应用圆形度和颜色直方图的交通信号灯识别

针对智能车辆介绍了一种在城市环境中识别交通信号灯的新方法。该方法先对原图像进行预处理,过滤不符合形态学准则的区域。计算候选区域的圆形度和背板的颜色信息,把圆形度符合和背板为黑色的区域作为交通信号灯区域。并将检测到的交通信号灯区域图像从RGB空间转换到HSV空间中,用颜色直方图对图像的H分量进行分布统计,根据其分布特征来识别交通信号灯的类型。实验结果表明,该方法能有效地识别复杂环境下的交通信号灯。

一种新的箭头形交通信号灯识别方法

针对十字路口复杂的交通情况,提出一种新的箭头形交通信号灯识别方法。采用亮度分割和形态滤波对交通信号灯的位置进行定位,结合HIS颜色空间和交通灯的相对位置确定交通信号灯颜色。信号灯箭头的方向采用二维Gabor小波进行特征提取,用PCA算法对图像数据进行压缩,并用ICA算法进一步提取PCA的特征,最终用模板匹配进行分类。实验结果表明,该算法的正确识别率达到96.7%。是一种较好的箭头形交通信号灯识别算法。

交通信号灯识别现状研究

对城市环境中的自动驾驶来说,可靠的交通信号灯检测和分类是极其重要的一步。目前,在没有基于地图信息的情况下,还没有任何一个系统可以实时预测交通信号灯,同时为了达到城市驾驶的平稳性,还需要充足的距离来进行预判。文章论述了近年来广泛应用的方法及存在的问题。

一种基于图像增强的交通信号灯识别方法

针对现有传统算法在光照不均匀、背景复杂的情况下对交通信号灯的识别精度低、漏检率高的问题,本文提出了一种基于图像增强的交通信号灯识别方法。首先采用改进的迭代法对原图像进行处理;接着在HSV颜色空间中增强原图像的V通道亮度信息,利用自调节的颜色阈值范围筛选出交通信号灯的颜色候选区域;最后,分别提取原图像经过双处理后获取到的图像轮廓,结合两张图像中的轮廓信息筛选出信息相同的候选区域,并通过计算候选区域的面积、宽高比判断出交通信号灯的区域,从而完成交通信号灯的识别。实验结果表明,在光照不均匀和复杂背景条件下,该算法比现有其他传统算法的识别准确率提升了1.05%,并具有良好的实时性。

基于先验信息的交通信号灯识别方法

针对基于颜色的交通信号灯识别(TLR)准确率不高的问题,文章提出一种融合色调、饱和度、明度(HSV)颜色空间和图像灰度信息的交通信号灯识别方法。先将图像进行倾斜校正和大小标准化,以满足融合交通信号灯识别方法的需求。然后,将红绿蓝(RGB)图像转化为色调、饱和度、明度颜色空间,对交通信号灯进行初步识别。通过霍夫直线检测提取交通信号灯的矩形边界,实现感兴趣区域(ROI)检测。针对色调、饱和度、明度颜色空间无法识别的交通信号灯图像,以交通信号灯的结构特点做为先验信息,进行灰度图像感兴趣区域像素值求和,进一步识别交通信号灯。通过实验对该融合交通信号灯识别方法进行了分析,并与单独使用色调、饱和度、明度颜色空间和灰度图像感兴趣区域像素值求和的方法进行对比,验证文章算法的有效性。

基于单阶神经网络与特征融合方法的交通信号灯识别

针对传统交通信号灯识别方法存在小目标检测准确率低、遮挡或反射情况下无法识别等问题,本文提出一种基于卷积神经网络的交通信号灯识别方法。采用单阶神经网络模型作为分类器,将单摄像头拍摄的彩色图像经过预处理后作为神经网络的输入,自动提取特征,通过特征融合的方法得出识别结果。通过实验验证了该方法的可行性。

