交通信号灯识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种交通信号灯识别方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

交通信号灯是控制交通流量、维护交通秩序的重要设备，通过不同的颜色和形状对通行状态做出指示。随着道路交通智能化技术的发展，交通信号灯信息已经成为路侧感知和单车智能的必要数据。获取交通灯信号的方式有多种方式，比如通过接入交通灯设备，实时获取内部电信号，但是这种方式涉及到信息安全，并不能被广泛访问。相机是路端和车端必不可少的感知设备，并得到广泛应用，通过相机采集到实时交通灯图像，对交通灯图像进行处理进行交通信号灯识别已成为较为常见的方式，例如图像分割、图像分类、颜色识别等技术。但是由于交通灯是在自然环境中工作的，其工作环境复杂且多变，复杂的工作环境会对获取的交通灯图像的质量带来影响，进而影响交通信号灯识别结果的准确性。

发明内容

基于此，有必要针对上述技术问题，提供一种准确有效的交通信号灯识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种交通信号灯识别方法。所述方法包括：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

在其中一个实施例中，预测当前帧图像的天气类型评判得分，包括：

获取边缘检测算子与天气类型评判得分之间的拟合回归曲线方程，以及当前帧图像的至少一个边缘检测算子；

将当前帧图像的至少一个边缘检测算子代入拟合回归曲线方程中，获得当前帧图像的天气类型评判得分。

在其中一个实施例中，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像，包括：

根据当前帧图像的天气类型评判得分，确定当前帧图像对应的天气类型；

根据当前帧图像对应的天气类型获取对应的图像增强算法，基于对应的图像增强算法对当前帧图像进行图像增强处理，得到处理后的当前帧图像。

在其中一个实施例中，计算每一信号灯图像的颜色值，包括：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的颜色值；

将所有颜色值大于零的像素点的颜色值的均值，作为任一信号灯图像的颜色值。

在其中一个实施例中，计算每一信号灯图像的亮度因子，包括：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的亮度值；

获取每一像素点的亮度值与预设阈值的差值，将所有像素点对应的差值的均值作为任一信号灯图像的亮度因子。

在其中一个实施例中，初始识别结果包括信号灯颜色和信号灯位置；相应地，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果，包括：

获取每一信号灯图像的初始识别结果中的信号灯位置对应的预设颜色；

在预设颜色与每一信号灯图像的初始识别结果中的信号灯颜色不一致的情况下，根据预设颜色调整每一信号灯图像的初始识别结果，得到每一信号灯图像的最终识别结果。

在其中一个实施例中，方法还包括：

根据任一信号灯组中所有信号灯图像的最终识别结果，确定任一信号灯组的初始识别结果；

获取路口除任一信号灯组之外的所有信号灯组的参考识别结果，根据参考识别结果对任一信号灯组的识别结果进行校正和更新，得到任一信号灯组的最终识别结果。

第二方面，本申请还提供了一种交通信号灯识别装置。所述装置包括：

图像获取模块，用于获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

图像预处理模块，用于预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

标识确定模块，用于基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

图像裁剪模块，用于对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

图像识别模块，用于计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

结果确定模块，用于基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

上述交通信号灯识别方法、装置、计算机设备、存储介质和计算机程序产品，获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。通过在图像处理过程中增加特殊天气的处理算法，实现对天气变化的抗干扰性；通过增加算法切换参考因子，实现对不管是白天还是黑夜环境下获取的图像进行精准识别，提高交通信号灯的识别精度。

附图说明

图1为一个实施例中交通信号灯识别方法的应用环境图；

图2为一个实施例中交通信号灯识别方法的流程示意图；

图3为一个实施例中十字路口通行示意图；

图4为一个实施例中交通信号灯组示意图；

图5为另一个实施例中交通信号灯识别方法的流程示意图；

图6为又一个实施例中交通信号灯识别方法的流程示意图；

图7为一个实施例中一种交通信号灯相位示意图；

图8为一个实施例中交通信号灯识别装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的交通信号灯识别方法，可以应用于如图1所示的应用环境中。其中，终端102为能够获取彩色图像的设备，终端102通过网络与服务器104进行通信，将采集到的包括交通信号灯的彩色图像发送至服务器104，由服务器104对图像进行处理，完成信号灯的识别。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种交通信号灯识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

