交通指示物识别方法、交通指示物识别装置以及车辆

摘要

本发明涉及一种用于车辆的交通指示物识别方法，所述交通指示物识别方法包括：借助于摄像机获取涉及交通指示物的图像；从地图、优选高精度地图中获取涉及交通指示物的候选区域；借助于空间转换关系，将所述涉及交通指示物的候选区域投影到图像平面，以得到经投影的候选区域；基于经投影的候选区域，从所述涉及交通指示物的图像中选出部分图像区域；和从所述部分图像区域中识别交通指示物的特征信息，尤其是识别交通指示物的指示内容、位置和/或形状。由此能够改善对交通指示物识别的准确性和/或高效性。此外，本发明还涉及一种用于车辆的交通指示物识别装置、非临时性计算机可读存储介质和车辆。

说明书

技术领域

本发明涉及图像识别领域，具体地，涉及一种用于车辆的交通指示物识别方法、交通指示物识别装置、非临时性计算机可读存储介质以及相关的车辆。

背景技术

自动驾驶是当前车辆研究的主要主题。自动驾驶的前提是明确车辆所行驶的道路网络以及感测车辆周围的环境，从而使得能够识别涉及的道路网络以及在周围环境中的物体和其他交通参与者。一种途径是利用摄像机和/或激光雷达，获取道路网络的数据以及感测车辆周围的物体的距离。在车辆行驶过程中，交通指示物识别作为环境感测中重要的一环，为车辆的安全行驶提供保障。作为交通指示物的示例，交通牌、交通信号灯和/或交通车道标记的高效且准确的识别对于自动驾驶的执行至关重要。

此外，高精度地图被广泛应用于自动驾驶中，这种高精度地图包含关于位于高精度地图内的对象的信息。随着自动驾驶技术的发展，高精度地图中的关键元素(如交通牌、交通信号灯等)跟随实际情况的变更对于保证高精度地图的时效性和自动驾驶系统的安全起到举足轻重的作用。现有技术通常是利用专门的地图采集车辆对主要的道路进行快速覆盖并将采集的数据回传。通过对采集到的点云和图像进行分析处理，结合定位数据对道路上的目标元素进行后台融合，通过各个局部信息构建出高精度地图的全局信息。但这种方式存在着采集周期长、制图周期长和制作成本高等问题。

此外，现有技术已知一种用于更新高精度地图的方法，其具体实现方案为：借助于图像分割算法从由摄像机采集到的整个图像中分割出交通指示物图像；调取与当前图像匹配的高精度地图数据；基于该交通指示物图像与相应匹配的高精度地图数据的比较，生成交通指示物变更信息，其中，该交通指示物变更信息用于指示该匹配的高精度地图数据对应的交通指示物是否发生变更。然而，现有技术中针对交通指示物图像的分割算法并非总是可靠的，尤其是会受到诸如遮挡、光线强度，曝光度以及拍摄角度等因素的影响。此外，针对交通指示物图像的分割算法也是相对计算耗费的。

因此，随着自动驾驶技术的发展，对交通指示物识别的准确性和/或高效性也提出了更高的要求。

发明内容

因此，本发明的目的在于提供一种能够克服现有技术中的至少一项缺陷的交通指示物识别方法、交通指示物识别装置、非临时性计算机可读存储介质以及相关的车辆。

按照本发明的第一方面，提供一种用于车辆的交通指示物识别方法，其特征在于，所述交通指示物识别方法包括：

借助于摄像机获取涉及交通指示物的图像；

从地图、优选高精度地图中获取涉及交通指示物的候选区域；

借助于空间转换关系，将所述涉及交通指示物的候选区域投影到图像平面，以得到经投影的候选区域；

基于经投影的候选区域，从所述涉及交通指示物的图像中选出部分图像区域；和

从所述部分图像区域中识别交通指示物的特征信息，尤其是识别交通指示物的指示内容、位置和/或形状。

由此能够改善对交通指示物识别的准确性和/或高效性。

在一些实施例中，所述交通指示物识别方法包括：查明是否存在针对识别交通指示物的干扰因素，当查明存在至少一项干扰因素时，促使实施从地图中获取涉及交通指示物的候选区域；否则，促使直接地从所述涉及交通指示物的图像中识别交通指示物。

