣区域所对应的二值化图像；步骤52，步骤51所获得的二值化图像的列数为n，行数为m，计算各列元素值255所占的百分比，获得n个百分比，记为数组X(n)，计算各行元素值255所占的百分比，获得m个百分比，记为数组Y(m)，使用数组X(n)和数组Y(m)作为该感兴趣区域的特征；步骤53，将模板库里的各种交通标志的标准模板依次与所述感兴趣区域的特征进行匹配，获得该感兴趣区域与各个交通标志的标准模板的最终匹配值；步骤54，将各个交通标志的标准模板的最终匹配值中的最小匹配值对应的模板类型作为该感兴趣区域所属交通标志类型。进一步的，所述步骤51中的二值化处理以图像灰度平均值加上图像灰度最大最小差值的五分之一作为分割阈值进行二值化。进一步的，所述步骤53包括：步骤531，利用双线性插值方法和固定步长依次将各种交通标志的标准模板转化为感兴趣区域尺寸的13/10倍、12/10倍、10/10倍、12/13、11/13和10/13倍；步骤532，每次变换尺寸后所得二值化图像的列数为a，行数为b，按照步骤52的方式获取其对应的特征，该特征表示为数组A(a)和数组B(b)，选择步长step＝(m-a)/3：当step＝0时，X(n)与A(a)匹配：利用A(a)在X(n)上从X(1)开始到X(a)匹配，计算X(n)与A(a)的平均协方差并取最小值作为横向直方图匹配结果，而当step≠0时，则将A(a)按步长在X(n)上移动进行计算各次的平均协方差并取最小值作为横向直方图匹配结果；当step＝0时，Y(m)与B(b)匹配：利用B(b)在Y(m)上从Y(1)开始到Y(b)匹配，计算Y(m)与B(b)的平均协方差并取最小值作为纵向直方图匹配结果，而当step≠0时，则将B(b)按步长在Y(m)上移动进行计算各次的平均协方差并取最小值作为纵向直方图匹配结果；步骤533，将横向直方图匹配结果与纵向直方图匹配结果的平均值作为该次尺寸变换的最终匹配结果；步骤534，按照步骤532和步骤533的方法依次获得各次尺寸变换的最终匹配结果，将各次尺寸变换的最终匹配结果中的最小值作为该感兴趣区域与该交通标志的标准模板的最终匹配值；步骤535，按照步骤534的方法依次获得该感兴趣区域与各个交通标志的标准模板的最终匹配值。本专利技术的有益效果在于：1.采用该种方法交通标志识别效率高，适用于高速运行的无人车辆平台。由于本方法服务于无人车辆平台，因此对识别速率要求较高，如：无人车以40公里/小时速度前进，前方距离10米的交通标志在识别速率为10帧/秒的情况下可以保证无人车在开过交通标志前进行10次判断，然后通过综合这10次结果，则识别稳定性将大幅度提高。如果识别速率为1帧/秒，则只能识别一次，稳定性相对很差。本方法之所以识别速率较快，原因在于通过边缘轮廓提取将图像问题转化为轮廓问题，然后再通过层层筛选和凸壳处理在筛选，大大减少干扰信息，对很少一部分区域进行图像识别，识别速率得到了很大的提高。且针对标志识别部分，通过降低图像信息维度，也提高了识别速度。2采用该种方法通过降低图像分辨率分割图像，选择出交通标志的感兴趣区域，再返回高分辨率进行精确识别，可以提高识别速率，并且保证识别的精确性。针对图像预处理及标志检测，我们只是针对轮廓的边缘信息进行识别，可以在较低分辨率条件下进行，因此我们降低图像分辨率，提高预处理速度，之后通过筛选，选择出标志可能的位置，再返回高分辨率图中，针对轮廓内很小的图像进行识别，这样既保证了感兴趣(标志检测获得的区域)区域内细节信息丰富，有提高了获取感兴趣区域的速度。3采用Hu不变矩方法进行圆形和方形识别，可以处理交通标志因视角不同而造成的一定变形问题。由于Hu不变矩具有旋转平移不变的特性，因此，旋转不变矩作为特征，可以处理因为旋转平移造成的特征变化的问题。并且，Hu不变矩包含形状的特征信息丰富，圆形、方形的不变矩特征与其他形状区别很大，容易分类。4采用凸壳算法可以处理一定的遮挡问题，并且本文档来自技高网...

