自動(dòng)駕駛中一種結(jié)合圖形處理器進(jìn)行限速牌檢測(cè)的算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及自動(dòng)駕駛行業(yè)的交通信息檢測(cè)領(lǐng)域，具體設(shè)及一種自動(dòng)駕駛中一種結(jié) 合圖形處理器進(jìn)行限速牌檢測(cè)的算法。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)科學(xué)和機(jī)器人技術(shù)的發(fā)展，自動(dòng)駕駛車(chē)輛在軍事、民用和科學(xué)研究等 諸多方面得到了廣泛的應(yīng)用，它集中了結(jié)構(gòu)學(xué)、電子學(xué)、控制論和人工智能等多學(xué)科的最新 研究成果，具有廣闊的應(yīng)用前景。
[0003] 在無(wú)人駕駛的技術(shù)研發(fā)中，限速牌檢測(cè)算法是一種較為耗時(shí)的算法，需要逐像素 對(duì)圖像進(jìn)行處理。顏色提取和輪廓提取均較為耗時(shí)。且輪廓提取算法是一種遞歸形式的算 法，不易將其修改為并行的運(yùn)行方式，因此，如何進(jìn)行限速牌的快速檢測(cè)是本領(lǐng)域技術(shù)人員 急待解決的技術(shù)難題。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，有必要提供一種能夠提高限速牌的檢測(cè)率和檢測(cè)速度的自動(dòng)駕駛中一 種結(jié)合圖形處理器進(jìn)行限速牌檢測(cè)的算法。
[0005] 自動(dòng)駕駛中一種結(jié)合圖形處理器進(jìn)行限速牌檢測(cè)的算法，所述自動(dòng)駕駛中一種結(jié) 合圖形處理器進(jìn)行限速牌檢測(cè)的算法包括W下步驟：
[0006] S1、接收車(chē)輛攝像頭獲取的視頻圖像，并將接收的視頻圖像上傳至圖形處理器；
[0007] S2、在圖形處理器上，對(duì)視頻圖像中的紅色區(qū)域進(jìn)行二值化分析提取，并進(jìn)行均值 模糊得到精簡(jiǎn)后的紅色圖像；
[000引S3、將精簡(jiǎn)后的紅色圖像回傳至中央處理器上，對(duì)精簡(jiǎn)的紅色圖像進(jìn)行多次連通 體分析，獲取限速牌的粗略位置；
[0009] S4、根據(jù)限速牌的粗略位置，在原始彩色圖像上使用支持向量機(jī)分類(lèi)器，判別該位 置是否為限速牌。
[0010] 本發(fā)明針對(duì)現(xiàn)有限速牌檢測(cè)算法在CPU設(shè)備上運(yùn)行時(shí)存在耗時(shí)多、帖率低的問(wèn)題， 提出在GPU設(shè)備上執(zhí)行檢測(cè)算法中一部分易于并行計(jì)算的步驟，通過(guò)結(jié)合中央處理器和圖 形處理器的計(jì)算優(yōu)勢(shì)，同時(shí)進(jìn)行串、并計(jì)算，從而提高限速牌的檢測(cè)率和檢測(cè)速度。本發(fā)明 所述算法具有運(yùn)行帖率較高，開(kāi)發(fā)周期短，算法易于理解，便于維護(hù)的優(yōu)點(diǎn)。
【附圖說(shuō)明】
[0011] 圖1是本發(fā)明所述的自動(dòng)駕駛中一種結(jié)合圖形處理器進(jìn)行限速牌檢測(cè)的算法的流 程框圖；
[0012] 圖2是圖1中步驟Sl的流程框圖；
[0013] 圖3是圖1中步驟S2的流程框圖；
[0014] 圖4是圖1中步驟S3的流程框圖；
[0015] 圖5是圖I中步驟S4的流程框圖。
【具體實(shí)施方式】
[0016] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，W下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明，應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用W解釋本發(fā)明，并 不用于限定本發(fā)明。