在一些实施例中，所述干扰因素包括至少一项如下因素：

针对交通指示物的遮挡，尤其是基于所述涉及交通指示物的图像查明针对交通指示物的遮挡；

当前环境的光照强度；和

曝光度。

在一些实施例中，当查明：存在针对交通指示物的遮挡；和/或当前环境的光照强度高于设定的第一阈值；和/或曝光度高于设定的第二阈值时，则存在至少一项干扰因素。

在一些实施例中，从地图中获取涉及交通指示物的候选区域包括：

获取车辆的定位信息；

基于车辆的定位信息确定在符合预定要求的范围内的交通指示物；

基于配设给相应交通指示物的预存信息，获取涉及相应交通指示物的候选区域。

在一些实施例中，所述预定要求包括预定距离、预定车道和/或预定朝向。

在一些实施例中，所述配设给相应交通指示物的特征信息包括交通指示物的方位、朝向、指示内容、尺寸和/或形状。

在一些实施例中，所述候选区域构成为包围相应交通指示物。优选地，所述候选区域匹配于相应交通指示物的几何形状。

在一些实施例中，所述交通指示物包括交通牌、交通信号灯和/或车道标记。

在一些实施例中，基于经投影的候选区域，从所述涉及交通指示物的图像中选出部分图像区域包括：确定经投影的候选区域在图像平面中所占据的坐标范围；基于所述坐标范围选出所述涉及交通指示物的图像中对应的部分图像区域，从而过滤掉了其余图像区域。

在一些实施例中，从所述部分图像区域中识别交通指示物包括：基于深度学习算法、优选分类算法来处理所述部分图像区域，以便从所述部分图像区域中识别交通指示物，尤其是识别交通指示物的位置、指示内容和/或形状。

在一些实施例中，所述交通指示物识别方法还包括：将预存的配设给相应交通指示物的特征信息与从所述部分图像区域中识别出的交通指示物的特征信息进行比较；基于所述比较结果来更新预存的配设给相应交通指示物的特征信息，以便校准地图中的交通指示物数据库。

按照本发明的第二方面，提供一种用于车辆的交通指示物识别装置，其特征在于，所述交通指示物识别装置包括：

图像获取模块，其被构造为从摄像机获取涉及交通指示物的图像

候选区域获取模块，其被构造为从地图、优选高精度地图中获取涉及交通指示物的候选区域；

空间转换模块，其被构造为将所述涉及交通指示物的候选区域投影到图像平面，以得到经投影的候选区域；

筛选模块，其被构造为基于经投影的候选区域，从所述涉及交通指示物的图像中选出部分图像区域；和

识别模块，其被构造为从所述部分图像区域中识别交通指示物的特征信息，尤其是识别交通指示物的位置、指示内容和/或形状。

在一些实施例中，所述交通指示物识别装置可以包括干扰因素查明模块，其可以被构造为查明是否存在针对识别交通指示物的干扰因素，并且当查明存在至少一项干扰因素时，发出第一指令，促使实施从地图中获取涉及交通指示物的候选区域；否则，发出第二指令，促使直接地从所述涉及交通指示物的图像中识别交通指示物。

在一些实施例中，当干扰因素查明模块查明：存在针对交通指示物的遮挡；和/或当前环境的光照强度高于设定的第一阈值；和/或曝光度高于设定的第二阈值时，则存在至少一项干扰因素。

在一些实施例中，所述候选区域获取模块可以被构造为：获取车辆的定位信息；基于车辆的定位信息确定在符合预定要求的范围内的交通指示物；获取预存的配设给相应交通指示物的特征信息；基于所述特征信息，获取涉及相应交通指示物的候选区域。

