本发明公开了一种基于图像的尾灯检测与识别方法，该方法利用普通摄像头采集得到的前方车辆的实时图像，通过梯度锐化和图像剪切进行预处理；结合HSI和RGB颜色空间进行自适应阈值分割，提取尾灯的颜色信息；通过滤波去噪和形态学变换，提取轮廓并利用几何条件约束同组尾灯；基于SVM对状态信息分层处理，并输出前车尾灯图像的语义解释。本发明作为车载先进驾驶辅助系统中的重要一环，针对复杂城市环境下前车尾灯的检测与状态信息判断问题有较好的处理效果以及实时处理能力。
1.一种基于图像的尾灯检测与识别方法，其特征在于：包括如下步骤：
步骤S1)、利用普通摄像头采集前方车辆的实时图像，并利用梯度锐化方法增强实时图像的对比度，然后对实时图像进行切割，并取图像的下方4/5部分作为待检测的彩色图像；
步骤S2)、采用多色彩空间的信息特征交互方法，对待检测的彩色图像进行分割，由此得到尾灯区域图像；具体步骤如下：步骤S21)、将步骤S1得到的待检测的彩色图像转入HSI空间，归一化后以红色特征为分割条件，采用如下阈值分割得到初步分割尾灯区域：将满足上述条件的像素点标为白色，不满足上述条件的像素点标为黑色；
步骤S22)、利用图像间的运算，在步骤S1图像上保留HSI空间的分割结果，即得到叠加了HSI初步分割结果的RGB空间彩色图像；
步骤S23)、在RGB色彩空间中，将步骤S22得到的彩色图像分割为三个颜色通道，利用自适应阈值分割法对红色通道图像进行阈值分割，同步骤S21，满足阈值条件的像素点标为白色，不满足阈值条件的像素点标为黑色，得到精细化分割的尾灯区域；
步骤S3)、提取轮廓信息，利用几何约束条件匹配最相似的尾灯区域为一组尾灯对；具体步骤如下：步骤S31)、对步骤S2得到的尾灯区域图像进行滤波去噪，消除图像中存在的小椒盐噪声点；进行形态学处理，弥补割裂的尾灯区域内部的孔洞，促使原连通域继续保持连通，得到许多不规则连通域；
步骤S32)、遍历步骤S31得到的图像中的不规则连通域，得到连通域的最小外接矩形，并储存外接矩形的几何信息，采用几何约束条件将最相似的两个连通域匹配为同一组尾灯对，并在步骤1得到的图像上将匹配到的尾灯对区域标识出来；
步骤S4)、构造多色彩空间信息融合的分类特征向量，用于SVM的训练及测试；具体步骤如下：步骤S41)、将步骤S32得到的尾灯对区域设置为感兴趣区域ROI，减少处理的复杂度，提高识别效率；
步骤S42)、将步骤S41得到的ROI图像转入L*a*b*空间，并分为L*、a*、b*三个通道；将步骤S41得到的ROI图像转入HSV空间，并分为H、S、V三个通道；融合L*、S、V通道信息构造色彩空间L*SV，并分左右尾灯区域，求得L*SV空间下检测出的尾灯区域的各色彩通道的平均灰度值以及整个尾灯对区域的L*和V通道上的平均灰度值；将色彩空间融合信息排列为8维特征向量；
步骤S5)、利用支持向量机SVM分层判断尾灯蕴含的灯语信息；具体步骤如下：
步骤S51)、在图像数据库中选取3类样本集，对3类中的每一类样本区分正负样本，依照上述步骤得到3个特征向量构成的矩阵，其中正样本标记为1，负样本标记为-1；将矩阵输入SVM进行训练，得到3个用于测试的SVM分类器，分别为SVM1、SVM2、SVM3；
步骤S52)、将步骤S4得到的特征向量输入经过步骤S51训练好的SVM分类器进行尾灯灯语的分层状态识别与判断，并将判断结果转化为标记；
步骤S6)、依据步骤S52的状态标记，输出相应的语义解释，完成前车尾灯状态的识别。
2.根据权利要求1所述的基于图像的尾灯检测与识别方法，其特征在于：步骤S1)中，对输入图像进行图像的预处理，采用梯度锐化方法增强原图的对比度，梯度锐化采用拉普拉斯锐化方法，采用的拉普拉斯核为：并切割原图，取原图的下方4/5部分作为尾灯实际检测区域。
3.根据权利要求1所述的基于图像的尾灯检测与识别方法，其特征在于：步骤S23)中，在RGB空间对尾灯区域精细分割采用的自适应阈值分割方法为最大类间方差法。
4.根据权利要求1所述的基于图像的尾灯检测与识别方法，其特征在于：步骤S31)中，形态学处理所需的结构元素定义为5*5的椭圆，最大化保留尾灯区域原特征；