其中，路口的方向是指路口的车道上的车辆在未经过路口之前的朝向方向。可以理解的是，对于同一方向的车辆，其遵循的交通信号灯一般安装在同一灯杆上，例如，参见图3，在一个正北向的十字路口中，在未经过十字路口前朝向南的车辆，在路口车道上可以左转、直行和右转，车辆遵循的左转信号灯、直行信号灯和右转信号灯一般均安装在车辆未经路口前的正前方。

需要说明的是，由于3个车道的信号灯组安装较近，在获取的当前帧图像中包括当前时刻3个信号灯组的状态，但是本申请对此不做具体限定，通过一个拍摄设备也可以只获取一个信号灯组的图像。其中，信号灯组包括3个灯，每一次只能亮一个灯表示当前车道的车辆运行状态。例如，在图4所示的信号灯组中，信号灯401亮时，一定为红色，此时信号灯402和403不亮，表示该车道车辆禁止通行；信号灯403亮时，一定为绿色，此时信号灯401和402不亮，表示该车道车辆允许通行。

步骤204，预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

其中，天气类型评判得分是对当前帧图像的自然获取环境的天气类型进行打分，自然获取环境是指拍摄设备和交通信号灯所在的自然环境。根据天气类型评判得分能够识别出特殊天气，也即会对依据获取的图像确定的信号灯识别结果的质量造成影响的天气，例如雨天、雾天、霾、霜、雹等，还可能是综合性天气，例如雨夹雪。通过天气类型评判得分确定获取的图像与晴天获取的图像之间的差距，进而与当前帧图像进行预处理，提高图像的质量，以提高交通信号灯的识别结果的精确度。

具体地，可以通过图像的特征参数确定天气类型评判得分，其中特征参数可以是图像的指令特征参数，例如色相、饱和度、明度等，还可以是图像的形状参数，本申请中不对特征参数的数量作具体限定。通过获取晴天图像的特征参数和当前帧图像的特征参数，确定当前帧图像的特征参数与晴天图像的特征参数之间的差距，确定当前帧图像的天气类型评判得分。

图像增强是按照特定的需要去除或者突出图像中的某些信息，改善图像的视觉效果，使图像更适合分析。一般主要分为两种方法，空间域和频率域。空间域直接在图像像素上操作，频率域，其操作是在图像的傅里叶变换上操作。本申请实施例中涉及的图像增强护理是指在空间域对图像像素进行处理。具体地，空间域图像增强处理的方式包括多种，例如代数运算、空间域滤波、直方图均衡、伽马变换等。本申请实施例不对采用的图像增强处理算法做具体限定，但是一般可以根据具体的天气类型采用最优的图像增强处理算法。

步骤206，基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

其中，当前帧图像的亮度值也即当前帧图像的亮度，是指图像的明亮程度。可以理解的是，对于同一图像获取装置，其在白天和黑夜中获取的图像的亮度是不同的，因此可以根据当前帧图像的明亮程度确定当前帧图像的自然获取环境时白天还是黑夜，然后基于不同的获取环境对当前帧图像采取不同的处理算法，以实现对交通信号灯的识别。具体地，可以通过区分标识区分白天黑夜，例如若当前帧图像对应的自然获取环境为白天，则当前帧图像的区分标识为1；若当前帧图像对应的自然获取环境为黑夜，则当前帧图像的区分标识为0。

步骤208，对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

需要说明的是，在本申请实施例中提及的图像拍摄设备是在路侧固定安装的，因此，对于一个信号灯组而言，在每一次获取的图像中的位置都是固定不变的。信号灯的预设位置即为信号灯在拍摄得到的图像中应在的位置或区域，一个信号灯组一般具有3个信号灯，也即有3个预设位置用来确定当前帧图像中3个信号灯的位置。