在一些实施例中，所述筛选模块可以被构造为：确定经投影的候选区域在图像平面中所占据的坐标范围；基于所述坐标范围选出所述涉及交通指示物的图像中对应的部分图像区域，从而过滤掉了其余图像区域。

在一些实施例中，所述识别模块还可以包括深度学习算法模块，所述深度学习算法模块构造用于基于深度学习算法、优选分类算法来处理所述部分图像区域，以便从所述部分图像区域中识别交通指示物，尤其是识别交通指示物的位置、指示内容和/或形状。

在一些实施例中，所述交通指示物识别装置还可以包括比较模块和地图校准模块。所述比较模块可以被构造为将预存的配设给相应交通指示物的特征信息与从所述部分图像区域中识别出的交通指示物的特征信息进行比较。所述地图校准模块可以被构造为基于所述比较结果来更新预存的配设给相应交通指示物的特征信息，以便校准地图中的交通指示物数据库。

按照本发明的第三方面，提供一种用于车辆的交通指示物识别装置，所述交通指示物识别装置包括：

一个或多个处理器；以及

一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，

其中，当所述一系列计算机可执行的指令被所述一个或多个处理器执行时，使得所述一个或多个处理器进行根据上述实施例之一所述的交通指示物识别方法。

按照本发明的第四方面，提供一种非临时性计算机可读存储介质，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行根据上述实施例之一所述的方法。

按照本发明的第五方面，提供一种车辆，其特征在于，摄像机，所述摄像机被构造用于采集涉及交通指示物的图像；和根据上述实施例之一所述的交通指示物识别装置，所述交通指示物识别装置被构造用于与所述摄像机通信连接，以便从所述摄像机获取涉及交通指示物的图像。

附图说明

下面参考附图，举例说明设备和/或方法的一些例子，附图中：

图1示出根据本发明的交通指示物识别方法的一种示例性流程图；

图2示出根据本发明的一些实施例的方法步骤102所包含的示例性子步骤；

图3示出根据本发明的一些实施例的方法步骤104所包含的示例性子步骤；

图4示出根据本发明的一些实施例的方法步骤105所包含的示例性子步骤；

图5示出根据本发明的一些实施例的方法步骤106所包含的示例性子步骤；

图6示出带有根据本发明的交通指示物识别装置的车辆的示例性方框图。

具体实施方式

以下将参照附图描述本公开，其中的附图示出了本公开的若干实施例。然而应当理解的是，本公开可以以多种不同的方式呈现出来，并不局限于下文描述的实施例；事实上，下文描述的实施例旨在使本公开更为完整，并向本领域技术人员充分说明本公开的保护范围。还应当理解的是，本文公开的实施例能够以各种方式进行组合，从而提供更多额外的实施例。

应当理解的是，本文中的用语仅用于描述特定的实施例，并不旨在限定本公开。本文使用的所有术语(包括技术术语和科学术语)除非另外定义，均具有本领域技术人员通常理解的含义。为简明和/或清楚起见，公知的功能或结构可以不再详细说明。

在本文中，用语“A或B”包括“A和B”以及“A或B”，而不是排他地仅包括“A”或者仅包括“B”，除非另有特别说明。

在本文中，用语“示例性的”意指“用作示例、实例或说明”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。

另外，仅仅为了参考的目的，还可以在本文中使用“第一”、“第二”等类似术语，并且“第一”、“第二”也可以涉及多个“第一”、“第二”。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。

还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。除非另有定义，否则所有术语(包括技术术语和科学术语)在本文中均按它们在示例所属领域的一般含义使用。

