一种交通标志检测识别方法

1.本发明属于图像处理技术领域，具体涉及一种交通标志检测识别方法。


背景技术：

2.交通标志检测识别技术是高级驾驶辅助系统和自动驾驶的重要组成部分。如图4所示，现有的交通标志检测识别技术，通过摄像头采集驾驶场景图像，接着传输至开发板以进行交通标志检测和识别，随后将识别信息通过语音播报系统提示驾驶人员，以此来补偿驾驶员注意力不集中，从而提高驾驶过程的安全性和舒适度。另外，交通标志检测和识别技术也可应用于道路维护，在维护过程中，利用道路交通标志检测和识别技术对道路交通标志是否符合要求进行判断，对获取到的海量道路交通标志图像进行自动监测，节省时间，节约资源，避免了人工维修经常会出现的漏检、误判等缺陷。
3.在光照良好的情况下，采用yolo v3算法可以获得较好的检测识别结果。但在实际驾驶环境中，交通场景易受到光照变化和遮挡物等因素的影响，产生图像光照不均匀现象，会出现漏检、误检、置信度低等问题，尤其是小型道路交通标志。


技术实现要素：

4.基于现有技术中存在的上述缺点和不足，本发明的目的是提供一种交通标志检测识别方法。
5.为了达到上述发明目的，本发明采用以下技术方案：
6.一种交通标志检测识别方法，包括以下步骤：
7.s1、采集交通场景图像；
8.s2、对交通场景图像进行光照均匀判断，以对其分类为光照均匀图像或光照不均匀图像；若分类为光照不均匀图像，则转至步骤s3；若分类为光照均匀图像，则转至步骤s4；
9.s3、对光照不均匀图像进行图像增强，得到增强图像；
10.s4、对光照均匀图像或增强图像进行交通标志的检测识别。
11.作为优选方案，所述步骤s2中，对交通场景图像进行光照均匀判断，包括以下步骤：
12.s21、将交通场景图像从rgb色彩空间转换为hsv色彩空间，提取亮度通道图像；
13.s22、采取多尺度高斯滤波对亮度通道图像进行卷积，得到光照分量；
14.s23、对光照分量进行等分为16份，对每一份光照分量进行均值计算，得到光照分量均值；
15.s24、选取光照分量均值的最高值和最低值，并将光照分量均值的最高值减去最低值得到差值；
16.s25、判断差值是否小于目标阈值；若是，则将交通场景图像分类为光照均匀图像；若否，则将交通场景图像分类为光照不均匀图像。
17.作为优选方案，所述步骤s21中，根据光照-反射成像原理，建立模型如下：
18.v(x,y)＝rv(x,y)
·
lj(x,y)
19.其中，v(x,y)为输入图像的亮度通道图像，rv(x,y)为反射分量，lj(x,y)为光照分量。
20.作为优选方案，所述步骤s22中，光照分量为：
[0021][0022]
其中，为高斯滤波公式，c为尺寸因子，λ为归一化常数，使得g(x,y)满足归一化条件，即∫∫g(x,y)dxdy＝1。
[0023]
作为优选方案，所述步骤s23中，光照分量均值为：
[0024][0025]
其中，height、weight分别为输入图像的高和宽，p∈[0,15]，int[*]表示保留整数，lj(i,j)表示光照分量中第i行、第j列的数值。
[0026]
作为优选方案，所述步骤s3，包括以下步骤：
[0027]
s31、将光照不均匀图像从rgb色彩空间转换为hsv色彩空间，得到亮度通道图像；
[0028]
s32、采取多尺度高斯滤波对亮度通道图像进行卷积，得到光照分量；
[0029]
s33、根据光照分量的分布特性构造改进自适应伽马函数进行校正，得到校正后的亮度通道图像；
[0030]
s34、利用校正后的亮度通道图像重新合成hsv色彩空间的彩色图像；
[0031]
s35、将彩色图像的hsv色彩空间转换为rgb色彩空间，得到增强图像。
[0032]
作为优选方案，所述步骤s32中，采取三尺度高斯滤波，相应的光照分量为：
[0033][0034]
其中，v(x,y)为输入图像的亮度通道图像，为高斯滤波公式，c为尺寸因子，λ为归一化常数，使得g(x,y)满足归一化条件，即∫∫g(x,y)dxdy＝1。
[0035]
作为优选方案，所述高斯滤波卷积核标准差分别为15、80、250。
[0036]
作为优选方案，所述步骤s33中，校正后的亮度通道图像为：
[0037][0038]
其中，height、weight
分别为输入的光照不均匀图像的高和宽。
[0039]
作为优选方案，所述目标阈值为0.3。
[0040]
本发明与现有技术相比，有益效果是：
[0041]
本发明的交通标志检测识别方法，在不均匀光照条件下能提升交通标志检测识别的准确率，有效提升驾驶安全性，降低交通事故率。
附图说明
[0042]
图1是本发明实施例的交通标志检测识别方法的流程图；