预设位置对应的区域形状可以是矩形，也可以是圆形；预设位置对应的区域大小根据实际应用场景下，图像中的信号灯所在区域的大小设定。需要说明的是，每一信号灯的预设位置对应的区域大小和形状在设定时应满足使整个信号灯在区域内的条件。具体地，在一个实施例中，在设定各信号灯的预设位置后，通过滑动窗的方式确定每一信号灯的位置，对处理后的当前帧图像进行裁剪，得到每一信号灯图像。

步骤210，计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

颜色值是指图像在HSV颜色模型中的颜色参数值，包括色调(H，Hue)、饱和度(S，Saturation)和明度(V，Value)。其中，色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°，紫色为300°；饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0％～100％，值越大，颜色越饱和；明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0％(黑)到100％(白)。

需要说明的是，有路侧的拍摄设备获取的当前帧图像是彩色的，且是RGB色彩模式的。将裁剪获得的每一信号灯的信号灯图像由RGB色彩模式转换为HSV颜色值，获取信号灯图像的每一颜色参数值，确定信号灯图像的颜色。具体地，将每一信号灯图像输入至HSV算法，能够得到信号灯图像中每一像素的色调、饱和度和明度；再根据每一像素的颜色参数值确定信号灯图像整体的颜色参数值。具体针对其中一个颜色值，例如色调H而言，可以将所有像素点的H值的均值作为图像整体的H值；还可以通过某种复杂的数学运算，由所有像素点的H值确定图像整体的H值，本申请对此不做具体限定。

信号灯图像的识别是通过交通信号灯分类模型进行分类确定的，其中，交通信号灯分类模型本质上是分类模型，在本申请实施例中是依据图像的HSV颜色值进行分类的。例如最简单的分类原理，交通灯分类模型通过预设阈值对图像的HSV颜色值进行处理，将图像分为4种，包括红色、黄色、绿色和其它，得到图像的分类结果。在一个实施例中，HSV颜色模型中，红色的HSV颜色值范围可以为：[0,43,46]～[10,255,255]∪[156,43,46]～[180,255,255]。

需要说明的是，交通灯分类模型的训练是通过在当前路口获取的大量交通信号灯图像样本完成的，图像样本可以是在不同时间段、不同天气下获取的。在模型训练过程中，还可以设置模型评估指标，通过模型评估指标判断训练得到的交通灯分类模型是否符合要求。

信号灯图像的亮度因子用于表示信号灯图像的明亮程度，是通过信号灯图像中每一像素的亮度值确定。

步骤212，基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

处理后的当前帧图像的区分标识能够表示当前帧图像的自然获取环境是否为白天，体现的是交通信号灯所在整体环境的明亮；而信号灯图像的亮度因子可以表示信号灯局部的明亮程度，通过两者共同确定当帧图像的自然获取环境是否为白天，提高判断效果，在白天环境下通过预设算法对每一信号灯图像的识别结果进行校验更正，避免因为白日光线较强使得交通信号灯颜色失真，例如图像中的红色颜色接近黄色。

预设条件中的预设位置即为信号灯组中每一信号灯的位置，可以理解的是，在本申请实施例中的信号灯组中，若信号灯亮起，其颜色是特定的，否则识别结果为空。具体地，可以通过位置编码算法将信号灯组中的3个信号灯的状态进行限定，作为预设条件对每一信号灯图像的识别结果进行校验，若校验错误，则根据预设条件对识别结果进行修正。

上述实施例提供的方法中，获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。通过在图像处理过程中增加特殊天气的处理算法，实现对天气变化的抗干扰性；通过增加算法切换参考因子，实现对不管是白天还是黑夜环境下获取的图像进行精准识别，提高交通信号灯的识别精度。