需要指出的是：在本文中各方法步骤的顺序可以是灵活配置的，通过数字来标记步骤仅为了方便描述并不具有限制作用。

接下去进一步详细阐述根据本发明的一些实施例的交通指示物识别方法。图1示出用于车辆的交通指示物识别方法的一种示例性流程图。按照本发明，所述方法可以包括：

步骤101：借助于摄像机获取涉及交通指示物的图像；

步骤105：从地图、优选高精度地图中获取涉及交通指示物的候选区域；

步骤106：借助于空间转换关系，将所述涉及交通指示物的候选区域投影到图像平面，以得到经投影的候选区域；

步骤107：基于经投影的候选区域，从所述涉及交通指示物的图像中选出部分图像区域；和

步骤104：从所述部分图像区域中识别交通指示物的特征信息，尤其是识别交通指示物的位置、指示内容和/或形状。

在文本中，车辆可以是一种自动驾驶车辆(也可以称为主车或自车，英文egocar)，即一种带有自动驾驶功能的可移动运输工具，其可以是轿车、客车、卡车、货车、火车、船舶、摩托车、三轮车二轮车或其他可移动运输工具。

在步骤101中，车辆可以借助于车载摄像机采集沿车辆行驶方向处于前方预定范围内的图像。摄像机可以是高速照相机或静止图像照相机。摄像机采集的图像数据可以是摄像机的原始输出，或者是摄像机的经预处理的数据。例如，摄像机数据可包含多个图像帧。所述多个图像帧中的图像帧可包括多个像素点或者像素点云，例如，二维排列中的多个像素点。此外，摄像机数据可包含图像信息，例如，图像信息的各个像素的颜色信息。

在此，摄像机采集的图像可以包括各种交通指示物的图像。这种交通指示物可以包括但不限于以下至少一项：交通信号灯、交通牌或者说交通标志以及车道标记。交通信号灯可以是各类红绿信号灯，也可以是箭头灯。交通标志可以包括警告标志(警告车辆、行人注意道路交通的标志)、禁令标志(禁止或限制车辆行人交通行为的标志)、指示标志(指示车辆、行人应遵循的标志)、作业区标志(告知道路作业区通行的标志)等等。车道标记可以是标记在行驶车道上的各种类型的标记，其可以包括：标线，例如施划于路面、缘石或立面上的实线或虚线；字符，例如施划于路面上的文字、数字及各种图形、符号；突起路标：安装于路面上用于标示车道分界、边缘、分合流、弯道、危险路段、路宽变化、路面障碍物位置等的反光或不反光体；轮廓标，例如安装于道路两侧，用以指示道路的方向、车行道边界轮廓的反光柱(或反光片)。

通过识别出图像内所具有的交通指示物的特征信息可以有利地辅助车辆的自动驾驶。应理解的是，本申请中所谓的自动驾驶可以包括各个级别的自动驾驶，例如辅助驾驶、能在横向和纵向上实现车辆的自动驾驶、完全自动驾驶。根据本发明的一些实施例，交通指示物的特征信息可以包括：交通指示物的位置、指示内容和/或形状。作为示例，识别出的交通指示物的特征信息可以是在当前行驶车道前方50米处右侧设有限速牌并规定最高限速60公里/小时。作为示例，识别出的交通指示物的特征信息可以是在当前行驶车道前方100米处设有交通信号灯并显示红灯。作为示例，识别出的交通指示物的特征信息可以是在当前行驶车道前方20米处右侧设有突起路标并表明在突起路标前方500处为施工路段。

然而，如上面以及那样，由于摄像机拍摄的图像通常元素丰富、例如包括前方行驶的车辆、道路两旁的行道树以及建筑物、天空、远处的风景等。对图像进行直接识别在一些情况下可能是相对计算耗费的。此外，识别结果也并非总是可靠的，尤其是会受到诸如遮挡、光线强度，曝光度以及拍摄角度等因素的影响。

备选地或附加地，按照本发明的一些实施例可以规定对当前摄像机拍摄场景进行检测，以便查明可能影响识别结果的干扰因素。为此，按照本发明的方法还可以包括：

步骤102：查明是否存在针对识别交通指示物的至少一项干扰因素，当查明存在至少一项干扰因素时，促使实施从地图中获取涉及交通指示物的候选区域；否则，促使直接地从所述涉及交通指示物的图像中识别交通指示物。

