本发明涉及红绿灯检测，具体涉及一种基于深度学习的驾培用红绿灯检测系统。
背景技术：
交通信号灯的识别是指在准确定位交通信号灯的基础上对交通信号灯的状态进行识别，例如对于最常见的采用红绿灯形式的交通信号灯，交通信号灯的识别具体指的是通过识别交通信号灯的亮暗状态(例如红灯、绿灯、黄灯的亮暗等)以确定交通信号灯的指示状态(例如允许通行、禁止通行等)。交通信号灯的识别可以用于判断交通路口处的通行状态，在自动驾驶、导航提示以及驾驶培训等方面具有重要的意义。
目前，在驾驶培训中的信号灯识别主要依赖于深度学习，通过定点安装的摄像头来获取交通路口处的信号灯图像，再将彩色图像输入神经网络模型中进行深度学习来获取交通信号灯的状态，并向所有车辆进行广播。但是，由于摄像头拍摄的彩色图像中交通信号灯的轮廓往往较为模糊，降低了对交通信号灯进行定位的准确度，进而导致无法准确识别交通信号灯的状态。
技术实现要素：
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于深度学习的驾培用红绿灯检测系统，能够有效克服现有技术所存在的无法准确有效识别交通信号灯状态的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于深度学习的驾培用红绿灯检测系统，包括控制器，所述控制器通过图像预处理模块接收训练图像获取模块、检测图像采集模块分别发送的训练图像、检测图像，所述控制器与用于对训练图像进行特征采集的第一图像特征采集模块相连，所述控制器与用于构建信号识别模型的识别模型构建模块相连，所述控制器与用于接收并核对信号识别模型识别结果的识别结果核对模块相连，所述控制器与用于根据核对结果对信号识别模型进行优化的识别模型优化模块相连；
所述控制器与用于对检测图像进行特征采集的第二图像特征采集模块相连，所述控制器与用于根据图像特征判定检测图像中识别区域的识别区域判定模块相连，所述控制器与用于判断优化后信号识别模型识别准确度的识别准确度判断模块相连；
所述控制器与用于采集信号灯标准图像的标准模板采集模块相连，所述控制器与用于采集检测图像中识别区域的识别区域采集模块相连，还包括用于对信号灯标准图像、检测图像中识别区域进行对比分析的对比分析模块相连，所述控制器与用于对检测图像中识别区域进行颜色识别的颜色识别模块相连，所述控制器与用于根据对比分析结果综合颜色识别结果对信号灯状态进行综合判断的综合判断模块相连。
优选地，所述第一图像特征采集模块接收图像预处理模块发送预处理后的训练图像，并将从该训练图像中提取到的图像特征发送至识别模型构建模块构建的信号识别模型，所述识别结果核对模块对信号识别模型的识别结果进行核对。
优选地，所述识别结果核对模块接收人工对该训练图像中信号灯状态的输入结果，并与信号识别模型的识别结果进行核对；
所述识别结果核对模块判定信号识别模型的识别结果不准确时，所述识别模型优化模块通过随机梯度下降法对该信号识别模型进行优化。
优选地，所述识别区域判定模块判定检测图像中识别区域后，将该检测图像中的识别区域图像发送至优化后信号识别模型，所述信号识别模型对该识别区域图像中的信号灯状态进行识别。
优选地，所述识别准确度判断模块判断优化后信号识别模型对识别区域图像中信号灯状态的识别结果出现错误时，所述控制器启动标准模板采集模块、识别区域采集模块和颜色识别模块。
优选地，所述标准模板采集模块从标准图像库中采集各类型信号灯标准图像，所述识别区域采集模块接收识别区域判定模块发送的检测图像中识别区域，所述对比分析模块在各类型信号灯标准图像中对检测图像中识别区域进行分析匹配，并将匹配到的信号灯标准图像发送至综合判断模块。
优选地，还包括与所述控制器相连的用于输出信号灯状态识别结果的识别结果输出模块，所述识别结果核对模块判定信号识别模型的识别结果准确时，所述识别结果输出模块直接输出信号识别模型的识别结果，否则所述识别结果输出模块输出综合判断模块对信号灯状态的综合判断结果。
优选地，所述训练图像获取模块从训练图像库中随机采集训练图像，并将训练图像发送至图像预处理模块，所述检测图像采集模块将采集到包含信号灯的检测图像发送至图像预处理模块。
优选地，所述图像预处理模块对训练图像、检测图像进行图像降噪、图像增强处理。