在其中一个实施例中，参见图5，预测当前帧图像的天气类型评判得分，包括：

步骤502，获取边缘检测算子与天气类型评判得分之间的拟合回归曲线方程，以及当前帧图像的至少一个边缘检测算子；

步骤504，将当前帧图像的至少一个边缘检测算子代入拟合回归曲线方程中，获得当前帧图像的天气类型评判得分。

其中，边缘检测算子是指在对图像中像素的某小领域构造的达到边缘检测的参数，常见的边缘检测算子包括Sobel算子、Roberts Cross算子、Prewitt算子、Canny算子、Laplacian算子等。拟合回归曲线方程用于计算天气类型评判得分，方程参数是通过大量在特殊天气下获取的图像和在晴天环境下获取的参考图像确定的，具体为计算他们的边缘检测算子和确定图像间的差距，进行数据拟合回归，确定参数。例如，在一个实施例中，使用Sobel算子和Laplacian算子对图像进行处理，则通过大量样本图像可以确定一下拟合回归曲线方程：

y＝k

其中，y为天气类型评判得分，k

需要说明的是，对于当前帧图像的边缘检测算子的计算方法本申请实施例不做具体限定。另外，采用的边缘检测算子的数量也不作具体限定，但是，需要强调的是，当前帧图像的边缘检测算子应当与拟合回归曲线方程中涉及的边缘检测算子类型一致，且计算方式一致。

上述实施例提供的方法中，通过对图像进行边缘检测，通过边缘检测算子对当前帧图像的自然获取环境的天气类型进行判断，进而对当前帧图像进行预处理，避免交通信号灯的信息被干扰，提高交通信号灯的识别效果。

在其中一个实施例中，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像，包括：

根据当前帧图像的天气类型评判得分，确定当前帧图像对应的天气类型；

根据当前帧图像对应的天气类型获取对应的图像增强算法，基于对应的图像增强算法对当前帧图像进行图像增强处理，得到处理后的当前帧图像。

天气类型是指图像的自然获取环境的天气类型，例如雨天、雾天、霾、霜、雹等，还可能是综合性天气，例如雨夹雪。由于自然环境的天气原因，获取的图像中的有用信息不够突出，需要对图像进行图像增强处理，以加强图像的识别效果，例如，在大雾天气能见度交底，获取的交通灯图像中也会包含雾，使得交通信号灯部分不够清晰。根据不同的天气类型选取合适的图像增强算法对图像进行处理，改善图像质量，提高信号灯的识别效果。

具体地，在一个实施例中，如识别到的天气类型为雨天，则可以通过伽马变换对当前帧图像进行处理，将当前帧图像的每一像素点作以下变换：

O(r,c)＝(c,r)

其中，O(r,c)为伽马变换输出的像素点的灰度值，I(c,r)

在另一个实施例中，若识别到的天气类型为雾天，则可以通过暗通道去雾算法对当前帧图像进行处理，原理为：

I(x)＝(x)t(x)+A(1-t())；

其中，I(x)是当前帧图像(待去雾)，J(x)是处理后的当前帧图像(已去雾)，A是全球大气光成分，t(x)是透射率。

上述实施例提供的方法中，通过天气类型选取不同的图像增强处理算法，提高每种天气环境下图像的处理效果，进而提高信号灯的识别效果。

在其中一个实施例中，计算每一信号灯图像的颜色值，包括：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的颜色值；

将所有颜色值大于零的像素点的颜色值的均值，作为任一信号灯图像的颜色值。

可以知道的是，在HSV颜色模型中，不管是哪个颜色参数，其值均是大于0的，因此，将信号灯图像中HSV颜色值小于0的像素点视为误差，根据剩余的像素点确定信号灯图像的HSV颜色值。以图像的色调为例：信号灯图像的色调

其中，m为信号灯图像中色调大于0的像素点的个数；h

在其中一个实施例中，计算每一信号灯图像的亮度因子，包括：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的亮度值；

