一种面向无人驾驶车的交通标志识别方法

摘要

本发明提供一种面向无人驾驶车的交通标志识别方法，该交通标志识别方法基于凸壳算法、Hu不变矩以及横纵向直方图放缩快速匹配等算法进行交通标志识别，属于图像处理技术领域。本发明的这种种针对无人驾驶汽车的交通标志识别方法，相较于现有技术中的交通标志识别方法具有多种优势：识别范围大，且对禁令性和指示性标志进行识别，实时性好，识别准确率高，误识别率低。

主权项

一种面向无人驾驶车的交通标志识别方法，其特征在于，包括：步骤1，获取安装在无人驾驶车上的车载摄像机获得的车辆前方图像，选取该车辆前方图像的上半部分作为原始识别图像；步骤2，使用双线性插值算法将所述原始识别图像的横向分辨率和纵向分辨率均降为原来的二分之一，然后进行色彩恒常处理、色彩空间转换后遍历图像像素信息，进行色彩分割，得到红、蓝通道的信道图像，对该红、蓝通道的信道图像进行预处理后进行Laplacian变换，得到红、蓝通道的二值化图像，其中预处理包括：中值滤波、膨胀处理、腐蚀处理；步骤3，对每一二值化图像，通过轮廓处理算法获得其所有轮廓，依次计算所有轮廓的面积，选取所有轮廓中面积在指定面积范围以内的轮廓，并依次对其进行凸壳处理，将凸壳处理后的轮廓连线成新轮廓图像，从而获得红、蓝通道的新轮廓图像；步骤4，对每一新轮廓图像，计算其每个轮廓的面积和周长之比，通过与交通标志的面积周长比进行对比，筛除不相符的轮廓，然后计算相符的轮廓的不变矩特征值，依次计算每个相符的轮廓的不变矩特征值与交通标志的圆形不变矩特征值、方形不变矩特征值之间的欧氏距离，最后将该欧氏距离与对应形状的指定距离范围比较，选择在相应指定距离范围内的轮廓作为感兴趣轮廓图像，从而获得红、蓝通道的感兴趣轮廓图像；步骤5，对每一感兴趣轮廓图像，对应到步骤1中的原始识别图像上，根据该感兴趣轮廓图像获得该原始识别图像上的感兴趣区域，遍历模板库里的各种交通标志的标准模板，选择出与该原始识别图像上的感兴趣区域相匹配的交通标志的标准模板，从而识别出该感兴趣区域所属交通标志类型；所述步骤5包括：步骤51，将原始识别图像上的感兴趣区域图像转化为灰度图像，并对该灰度图像进行高斯滤波后进行二值化处理获得感兴趣区域所对应的二值化图像；步骤52，步骤51所获得的二值化图像的列数为n，行数为m，计算各列元素值255所占的百分比，获得n个百分比，记为数组X(n)，计算各行元素值255所占的百分比，获得m个百分比，记为数组Y(m)，使用数组X(n)和数组Y(m)作为该感兴趣区域的特征；步骤53，将模板库里的各种交通标志的标准模板依次与所述感兴趣区域的 特征进行匹配，获得该感兴趣区域与各个交通标志的标准模板的最终匹配值；所述步骤53包括：步骤531，利用双线性插值方法和固定步长依次将各种交通标志的标准模板转化为感兴趣区域尺寸的13/10倍、12/10倍、10/10倍、12/13、11/13和10/13倍；步骤532，每次变换尺寸后所得二值化图像的列数为a，行数为b，按照步骤52的方式获取其对应的特征，该特征表示为数组A(a)和数组B(b)，选择步长step＝(m‑a)/3：当step＝0时，X(n)与A(a)匹配：利用A(a)在X(n)上从X(1)开始到X(a)匹配，计算X(n)与A(a)的平均协方差并取最小值作为横向直方图匹配结果，而当step≠0时，则将A(a)按步长在X(n)上移动进行计算各次的平均协方差并取最小值作为横向直方图匹配结果；当step＝0时，Y(m)与B(b)匹配：利用B(b)在Y(m)上从Y(1)开始到Y(b)匹配，计算Y(m)与B(b)的平均协方差并取最小值作为纵向直方图匹配结果，而当step≠0时，则将B(b)按步长在Y(m)上移动进行计算各次的平均协方差并取最小值作为纵向直方图匹配结果；步骤533，将横向直方图匹配结果与纵向直方图匹配结果的平均值作为该次尺寸变换的最终匹配结果；步骤534，按照步骤532和步骤533的方法依次获得各次尺寸变换的最终匹配结果，将各次尺寸变换的最终匹配结果中的最小值作为该感兴趣区域与该交通标志的标准模板的最终匹配值；步骤535，按照步骤534的方法依次获得该感兴趣区域与各个交通标志的标准模板的最终匹配值；步骤54，将各个交通标志的标准模板的最终匹配值中的最小匹配值对应的模板类型作为该感兴趣区域所属交通标志类型。