下坡路上交通信号灯识别方法、系统及计算机可读介质技术方案

本发明专利技术公开了一种下坡路上交通信号灯识别方法、系统及计算机可读介质，根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度；经调整朝向角转向角度后的相机拍摄车辆前方，形成图像，将拍摄的图像传递给检测器，检测器通过分类器检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域；检测器将识别出的存在交通信号灯区域的图像传递给识别器，识别器对区域中的交通信号灯的状态进行识别，输出当前交通信号灯的状态。本发明专利技术下坡路上交通信号灯识别方法、系统及计算机可读介质，不降低图像处理速度，能快速、实时、准确识别下坡路上交通信号灯状态，有利于车辆的安全行驶。

【技术实现步骤摘要】
下坡路上交通信号灯识别方法、系统及计算机可读介质
本专利技术属于汽车环境感知
，涉及下坡路上交通信号灯识别方法、系统及计算机可读介质。
技术介绍
车辆在十字路口感知交通信号灯是遵守交通法规并防止致命交通事故的必要功能。现有技术大多采用基于视觉方法，利用安装在车辆挡风玻璃上的相机进行交通信号灯的识别。这些方法在高级辅助驾驶系统或自动驾驶系统中有一些局限。首先，相机需要宽视场和高分辨率，在距离交通信号灯远或近时都能拍摄并清楚地显示交通信号灯。这些需求增加了图像处理的信息量，并且需要大量的计算能力。其次如图1所示，由于相机在车辆上的安装位置不会改变并且相机的视场是固定的，当车辆处于下坡的状态时，车辆很难识别靠近坡路结束处平地上的交通信号灯。针对以上问题，需要提供一种不降低图像处理速度，能快速、实时、准确识别下坡路上交通信号灯状态的系统、方法及计算机可读介质。
技术实现思路
为了达到上述目的，本专利技术提供下坡路上交通信号灯识别方法、系统及计算机可读介质，利用正常视场相机以及坡度传感器和相机角度调节器组成的下坡路上的交通信号灯识别系统，不降低图像处理速度，能快速、实时、准确识别下坡路上交通信号灯状态，有利于车辆特别是高级辅助驾驶车辆或自动驾驶车辆的安全行驶，解决了现有技术中存在的在下坡路上交通信号灯难以准确识别的问题。本专利技术所采用的技术方案是，下坡路上交通信号灯识别方法，包括以下步骤：S10、根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度；S20、经调整朝向角转向角度后的相机拍摄车辆前方，形成图像，将拍摄的图像传递给检测器，检测器通过分类器检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域；S30、检测器将识别出的存在交通信号灯区域的图像传递给识别器，识别器对区域中的交通信号灯的状态进行识别，输出当前交通信号灯的状态。进一步地，S10中，根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度，包括以下步骤：S11、首先采用有限脉冲响应滤波器对电压信号进行低通滤波信号处理，坡度传感器根据当前状态行驶时输出的电压值Xout以及水平路况状态行驶时输出的电压值Xref，通过α＝arcsin[(Xout-Xref)/0.8]计算得出当前状态行驶时的道路坡度角α；S12、微型处理器接收坡度传感器传递的当前状态行驶时的道路坡度角α，根据β＝1.2α计算相机角度调节装置应该旋转的角度β，并将应该旋转的角度β值转换为相应的PWM信号值；S13、相机角度调节装置由舵机和相机固定装置组成，相机固定装置中固定设置相机，舵机接收微型处理器传递的PWM信号值，根据PWM信号值的脉宽时长调节舵机的转动角度，进而带动对相机朝向角的转动角度的调整。进一步地，S20中，检测器通过分类器检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域，具体为：采用基于类Haar特征的AdaBoost分类器，检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域，包括两个过程：训练过程和识别过程；训练过程一方面从大量类Haar特征中选取对分类识别起关键作用的类Haar特征，另一方面训练出准确识别出交通信号灯区域和非交通信号灯区域的AdaBoost分类器，为识别过程做准备；识别过程使用训练过程提取的关键类Haar特征以及训练好的AdaBoost分类器来对相机传送过来的图像进行识别，识别得到具有交通信号灯的图像，以及交通信号灯在图像中的区域；其中，识别过程具体为：对相机传来的图像中是否存在具有交通信号灯的区域进行分类识别：包括图像预处理；计算积分图；利用训练过程所选择的类Haar特征信息计算相应的类Haar特征特征值，构成特征向量；使用训练过程训练好的AdaBoost分类器，利用所得到的特征向量，对相机传来的图像中是否存在具有交通信号灯的区域进行检测，输出最终的分类识别结果。更进一步地，训练过程包括四个训练子过程：图像预处理；计算积分图；提取类Haar特征；训练AdaBoost分类器；其中，图像预处理：将拍摄的图像分为两部分：一部分为具有交通信号灯的图像，作为交通信号灯训练样本；另一部分为不具有交通信号灯的图像，作为非交通信号灯训练样本；将所有的交通信号灯训练样本和非交通信号灯训练样本均归一化为128×128的灰度图，作为归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本；计算积分图：分别计算每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图；提取类Haar特征：扩展的类Haar特征共分为4大类共15种特征，将每个类Haar特征的大小设置为2×1，根据计算的每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图，计算并提取每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本图像的15种不同尺寸的类Haar特征，用于描述交通信号灯的边缘及结构特征；训练AdaBoost分类器，包括构建弱分类器、构建强分类器、构建级联分类器：构建弱分类器：选择15种类Haar特征中的一类Haar特征作为输入，通过训练获得这一类Haar特征的弱分类器hj(x)，每个弱分类器hj(x)都由所选择的类Haar特征值和一个阈值构成，其形式如下式所示：式中，x表示样本，fj(x)表示第j个类Haar特征在样本x上所对应的特征值，pj决定不等式的正负，θj表示分类器hj(x)中的类Haar特征值对应的阈值；构建强分类器：经多次弱分类器训练，每次训练中不断增加被错误分类的样本的权重，继续训练，从每次训练中挑选出最优弱分类器，线性组合成分类能力更好的强分类器；构建级联分类器：采取cascade级联的方法，每一级强分类器将负样本分出去，剩余的样本进入下一级强分类器，通过最后一个强分类器的预测得到正样本；基于构建的级联分类器，训练样本集，从而获得对分类识别起关键作用的特征以及最终的分类器。更进一步地，构建强分类器的具体训练过程为：选定一个样本数目为n的训练集，共有a个交通信号灯训练样本，b个非交通信号灯训练样本，n＝a+b，样本集为(x1,y1),(x2,y2),...,(xn,yn)，xi为第i个样本，yi用来说明xi是交通信号灯训练样本还是非交通信号灯训练样本，当yi＝0时，则xi是非交通信号灯训练样本；当yi＝1时，则xi是交通信号灯训练样本；初始化样本权重：所有交通信号灯训练样本的权重为1/2a，所有非交通信号灯训练样本的权重为1/2b；对于训练次数t＝1,…,T时，训练得到最优弱分类器的过程为：步骤a1、将本轮所有样本的权重归一化：式中，Wt,i表示第t次训练中第i个样本归一化后的权重，wt,i表示第t次训练中第i个样本的权重，wt,j表示第t次训练中第j个样本的权重，j表示第j个样本，n表示样本总数；步骤a2、根据每个类Haar特征j训练弱分类器本文档来自技高网...