获取每一像素点的亮度值与预设阈值的差值，将所有像素点对应的差值的均值作为任一信号灯图像的亮度因子。

其中，预设阈值的设定与图像的灰度等级有关，例如图像具有256个灰度等级时，也即像素值在0～255之间，任一信号灯图像的亮度因子

其中，g

上述实施例提供的方法中，通过简单的均值方式，由每一像素点确定信号灯图像的HSV颜色值和亮度因子，在保证信号灯图像的参数准确的情况下，提高处理效率。

在其中一个实施例中，初始识别结果包括信号灯颜色和信号灯位置；相应地，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果，包括：

获取每一信号灯图像的初始识别结果中的信号灯位置对应的预设颜色；

在预设颜色与每一信号灯图像的初始识别结果中的信号灯颜色不一致的情况下，根据预设颜色调整每一信号灯图像的初始识别结果，得到每一信号灯图像的最终识别结果。

预设颜色是指信号灯组中预设位置的信号灯在亮着时，也即具有识别结果时，其识别结果中应当包括的颜色，否则信号灯在不亮时其识别结果应为空。参见图4中的信号灯组，以信号灯401为例，其对应的第一预设位置对应的预设颜色为红色，在每一信号灯图像的初始识别结果中的信号灯颜色不为红色时，将每一信号灯图像的初始识别结果中的信号灯颜色校正为红色；在每一信号灯图像的初始识别结果中的信号灯颜色为红色时，则通过校验。

上述实施例提供的方法中，通过预设颜色对每一信号灯图像的识别结果进行校验和更正，提高交通信号灯的识别结果的准确率。

在其中一个实施例中，参见图6，方法还包括：

步骤602，根据任一信号灯组中所有信号灯图像的最终识别结果，确定任一信号灯组的初始识别结果；

步骤604，获取路口除任一信号灯组之外的所有信号灯组的参考识别结果，根据参考识别结果对任一信号灯组的识别结果进行校正和更新，得到任一信号灯组的最终识别结果。

可以理解的是，一个信号灯组的通信示意结果是由其中的3个信号灯综合确定的，因此，将任一信号灯组中所有信号灯图像的最终识别结果进行整合，确定任一信号灯组的初始识别结果。同时3个信号灯的最终识别结果之间可以还可以通过整合的方式，相互检验，3个信号灯的最终识别结果无法确定唯一一种通信状态的情况下，可以根据通过预先设置的3个信号灯之间的优先等级，确定任一信号灯组的初始识别结果。例如，信号灯组中第一个信号灯的识别结果为亮灯(红灯)，第二个信号灯的识别结果为亮灯(黄灯)，第三个信号灯的识别结果为空(不亮)，则第一个信号灯与第二个信号灯同时亮起，此时考虑通行安全性以红灯为主。

通常情况下，在一个路口会具有不止一个车道通行方向，即不止一个信号灯组，而此路口的所有信号灯组确定路口的交通灯相位，所有信号灯组之间遵循一定的规律以确保路口通行的安全性，因此可以通过预设相位组合或设定关联方向之间信号灯的识别结果的关系，对任一信号灯的初始识别结果进行检验校正。

例如在一个实施例中，以十字路口场景为例，相对方向(南与北、东与西)的所有信号灯组应为一致，参见图7。以北向左转车道的信号灯组为例，在其信号灯组的初始识别结果与南向左转车道的信号灯组的初始识别结果不一致的情况下，根据东向和西向的车道的所有信号灯组的初始识别结果进行判断，若南向左转车道的信号灯组的初始识别结果、东向和西向的车道的所有信号灯组的初始识别结果符合信号灯相位条件，则将北向左转车道的信号灯组的识别结果更改为与南向左转车道的信号灯组的初始识别结果一致；其它情景类似，除存在无法修正的情况下，说明此种交通信号灯识别方法存在故障，无法输出正确的识别结果，可通过其它方式对信号灯进行识别。

