技術(shù)特征：

1.一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)方法，其特征在于，該方法包括以下步驟：

(1)按照設(shè)定好的比例對(duì)待測(cè)圖像進(jìn)多尺度縮放；

(2)對(duì)縮放后的所有圖像提取積分通道特征，形成特征金字塔；

(3)采用一個(gè)固定大小的窗口在特征金字塔的每一層進(jìn)行滑動(dòng)，并利用交通燈檢測(cè)模型對(duì)滑動(dòng)窗口內(nèi)的積分通道特征進(jìn)行檢測(cè)，得到包含交通燈的滑動(dòng)窗口位置和窗口的交通燈概率得分；

(4)統(tǒng)計(jì)包含交通燈并相互重疊的滑動(dòng)窗口的重疊面積，重疊面積超過(guò)設(shè)定的重疊閾值則選取交通燈概率得分最高的滑動(dòng)窗口作為待分類窗口；

(5)將待分類窗口輸入到交通燈分類模型，得到交通燈的類型及狀態(tài)并輸出。

2.根據(jù)權(quán)利要求1所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)方法，其特征在于，所述步驟(3)中交通燈檢測(cè)模型的訓(xùn)練具體包括以下步驟：

(21)采集道路場(chǎng)景圖像，采集到的樣本圖像中要包含需檢測(cè)到的所有交通燈類型和狀態(tài)，且不同類型和狀態(tài)交通燈的數(shù)目平均分布；

(22)對(duì)圖像樣本進(jìn)行人工標(biāo)記，切割包含完整交通燈的區(qū)域并標(biāo)記為正樣本，隨機(jī)選取不包含交通燈區(qū)域作為負(fù)樣本，將正負(fù)樣本尺寸歸一化；

(23)選取正負(fù)樣本的特征通道，之后提取正負(fù)樣本特征通道的圖像特征，最后對(duì)得到的圖像特征進(jìn)行集合得到正負(fù)樣本的積分通道特征；

(24)利用交通燈正負(fù)樣本的積分通道特征，訓(xùn)練一個(gè)Adaboost分類器作為交通燈檢測(cè)模型。

3.根據(jù)權(quán)利要求1所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)方法，其特征在于，所述步驟(3)中對(duì)滑動(dòng)窗口內(nèi)的積分通道特征進(jìn)行檢測(cè)具體采用軟級(jí)聯(lián)Adaboost，Adaboost分類器是由多個(gè)弱分類器組成，如下式

$C\left(x\right)=C_k\left(x\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{h}_i\left(x\right),$

其中，x為滑動(dòng)窗口中提取了積分通道特征向量；h_i(x)為第i個(gè)弱分類器對(duì)特征向量x的輸出；從第一個(gè)弱分類器開(kāi)始，比較第一個(gè)弱分類器和自適應(yīng)檢測(cè)閾值，若小于自適應(yīng)檢測(cè)閾值,則認(rèn)定滑動(dòng)窗口內(nèi)是背景，繼續(xù)滑動(dòng)窗口進(jìn)行下一次檢測(cè)；若大于自適應(yīng)檢測(cè)閾值則累加后一個(gè)弱分類器，并將累加結(jié)果繼續(xù)和自適應(yīng)檢測(cè)閾值對(duì)比，若小于自適應(yīng)檢測(cè)閾值,則認(rèn)定滑動(dòng)窗口是背景，繼續(xù)滑動(dòng)窗口進(jìn)行下一次檢測(cè)；若大于自適應(yīng)檢測(cè)閾值則繼續(xù)累加后一個(gè)弱分類器，直到通過(guò)最后一個(gè)弱分類器，則認(rèn)定該滑動(dòng)窗口包含交通燈目標(biāo)，輸出累加結(jié)果作為交通燈概率得分；輸出滑動(dòng)窗口位置。

4.根據(jù)權(quán)利要求1、2或3所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)方法，其特征在于，所述的自適應(yīng)檢測(cè)閾值的求取包括以下步驟：

(41)計(jì)算所有正樣本的交通燈位置先驗(yàn)概率圖和交通燈尺寸先驗(yàn)概率圖；

(42)計(jì)算位置先驗(yàn)概率圖I_p的積分圖

${\mathrm{ii}}_p(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}{I}_p(x^{\′},y^{\′}),$