步骤S32)中，求得的最小外接矩形轮廓信息保存为包含矩形长L、宽W、面积A、中心点坐标(Midx，Midy)的结构体数组Rec；尾灯对匹配过程中的几何约束条件具体如下，涉及两个轮廓的长、宽、面积相似度以及中心点坐标与图像坐标的关系：Kx1×Rec[i].L≤|Rec[i].Midx-Rec[k].Midx|≤kx2×Rec[i].L|Rec[i].A-Rec[k].A|≤KA×min{Rec[i].A，Rec[k].A}KW1×Rec[i].W≤Rec[k].W≤KW2×Rec[i].W
KL1×Rec[i].L≤Rec[k].L≤KL2×Rec[i].L
|Rec[i].Midy-Rec[k].Midy|≤Ky
其中Rec[i]、Rec[k]为待匹配的两个轮廓，Kx1、Kx2、KA、KW1、KW2、KL1、KL2、Ky为经由实验设定的先验参数，若检测到的连通域轮廓面积过大，则是前车车身为红色，而且不是误识别整张图像为一个轮廓，不转入匹配尾灯对过程，直接转入步骤S4自定义特征向量提取过程。
5.根据权利要求4所述的基于图像的尾灯检测与识别方法，其特征在于：步骤S41)中，若步骤S3经检测确定为红色车辆，对红色车身造成的检测区域面积过大问题有对应的解决方案，即自定义检测到的整个车身部分为ROI区域，并在步骤S42中自定义左右尾灯区域提取特征向量。
6.根据权利要求5所述的基于图像的尾灯检测与识别方法，其特征在于：步骤S51)中，SVM1处理是否转向的问题，即通过SVM的第一级分类器，要确定转向或者不转向的状态识别分类；SVM2处理是否刹车的问题，即通过SVM的第二级分类器，要确定刹车或者灯不亮的状态识别分类；SVM3处理转向方向的问题，即通过SVM的第三级分类器，要确定左转或者右转的状态识别分类；因此选取3类用于不同分类目的的样本集，其中用于SVM1训练的样本集中正样本为转向车辆图像，负样本为刹车或正常行驶车辆图像；用于SVM2训练的样本集中正样本为刹车车辆图像，负样本为正常行驶车辆图像；用于SVM3训练的样本集中正样本为右转车辆图像，负样本为左转车辆图像；
步骤S52)的基于SVM的尾灯状态分层判断步骤具体如下：
步骤S521)、将步骤S4得到的特征向量输入SVM1中进行判断，若判断结果为非转向，转入步骤S522，否则转入步骤S523；
步骤S522)、特征向量输入SVM2进行判断，若判断结果为刹车，置标志位到刹车状态，否则置标志位到灯不亮状态；
步骤S523)、特征向量输入SVM3进行判断，若判断结果为左转，置标志位到左转状态，否则置标志位到右转状态。
7.根据权利要求6所述的基于图像的尾灯检测与识别方法，其特征在于：步骤S6)依据步骤S52的状态标记，输出相应的语义解释，完成前车尾灯状态的识别，前车尾灯的状态判断结果以文字形式作为最终输出，其中“hold”表示前车处于正常行驶即灯不亮的状态，“stop”表示前车处于刹车状态，“turn left”表示前车处于左转状态，“turn right”表示前车处于右转状态。
基于图像的尾灯检测与识别方法
技术领域
[0001] 本发明属于图像处理领域，具体涉及一种基于图像的尾灯检测与识别方法。
背景技术
[0002] 道路交通安全问题是一个全球性的问题，如何利用智能驾驶辅助系统帮助驾驶员规避安全风险成为当下热门的话题。智能驾驶辅助系统侧重于对周围的行车环境有一个全面的感知，比如提供给驾驶员有关道路、周围车辆、交通标志等信息，从而帮助驾驶员对汽车的行驶路线有一个安全的规划。目前相关研究多集中在道路检测、交通灯识别、行人检测和障碍物识别等方面，但针对周围车辆对本车的行驶状态影响的研究较少。前车的尾灯信息即灯语作为向其他车辆表达本车路线规划的重要手段，是周围行车环境研究的重点所在。