[0017] 如圖1所示，本發(fā)明實(shí)施例提供自動(dòng)駕駛中一種結(jié)合圖形處理器進(jìn)行限速牌檢測(cè) 的算法，所述自動(dòng)駕駛中一種結(jié)合圖形處理器進(jìn)行限速牌檢測(cè)的算法包括W下步驟：
[0018] S1、接收車(chē)輛攝像頭獲取的視頻圖像，并將接收的視頻圖像上傳至圖形處理器；
[0019] S2、在圖形處理器上，對(duì)視頻圖像中的紅色區(qū)域進(jìn)行二值化分析提取，并進(jìn)行均值 模糊得到精簡(jiǎn)后的紅色圖像；
[0020] S3、將精簡(jiǎn)后的紅色圖像回傳至中央處理器上，對(duì)精簡(jiǎn)的紅色圖像進(jìn)行多次連通 體分析，獲取限速牌的粗略位置；
[0021] S4、根據(jù)限速牌的粗略位置，在原始彩色圖像上使用支持向量機(jī)分類(lèi)器，判別該位 置是否為限速牌。
[0022] 圖形處理器是一種適合于大規(guī)模并行計(jì)算的設(shè)備，該設(shè)備處理并行計(jì)算的性能要 成倍地好于相應(yīng)成本的中央處理器。由于圖形處理器不適用于串行計(jì)算，而目前，仍然存在 許多串行計(jì)算的算法，運(yùn)些算法并不適合移植到圖形處理器上進(jìn)行運(yùn)行。因此，本發(fā)明采用 中央處理器進(jìn)行串行計(jì)算，并采用圖形處理器進(jìn)行并行計(jì)算，通過(guò)結(jié)合中央處理器和圖形 處理器的計(jì)算優(yōu)勢(shì)，同時(shí)進(jìn)行串、并計(jì)算，從而提高限速牌的檢測(cè)率和檢測(cè)速度。
[0023] 如圖2所示，所述步驟Sl包括W下分步驟：
[0024] Sll、從攝像頭獲取1600像素寬、1200像素高的彩色RGB圖像，存儲(chǔ)至中央處理器 中；
[0025] S12、將中央處理器中的彩色RGB圖像上傳到圖形處理器中；
[00%] S13、在圖形處理器上，將大小為1600*1200的彩色RGB圖像壓縮到大小為1200*900 的彩色RGB圖像。
[0027]為了提高限速牌檢測(cè)的檢測(cè)率，檢測(cè)的圖像應(yīng)該選用盡可能高的分辨率;但是由 于設(shè)備計(jì)算力的限制，為了提高檢測(cè)的速度，檢測(cè)的圖像應(yīng)該選用盡可能低的分辨率。因 此，需要在運(yùn)兩者之間進(jìn)行權(quán)衡，選取一個(gè)較好的分辨率，使得限速牌的檢測(cè)率和檢測(cè)速度 兩個(gè)方面均能較好地滿足需求。本發(fā)明通過(guò)多次實(shí)驗(yàn)檢測(cè)，得到1200*900為最優(yōu)分辨率，因 此，將大小為1600*1200的彩色RGB圖像壓縮到大小為1200*900的彩色RGB圖像能夠提高限 速牌的檢測(cè)率和檢測(cè)速度。
[002引具體的，本發(fā)明所述圖形處理器即為GPU設(shè)備，所述中央處理器即為CPU設(shè)備。首先 在CPU設(shè)備上，使用化enCV提供的CUda: =GpuMat類(lèi)的上傳方法，將1600*1200大小的彩色RGB 圖像上傳到GPU設(shè)備上；針對(duì)GPU設(shè)備，使用化enCV提供的Cuda: : re S i Z e函數(shù)，獲取縮小到 1200*900大小的圖像；
[0029] 如圖3所示，所述步驟S2包括W下分步驟：
[0030] S21、在圖形處理器上，將彩色RGB圖像轉(zhuǎn)換為HSV圖像，根據(jù)H分量和S分量，獲取紅 色二值圖R和紅色程度圖化；
[0031 ]其中，所述H分量根據(jù)W下五種情況分別獲?。?br>[0032] 當(dāng) max=min 時(shí)，
[0033] H(x,y) =0；
[0034] 當(dāng)max = R(x，y)，且G(x，y) >B(x，y)時(shí)，
[0035]
[0036]
[0037]
[00；3 引
[0039]
[0040]
[0041]
[0042]
[0043]
[0044] 所述H分量獲取和S分量獲取的運(yùn)些公式中，max表示R(x，y)、G(x，y)、B(x，y)的最 大值，min表示3^，7)、6^，7)、8^，7)的最小值。