在一些实施例中，所述干扰因素可以包括至少一项如下因素：针对交通指示物的遮挡，尤其是基于所述涉及交通指示物的图像查明针对交通指示物的遮挡；当前环境的光照强度；和曝光度。参考图2，当查明图像中的交通指示物存在遮挡1021时(例如查明到交通牌被行道树遮挡而导致无法准确识别)；和/或当查明当前环境的光照强度高于设定的第一阈值1022时；和/或当查明曝光度高于设定的第二阈值1023时，按照本发明的方法可以转向第一分支处理流程，即后续将要详细描述的步骤105、106、107、104。相反，当不存在干扰因素或者按照预先规定仅存在少量的干扰因素，按照本发明的方法可以转向第二分支处理流程，即步骤103和104。在步骤103中，可以通过各种方式从图像中分割出交通指示物图像，例如可以借助于图像分割算法，上述图像分割算法可以包括但不限于以下至少一项：基于阈值的分割方法、分水岭算法、基于边缘检测的分割方法、基于小波分析和小波变换的图像分割方法、基于主动轮廓模型的分割方法和基于深度学习的分割模型。在获得分割出的交通指示物图像之后，可以通过各种识别方式从交通指示物图像中识别出交通指示物的特征信息。

应理解的是，按照本发明的方法的处理流程可以不包括该查明步骤102而直接进行第一分支处理流程。附加地，按照本发明的方法的处理流程可以不包括第二分支处理流程。

接下去，详细介绍按照本发明的方法的上述第一分支处理流程，即方法步骤105、106、107、104。

步骤105规定：从地图、优选高精度地图中获取涉及交通指示物的候选区域。根据本发明的地图可以是静态地图、或者高精度(HD)地图或规划地图。这种自动驾驶用的地图通常可以是精度较高、数据维度较多的电子数字地图，其可以提供信息以辅助车辆驾驶。特别地，高精度地图提供与对象(诸如道路、交通指示、和道路基础架构)的定位和特点有关的信息。不过，应理解的是，静态地图可能无法完全就实时精确的地图信息、例如实时的交通指示物呈现到静态地图上。在一些应用场景下，静态地图可能仅能提供大致的交通指示物信息、例如大概的位置。为此，附加地或备选地，根据本发明的一些实施例的交通指示物识别方法还可以包括如下步骤：

在步骤105中，涉及交通指示物的候选区域尤其可以指如下一个图像子区域，关注的交通指示物处于所述图像子区域内并且所述图像子区域仅占据整个图像的一小部分，也就是说，所述图像子区域至多占据整个图像的0.5、0.4、0.3、0.2甚至0.1，由此显著(例如至少减半地)降低了需处理的像素点，从而改善了方法的高效性。

参考图4，为了从地图中获取涉及交通指示物的候选区域，步骤105可以规定如下子步骤：

-获取车辆的定位信息1051；

-基于车辆的定位信息确定在符合预定要求的范围内的交通指示物1052；和

-基于配设给相应交通指示物的预存信息，获取涉及相应交通指示物的候选区域1053。

在步骤105中，可以根据车辆的当前定位查明在符合预定要求的范围内的交通指示物。所述预定要求可以与摄像机的拍摄距离、姿态和/或朝向相关，即可以是预定距离、预定车道和/或预定朝向。作为示例，例如可以查明在地图中在车辆当前定位前方50米范围内的各个交通指示物。作为示例，例如可以查明在地图中在车辆当前定位右前方(例如45度扫描范围)100米内的各个交通指示物。当查询到在符合预定要求的范围内的交通指示物之后，可以调用地图数据库，在所述地图数据库中存储有配设给相应交通指示物的预存信息，这些预存信息可以涉及相应交通指示物在地图中的定位、指示内容等。由此，基于所述预存信息可以明确存在交通指示物的大概区域，即涉及相应交通指示物的候选区域。在此，所述候选区域可以构成为包围相应交通指示物。优选地，所述候选区域匹配于相应交通指示物的几何形状。

