基于日间行车的灯语识别技术

汽车的车灯不仅具有照明作用,也是车辆行驶时与周围车辆交流信息的重要途径。在辅助驾驶中,准确理解周围车辆传递出的灯语信息,是制定车辆正确驾驶决策的前提。在日间行车时,由于行车环境多变,单通过特征匹配的方式检测车灯或车辆,进而识别灯语的方式,很难在道路实测中取得良好的效果。为此,针对日间行车情况,文中提出一种基于车辆检测的灯语识别方法。首先,文中使用Haar特征结合Adaboost级联分类器的车辆检测方式进行车辆检测,并在此基础上根据车灯在车尾的位置分布特征确定感兴趣区域;然后,在RGB色彩空间中提出一种颜色分割算法,其能够在感兴趣区域的基础上精确提取车灯位置并判断车灯的点亮状态,同时使用车灯点亮时的亮度特征排除颜色分割算法导致的误检;最后,使用高位刹车灯作为刹车灯灯语的识别条件,将历史频率信息作为转向灯灯语的识别条件,完成了日间行车时前车尾灯灯语的识别。以VS2010和opencv3.4.9作为算法的实现工具,将上汽提供的行车记录仪中的道路实测数据进作为测试数据进行实验。经测试,使用更新样本的训练方法得到的分类器识别准确率为93%,相对于传统Adaboost分类器,识别准确率提升了约2%,灯语识别算法的平均精度为93%,其总体平均耗时约53 ms。实验结果表明,分类训练方法能够小幅度提升检测精度,而灯语识别算法能够较准确地识别出刹车灯和转向灯以及两种灯语同时存在的情况,且基本保证实时性。

基于尾灯灯语的混行交通流车辆驾驶意图识别模型研究

针对长期存在自动驾驶车辆(autonomous vehicle,AV)与人工驾驶车辆(human-driven vehicle,HV)混行的交通现状,结合深度学习和HSV颜色特征提取方法,提出了一种在混行交通环境下基于尾灯灯语的车辆驾驶意图识别模型。以Mask R-CNN(mask region proposal convolutional neural network)车辆模型检测出的感兴趣区域RoI(region of interest)为限制,将区域内的HV作为研究对象,根据尾灯位置相关性,在HV车尾区域添加纵横向约束来定位传递灯语信号的左右尾灯;在规定的灯语组合及转向灯闪烁频率基础上,提出了一种基于时间序列的灯语识别算法,运用多目标判别相关性滤波CSRT(channel and spatial relatability tracking)跟踪HV尾灯并统计尾灯时序状态;以动态灯语作为输入,构建基于尾灯灯语的驾驶意图识别模型;使用基于真实路况信息的Cityspaces数据集和交通流视频数据对模型进行训练、验证和测试。研究结果表明:基于尾灯灯语的驾驶意图识别模型对视频流车辆尾灯检测准确率和召回率分别为96.0%、98.2%,对驾驶意图识别的平均准确率达到了95.9%,单帧识别耗时为20 ms,为高速混行环境下的AV决策规划提供了有效的理论依据。

车辆尾灯灯语的检测与识别

针对有效利用车辆灯语信息的问题,提出了一种基于图像的车辆尾灯灯语的检测识别新方法.该方法首先利用颜色、对称性特征在图像中检测出车辆尾灯对,并对车辆尾灯进行连续的跟踪.然后使用参数优化的最小二乘支持向量机(Least Squares Support Vector Machines,简称LS-SVM)对得到的车尾灯状态进行分类判别.最后结合状态历史信息,综合推断出各前方车辆当前灯语含义.以实车拍摄的白天道路视频进行实验,可以看到由识别出的灯语信息能够准确判断出前方车辆刹车、转向、灯不亮,表明该检测识别方法有效.

车辆灯语检测与识别技术研究与仿真

灯语是无人驾驶车与周围车辆的主要交互手段，但目前国内尚未展开专门针对灯语的研究工作。对灯语的检测和识别有助于实现无人驾驶车的拟人驾驶能力。在对车辆进行检测与识别的基础上，提出了一种具有环境自适应特征的灯语状态转换检测方法，并借鉴数据场思想构建灰度势场对车灯进行精确定位和状态分类，最后根据交通法规对常用灯语建模，构建二值化波形模板对车灯状态序列进行分类，仿真显示该模型能正确理解出目标车辆的灯语含义。本研究对无人驾驶车通过图灵测试，提高其驾驶智能性和安全性具有重要意义。

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI)的识别,弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足,更好地与HV交互沟通,提出CAV对HV的VHI识别模型.模型包括:灯光感知、光数据处理、VHI识别3个模块,灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH),采用KLT(Kanade-Lucas-Tomasi Tracking,KLT)和车辆匹配算法定位跟踪发出灯语的HV;光数据处理模块采用光通道增益算法计算光辐射通量变化;VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model,DHMM)辨识VH闪烁次数和HV行驶状态,实现VHI识别.在3种灯语示意典型场景下的实验结果表明:1 s内VH感知准确率为96.8%,定位跟踪精度小于1°,VHI识别率为96.6%,满足混行交通环境下CAV对HV驾驶意图的识别要求,基本保证实时性,为混行交通流中CAV自动驾驶决策提供理论依据.