联合时序-空间特性的红绿灯视频图像检测方法

针对一些强干扰情况下的红绿灯图像检测问题,提出一种基于时序-空间特性的红绿灯视频图像双阶段检测方法。该方法基于灯体图像的颜色和形状特征分割感兴趣区域,计算其900维方向梯度直方图特征并利用支持向量机分类判断,提取给定时间窗口内连续交通图像序列中的所有灯体候选目标;进行目标匹配、关联和跟踪,提取其点亮状态时序规律,并分别设计单体时序过滤算法、组合时序匹配算法、空间几何关系验证算法和单灯点亮逻辑验证4种算法来实现红绿灯目标检测。实验表明,该方法综合检测准确率为97.4%,误检率为2.6%,漏检率仅为0.2%,对于各类极相似干扰物的滤除率达98.9%,且当灯体被局部遮挡时依然能进行有效检测。

一种基于轨迹数据的红绿灯位置检测方法

红绿灯位置是道路上行人和车辆的交会点,极大影响着道路结构和交通运行,在城市路网中起着重要的枢纽作用。针对目前红绿灯位置检测方法准确率不够高、覆盖面区域不完整等问题,提出了一种基于轨迹数据的交通灯位置检测方法。该方法基于聚类-合并-分类-合并的四级模型,首先从清理过的轨迹数据中提取隐含的车辆行驶特征,再采用具有噪声的基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)方法得到转向和停驻两类聚类中心,对这两类聚类中心进行合并,获得红绿灯位置的候选位置;根据候选位置一定范围内的轨迹点提取该区域的车流行驶特征,然后采用梯度提升决策树(gradient boosting decision tree,GBDT)算法进行分类,最后将候选位置的正样本融合,以检测红绿灯位置。采用成都市浮动车GPS轨迹数据进行实验,检测结果的F1分数为0.947,效果优于常规的机器学习方法。实验结果表明,基于GPS轨迹数据,采用提出的四层模型能有效检测出红绿灯的位置,该模型可被用于城市大范围红绿灯位置信息的快速获取和更新。