[0043]
图2是本发明实施例的光照均匀判断的流程图；
[0044]
图3是本发明实施例的图像增强的流程图；
[0045]
图4是现有技术中的交通标志检测识别技术的系统构架图。
具体实施方式
[0046]
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0047]
如图1所示，本发明实施例的交通标志检测识别方法，包括以下步骤：
[0048]
s1、采集交通场景图像；
[0049]
s2、对交通场景图像进行光照均匀判断，以对其分类为光照均匀图像或光照不均匀图像；若分类为光照不均匀图像，则转至步骤s3；若分类为光照均匀图像，则转至步骤s4；
[0050]
s3、对光照不均匀图像进行图像增强，得到增强图像；
[0051]
s4、利用yolo v3对光照均匀图像或增强图像进行交通标志的检测识别。
[0052]
具体地，如图2所示，上述步骤s2中，对交通场景图像进行光照均匀判断，包括以下步骤：
[0053]
s21、将交通场景图像从rgb色彩空间转换为hsv色彩空间，提取亮度通道图像；
[0054]
相比于三通道相互关联的rgb色彩空间，hsv色彩空间中的色调h、饱和度s、亮度v三者相互独立，更适合用于光照分量的提取。其中，亮度反映的是人眼感受到的光的明暗程度，与物体的反射有关，即亮度通道是由光照分量和部分反射分量组成。根据光照-反射成像原理，建立如下数学模型：
[0055]
v(x,y)＝rv(x,y)
·
lj(x,y)
[0056]
其中，v(x,y)为输入图像(即色彩空间转换之后的图像)的亮度通道图像，rv(x,y)为反射分量，lj(x,y)为光照分量。
[0057]
s22、采取多尺度高斯滤波对亮度通道图像进行卷积，得到光照分量；具体地，采用五尺度高斯滤波，相应的光照分量为：
[0058]
[0059]
其中，为高斯滤波公式，c为尺寸因子，λ为归一化常数，使得g(x,y)满足归一化条件，即∫∫g(x,y)dxdy＝1。
[0060]
s23、对光照分量进行等分为16份，对每一份光照分量进行均值计算，得到光照分量均值；
[0061]
具体地，光照分量均值的计算公式为：
[0062][0063]
其中，height、weight分别为输入图像的高和宽，p∈[0,15]，int[*]表示保留整数。lj(i,j)表示光照分量中第i行、第j列的数值。
[0064]
s24、选取光照分量均值的最高值m
max
和最低值m
min
，并将光照分量均值的最高值m
max
减去最低值m
min
得到差值；
[0065]
具体地，差值m＝m
max-m
min
。
[0066]
s25、判断差值是否小于目标阈值；若是，则将交通场景图像分类为光照均匀图像；若否，则将交通场景图像分类为光照不均匀图像。其中，目标阈值优选为0.3，具体数值也可根据实际需求进行调整。
[0067]
另外，本发明实施例的图像增强可以应对任何复杂光照不均匀条件，在保证颜色效果自然和保持图像局部细节清晰，同时适当调整的图像亮度；首先，将rgb色彩空间转换为hsv色彩空间，提取亮度v通道图像，对其进行多尺度高斯滤波获取光照分量。经过改进的自适应伽马函数，即校正光照不均匀，获得校正后的亮度通道图像，并与h、s分量结合，再转换rgb色彩空间，获得新图像f
′
(x,y)。具体地，如图3所示，上述步骤s3，具体包括以下步骤：
[0068]
s31、将光照不均匀图像f(x,y)从rgb色彩空间转换为hsv色彩空间，得到亮度通道图像；
[0069]
s32、采取多尺度高斯滤波对亮度通道图像进行卷积，得到光照分量(即照度分量)；
[0070]
具体地，采取三尺度高斯滤波，相应的光照分量为：
[0071][0072]
其中，v(x,y)为输入图像的亮度通道图像，为高斯滤波公式，c为尺寸因子，λ为归一化常数，使得g(x,y)满足归一化条件，即∫∫g(x,y)dxdy＝1。
[0073]
其中，高斯滤波卷积核标准差分别为15、80、250。
[0074]
s33、根据光照分量的分布特性构造改进自适应伽马函数进行校正，得到校正后的亮度通道图像；
[0075]
校正后的亮度通道图像为：
[0076][0077]
其中，height、weight分别为输入的光照不均匀图像的高和宽。
[0078]
s34、利用校正后的亮度通道图像重新合成hsv色彩空间的彩色图像；
[0079]
s35、将彩色图像的hsv色彩空间转换为rgb色彩空间，得到增强图像
′
[0080]
f(x,y)。
[0081]
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。