交通信号灯识别研究现状综述

随着科技进步和汽车产业的发展,汽车智能化水平越来越高,关于汽车辅助驾驶和无人驾驶系统的研究逐渐成为国内外研究的热点。而交通信号灯的准确识别在汽车辅助驾驶和无人驾驶技术方面起到了不可估量的作用,也使得色盲患者顺利驾驶汽车成为可能。本文通过对交通信号灯识别难点进行分析,结合现有的识别算法,为后续交通信号灯识别算法的研究提供方向。

城市环境中箭头型交通信号灯的实时识别算法

提出一种检测和识别城市环境中箭头型交通信号灯的新方法。首先,用图像颜色分割和形态滤波来定位交通信号灯的灯板位置;其次,将交通信号灯的灯板区域彩色图像转换到YCbCr空间,对Cb和Cr通道进行阈值分割,判断形态及交通信号灯与灯板的相对位置来确定红色、黄色和绿色交通信号灯候选区域。然后,用二维Gabor小波变换和二维独立分量分析来提取交通信号灯候选区域的特征;最后,用最近邻分类器识别交通信号灯的箭头方向。实验结果表明:该算法的总体识别率超过91%,每帧图像的处理时间为152 ms,能够为行驶的车辆提供实时、稳定和准确箭头型交通信号灯信息。

基于HOG特征的交通信号灯实时识别算法研究

针对无人驾驶汽车的交通信号灯识别,提出了一种基于HOG特征和SVM的交通信号灯实时识别算法。该算法首先提取视频中的红绿色区域,筛选出符合条件的区域,提取各类信号灯的HOG特征,然后运用SVM构建对应类别信号灯的分类器,之后依据判决函数对当前信号进行实时判决,从而得到准确的信号灯信息。实验结果表明该算法有良好的准确率和实时性。

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别,在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计:降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力;通过增大特征图的尺度来改进多尺度特征融合;引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时,根据交通信号灯本身的特性,使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明,所提出的算法能够提升交通信号灯识别的精度和召回率,识别准确率可以达到90%左右。

基于otsu算法和Hu不变矩的交通信号灯识别

针对智能汽车交通信号灯的识别问题,提出了一种高效准确的识别方法。首先对源图像进行形态学预处理,采用顶帽(top-hat)操作,强化待检测区域的亮度;接着应用otsu算法,自适应选取阈值,对源图像进行二值化处理;然后提取各区域轮廓的面积、周长、Hu不变矩,筛选检测交通信号灯所在区域;最后利用交通信号灯各颜色H分量的分布差异,通过颜色直方图来判断信号灯的颜色。实验结果证明,该方法能够对交通信号灯进行准确有效的识别。

雾霾天气下交通信号灯定位与识别算法

提出一种雾霾天气下交通信号灯准确定位与识别的新方法。第一,利用引导滤波对图像进行预处理,增强图片对比度;第二,采用Harris角点检测算法定位图中角点,并排除干扰角点及干扰矩形,准确定位出交通信号灯灯框位置;第三,将定位后灯框区域转换成HSV色彩空间进行交通信号灯的状态识别。实验结果表明,该算法对雾霾天气下所采集的交通信号灯图像总体识别率超过94%,且每幅图片的平均处理时间为303ms,能够为驾驶员提供实时准确的交通信号灯识别和警示。

基于深度学习的交通信号灯快速检测与识别

交通信号灯检测与识别技术能够辅助司机做出正确的驾驶决策,减少交通事故的发生,为无人驾驶的实现提供安全保障。针对交通信号灯检测场景复杂多变、目标通常占检测数据集图片的比例极小等技术难点,提出了一种基于深度学习的交通信号灯快速检测与识别算法。整体框架包括如下3部分:基于启发式的图像预分割,用于缩小搜索范围,提升信号灯面板在输入图像中的相对大小和检测精度;基于深度学习的检测与识别,利用卷积神经网络准确地检测与识别信号灯;利用NMS(Non-Maximum Suppression)算法去除上一阶段中重复的检测框。提出的Split-CS-Yolo模型在LISA数据集上取得了96.08%的mAP和2.87%的漏检率,相比Yolo系列的其他方法,其不仅有更高的准确率和更低的漏检率,还将模型大小缩小到原始Yolov2的8.6%,使得检测速度提升了63%。