【技术保护点】
一种面向无人驾驶车的交通标志识别方法，其特征在于，包括：步骤1，获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；步骤2，使用双线性插值算法将所述原始识别图像的横向分辨率和纵向分辨率均降为原来的二分之一，然后进行色彩恒常处理、色彩空间转换后遍历图像像素信息，进行色彩分割，得到红、蓝通道的信道图像，对该红、蓝通道的信道图像进行预处理后进行Laplacian变换，得到红、蓝通道的二值化图像，其中预处理包括：中值滤波、膨胀处理、腐蚀处理；步骤3，对每一二值化图像，通过轮廓处理算法获得其所有轮廓，依次计算所有轮廓的面积，选取所有轮廓中面积在指定面积范围以内的轮廓，并依次对其进行凸壳处理，将凸壳处理后的轮廓连线成新轮廓图像，从而获得红、蓝通道的新轮廓图像；步骤4，对每一新轮廓图像，计算其每个轮廓的面积和周长之比，通过与交通标志的面积周长比进行对比，筛除不相符的轮廓，然后计算相符的轮廓的不变矩特征值，依次计算每个相符的轮廓的不变矩特征值与交通标志的圆形不变矩特征值、方形不变矩特征值之间的欧氏距离，最后将该欧式距离与对应形状的指定距离范围比较，选择在相应指定距离范围内的轮廓作为感兴趣轮廓图像，从而获得红、蓝通道的感兴趣轮廓图像；步骤5，对每一感兴趣轮廓图像，对应到步骤1中的原始识别图像上，根据该感兴趣轮廓图像获得该原始识别图像上的感兴趣区域，遍历模板库里的各种交通标志的标准模板，选择出与该原始识别图像上的感兴趣区域相匹配的交通标志的标准模板，从而识别出该感兴趣区域所属交通标志类型。...

【技术特征摘要】
1.一种面向无人驾驶车的交通标志识别方法，其特征在于，包括：步骤1，获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；步骤2，使用双线性插值算法将所述原始识别图像的横向分辨率和纵向分辨率均降为原来的二分之一，然后进行色彩恒常处理、色彩空间转换后遍历图像像素信息，进行色彩分割，得到红、蓝通道的信道图像，对该红、蓝通道的信道图像进行预处理后进行Laplacian变换，得到红、蓝通道的二值化图像，其中预处理包括：中值滤波、膨胀处理、腐蚀处理；步骤3，对每一二值化图像，通过轮廓处理算法获得其所有轮廓，依次计算所有轮廓的面积，选取所有轮廓中面积在指定面积范围以内的轮廓，并依次对其进行凸壳处理，将凸壳处理后的轮廓连线成新轮廓图像，从而获得红、蓝通道的新轮廓图像；步骤4，对每一新轮廓图像，计算其每个轮廓的面积和周长之比，通过与交通标志的面积周长比进行对比，筛除不相符的轮廓，然后计算相符的轮廓的不变矩特征值，依次计算每个相符的轮廓的不变矩特征值与交通标志的圆形不变矩特征值、方形不变矩特征值之间的欧氏距离，最后将该欧氏距离与对应形状的指定距离范围比较，选择在相应指定距离范围内的轮廓作为感兴趣轮廓图像，从而获得红、蓝通道的感兴趣轮廓图像；步骤5，对每一感兴趣轮廓图像，对应到步骤1中的原始识别图像上，根据该感兴趣轮廓图像获得该原始识别图像上的感兴趣区域，遍历模板库里的各种交通标志的标准模板，选择出与该原始识别图像上的感兴趣区域相匹配的交通标志的标准模板，从而识别出该感兴趣区域所属交通标志类型；所述步骤5包括：步骤51，将原始识别图像上的感兴趣区域图像转化为灰度图像，并对该灰度图像进行高斯滤波后进行二值化处理获得感兴趣区域所对应的二值化图像；步骤52，步骤51所获得的二值化图像的列数为n，行数为m，计算各列元素值255所占的百分比，获得n个百分比，记为数组X(n)，计算各行元素值255所占的百分比，获得m个百分比，记为数组Y(m)，使用数组X(n)和数...

【专利技术属性】
技术研发人员：付梦印，宋文杰，杨毅，周培德，王震，周耿，张凯，王新宇，李星河，张叶青，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11