其中，積分圖的每一個(gè)點(diǎn)的值相當(dāng)于原圖中在該點(diǎn)左上角所有值的累加；通過(guò)對(duì)積分圖進(jìn)行簡(jiǎn)單的算術(shù)操作，得到

$P_p(x,y,w,h)=\frac{{\mathrm{ii}}_p(x+w,y+h)+{\mathrm{ii}}_p(x,y)-{\mathrm{ii}}_p(x+w,y)-{\mathrm{ii}}_p(x,y+h)}{w\·h}$

其中，x和y表示檢測(cè)窗口左上角的坐標(biāo),w和h分別表示檢測(cè)窗口的寬和高；

(43)由尺寸先驗(yàn)概率圖I_s，計(jì)算候選區(qū)域尺寸與該區(qū)域出現(xiàn)交通燈的期望尺寸之間的偏差P_s(x,y,w,h)

$P_s(x,y,w,h)=Exp(-\frac{\left|\right|wh-I_s(x,y)\left|\right|}{I_s(x,y)}),$

(44)自適應(yīng)檢測(cè)閾值為

T(x,y,w,h)＝-P_s(x,y,w,h)·P_p(x,y,w,h)。

5.根據(jù)權(quán)利要求1或2所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)方法，其特征在于，所述步驟(5)中交通燈分類模型的訓(xùn)練具體分為以下步驟：

(51)對(duì)正樣本中不同形狀不同狀態(tài)的交通燈進(jìn)行人工分類標(biāo)記；

(52)選取正樣本的特征通道，之后提取正樣本特征通道的圖像特征，最后對(duì)得到的圖像特征進(jìn)行集合得到正負(fù)樣本的積分通道特征；

(53)利用分類正樣本，采用多類分類器進(jìn)行訓(xùn)練，得到交通燈分類模型。

6.一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)系統(tǒng)，其特征在于，該系統(tǒng)包括以下模塊：

待測(cè)圖像縮放模塊，用于按照設(shè)定好的比例對(duì)待測(cè)圖像進(jìn)多尺度縮放；

積分通道特征提取模塊，用于對(duì)縮放后的所有圖像提取積分通道特征，形成特征金字塔；

滑動(dòng)檢測(cè)模塊，用于采用一個(gè)固定大小的窗口在特征金字塔的每一層進(jìn)行滑動(dòng)，并利用交通燈檢測(cè)模型對(duì)滑動(dòng)窗口內(nèi)的積分通道特征進(jìn)行檢測(cè)，得到包含交通燈的滑動(dòng)窗口位置和窗口的交通燈概率得分；

非極大值抑制模塊，用于統(tǒng)計(jì)包含交通燈并相互重疊的滑動(dòng)窗口的重疊面積，重疊面積超過(guò)設(shè)定的重疊閾值則選取交通燈概率得分最高的滑動(dòng)窗口作為待分類窗口；

分類模塊，用于將待分類窗口輸入到交通燈分類模型，得到交通燈的類型及狀態(tài)并輸出。

7.根據(jù)權(quán)利要求6所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)系統(tǒng)，其特征在于，所述滑動(dòng)檢測(cè)模塊中交通燈檢測(cè)模型的訓(xùn)練系統(tǒng)具體包括以下單元：

采樣單元，用于采集道路場(chǎng)景圖像，采集到的樣本圖像中要包含需檢測(cè)到的所有交通燈類型和狀態(tài)，且不同類型和狀態(tài)交通燈的數(shù)目平均分布；

正負(fù)樣本標(biāo)記單元，用于對(duì)圖像樣本進(jìn)行人工標(biāo)記，切割包含完整交通燈的區(qū)域并標(biāo)記為正樣本，隨機(jī)選取不包含交通燈區(qū)域作為負(fù)樣本，將正負(fù)樣本尺寸歸一化；

積分通道特征提取單元，用于選取正負(fù)樣本的特征通道，之后提取正負(fù)樣本特征通道的圖像特征，最后對(duì)得到的圖像特征進(jìn)行集合得到正負(fù)樣本的積分通道特征；

交通燈檢測(cè)模型訓(xùn)練單元，用于利用交通燈正負(fù)樣本的積分通道特征，訓(xùn)練一個(gè)Adaboost分類器作為交通燈檢測(cè)模型。