基于改进YOLOv4的交通信号灯倒计时数字检测与识别

交通信号灯倒计时数字的快速检测和准确识别可以提高驾驶的安全性,减少交通事故的发生。针对目标检测算法在交通信号灯倒计时数字检测与识别中准确率较低、漏检率较高的问题,提出一种基于改进YOLOv4的交通信号灯倒计时数字检测与识别算法。首先将YOLOv4的主干网络CSPDarkNet53替换为CSPResNet50vd,并将CSPResNet50vd中stage4的3×3标准卷积替换为可变形卷积。实验表明,改进的YOLOv4算法达到79.34%的mAP和9.59%的漏检率。相较于YOLOv4,mAP提高2.58%,漏检率降低1.84%,检测速度提升了22.65%,有效地提高了识别准确率和检测速度、降低了漏检率。

基于ZigBee的车载交通信号灯状态采集系统设计

设计一种低成本、低复杂度、高可靠性的交通信号灯状态采集系统——基于ZigBee技术的车载交通信号灯状态采集系统。该系统由交通灯控制模块、ZigBee协调器模块、车载ZigBee终端控制模块等组成。利用ZigBee无线通信技术将交通信号灯状态信息准确无误地传输给车载终端接收。实验表明ZigBee技术能够成功运用到该系统,并且成功实现了交通信号灯状态信息的实时采集与传输。

基于渐变上下文特征的交通灯识别方法

针对交通信号灯检测任务的特殊环境要求(汽车尾灯、背景的多变性、光照问题等),结合卷积神经网络,提出一种渐变上下文特征检测算法,以随机点为中心,并逐步扩散,同时根据引入不同尺寸的上下文特征,检测每一步扩散结果,每一步扩散均涵盖目标周围的上下文信息,具有上下文信息的交通信号灯更易于与汽车尾灯区分。经实验分析,相较于其他算法,提出的算法在提升召回率的同时,可以有效避免汽车尾灯误检,很好地解决了交通信号灯检测中召回率低、误检率高等问题。

基于多源损失自适应的交通指示灯识别

为了提高交通指示灯信号的识别精度,提出一种基于多源损失自适应的交通指示灯识别方法。该方法采用BI⁃LSTM多层自编码对交通指示灯信号进行特征提取,整合后的特征向量作为新的输入,将数据传输至MLP神经网络,再经过softmax层实现数据样本的分类计算,最后采用梯度下降方法,通过模型训练实现模型参数和自适应参数的优化。与一般深度学习单一损失来源不同,该模型具有三个损失来源,分别是编解码损失、对比损失以及交叉熵损失,模型的总损失是由这三个损失以相应的权重叠加而来,权重参数ζ和β是自适应参数,随着模型的训练,ζ和β进行独立学习,最终达到理想值。结果表明多源损失自适应策略对模型自我优化的有效性,提高了模型识别精度。

城市环境中交通信号灯准确识别与状态估计

根据交通信号灯灯板颜色和形状定位图像中的灯板位置.将灯板区域的彩色图像转换到YCbCr空间,分割灯板区域中的红、黄、绿三色区域,利用交通信号灯的形态特性定位交通灯位置.用Gabor小波和2维独立分量分析提取感兴趣区域的特征,送入最近邻分类器分类信号灯的类型.用代表性的观测序列建立隐马尔科夫模型,并结合识别和跟踪结果估计信号灯状态.实验结果表明,该算法能可靠、准确地识别出信号灯,并有效地估计出信号灯的状态.

复杂背景下的交通信号灯综合识别方法

针对复杂背景下多类型交通信号灯的自动识别问题,提出一种基于亮度分割、K均值聚类及前景直方图分析相结合的识别方法。首先通过亮度分割、几何特征分析和分类统计方法对信号灯进行自动定位;然后利用K均值聚类算法判断信号灯颜色;最终通过分析信号灯前景直方图对信号灯类型及其包含的方向信息进行判断,从而实现信号灯的自动识别。实验结果表明,该方法对不同场景下的不同类型信号灯均具有很高的识别准确率,证明了该方法的高可靠性和广泛适用性。