(三)有益效果
与现有技术相比，本发明所提供的一种基于深度学习的驾培用红绿灯检测系统，能够对信号识别模型进行有效训练，并且能够根据信号灯识别结果的准确性对信号识别模型进行充分优化，同时还能够对检测图像中识别区域进行有效判定，为准确识别信号灯状态提供保证；当信号灯状态识别结果出现错误时，可以通过与各类信号灯标准图像进行匹配以及颜色识别来对信号灯状态进行更加精准地识别，以有效弥补深度学习网络模型在使用初期精准度较低的缺陷。
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为本发明的系统示意图。
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。
一种基于深度学习的驾培用红绿灯检测系统，如图1所示，包括控制器，控制器通过图像预处理模块接收训练图像获取模块、检测图像采集模块分别发送的训练图像、检测图像，控制器与用于对训练图像进行特征采集的第一图像特征采集模块相连，控制器与用于构建信号识别模型的识别模型构建模块相连，控制器与用于接收并核对信号识别模型识别结果的识别结果核对模块相连，控制器与用于根据核对结果对信号识别模型进行优化的识别模型优化模块相连。
第一图像特征采集模块接收图像预处理模块发送预处理后的训练图像，并将从该训练图像中提取到的图像特征发送至识别模型构建模块构建的信号识别模型，识别结果核对模块对信号识别模型的识别结果进行核对。
识别结果核对模块接收人工对该训练图像中信号灯状态的输入结果，并与信号识别模型的识别结果进行核对；
识别结果核对模块判定信号识别模型的识别结果不准确时，识别模型优化模块通过随机梯度下降法对该信号识别模型进行优化。
本申请技术方案中，训练图像库中存储有只包含信号灯本体在内的信号灯外轮廓的训练图像，并在训练图像中的指定位置处打印人工对于该训练图像中信号灯状态的判断结果。
控制器与用于对检测图像进行特征采集的第二图像特征采集模块相连，控制器与用于根据图像特征判定检测图像中识别区域的识别区域判定模块相连，控制器与用于判断优化后信号识别模型识别准确度的识别准确度判断模块相连。
识别区域判定模块判定检测图像中识别区域后，将该检测图像中的识别区域图像发送至优化后信号识别模型，信号识别模型对该识别区域图像中的信号灯状态进行识别。
本申请技术方案中，训练图像获取模块从训练图像库中随机采集训练图像，并将训练图像发送至图像预处理模块，检测图像采集模块将采集到包含信号灯的检测图像发送至图像预处理模块，图像预处理模块对训练图像、检测图像进行图像降噪、图像增强处理。
控制器与用于采集信号灯标准图像的标准模板采集模块相连，控制器与用于采集检测图像中识别区域的识别区域采集模块相连，还包括用于对信号灯标准图像、检测图像中识别区域进行对比分析的对比分析模块相连，控制器与用于对检测图像中识别区域进行颜色识别的颜色识别模块相连，控制器与用于根据对比分析结果综合颜色识别结果对信号灯状态进行综合判断的综合判断模块相连。
识别准确度判断模块判断优化后信号识别模型对识别区域图像中信号灯状态的识别结果出现错误时，控制器启动标准模板采集模块、识别区域采集模块和颜色识别模块。
标准模板采集模块从标准图像库中采集各类型信号灯标准图像，识别区域采集模块接收识别区域判定模块发送的检测图像中识别区域，对比分析模块在各类型信号灯标准图像中对检测图像中识别区域进行分析匹配，并将匹配到的信号灯标准图像发送至综合判断模块。
当信号灯状态识别结果出现错误时，可以通过与各类信号灯标准图像进行匹配以及颜色识别来对信号灯状态进行更加精准地识别，以有效弥补深度学习网络模型在使用初期精准度较低的缺陷。
对于综合判断模块根据对比分析结果综合颜色识别结果对信号灯状态进行综合判断得到的结果，可以与对应检测图像一起输入优化后信号识别模型进行模型训练，以不断提升深度学习网络模型在使用初期对于信号灯状态识别的精准度。
本申请技术方案中，还包括与控制器相连的用于输出信号灯状态识别结果的识别结果输出模块，识别结果核对模块判定信号识别模型的识别结果准确时，识别结果输出模块直接输出信号识别模型的识别结果，否则识别结果输出模块输出综合判断模块对信号灯状态的综合判断结果。