应理解的是，在步骤105中得到了候选区域仅是基于地图坐标系的区域。为此需要在步骤106中借助于空间转换关系，将所述涉及交通指示物的候选区域投影到图像平面，以得到经投影的候选区域，即基于摄像机坐标系的候选区域。

在一些实施例中，由于在车辆周围环境中存在动态物体、如前方行驶的车辆以及静态物体、如前方的山脉等，为了避免不必要的运算并且排除干扰因素，可以一方面借助于滤波处理将动态物体进行过滤掉，另一方面将高度高于一定阈值(例如高于1米)的图像数据过滤掉，从而保留下图像数据中静态的且高度低于阈值部分，即接近于地面的部分图像数据。有利的是，可以在此规定：将不同帧的图像数据叠加起来，即进行融合处理，由此能更准确的获得交通指示物大概存在的图像区域，而其他图像区域可以被尽可能的滤掉。

参考图5，在步骤106中可以执行从基于地图坐标系的候选区域到基于摄像机坐标系的二维平面的投影。地图坐标系也可以称为自车坐标系。为此可以首先将摄像机与自车进行联合标1061定，以便获取得到两个坐标系之间的空间转换关系。基于空间转换，原本的候选区域可以被投影到二维的图像平面中，使得经投影的候选区域与图像数据处于位置信息统一的坐标系内1062。为此可以确定经投影的候选区域在图像平面中所占据的坐标范围，并且基于所述坐标范围选出所述涉及交通指示物的图像中对应的部分图像区域1063，从而过滤掉了其余图像区域。

由此，在步骤107中可以基于经投影的候选区域在图像坐标系中的位置信息，从所述涉及交通指示物的图像中选出部分图像区域。由此可以显著(例如至少减半地)降低了后续需进行图像识别的图像数据量，从而改善了方法的高效性且同时保持了良好的精确性。如图1中在步骤107旁描绘的示意图，基于经投影的候选区域在图像坐标系中的位置信息，可以在所述涉及交通指示物的图像中框出一个部分图像区域(在此用虚线框示出)，关注的交通指示物则被包围在该框出的部分图像区域内。应当理解的是，在一张图像内也可以存在多个交通指示物，为此最终可以从该图像种筛选出多个部分图像区域。与针对交通指示物图像的分割算法不同的是，部分图像区域的筛选无需计算耗费的分割算法。此外，基于地图的预存信息可以使得部分图像区域的筛选不受到或者较低程度地受到诸如遮挡、光线强度，曝光度以及拍摄角度等干扰因素的影响。

无论是第一分支处理流程还是第二分支处理流程均需要在步骤104中通过各种适合的识别算法来识别出交通指示物的特征信息、例如交通指示物的指示内容、位置和/或形状等。根据本发明的一些实施例，基于深度学习算法、优选分类算法来识别所述部分图像区域，以便从所述部分图像区域中识别交通指示物的特征信息。参考图3，例如可以沿着所述部分图像的任一方向、例如水平方向对所述部分图像进行采样1041、尤其是多行采样，利用深度学习算法、优选分类算法对每一行进行分类，以便识别所述部分图像内的交通指示物的一系列离散的特征点1042，并基于这些特征点推断出交通指示物的特征信息1043、例如交通指示物的指示内容、位置和/或形状等。根据本发明的其他实施例，也可以通过图像模式识别技术、例如基于形状特征的识别技术、基于色彩特征的识别技术以及基于纹理特征的识别技术从所述部分图像区域中识别交通指示物的特征信息。由此，被识别出的交通指示物的特征信息可以用于辅助车辆的自动驾驶，以便保证对车辆进行安全的驾驶规划和操控。

另外，目前的静态地图通常是由地图厂商提前制作完成，其主要包括基于离线数据的预定义地图信息，因此静态地图可能无法完全就实时精确的地图信息、例如实时的交通指示物呈现到静态地图上。随着自动驾驶技术的发展，高精度地图中核心元素(如交通指示物等)跟随实际情况的变更对于保证高精度地图的时效性和自动驾驶系统的安全起到举足轻重的作用。为此，附加地或备选地，根据本发明的一些实施例的交通指示物识别方法还可以包括如下步骤：

