[發(fā)明專利]一種汽車尾燈狀態(tài)識別方法

在審

• 申請?zhí)枺?/td>: 202010565899.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111881739A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設計）人: 戴亮亮;張卡;何佳;尼秀明
• 申請（專利權）人: 安徽清新互聯(lián)信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06K9/46;G06K9/62
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 閆客

本發(fā)明公開了一種汽車尾燈狀態(tài)識別方法，屬于計算機視覺和輔助駕駛技術領域，包括：獲取待識別的車尾圖像，并輸入至預先訓練好的尾燈狀態(tài)識別模型，該尾燈狀態(tài)識別模型包括特征提取網(wǎng)絡和尾燈狀態(tài)判別網(wǎng)絡；利用特征提取網(wǎng)絡提取車尾圖像的尾燈特征向量；利用尾燈狀態(tài)判別網(wǎng)絡對尾燈特征向量進行處理，識別出汽車尾燈的狀態(tài)。本發(fā)明設計基于注意力機制的卷積?循環(huán)神經(jīng)網(wǎng)絡直接在車尾圖像中提取尾燈特征，并推理尾燈前后時刻的亮度變化，能夠穩(wěn)定有效地識別復雜環(huán)境下的汽車尾燈狀態(tài)。

技術領域

本發(fā)明涉及計算機視覺和輔助駕駛技術領域，特別涉及一種汽車尾燈狀態(tài)識別方法。

背景技術

尾燈狀態(tài)是駕駛員判斷前方車輛行駛意圖的主要依據(jù)。在日間行駛時，駕駛員由于注意力不集中、視距、光照強度等因素影響，可能無法有效的接收到前方車輛的尾燈示警信息，導致車輛駕駛預判不及時，從而引發(fā)交通安全問題。因此，快速有效的汽車尾燈狀態(tài)識別，是輔助駕駛領域亟待解決的問題。

基于視覺的汽車尾燈狀態(tài)識別主要是通過分析包含汽車尾燈的圖像數(shù)據(jù)，從而識別出尾燈的類型及點亮狀態(tài)，達到預判前方車輛駕駛意圖的目的?，F(xiàn)有的汽車尾燈分析方法主要有以下幾種：

(1)基于顏色統(tǒng)計的閾值分割法。該類方法通常利用顏色空間變換將車尾圖像轉換到特定的顏色空間進行篩選，然后對不同類型的尾燈的“關閉”與“點亮”狀態(tài)設定特定的顏色閾值，從而進行尾燈分割，達到尾燈狀態(tài)識別的目的。該類方法的優(yōu)勢是速度快、不依賴于尾燈的精確定位；但對于顏色及光照敏感，準確度、魯棒性較差。

(2)基于連續(xù)幀的幀差法。該類方法通過選取特定間隔的連續(xù)汽車尾燈圖，利用幀間差分的方法，對比相鄰時刻的尾燈顏色變化，達到識別尾燈狀態(tài)的目的。這類方法引入了時序相關性，一定程度地解決了光照干擾。但仍對顏色較為敏感，且依賴于尾燈區(qū)域的定位及對齊，實際實現(xiàn)較難。

(3)基于機器學習的分類法。該類方法通過設計并訓練一個尾燈狀態(tài)分類器(如支持向量機、貝葉斯分類器等)，對尾燈區(qū)域的圖像特征進行分類，達到尾燈狀態(tài)識別的目的。這類方法識別精度較高，對光照、背景的干擾能力較強。但在實際應用中，該類方法識別準確率依賴于尾燈的檢測精度，且受車距導致的尾燈圖像分辨率影響，識別結果在時序上不夠平滑。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述背景技術中的不足，以穩(wěn)定有效識別復雜環(huán)境下的汽車尾燈狀態(tài)。

為實現(xiàn)以上目的，采用一種汽車尾燈狀態(tài)識別方法，包括如下步驟：

獲取待識別的車尾圖像，并輸入至預先訓練好的尾燈狀態(tài)識別模型，該尾燈狀態(tài)識別模型包括特征提取網(wǎng)絡和尾燈狀態(tài)判別網(wǎng)絡；

利用特征提取網(wǎng)絡提取車尾圖像的尾燈特征向量；

利用尾燈狀態(tài)判別網(wǎng)絡對尾燈特征向量進行處理，識別出汽車尾燈的狀態(tài)。

進一步地，所述特征提取網(wǎng)絡包括基干網(wǎng)絡和空間注意力模塊，基干網(wǎng)絡的輸出與空間注意力模塊連接；

基干網(wǎng)絡包括卷積層Conv0、全局最大池化層MaxPooling0、全局平均池化層Global AvgPooling和殘差模塊ResNeXt block0、ResNeXt block1和ResNeXt block2，卷積層Conv0的輸入為所述待識別的車尾圖像、輸出與全局最大池化層MaxPooling0的輸入連接，全局最大池化層MaxPooling0的輸出依次經(jīng)殘差模塊ResNeXt block0、ResNeXt block1和ResNeXt block2后與全局平均池化層Global AvgPooling的輸入連接。

進一步地，所述空間注意力模塊包括空間注意力模塊Spatial AttentionModule0、Spatial Attention Module1和Spatial Attention Module2；