【技术保护点】
1.下坡路上交通信号灯识别方法，其特征在于，包括以下步骤：/nS10、根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度；/nS20、经调整朝向角转向角度后的相机拍摄车辆前方，形成图像，将拍摄的图像传递给检测器，检测器通过分类器检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域；/nS30、检测器将识别出的存在交通信号灯区域的图像传递给识别器，识别器对区域中的交通信号灯的状态进行识别，输出当前交通信号灯的状态。/n

【技术特征摘要】
1.下坡路上交通信号灯识别方法，其特征在于，包括以下步骤：
S10、根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度；
S20、经调整朝向角转向角度后的相机拍摄车辆前方，形成图像，将拍摄的图像传递给检测器，检测器通过分类器检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域；
S30、检测器将识别出的存在交通信号灯区域的图像传递给识别器，识别器对区域中的交通信号灯的状态进行识别，输出当前交通信号灯的状态。


2.根据权利要求1所述的下坡路上交通信号灯识别方法，其特征在于，S10中，所述根据坡度传感器反馈的道路坡度信息调整相机朝向角的转动角度，包括以下步骤：
S11、首先采用有限脉冲响应滤波器对电压信号进行低通滤波信号处理，坡度传感器根据当前状态行驶时输出的电压值Xout以及水平路况状态行驶时输出的电压值Xref，通过α＝arcsin[(Xout-Xref)/0.8]计算得出当前状态行驶时的道路坡度角α；
S12、微型处理器接收坡度传感器传递的当前状态行驶时的道路坡度角α，根据β＝1.2α计算相机角度调节装置应该旋转的角度β，并将应该旋转的角度β值转换为相应的PWM信号值；
S13、相机角度调节装置由舵机和相机固定装置组成，相机固定装置中固定设置相机，舵机接收微型处理器传递的PWM信号值，根据PWM信号值的脉宽时长调节舵机的转动角度，进而带动对相机朝向角的转动角度的调整。