步骤108：获取预存的配设给相应交通指示物的特征信息；

步骤109：将预存的配设给相应交通指示物的特征信息与从所述部分图像区域中识别出的交通指示物的特征信息进行比较；

步骤110：基于所述比较结果来更新预存的配设给相应交通指示物的特征信息，以便校准地图中的交通指示物数据库。

更新的内容可以涉及交通指示物增加、交通指示物减少以及交通指示物的位置、形状和/或指示内容的变化等等。由此可以将高精度地图中的交通指示物数据库保持在准实时状态。有利地，各车辆还可以将更新的内容上传到远程的服务器200，所述服务器可以是地图厂商的服务器，从而通过集体协同的方式可以以广域且全面的方式更新或者说校准地图数据库。

接下去进一步详细阐述根据本发明的一些实施例的用于车辆的交通指示物识别装置。图6示出带有交通指示物识别装置的车辆的示例性方框图。

车辆10包括车载传感器12、导航系统13和交通指示物识别装置14。车载传感器12可以将自身检测到的实时车辆周围环境数据传送给交通指示物识别装置14，典型的车载传感器12可以任意的传感设备、例如上文提及的摄像机。在一些实施例中，所述车辆还配备有光强传感器，以用于检测环境中的光线强度，以便传输给交通指示物识别装置，以用于查明可能的干扰因素。导航系统13可以具有用于驾驶的地图，并可以将地图数据传送给交通指示物识别装置14。此外，交通指示物识别装置14还可以经由所述通信装置15与任意其他的车载设备、例如GPS定位设备通信。

如图6所示，所述交通指示物识别装置14可以包括通信装置15、存储装置16和处理装置18。通信装置15可以与车载传感器12、导航系统13和/或任意其他的车载设备通信，并且接收来自车载传感器12和导航系统13的数据。存储装置16可以存储着来自车载传感器的检测数据，例如摄像机数据以及来自地图的数据等。所述处理装置18可以包括一个或多个处理器(例如CPU和/或GPU)。

应理解的是，处理装置18可以构成为包括处理器的具有数据处理和分析功能的任何装置。例如，处理装置18可以构成为一个或多个处理器，或者处理装置18可以构成为计算机、服务器甚至其他智能手持设备。处理器可以经由互连总线连接到存储装置。存储装置可以包括主存储器，只读存储器以及大容量存储设备，诸如各种磁盘驱动器，磁带驱动器等。“处理器”或“控制器”并非局限于CPU或GPU，相反可包括数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)。存储装置16可以是用于保存软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。也可包括其他常规和/或定制的硬件。

处理装置18可以包括多个功能模块，分别为：图像获取模块1801，其可以被构造为从摄像机获取涉及交通指示物的图像；候选区域获取模块1802，其可以被构造为从地图、优选高精度地图中获取涉及交通指示物的候选区域；空间转换模块1803，其可以被构造为将所述涉及交通指示物的候选区域投影到图像平面，以得到经投影的候选区域；筛选模块1804，其可以被构造为基于经投影的候选区域，从所述涉及交通指示物的图像中选出部分图像区域；和识别模块1805，其可以被构造为从所述部分图像区域中识别交通指示物的特征信息，尤其是识别交通指示物的位置、指示内容和/或形状。

在一些实施例中，所述交通指示物识别装置还可以包括干扰因素查明模块1806，其可以被构造为查明是否存在针对识别交通指示物的干扰因素，并且当查明存在至少一项干扰因素时，发出第一指令，促使实施从地图中获取涉及交通指示物的候选区域；否则，发出第二指令，促使直接地从所述涉及交通指示物的图像中识别交通指示物。优选地，所述干扰因素包括至少一项如下因素：针对交通指示物的遮挡，尤其是基于所述涉及交通指示物的图像查明针对交通指示物的遮挡；当前环境的光照强度；和曝光度。当干扰因素查明模块查明：存在针对交通指示物的遮挡；和/或当前环境的光照强度高于设定的第一阈值；和/或曝光度高于设定的第二阈值时，则存在至少一项干扰因素。

