本发明涉及远光灯技术领域，具体涉及一种基于深度学习的远光灯识别方法。
背景技术：
汽车的发展给中国的经济注入活力，不仅解决了就业问题，而且也极大的方便了人们的生活。随着经济的提升，中国的人均收入持续增长，越来越多的人对生活有更高的追求。汽车作为交通工具，不仅方便了人们的交通，也给人带来一定的社会“地位”，越来越多的人开始成为“有车族”。资料显示我国每千人汽车拥有量是114辆，而美国、德国、法国以及日本等均早已超过500辆，所以我国汽车市场还有巨大的发展空间。
当汽车极大了方便了人们的生活的同时，也带来了交通、环保和能源等几个方面的问题。联合国的最新统计数据显示，全世界每年因交通事故死亡的人数超过了100万，而我国则占据了全世界的20％的比例，居世界首位。
夜间的交通事故率是昼间的1-1.5倍，造成交通事故的主要原因在于驾驶员驾驶疲劳或视线差。视线差是由于汽车前照灯的光形、照度、位置等非人为因素造成的。而驾驶疲劳这一主观因素不仅是由于驾驶员不按规定作息，而且还有可能因为车灯的炫目或者照明不足造成的。汽车前照灯作为汽车的眼睛，不仅代表着到车主的外在形象，更与驾驶员在夜间或不良天气的条件开车的安全性紧密联系。
夜间会车过程中，驾驶员眼睛受到对方远光刺激而出现的炫目现象易引发交通事故。照明较好的城区道路中，部分车辆仍潇用远光的现象己引起交通管理部门重视。
技术实现要素：
针对现有技术的不足，本发明公开了一种基于深度学习的远光灯识别方法，用于解决夜间会车过程中，驾驶员眼睛受到对方远光刺激而出现的炫目现象易引发交通事故，提供基于深度学习的远光灯识别的方法，解决传统方法的缺点且显著提高识别效果。
本发明通过以下技术方案予以实现：
本发明公开一种基于深度学习的远光灯识别方法，其特征在于，所述方法包括以下步骤：
s1在待测区域设置相机，并调整其高度、俯仰角和相机曝光等参数，以满足取证距离；
s2设置合适曝光，凸显车灯光晕区域，减少远光在图像中的粘连，同时保证车辆车牌在补光灯下的清晰度；
s3提取表征光斑和光晕图像信息的中心亮度、边缘对称性、线性梯度等特征，判断车灯类别；
s4基于多目标卷积神经网络对车灯类别提取与分类，使用深度学习算法实现多任务学习；
s5利用改进dbscan算法与最小二乘法相结合对车灯类别进行拟合；
s6预测帧间位移极限值以自适应生成跟踪搜索区域，最优化相邻帧目标匹配函数实现多车灯跟踪；
s7跟踪远光车灯一定距离后，通过共线性约束进行左右车灯配对，完成远光灯识别。
更进一步的，所述方法中若新跟踪到的车灯为远光，统计其累计开启时间和行驶距离，判别车辆远近光属性；若为近光，删除此车灯轨迹。
更进一步的，所述方法中，提取车灯多维特征需提前分离光斑和光晕区域，统计数据库中远光车灯的平均起始衰减亮度作为图像分割阈值，滤除狭长的闭合连通域，初步检测出车灯光斑，光斑向外环状发散得到相应的光晕区域。
更进一步的，所述方法基于各光源不同阶段的成像变化，将光源分为中心和光晕两部分，分别提取其中心边缘、线性等不同结构的多模式特征，获得了稳定且区分度显著的光源特征向量,进而结合随机森林分类远近车灯。
更进一步的，所述深度学习算法包括生成模型和判别模型；所述生成模型捕捉真实数据样本的潜在分布,并生成新的数据样本；所述判别模型是一个二分类器,判别区分输入的是真实数据还是生成的样本数据。
更进一步的，所述判别模型输出是以概率值表示,概率值大于0.5则为真,概率值小于0.5则为假。当判别器无法区别出真实数据和生成数据时则停止训练,此时达到生成器与判别器之间判定误差的平衡,训练达到理想状态。
更进一步的，所述方法以生成各车灯局部的最大跟踪搜索区，当搜索区内车灯唯一存在时，直接匹配即可；当搜索区重叠或远光车灯不唯一时，基于多结构特征相似度优化此局部的匹配模型，实现稳定的多车灯跟踪，统计跟踪周期中远光开启时长和距离以判断车辆远近光属性。
本发明的有益效果为：