[0045] 所述紅色程度圖化和紅色二值圖R的獲取方式如下公式所示；
[0046]
[0047]
[004引S22、對(duì)紅色程度圖和紅色二值圖使用5巧的塊大小進(jìn)行均值模糊，得到模糊后的 紅色程度圖RLblur和模糊后的紅色二值圖化Iur ;
[00例 S23、根據(jù)紅色程度圖化blur和紅色二值圖化Iur獲取精簡(jiǎn)后的紅色圖像Rrefine,并使 用化enCV提供的cuda: : GpuMat類(lèi)的下載方法，將紅色圖像Rrefine回傳至中央處理器中。 [0050] 所述精簡(jiǎn)的紅色圖像Rrefine的獲取方式如下；
[0化1 ]
[0052] 由于圖形處理器編程存在相對(duì)于普通的C語(yǔ)言編程，具有較高的學(xué)習(xí)口檻和編程 口檻，而本發(fā)明采用CUDA C語(yǔ)言較大幅度地降低了運(yùn)些技術(shù)口檻，使得不需要了解圖形編 程的相關(guān)基礎(chǔ)知識(shí)，就能夠直接在圖形處理器上進(jìn)行通用計(jì)算的編程。
[0053] 具體的，針對(duì)GPU設(shè)備，使用CUDA C進(jìn)行編程實(shí)現(xiàn)將RGB圖像轉(zhuǎn)換為HSV圖像(不計(jì) 算V分量），根據(jù)H分量和S分量，獲取紅色二值圖RB和紅色程度圖化。
[0054] 在此步驟中，使用CUDA C語(yǔ)言直接訪問(wèn)GpuMat圖像中的每一個(gè)像素的值，達(dá)到了 開(kāi)發(fā)周期短與性能較大提升的雙重優(yōu)勢(shì)。具體的，使GPU函數(shù)的參數(shù)類(lèi)型聲明為PtrStepS^ T〉para，T表示的圖像中每個(gè)元素的類(lèi)型，para為參數(shù)名稱(chēng)，當(dāng)函數(shù)調(diào)用的時(shí)候，該參數(shù)W GpuMat類(lèi)型的形式輸入，函數(shù)內(nèi)部直接調(diào)用para(x，y)可W獲取或設(shè)置位于第X行，第y列的 元素的值。
[0055] 如圖4所示，所述步驟S3包括W下分步驟：
[0056] S31、對(duì)精簡(jiǎn)的紅色圖像Rrefine進(jìn)行連通體分析，獲取每個(gè)連通體的信息；
[0化7] S32、將每一個(gè)連通體填充為實(shí)屯、的凸多邊形，得到填充后的紅色圖像R ' refine，從 而獲取到不包含紅邊的限速牌的粗略位置的圖像RhDle;
[0058] 具體的，所述圖像RhDle的獲取公式如下；
[0059] Rhole(x,y)=R'refine(x,y)-Rrefine(x,y)；
[0060] S33、對(duì)圖像化。Ie進(jìn)行腐蝕，得到腐蝕后的圖像R ' hole。在圖像R ' hole上進(jìn)行連通體分 析，獲取所有的連通體信息;其中，對(duì)圖像化。Ie進(jìn)行腐蝕的目的是為了去掉圖像中的一些零 星噪聲點(diǎn)，減少干擾信息；
[0061] S34、將圖像化。Ie獲取的連通體信息轉(zhuǎn)換為原始彩色圖像上對(duì)應(yīng)的連通體信息，即 轉(zhuǎn)換為1600*1200圖像上對(duì)應(yīng)的連通體信息，并根據(jù)限速牌的圖像因素的限制，獲取限速牌 的粗略位置。
[0062] 其中，所述原始彩色圖像上對(duì)應(yīng)的連通體信息指的是原始彩色圖像上對(duì)應(yīng)的每一 個(gè)連通體的像素面積、每一個(gè)連通體的外接矩形的像素寬和像素高。具體的，即為將每一個(gè) 連通體的像素面積均乘W1.333333 2，每一個(gè)連通體的像素寬和像素高均乘W1.333333，最 后得到了 1600* 1200圖像上的連通體信息。
[0063] 所述限速牌的圖像因素包括限速牌的最小像素面積、最大像素寬，最小像素寬、最 大像素高、最小像素高、最小高寬比、最大高寬比、像素面積與對(duì)應(yīng)圓面積最小比、像素面積 與對(duì)應(yīng)圓面積最大比。
[0064]