8.根據(jù)權(quán)利要求6所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)系統(tǒng)，其特征在于，所述滑動(dòng)檢測(cè)模塊中對(duì)滑動(dòng)窗口內(nèi)的積分通道特征進(jìn)行檢測(cè)具體采用軟級(jí)聯(lián)Adaboost，Adaboost分類器是由多個(gè)弱分類器組成，如下式

$C\left(x\right)=C_k\left(x\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{h}_i\left(x\right),$

其中，x為滑動(dòng)窗口中提取了積分通道特征向量；h_i(x)為第i個(gè)弱分類器對(duì)特征向量x的輸出；從第一個(gè)弱分類器開(kāi)始，比較第一個(gè)弱分類器和自適應(yīng)檢測(cè)閾值，若小于自適應(yīng)檢測(cè)閾值,則認(rèn)定滑動(dòng)窗口內(nèi)是背景，繼續(xù)滑動(dòng)窗口進(jìn)行下一次檢測(cè)；若大于自適應(yīng)檢測(cè)閾值則累加后一個(gè)弱分類器，并將累加結(jié)果繼續(xù)和自適應(yīng)檢測(cè)閾值對(duì)比，若小于自適應(yīng)檢測(cè)閾值,則認(rèn)定滑動(dòng)窗口是背景，繼續(xù)滑動(dòng)窗口進(jìn)行下一次檢測(cè)；若大于自適應(yīng)檢測(cè)閾值則繼續(xù)累加后一個(gè)弱分類器，直到通過(guò)最后一個(gè)弱分類器，則認(rèn)定該滑動(dòng)窗口包含交通燈目標(biāo)，輸出累加結(jié)果作為交通燈概率得分；輸出滑動(dòng)窗口位置。

9.根據(jù)權(quán)利要求6、7或8所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)系統(tǒng)，其特征在于，所述的自適應(yīng)檢測(cè)閾值的求取系統(tǒng)包括以下單元：

先驗(yàn)概率圖計(jì)算單元，用于計(jì)算所有正樣本的交通燈位置先驗(yàn)概率圖和交通燈尺寸先驗(yàn)概率圖；

積分圖計(jì)算單元，用于計(jì)算位置先驗(yàn)概率圖I_p的積分圖

${\mathrm{ii}}_p(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}{I}_p(x^{\′},y^{\′}),$

其中，積分圖的每一個(gè)點(diǎn)的值相當(dāng)于原圖中在該點(diǎn)左上角所有值的累加；通過(guò)對(duì)積分圖進(jìn)行簡(jiǎn)單的算術(shù)操作，得到

$P_p(x,y,w,h)=\frac{{\mathrm{ii}}_p(x+w,y+h)+{\mathrm{ii}}_p(x,y)-{\mathrm{ii}}_p(x+w,y)-{\mathrm{ii}}_p(x,y+h)}{w\·h}$

其中，x和y表示檢測(cè)窗口左上角的坐標(biāo),w和h分別表示檢測(cè)窗口的寬和高；

偏差計(jì)算單元，用于由尺寸先驗(yàn)概率圖I_s，計(jì)算候選區(qū)域尺寸與該區(qū)域出現(xiàn)交通燈的期望尺寸之間的偏差P_s(x,y,w,h)

$P_s(x,y,w,h)=Exp(-\frac{\left|\right|wh-I_s(x,y)\left|\right|}{I_s(x,y)}),$

自適應(yīng)檢測(cè)閾值計(jì)算單元，用于計(jì)算自適應(yīng)檢測(cè)閾值

T(x,y,w,h)＝-P_s(x,y,w,h)·P_p(x,y,w,h)。

10.根據(jù)權(quán)利要求6或7所述的一種基于先驗(yàn)概率圖的多類交通燈檢測(cè)系統(tǒng)，其特征在于，所述分類模塊中交通燈分類模型的訓(xùn)練系統(tǒng)具體分為以下單元：

分類標(biāo)記單元，用于對(duì)正樣本中不同形狀不同狀態(tài)的交通燈進(jìn)行人工分類標(biāo)記；

分類積分通道特征提取單元，用于選取正樣本的特征通道，之后提取正樣本特征通道的圖像特征，最后對(duì)得到的圖像特征進(jìn)行集合得到正負(fù)樣本的積分通道特征；

交通燈分類模型訓(xùn)練單元，用于利用分類正樣本，采用多類分類器進(jìn)行訓(xùn)練，得到交通燈分類模型。