本发明用中心、边缘、线性结构特征表征了车灯的光斑、光晕和局部梯度信息，避免杂光干扰减少了特征冗余。基于车灯搜索区域独立生成的匹配算法减少了以往多目标跟踪的复杂度，同时单车灯上下独立匹配，不受车灯改装的影响。同时使用深度学习算法显著提高识别效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。
图1是一种基于深度学习的远光灯识别方法原理步骤图；
图2是本发明实施例车辆远光识别验证设置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例公开如图1所示的一种基于深度学习的远光灯识别方法，包括以下步骤：
s1在待测区域设置相机，并调整其高度、俯仰角和相机曝光等参数，以满足取证距离；
s2设置合适曝光，凸显车灯光晕区域，减少远光在图像中的粘连，同时保证车辆车牌在补光灯下的清晰度；
s3提取表征光斑和光晕图像信息的中心亮度、边缘对称性、线性梯度等特征，判断车灯类别；
s4基于多目标卷积神经网络对车灯类别提取与分类，使用深度学习算法实现多任务学习；
s5利用改进dbscan算法与最小二乘法相结合对车灯类别进行拟合；
s6预测帧间位移极限值以自适应生成跟踪搜索区域，最优化相邻帧目标匹配函数实现多车灯跟踪；
s7跟踪远光车灯一定距离后，通过共线性约束进行左右车灯配对，完成远光灯识别。
本实施例中若新跟踪到的车灯为远光，统计其累计开启时间和行驶距离，判别车辆远近光属性；若为近光，删除此车灯轨迹。提取车灯多维特征需提前分离光斑和光晕区域，统计数据库中远光车灯的平均起始衰减亮度作为图像分割阈值，滤除狭长的闭合连通域，初步检测出车灯光斑，光斑向外环状发散得到相应的光晕区域。
本实施例基于各光源不同阶段的成像变化，将光源分为中心和光晕两部分，分别提取其中心边缘、线性等不同结构的多模式特征，获得了稳定且区分度显著的光源特征向量,进而结合随机森林分类远近车灯。
本实施例的深度学习算法包括生成模型和判别模型；所述生成模型捕捉真实数据样本的潜在分布,并生成新的数据样本；所述判别模型是一个二分类器,判别区分输入的是真实数据还是生成的样本数据，判别模型输出是以概率值表示,概率值大于0.5则为真,概率值小于0.5则为假。当判别器无法区别出真实数据和生成数据时则停止训练,此时达到生成器与判别器之间判定误差的平衡,训练达到理想状态。
本实施例以生成各车灯局部的最大跟踪搜索区，当搜索区内车灯唯一存在时，直接匹配即可；当搜索区重叠或远光车灯不唯一时，基于多结构特征相似度优化此局部的匹配模型，实现稳定的多车灯跟踪，统计跟踪周期中远光开启时长和距离以判断车辆远近光属性。
实施例2
本实施例公开如图2所示的车辆远光识别验证设置，其为较典型的车辆直行场景，h为监控立杆高度，α为相机俯视角,β为镜头垂直视场角，点a、b、c为路面上的标记点。点c到a为远光的有效检测范围，跟踪ac间的远光车辆，当其远光持续时间较长或行驶距离较远时，视为误用远光灯。
本实施例中首先设置相机高度h、俯仰角α、相机曝光等参数，满足取证距离。设置合适曝光，凸显车灯光晕区域，减少远光在图像中的粘连，同时保证车辆车牌在补光灯下的清晰度。其次，通过阈值分割和光斑几何长宽比约束初步筛选车灯区域。远光光斑光线发散贴近圆形、面积较大；车灯光晕亮度衰竭较慢，梯度变化平缓；在车辆逐渐接近监控相机时，车灯面积不断增长。
提取表征光斑和光晕图像信息的中心亮度、边缘对称性、线性梯度等特征，判断车灯类别。预测帧间位移极限值以自适应生成跟踪搜索区域，最优化相邻帧目标匹配函数实现多车灯跟踪。跟踪远光车灯一定距离后，通过共线性约束进行左右车灯配对。最后，若新跟踪到的车灯为远光，统计其累计开启时间和行驶距离，判别车辆远近光属性；若为近光,删除此车灯轨迹。
实施例3