上述实施例提供的方法中，通过路口所有信号灯组的初始识别结果之间的约束关系，对信号灯组的初始识别结果进行校验，提高信号灯识别结果的有效性。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的交通信号灯识别方法的交通信号灯识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个交通信号灯识别装置实施例中的具体限定可以参见上文中对于交通信号灯识别方法的限定，在此不再赘述。

在一个实施例中，如图8所示，提供了一种交通信号灯识别装置，包括：图像获取模块801、图像预处理模块802、标识确定模块803、图像裁剪模块804、图像识别模块805和结果确定模块806，其中：

图像获取模块801，用于获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

图像预处理模块802，用于预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

标识确定模块803，用于基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

图像裁剪模块804，用于对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

图像识别模块805，用于计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

结果确定模块806，用于基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

在其中一个实施例中，图像预处理模块802还用于：

获取边缘检测算子与天气类型评判得分之间的拟合回归曲线方程，以及当前帧图像的至少一个边缘检测算子；

将当前帧图像的至少一个边缘检测算子代入拟合回归曲线方程中，获得当前帧图像的天气类型评判得分。

在其中一个实施例中，图像预处理模块802还用于：

根据当前帧图像的天气类型评判得分，确定当前帧图像对应的天气类型；

根据当前帧图像对应的天气类型获取对应的图像增强算法，基于对应的图像增强算法对当前帧图像进行图像增强处理，得到处理后的当前帧图像。

在其中一个实施例中，图像识别模块805还用于：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的颜色值；

将所有颜色值大于零的像素点的颜色值的均值，作为任一信号灯图像的颜色值。

在其中一个实施例中，图像识别模块805还用于：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的亮度值；

获取每一像素点的亮度值与预设阈值的差值，将所有像素点对应的差值的均值作为任一信号灯图像的亮度因子。

在其中一个实施例中，结果确定模块806还用于：

获取每一信号灯图像的初始识别结果中的信号灯位置对应的预设颜色；

在预设颜色与每一信号灯图像的初始识别结果中的信号灯颜色不一致的情况下，根据预设颜色调整每一信号灯图像的初始识别结果，得到每一信号灯图像的最终识别结果。

在其中一个实施例中，交通信号灯识别装置还包括结果校验模块，用于：

根据任一信号灯组中所有信号灯图像的最终识别结果，确定任一信号灯组的初始识别结果；

获取路口除任一信号灯组之外的所有信号灯组的参考识别结果，根据参考识别结果对任一信号灯组的识别结果进行校正和更新，得到任一信号灯组的最终识别结果。

上述交通信号灯识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交通信号灯识别方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取边缘检测算子与天气类型评判得分之间的拟合回归曲线方程，以及当前帧图像的至少一个边缘检测算子；

将当前帧图像的至少一个边缘检测算子代入拟合回归曲线方程中，获得当前帧图像的天气类型评判得分。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据当前帧图像的天气类型评判得分，确定当前帧图像对应的天气类型；

根据当前帧图像对应的天气类型获取对应的图像增强算法，基于对应的图像增强算法对当前帧图像进行图像增强处理，得到处理后的当前帧图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的颜色值；

将所有颜色值大于零的像素点的颜色值的均值，作为任一信号灯图像的颜色值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的亮度值；

获取每一像素点的亮度值与预设阈值的差值，将所有像素点对应的差值的均值作为任一信号灯图像的亮度因子。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取每一信号灯图像的初始识别结果中的信号灯位置对应的预设颜色；

在预设颜色与每一信号灯图像的初始识别结果中的信号灯颜色不一致的情况下，根据预设颜色调整每一信号灯图像的初始识别结果，得到每一信号灯图像的最终识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据任一信号灯组中所有信号灯图像的最终识别结果，确定任一信号灯组的初始识别结果；

获取路口除任一信号灯组之外的所有信号灯组的参考识别结果，根据参考识别结果对任一信号灯组的识别结果进行校正和更新，得到任一信号灯组的最终识别结果。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取边缘检测算子与天气类型评判得分之间的拟合回归曲线方程，以及当前帧图像的至少一个边缘检测算子；