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，并不会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驾培用红绿灯检测系统，其特征在于：包括控制器，所述控制器通过图像预处理模块接收训练图像获取模块、检测图像采集模块分别发送的训练图像、检测图像，所述控制器与用于对训练图像进行特征采集的第一图像特征采集模块相连，所述控制器与用于构建信号识别模型的识别模型构建模块相连，所述控制器与用于接收并核对信号识别模型识别结果的识别结果核对模块相连，所述控制器与用于根据核对结果对信号识别模型进行优化的识别模型优化模块相连；
所述控制器与用于对检测图像进行特征采集的第二图像特征采集模块相连，所述控制器与用于根据图像特征判定检测图像中识别区域的识别区域判定模块相连，所述控制器与用于判断优化后信号识别模型识别准确度的识别准确度判断模块相连；
所述控制器与用于采集信号灯标准图像的标准模板采集模块相连，所述控制器与用于采集检测图像中识别区域的识别区域采集模块相连，还包括用于对信号灯标准图像、检测图像中识别区域进行对比分析的对比分析模块相连，所述控制器与用于对检测图像中识别区域进行颜色识别的颜色识别模块相连，所述控制器与用于根据对比分析结果综合颜色识别结果对信号灯状态进行综合判断的综合判断模块相连。
2.根据权利要求1所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述第一图像特征采集模块接收图像预处理模块发送预处理后的训练图像，并将从该训练图像中提取到的图像特征发送至识别模型构建模块构建的信号识别模型，所述识别结果核对模块对信号识别模型的识别结果进行核对。
3.根据权利要求2所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述识别结果核对模块接收人工对该训练图像中信号灯状态的输入结果，并与信号识别模型的识别结果进行核对；
所述识别结果核对模块判定信号识别模型的识别结果不准确时，所述识别模型优化模块通过随机梯度下降法对该信号识别模型进行优化。
4.根据权利要求3所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述识别区域判定模块判定检测图像中识别区域后，将该检测图像中的识别区域图像发送至优化后信号识别模型，所述信号识别模型对该识别区域图像中的信号灯状态进行识别。
5.根据权利要求4所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述识别准确度判断模块判断优化后信号识别模型对识别区域图像中信号灯状态的识别结果出现错误时，所述控制器启动标准模板采集模块、识别区域采集模块和颜色识别模块。
6.根据权利要求5所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述标准模板采集模块从标准图像库中采集各类型信号灯标准图像，所述识别区域采集模块接收识别区域判定模块发送的检测图像中识别区域，所述对比分析模块在各类型信号灯标准图像中对检测图像中识别区域进行分析匹配，并将匹配到的信号灯标准图像发送至综合判断模块。
7.根据权利要求3或6所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：还包括与所述控制器相连的用于输出信号灯状态识别结果的识别结果输出模块，所述识别结果核对模块判定信号识别模型的识别结果准确时，所述识别结果输出模块直接输出信号识别模型的识别结果，否则所述识别结果输出模块输出综合判断模块对信号灯状态的综合判断结果。
8.根据权利要求2或4所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述训练图像获取模块从训练图像库中随机采集训练图像，并将训练图像发送至图像预处理模块，所述检测图像采集模块将采集到包含信号灯的检测图像发送至图像预处理模块。
9.根据权利要求8所述的基于深度学习的驾培用红绿灯检测系统，其特征在于：所述图像预处理模块对训练图像、检测图像进行图像降噪、图像增强处理。
技术总结