本实施例对夜间灯检测时，提取车灯多维特征需提前分离光斑和光晕区域，统计数据库中远光车灯的平均起始衰减亮度作为图像分割阈值，滤除狭长的闭合连通域，初步检测出车灯光斑，光斑向外环状发散得到相应的光晕区域。夜间车流密集时，车灯下方及左右光晕易被地面反光、车身反光等破坏，线性结构跳变。选择以光斑形心上半扇形为线性特征提取的感兴趣区域，提取稳定光晕梯度特征,减少杂光干扰。
本实施例对车灯提取时，视觉目标检测中,特征提取算子将原始rgb图像降维并保存其部分特有信息，是决定分类器性能的重要因素之一。sift4、lbpl5、haar等可提取常见目标的多维特征,但其计算较复杂，过多的纹理信息计算难以选择性地适应车灯显著的成像规律。
车辆前大灯可分为中心光斑、周围光晕两部分，远、近光成像主要区别，对于车灯中心区域，其亮度变化平缓无明显梯度或纹理等局部特征，但远光中心亮度较高，面积较大；对于车灯同心边缘线，远光光源较对称，边缘上相邻像素点的亮度接近，跳变较小,而近光成像凹凸点较多，跳变较大；对于光斑上半扇形，干扰光较少,其射线贯穿光斑中心和光晕,远光射线上亮度衰竭较慢。
综上，本发明用中心、边缘、线性结构特征表征了车灯的光斑、光晕和局部梯度信息，避免杂光干扰减少了特征冗余。基于车灯搜索区域独立生成的匹配算法减少了以往多目标跟踪的复杂度，同时单车灯上下独立匹配，不受车灯改装的影响。同时使用深度学习算法显著提高识别效果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
1.一种基于深度学习的远光灯识别方法，其特征在于，所述方法包括以下步骤：
s1在待测区域设置相机，并调整其高度、俯仰角和相机曝光等参数，以满足取证距离；
s2设置合适曝光，凸显车灯光晕区域，减少远光在图像中的粘连，同时保证车辆车牌在补光灯下的清晰度；
s3提取表征光斑和光晕图像信息的中心亮度、边缘对称性、线性梯度等特征，判断车灯类别；
s4基于多目标卷积神经网络对车灯类别提取与分类，使用深度学习算法实现多任务学习；
s5利用改进dbscan算法与最小二乘法相结合对车灯类别进行拟合；
s6预测帧间位移极限值以自适应生成跟踪搜索区域，最优化相邻帧目标匹配函数实现多车灯跟踪；
s7跟踪远光车灯一定距离后，通过共线性约束进行左右车灯配对，完成远光灯识别。
2.根据权利要求1所述的基于深度学习的远光灯识别方法，其特征在于，所述方法中若新跟踪到的车灯为远光，统计其累计开启时间和行驶距离，判别车辆远近光属性；若为近光，删除此车灯轨迹。
3.根据权利要求1所述的基于深度学习的远光灯识别方法，其特征在于，所述方法中，提取车灯多维特征需提前分离光斑和光晕区域，统计数据库中远光车灯的平均起始衰减亮度作为图像分割阈值，滤除狭长的闭合连通域，初步检测出车灯光斑，光斑向外环状发散得到相应的光晕区域。
4.根据权利要求1所述的基于深度学习的远光灯识别方法，其特征在于，所述方法基于各光源不同阶段的成像变化，将光源分为中心和光晕两部分，分别提取其中心边缘、线性等不同结构的多模式特征，获得了稳定且区分度显著的光源特征向量,进而结合随机森林分类远近车灯。
5.根据权利要求1所述的基于深度学习的远光灯识别方法，其特征在于，所述深度学习算法包括生成模型和判别模型；所述生成模型捕捉真实数据样本的潜在分布,并生成新的数据样本；所述判别模型是一个二分类器,判别区分输入的是真实数据还是生成的样本数据。
6.根据权利要求1所述的基于深度学习的远光灯识别方法，其特征在于，所述判别模型输出是以概率值表示,概率值大于0.5则为真,概率值小于0.5则为假。当判别器无法区别出真实数据和生成数据时则停止训练,此时达到生成器与判别器之间判定误差的平衡,训练达到理想状态。
7.根据权利要求1所述的基于深度学习的远光灯识别方法，其特征在于，所述方法以生成各车灯局部的最大跟踪搜索区，当搜索区内车灯唯一存在时，直接匹配即可；当搜索区重叠或远光车灯不唯一时，基于多结构特征相似度优化此局部的匹配模型，实现稳定的多车灯跟踪，统计跟踪周期中远光开启时长和距离以判断车辆远近光属性。
技术总结