(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210647440.0 (22)申请日 2022.06.09 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 李军　王子文　张礼轩　张书恒　 潘治豪　王有为　徐文涛　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 徐新艳 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/20(2022.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06V 10/141(2022.01) (54)发明名称 一种基于图像处理的特殊场景下交通标志 识别方法 (57)摘要 本申请提供了一种基于图像处理的特殊场 景下交通标志识别方法。 将含有交通标志的原始 图像转换到转化到HSV颜色空间， 如果原始图像 存在欠曝光或过曝光， 则采用曝光度梯度调整 方 法改善图像曝光； 采用暗通道先验法获得原始图 像对应的暗通道图像， 如果暗通道图像中存在雾 霾， 则采用自动色阶算法对雾霾图像去雾处理； 将经过复合增强算法后的图像输入改进的神经 网络模型， 输出各种天气场景下的交通标志的位 置和类别识别结果。 此申请提高了原始交通标志 检测识别方法在特殊天气场景下的检测精度， 具 有良好的实用价 值。 权利要求书2页 说明书7页 附图1页 CN 115187954 A 2022.10.14 CN 115187954 A 1.一种基于图像处 理的特殊场景 下交通标志 识别方法， 其特 征在于， 所述方法包括： 将含有交通标志的原始图像转换到转化到HSV颜色空间， 如果原始图像存在欠曝光或 过曝光， 则采用曝光度梯度调整方法改善图像曝光； 采用暗通道先验法获得原始图像对应的暗通道图像， 如果暗通道图像中存在雾霾， 则 采用自动色阶算法对雾霾图像去雾处 理； 将经过复合增强算法后的图像输入改进的神经网络模型， 输出各种天气场景下的交通 标志的位置和类别识别 结果； 其中， 神经网络模型以YOLOv5神经网络模型为基础进行优化 处理， 优化处理包括对网络模型检测 部分输出特征图尺寸， 以及采用Soft ‑NMS方法进行预 测框的选择。 2.根据权利要求1所述的方法， 其特征在于， 将含有交通标志的原始图像转换到转化到 HSV颜色空间， 如果原始图像存在欠曝光或过曝光， 则采用曝光度梯度调整 方法改善图像曝 光， 包括： 将原始图像从RGB颜色空间转换到 HSV色彩空间； 将V通道图像平均分为多个区域， 并计算每个区域内V通道平均数值， 如果V通道平均数 值超过正常范围的区域所占比例， 则认为原 始图像曝光异常； 将曝光异常的图像在V通道上根据每 个像素点V的大小做梯度增强， 进行增强或减小。 3.根据权利要求2所述的方法， 其特征在于， 将V通道图像平均分为多个区域， 并计算每 个区域内V通道平均数值， 如果V通道平均数值超过正常范围的区域所占比例， 则认为原始 图像曝光异常， 包括： 将原始图像的大小统一设置为1024 ×1024， 将RGB色彩空间中的图像转换到HSV色彩通 道； 图像划分为8 ×8个小区域， 每 个区域大小为128 ×128； 将图像V通道的取值范围确定为[0,1]， 统计 每个区域内所有像素点的V通道 平均值； 根据人眼视 觉感受范围， 将V通道 平均值大于第一预设阈值的区域记为过曝光区域； 将V通道平均值小于第二预设阈值的区域记为 欠曝光区域； 分别统计过曝光区域和欠曝光区域所占比例， 若占比在预设阈值之外， 则分别判定为 图像过曝光或欠曝光。 4.根据权利要求2所述的方法， 其特征在于， 将曝光异常的图像在V通道上根据每个像 素点V的大小做梯度增强， 进行增强或减小， 包括： 对于过曝光图像， 做如下变换： 对于欠曝光图像， 做如下变换： 权　利　要　求　书 1/2 页 2 CN 115187954 A 2式中， V(i,j)表示图像中(i,j)点的V通道数值。 5.根据权利要求1所述的方法， 其特征在于， 采用暗通道先验法获得原始图像对应的暗 通道图像， 如果暗通道图像中存在雾霾， 则采用自动色阶算法对雾霾图像去雾处 理， 包括： 获取原始图像的暗通道图像， 如果检测暗通道图像非全黑色， 则输入原始图像中存在 雾霾； 去除图像在每个通道最高或最低的像素值， 将其余图像的像素值进行伽马校正至预设 区间， 从而生成去雾后的图像。 6.根据权利要求5所述的方法， 其特征在于， 获取原始图像的暗通道图像， 如果检测暗 通道图像非全黑色， 则输入原 始图像中存在雾霾， 包括： 通过以下 方法确定原 始图像的暗通道图像： 式中， Jc表示图像的RGB每个通道， Ω(x)表示以像素x为中心的窗 口， Jdark表示图像的暗 通道； 如果Jdark→0， 则判定该图像无雾霾。 7.根据权利要求5所述的方法， 其特征在于， 去除图像在每个通道最高或最低的像素 值， 将其余图像的像素值进行伽马校正至预设区间， 从而生成去雾后的图像， 包括： 统计图像的灰度级， 将像素个数大于200的灰度级视为有效灰度级， 并得到有效灰度级 的最大值、 最小值； 根据灰度级映射 函数将原图像的灰度级扩展到整个[0,25 5]灰度范围； 灰度级映射 函数为： 式中， T(k)为变换后的灰度级， k为原图像各灰度级， kmax、 kmin分别为最大和最小有效灰 度级； 通过以下 方法确定增强图像的各 灰度值： s(i,j)＝T(r(i,j))    (5) 式中， r、 s分别为原图像和 增强图像的灰度值， (i,j)表示图像中第i行j列； 将增强灰度图按原比例恢复至RGB色彩空间， 得到去雾后的图像。 8.根据权利要求1所述的方法， 其特 征在于， 所述优化处 理具体包括； YOLOv5神经网络模型中检测锚框的尺寸根据识别目标的尺寸改为预设尺寸， 限制 YOLOv5模型的最高下采样倍数限制为 4、 8、 16倍中的某一 倍数； 对于预测框， 将YOLOv5神经网络模型中的非极大值抑制方法改进为Soft ‑NMS方法进行 多次筛选， 保留置信度高于阈值的检测框作为输出 结果。权　利　要　求　书 2/2 页 3 CN 115187954 A 3