[0003] 目前，尾灯检测识别研究集中于夜间车辆检测，采用的方法有提取尾灯形状、颜色、运动特征等。由于夜间前车尾灯的亮度较大，对于低成本的图像采集设备而言，在尾灯检测时对采集得到的图像进行颜色特征的提取比较方便稳定。在处理颜色特征时，不同的研究者依据处理的侧重点选用了不同的颜色模型进行处理。如Nagumo S等学者(Nagumo S,Hasegawa H,Okamoto N.Extraction of forward vehicles by front-mounted camera using brightness information[C]//Electrical and Computer Engineering,2003.IEEE CCECE 2003.Canadian Conference on.IEEE,2003,2:1243-1246)选用YCrCb颜色模型分割出夜间车尾灯区域并运用关键位置特征对尾灯对匹配验证；O'Malley R等人(O'Malley R,Jones E,Glavin M.Rear-lamp vehicle detection and tracking in low-exposure color video for night conditions[J],Intelligent Transportation Systems,IEEE Transactions on,2010,11(2):453-462)使用HSV模型对汽车尾灯区域进行了研究，采用大量的实景图像样本，经统计分析得到了HSV空间中尾灯分割阈值；刘勃等人(刘勃,周荷琴,魏铭旭.基于颜色和运动信息的夜间车辆检测方法[J].中国图象图形学报:
A辑,2005,10(2):187-191.)在RGB颜色空间中进行了研究，衡量每个像素的红色分量比例，以确定像素是否属于尾灯区域，然后用跟踪算法匹配尾灯对。但是上述研究由于只针对单一的颜色空间进行尾灯区域的检测分割，会对使用的颜色空间有极强的依赖性，导致信息的不完整，严重者会使尾灯区域无法提取。此外，多数研究只提取检测了前车的尾灯区域并用于车辆的实时跟踪，对尾灯图像所蕴含的灯语信息不做语义解释。
[0004] 如何提高复杂城市环境下尾灯检测的准确性及鲁棒性，同时对尾灯的灯语信息进行语义解释一直是先进驾驶辅助系统(ADAS)亟待解决的关键问题。本发明提出了一种基于图像的尾灯检测与识别方法，能够有效提高前车尾灯区域的检测精度，并对尾灯状态图像进行语义解释，弥补现有方法在尾灯状态识别领域的空缺。
发明内容
[0005] 本发明为了解决现有尾灯检测方法对单一颜色空间的过度依赖性导致的尾灯检测准确率低的问题，同时为了弥补在尾灯状态识别方向现有方法的空缺，提出了一种基于图像的尾灯检测与识别方法。该方法利用普通摄像头采集得到的前方车辆的实时图像，通过梯度锐化和图像剪切进行预处理；结合HSI和RGB颜色空间进行自适应阈值分割，提取尾灯的颜色信息；通过滤波去噪和形态学变换，提取轮廓并利用几何条件约束同组尾灯；基于SVM对状态信息分层处理，并输出前车尾灯图像的语义解释。
[0006] 本发明是采用如下技术方案实现的：
[0007] 一种基于图像的尾灯检测与识别方法，包括如下步骤：
[0008] 步骤S1、利用普通摄像头采集前方车辆的实时图像，并利用梯度锐化方法增强实时图像的对比度，然后对实时图像进行切割，并取图像的下方4/5部分作为待检测图像。
[0009] 步骤S2、采用多色彩空间的信息特征交互方法，对待检测图像进行分割，由此得到尾灯区域图像；具体步骤如下：
[0010] 步骤S21)、将步骤S1得到的彩色图像转入HSI空间，归一化后以红色特征为分割条件，采用如下阈值分割得到初步分割尾灯区域：
[0011]
[0012] 将满足阈值条件的像素点标为白色，不满足的像素点标为黑色；
[0013] 步骤S22)、利用图像间的运算，先加后减，在步骤S1图像上保留HSI空间的分割结果；
[0014] 步骤S23)、在RGB色彩空间中，将步骤S22得到的彩色图像分割为三个颜色通道，利用自适应阈值分割法对红色通道图像进行阈值分割，同步骤S21，满足条件的像素点标为白色，不满足的像素点标为黑色，得到精细化分割的尾灯区域。
[0015] 步骤S3、提取轮廓信息，利用几何约束条件匹配最相似的尾灯区域为一组尾灯对；具体步骤如下：