3.根据权利要求1所述的下坡路上交通信号灯识别方法，其特征在于，S20中，所述检测器通过分类器检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域，具体为：采用基于类Haar特征的AdaBoost分类器，检测具有交通信号灯的图像，并进一步检测交通信号灯在图像中的区域，包括两个过程：训练过程和识别过程；
训练过程一方面从大量类Haar特征中选取对分类识别起关键作用的类Haar特征，另一方面训练出准确识别出交通信号灯区域和非交通信号灯区域的AdaBoost分类器，为识别过程做准备；
识别过程使用训练过程提取的关键类Haar特征以及训练好的AdaBoost分类器来对相机传送过来的图像进行识别，识别得到具有交通信号灯的图像，以及交通信号灯在图像中的区域：
其中，所述识别过程具体为：对相机传来的图像中是否存在具有交通信号灯的区域进行分类识别：包括图像预处理；计算积分图；利用训练过程所选择的类Haar特征信息计算相应的类Haar特征特征值，构成特征向量；使用训练过程训练好的AdaBoost分类器，利用所得到的特征向量，对相机传来的图像中是否存在具有交通信号灯的区域进行检测，输出最终的分类识别结果。


4.根据权利要求3所述的下坡路上交通信号灯识别方法，其特征在于，所述训练过程包括四个训练子过程：图像预处理；计算积分图；提取类Haar特征；训练AdaBoost分类器；其中，
图像预处理：将拍摄的图像分为两部分：一部分为具有交通信号灯的图像，作为交通信号灯训练样本；另一部分为不具有交通信号灯的图像，作为非交通信号灯训练样本；将所有的交通信号灯训练样本和非交通信号灯训练样本均归一化为128×128的灰度图，作为归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本；
计算积分图：分别计算每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图；
提取类Haar特征：扩展的类Haar特征共分为4大类共15种特征，将每个类Haar特征的大小设置为2×1，根据计算的每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本的正向积分图和斜向积分图，计算并提取每个归一化后的交通信号灯训练样本和归一化后的非交通信号灯训练样本图像的15种不同尺寸的类Haar特征，用于描述交通信号灯的边缘及结构特征；
训练AdaBoost分类器，包括构建弱分类器、构建强分类器、构建级联分类器：
构建弱分类器：选择15种类Haar特征中的一类Haar特征作为输入，通过训练获得这一类Haar特征的弱分类器hj(x)，每个弱分类器hj(x)都由所选择的类Haar特征值和一个阈值构成，其形式如下式所示：



式中，x表示样本，fj(x)表示第j个类Haar特征在样本x上所对应的特征值，pj决定不等式的正负，θj表示分类器hj(x)中的类Haar特征值对应的阈值；
构建强分类器：经多次弱分类器训练，每次训练中不断增加被错误分类的样本的权重，继续训练，从每次训练中挑选出最优弱分类器，线性组合成分类能力更好的强分类器；
构建级联分类器：采取cascade级联的方法，每一级强分类器将负样本分出去，剩余的样本进入下一级强分类器，通过最后一个强分类器的预测得到正样本；基于构建的级联分类器，训练样本集，从而获得对分类识别起关键作用的特征以及最终的分类器。


5.根据权利要求4所述的下坡路上交通信号灯识别方法，其特征在于，所述构建强分类器的具体训练过程为：
选定一个样本数目为n的训练集，共有a个交通信号灯训练样本，b个非交通信号灯训练样本，n＝a+b，样本集为(x1,y1),(x2,y2),...,(xn,yn)，xi为第i个样本，yi用来说明xi是交通信号灯训练样本还是非交通信号灯训练样本，当yi＝0时，则xi是非交通信号灯训练样本；当yi＝1时，则xi是交通信号灯训练样本；
初始化样本权重：所有交通信号灯训练样本的权重为1/2a，所有非交通信号灯训练样本的权重为1/2b；
对于...

【专利技术属性】
技术研发人员：张素民，卢守义，何睿，支永帅，包智鹏，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22