在一些实施例中，所述候选区域获取模块1802可以被构造为：获取车辆的定位信息；基于车辆的定位信息确定在符合预定要求的范围内的交通指示物；获取预存的配设给相应交通指示物的特征信息；并且基于所述特征信息，获取涉及相应交通指示物的候选区域。优选地，所述预定要求包括预定距离、预定车道和/或预定朝向。优选地，所述配设给相应交通指示物的特征信息包括交通指示物的方位、朝向、指示内容、尺寸和/或形状。优选地，所述候选区域构成为包围相应交通指示物。优选地，所述候选区域匹配于相应交通指示物的几何形状。优选地，所述交通指示物包括交通牌、交通信号灯和/或车道标记。

在一些实施例中，所述筛选模块1804可以被构造为：确定经投影的候选区域在图像平面中所占据的坐标范围；基于所述坐标范围选出所述涉及交通指示物的图像中对应的部分图像区域，从而过滤掉了其余图像区域。

在一些实施例中，所述识别模块1805还可以包括深度学习算法模块，所述深度学习算法模块构造用于基于深度学习算法、优选分类算法来处理所述部分图像区域，以便从所述部分图像区域中识别交通指示物，尤其是识别交通指示物的位置、指示内容和/或形状。

在一些实施例中，所述交通指示物识别装置还可以包括比较模块1807和地图校准模块1808。所述比较模块可以被构造为将预存的配设给相应交通指示物的特征信息与从所述部分图像区域中识别出的交通指示物的特征信息进行比较。所述地图校准模块可以被构造为基于所述比较结果来更新预存的配设给相应交通指示物的特征信息，以便校准地图中的交通指示物数据库。

此外，应理解的是，各个功能模块仅是从功能上加以区分，在存储位置以及物理位置方面不存在严格的限定。在一些情况下，一个模块可以构成为一个单独的处理器。在一些情况下，一个模块也可以与其他模块组合成一个处理器。

附图中所示的各个元件的功能可以专用硬件，比如“信号提供器”、“信号处理单元”“处理器”、“控制器”等，以及能够与适当的软件联合，执行软件的硬件的形式实现。当由处理器提供时，这些功能可以由一个专用处理器、由一个共享处理器或者由多个单独的处理器提供，所述多个单独的处理器中的一些或全部可以是共享的。方框图例如可图解说明实现本公开的原理的高级电路图。类似地，流程图、状态转换图、伪代码等可表示各种处理、操作或步骤，这些处理、操作或步骤例如可以实质上用计算机可读介质表示，从而由计算机或处理器执行，而不论是否明确地表示了这样的计算机或处理器。在说明书和权利要求书中公开的方法可以由具有进行这些方法的各个相应动作的模块的设备实现。

需要理解的是除非例如由于技术原因而明确或隐含地另有说明之外，否则在说明书或权利要求书中公开的多个动作、处理、操作、步骤或功能的公开不得被解释成是按照特定的顺序的。于是，多个动作或功能的公开不会将所述多个动作或功能限制于特定的顺序，除非这些动作或功能由于技术原因不能互换。此外，在一些例子中，一个单独的动作、功能、处理、操作或步骤可分别包括或分成多个子动作、子功能、子处理、子操作或子步骤。除非明确被排除，否则这类子动作可包括在该单独动作的公开内容中，和作为该单独动作的公开内容的一部分。

虽然已经描述了本公开的示例性实施例，但是本领域技术人员应当理解的是，在本质上不脱离本公开的精神和范围的情况下能够对本公开的示范实施例进行多种变化和改变。因此，所有变化和改变均包含在本公开所限定的保护范围内。