[0016] 步骤S31)、对步骤S2得到的尾灯区域图像进行滤波去噪，消除图像中存在的小椒盐噪声点；进行形态学处理，弥补割裂的尾灯区域内部的孔洞，促使原连通域继续保持连通，得到许多不规则连通域；
[0017] 步骤S32)、遍历步骤S31得到的图像中的不规则连通域，得到连通域的最小外接矩形，并储存外接矩形的几何信息，采用几何约束条件将最相似的两个连通域匹配为同一组尾灯对，并在步骤1得到的图像上将匹配到的尾灯对区域标识出来。
[0018] 步骤S4、构造多色彩空间信息融合的分类特征向量，用于SVM的训练及测试；具体步骤如下：
[0019] 步骤S41)、将步骤S32得到的尾灯对区域设置为感兴趣区域ROI，减少处理的复杂度，提高识别效率；
[0020] 步骤S42)、将步骤S41得到的ROI图像转入L*a*b*空间，并分为L*、a*、b*三个通道；将步骤S41得到的ROI图像转入HSV空间，并分为H、S、V三个通道；融合L*、S、V通道信息构造色彩空间L*SV，并分左右尾灯区域，求得该空间下检测出的尾灯区域的各色彩通道的平均灰度值以及整个尾灯对区域的L*和V通道上的平均灰度值；将色彩空间融合信息排列为8维特征向量。
[0021] 步骤S5、利用支持向量机SVM分层判断尾灯蕴含的灯语信息；具体步骤如下：
[0022] 步骤S51)、在图像数据库中选取3类样本集，分类正负样本，依照上述步骤得到3个特征向量构成的矩阵，其中正样本标记为1，负样本标记为-1；将矩阵输入SVM进行训练，得到3个用于测试的SVM分类器，分别为SVM1、SVM2、SVM3；
[0023] 步骤S52)、将步骤S4得到的特征向量输入经过步骤S51训练好的SVM分类器进行尾灯灯语的分层状态识别与判断，并将判断结果转化为标记。
[0024] 步骤S6、依据步骤S52的状态标记，输出相应的语义解释，完成前车尾灯状态的识别。
[0025] 本发明作为车载先进驾驶辅助系统中的重要一环，针对复杂城市环境下前车尾灯的检测与状态信息判断问题有较好的处理效果以及实时处理能力。
[0026] 本发明方法的有益效果如下：
[0027] 1、基于多颜色空间的检测能够避免单一空间检测的不确定性，同时对尾灯区域的检测分割更加精准。
[0028] 2、基于轮廓的尾灯对匹配过程采用了较多的约束条件，保证了较少的误匹配以及尾灯对定位的高精度。
[0029] 3、用于SVM检测的分类特征向量维度较低，大幅度减少SVM的模型训练时间，显著增强了判断效率。
[0030] 4、分层次的SVM判断方法能够高效准确分类尾灯的实际状态，同时减少了对单一SVM的判断依赖性和训练复杂性。
[0031] 5、针对极易引起判断错误的红色车身车辆，自定义特征向量提取方法，能够正确处理红色车辆，弥补了现有方法的不足。
附图说明
[0032] 图1表示本发明所述基于图像的尾灯检测与识别方法的流程图。
[0033] 图2a表示输入原图。
[0034] 图2b表示经过锐化和切割的待检测图像。
[0035] 图3a表示待分割图像。
[0036] 图3b表示多颜色空间的尾灯区域最终分割结果。
[0037] 图3c表示滤波去噪和形态学处理之后的尾灯区域图像。
[0038] 图3d表示匹配尾灯对并标注的图像。
[0039] 图4表示尾灯对匹配的流程图。
[0040] 图5表示SVM的分层判断策略。
[0041] 图6a表示单车辆识别结果。
[0042] 图6b表示多车辆识别结果。
具体实施方式
[0043] 下面结合附图对本发明的具体实施例进行详细说明。
[0044] 一种基于图像的尾灯检测与识别方法，如图1为方法流程图，包括如下步骤：
[0045] 步骤S1、对输入图像进行图像的预处理，采用梯度锐化方法增强原图的对比度，梯度锐化采用拉普拉斯锐化方法，采用的拉普拉斯核为：
[0046]
[0047] 并切割原图，取原图的下方4/5部分作为尾灯实际检测区域；如图2a为输入原图，图2b为经过锐化和切割的待检测图像。