将当前帧图像的至少一个边缘检测算子代入拟合回归曲线方程中，获得当前帧图像的天气类型评判得分。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据当前帧图像的天气类型评判得分，确定当前帧图像对应的天气类型；

根据当前帧图像对应的天气类型获取对应的图像增强算法，基于对应的图像增强算法对当前帧图像进行图像增强处理，得到处理后的当前帧图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的颜色值；

将所有颜色值大于零的像素点的颜色值的均值，作为任一信号灯图像的颜色值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的亮度值；

获取每一像素点的亮度值与预设阈值的差值，将所有像素点对应的差值的均值作为任一信号灯图像的亮度因子。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取每一信号灯图像的初始识别结果中的信号灯位置对应的预设颜色；

在预设颜色与每一信号灯图像的初始识别结果中的信号灯颜色不一致的情况下，根据预设颜色调整每一信号灯图像的初始识别结果，得到每一信号灯图像的最终识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据任一信号灯组中所有信号灯图像的最终识别结果，确定任一信号灯组的初始识别结果；

获取路口除任一信号灯组之外的所有信号灯组的参考识别结果，根据参考识别结果对任一信号灯组的识别结果进行校正和更新，得到任一信号灯组的最终识别结果。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取路口的任一方向的当前帧图像；当前帧图像中包括至少一个信号灯组；

预测当前帧图像的天气类型评判得分，根据天气类型评判得分对当前帧图像进行图像增强处理，得到处理后的当前帧图像；天气类型评判得分用于指示图像的自然获取环境的天气类型；

基于处理后的当前帧图像的亮度值，确定处理后的当前帧图像对应的区分标识；区分标识用于区分图像的自然获取环境为白天或夜晚；

对于任一信号灯组，基于各信号灯的预设位置对处理后的当前帧图像进行裁剪，得到任一信号灯组中每一信号灯的信号灯图像；

计算每一信号灯图像的颜色值和亮度因子，根据每一信号灯图像的颜色值，确定每一信号灯图像的初始识别结果；

基于区分标识和每一信号灯图像的亮度因子，确定当前帧图像的自然获取环境类型；在当前帧图像的自然获取环境为白天的情况下，根据预设条件对每一信号灯图像的初始识别结果进行校验和更新，确定每一信号灯图像的最终识别结果；预设条件用于指示信号灯组中预设位置的信号灯的识别结果为固定值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取边缘检测算子与天气类型评判得分之间的拟合回归曲线方程，以及当前帧图像的至少一个边缘检测算子；

将当前帧图像的至少一个边缘检测算子代入拟合回归曲线方程中，获得当前帧图像的天气类型评判得分。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据当前帧图像的天气类型评判得分，确定当前帧图像对应的天气类型；

根据当前帧图像对应的天气类型获取对应的图像增强算法，基于对应的图像增强算法对当前帧图像进行图像增强处理，得到处理后的当前帧图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的颜色值；

将所有颜色值大于零的像素点的颜色值的均值，作为任一信号灯图像的颜色值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对于任一信号灯图像，获取任一信号灯图像中每一像素点的亮度值；

获取每一像素点的亮度值与预设阈值的差值，将所有像素点对应的差值的均值作为任一信号灯图像的亮度因子。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取每一信号灯图像的初始识别结果中的信号灯位置对应的预设颜色；

在预设颜色与每一信号灯图像的初始识别结果中的信号灯颜色不一致的情况下，根据预设颜色调整每一信号灯图像的初始识别结果，得到每一信号灯图像的最终识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据任一信号灯组中所有信号灯图像的最终识别结果，确定任一信号灯组的初始识别结果；

获取路口除任一信号灯组之外的所有信号灯组的参考识别结果，根据参考识别结果对任一信号灯组的识别结果进行校正和更新，得到任一信号灯组的最终识别结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。