[0048] 步骤S2、基于颜色特征分割得到尾灯区域，采用多色彩空间的信息特征交互方法，具体步骤如下：
[0049] 步骤S21)、将步骤S1得到的彩色图像转入HSI空间，归一化后以红色特征为分割条件，采用如下阈值分割得到初步分割尾灯区域：
[0050]
[0051] 将满足阈值条件的像素点标为白色，即设置像素灰度值为255，不满足的像素点标为黑色，即设置像素灰度值为0。
[0052] 步骤S22)、利用图像间的运算，先加后减，在步骤S1图像上保留HSI空间的分割结果。
[0053] 步骤S23)、在RGB色彩空间中，将步骤S22得到的彩色图像分割为三个颜色通道R、G、B，利用自适应阈值分割法对R通道即红色通道图像进行阈值分割，这里采用最大类间方差法又称大津法(OTSU法)分割能够获得较好的分割效果，同步骤S21，满足条件的像素点标为白色，设置像素灰度值为255，不满足的像素点标为黑色，设置像素灰度值为0，得到精细化分割的尾灯区域；如图3a为待分割图像，图3b为多颜色空间的尾灯区域最终分割结果。
[0054] 步骤S3、提取轮廓信息，利用几何约束条件匹配最相似的尾灯区域为一组尾灯对，具体步骤如下：
[0055] 步骤S31)对步骤S2得到的尾灯区域图像采用中值滤波方式进行滤波去噪，消除图像中存在的小椒盐噪声点；进行形态学处理，闭操作之后膨胀若干次，弥补割裂的尾灯区域内部的孔洞，促使原连通域继续保持连通，得到许多不规则连通域；其中形态学处理所需的结构元素定义为5*5的椭圆，闭操作进行了7次，膨胀进行了3次，既能够最大化保留尾灯区域原特征，又不扩大尾灯区域；如图3b为多颜色空间的尾灯区域最终分割结果，图3c为滤波去噪和形态学处理之后的尾灯区域图像。
[0056] 步骤S32)、遍历步骤S31得到的图像中的不规则连通域，求得各个连通域的轮廓，再以矩形逼近轮廓得到连通域的最小外接矩形，并储存外接矩形的几何信息，采用几何约束条件将最相似的两个连通域匹配为同一组尾灯对，并在步骤S1得到的图像上将检测到的尾灯区域以绿色框标识出来，匹配到的尾灯对区域以红色框标识出来；如图3a为待检测图像，图3d为匹配尾灯对并标注的图像；求得的最小外接矩形轮廓信息保存为包含矩形长(L)、宽(W)、面积(A)、中心点坐标(Midx，Midy)的结构体数组Rec；尾灯对匹配过程中的几何约束条件具体如下，涉及两个轮廓的长、宽、面积相似度以及中心点坐标与图像坐标的关系：
[0057] Kx1×Rec[i].L≤|Rec[i].Midx-Rec[k].Midx|≤Kx2×Rec[i].L
[0058] |Rec[i].A-Rec[k].A|≤KA×min{Rec[i].A,Rec[k].A}
[0059] KW1×Rec[i].W≤Rec[k].W≤KW2×Rec[i].W
[0060] KL1×Rec[i].L≤Rec[k].L≤KL2×Rec[i].L
[0061] |Rec[i].Midy-Rec[k].Midy|≤Ky
[0062] 其中Rec[i]、Rec[k]为待匹配的两个轮廓，Kx1＝1、Kx2＝10、KA＝2、KW1＝0.5、KW2＝1.5、KL1＝0.5、KL2＝1.5、Ky＝13为经由实验主观设定的先验参数，若检测到的连通域轮廓面积过大，此处设置为3000≤Rec[i].A≤30000，则有可能是前车车身为红色且不是误识别整张图像为一个轮廓，不转入匹配尾灯对过程，直接转入步骤S4自定义特征向量提取过程，如图4为尾灯对匹配的流程图。
[0063] 步骤S4、构造多色彩空间信息融合的分类特征向量，用于SVM的训练及测试，具体步骤如下：
[0064] 步骤S41)、将步骤S3得到的尾灯对区域设置为感兴趣区域(ROI)，减少处理的复杂度，提高识别效率；若步骤S3经检测确定为红色车辆，对红色车身造成的检测区域面积过大问题有针对性的处理策略，自定义检测到的整个车身部分为ROI区域，并在步骤S42中自定义左右尾灯区域提取特征向量。
[0065] 步骤S42)、将步骤S41得到的ROI图像转入L*a*b*空间，并分为L*、a*、b*三个通道；将步骤S41得到的ROI图像转入HSV空间，并分为H、S、V三个通道；融合L*、S、V通道信息构造色彩空间L*SV，并依据储存的尾灯对信息区分左右尾灯区域，求得该空间下检测出的尾灯区域的各色彩通道的平均灰度值以及整个尾灯对区域的L*和V通道上的平均灰度值；将色彩空间融合信息排列为8维特征向量，具体排列顺序为：左灯的L*、S、V通道平均灰度值，右灯的L*、S、V通道平均灰度值，尾灯对ROI图像L*、V通道平均灰度值；由于构造的多色彩空间信息融合特征向量维度较低，在训练SVM模型的时间和效率上较现有方法而言提升幅度大。
[0066] 步骤S5、利用支持向量机(SVM)分层判断尾灯蕴含的灯语信息，完整的尾灯组一般应包含转向、刹车、后位、应急、雾灯和倒车灯等部分，行车过程中这些尾灯对于后排车辆的提示的作用方式并不相同，但是一般来说区别仅仅是亮灭形式和颜色状态；其中最值得研究的是转向与刹车灯的表现情况，转向灯表明了车辆当前的行驶路线是否需要发生变化，如转弯或变车道；刹车灯表明了车辆当前的行驶速度是否需要变化，如减速或急刹，故通过重点研究转向与刹车灯的状态变化，能够很有效的把握前方车辆信息，具体步骤如下：
[0067] 步骤S51)、用于训练和测试的图像来源于实际拍摄图片、网络资源图像以及标准数据集，选择不同时间，不同天气，不同光线，不同尾灯配置等多种情况下的图片建立图像数据库，在图像数据库中选取3类样本集，分类正负样本，依照上述步骤得到3个特征向量构成的矩阵，其中正样本标记为1，负样本标记为-1；将矩阵输入SVM进行训练，得到3个用于测试的SVM分类器，分别为SVM1、SVM2、SVM3；其中，SVM1处理是否转向的问题，即通过SVM的第一级分类器，要确定转向或者不转向的状态识别分类；SVM2处理是否刹车的问题，即通过SVM的第二级分类器，要确定刹车或者灯不亮的状态识别分类；SVM3处理转向方向的问题，即通过SVM的第三级分类器，要确定左转或者右转的状态识别分类；因此选取3类用于不同分类目的的样本集，其中用于SVM1训练的样本集中正样本为转向车辆图像，负样本为刹车或正常行驶车辆图像；用于SVM2训练的样本集中正样本为刹车车辆图像，负样本为正常行驶车辆图像；用于SVM3训练的样本集中正样本为右转车辆图像，负样本为左转车辆图像；
[0068] 步骤S52)、将步骤S4得到的8维特征向量输入经过步骤S51训练好的SVM分类器进行尾灯灯语的分层状态识别与判断，并将判断结果转化为标记；基于SVM的尾灯状态分层判断步骤如图5为SVM的分层判断策略，具体如下：
[0069] 步骤S521)、将步骤S4得到的特征向量输入SVM1中进行判断，若判断结果为非转向，转入步骤S522，否则转入步骤S523；
[0070] 步骤S522)、特征向量输入SVM2进行判断，若判断结果为刹车，置标志位到刹车状态，否则置标志位到灯不亮状态；
[0071] 步骤S523)、特征向量输入SVM3进行判断，若判断结果为左转，置标志位到左转状态，否则置标志位到右转状态。
[0072] 步骤S6、依据步骤S52的状态标记，输出相应的语义解释，完成前车尾灯状态的识别，此处仅以文字形式输出前车尾灯的状态判断结果，其中“hold”表示前车处于正常行驶即灯不亮的状态，“stop”表示前车处于刹车状态，“turn left”表示前车处于左转状态，“turn right”表示前车处于右转状态，如图6a为单车辆识别结果，图6b为多车辆识别结果。
[0073] 本发明中具体实施例的实验环境为VS2015搭载OpenCV3.1库，基于个人64位win10系统PC，配置CPU Intel(R)Core(TM)i5-6300HQ@2.30GHz，内存8GB 2133MHz。程序代码基于C++编程语言编写，其中图像处理用到了OpenCV库中的处理函数，SVM分类器使用了CvSVM，并选取了RBF径向核用于模型的训练。
[0074] 以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化，均属于本发明技术方案的范围内。
