一種簡易高識別率的信號燈識別算法

劉 昕

(沈陽愛思福科技發(fā)展有限公司，沈陽 110024)

1 引言

交通燈的識別是無人駕駛汽車在交叉路能否安全行車的關鍵技術，各地的信號燈也是不盡相同，因此信號燈的識別在智能交通行業(yè)里是個難點。現有的交通燈識別算法主要利用了交通燈的色彩特征及形狀特征，基于形狀特征的算法利用了交通燈及其附屬物的形狀信息。對候選區(qū)域的確認使用交通燈和支撐桿的相對幾何關系，對候選區(qū)域的過濾僅僅依賴于形狀信息。為了達到實時性要求，需要對候選區(qū)域設置嚴格的過濾條件，因此算法對采集的圖像有很高的質量要求。其他的算法包括基于隱馬爾可夫模型的算法、基于色彩分割的算法、基于Ada-Boost的學習算法等。

只考慮交通燈的色彩特征，利用色彩特征和信號燈的互斥特點進行識別。由于交通燈只有紅、黃、綠三種顏色，使用描述這三種顏色更清晰的色彩空間，從而更加準確地判別此時正在亮什么燈。這一非常簡單的方法識別率卻能達到100%。而且其魯棒性也是異常堅固，雨雪等惡劣天氣幾乎毫無影響，。對于顯示效果不如CCD的CMOS相機效果也很好。

2 CCD相機與CMOS相機的不同

在傳統(tǒng)觀念中，CCD代表著高解析度、低噪點等優(yōu)點，而CMOS由于噪點問題，一直與電腦攝像頭、手機攝像頭等對畫質要求不高的電子產品聯系在一起。

CCD在工作時，上百萬個像素感光后會生成上百萬個電荷，所有的電荷全部經過一個“放大器”進行電壓轉變，形成電子信號，因此，這個“放大器”就成為了一個制約圖像處理速度的“瓶頸”，所有電荷由單一通道輸出，就像千軍萬馬從一座橋上通過，當數據量大的時候就發(fā)生信號“擁堵”。而HDV格式卻恰恰需要在短時間內處理大量數據，因此，在民用級產品中使用單CCD無法滿足高速讀取高清數據的需要。

而CMOS則不同，每個像素點都有一個單獨的放大器轉換輸出，因此CMOS沒有CCD的“瓶頸”問題，能夠在短時間內處理大量數據，輸出高清影像，因此也能滿足高清HDV的需求。另外，CMOS工作所需要的電壓比CCD低很多，功耗大約只有CCD的1/3。因此，電池尺寸可以做得更小，使得攝像機的體積也就做得更小。而且，每個CMOS都有單獨的數據處理能力，這也大大減少了集成電路的體積，從而使高清數碼攝像機得以實現小型化。

CCD是Charge Coupled Device(電荷耦合器件)的縮寫，它是一種半導體成像器件，因而具有靈敏度高、抗強光、畸變小、體積小、壽命長、抗震動等優(yōu)點。

3 RGB空間與HSV空間的轉換

由于大多數圖像空間是RGB，而HSV適合判斷顏色，所以有必要描述一下RGB與HSV的空間轉換。

設(r，g，b)分別是一個顏色的紅、綠和藍坐標，它們的值是在0到1之間的實數。設max等價于r，g和b中的最大者。設min等于這些值中的最小者。要找到在HSL空間中的(h，s，l)值，這里的h∈［0，360)是角度的色相角，而 s，l∈［0，1］是飽和度和亮度，計算為:

h的值通常規(guī)范化到位于0到360°之間。而h=0用于max=min的(就是灰色)時候而不是留下h未定義。HSL和HSV有同樣的色相定義，但是其他分量不同。HSV顏色的s和v值定義如下:

4 顏色判斷

轉換到了HSV空間后，就可以通過H、S、V分量判斷顏色了。如表1所示。

表1 HSV各分量與顏色的關系

5 信號燈的識別

盡管信號燈有多種多樣，但是無非三種顏色，并且是互斥的(即每次只表現為一種顏色)，與已有的算法不同，此算法是在紅、黃、綠的區(qū)域內分別固定一個點，判斷它們的顏色。通過觀察發(fā)現，信號燈滅的時候表現出的顏色是藍色。

由于CCD相機與CMOS相機所表現出的特點不同，所以算法也不盡相同。

5.1 CCD相機信號燈的識別方法

由于CCD相機非常清晰并且顏色非常穩(wěn)定，所以信號燈的識別簡單些。如表2所示。

表2 CCD相機的識別表

5.2 CMOS相機信號燈的識別方法

通過觀察發(fā)現，CMOS相機的顏色表現得不穩(wěn)定，它總是隨著電流的變化漸漸變淡或變深，而且在晚上并不表現出顏色，而是呈現出白色。即使是這樣，這種算法仍然有辦法解決。如表3所示。

表3 CMOS相機識別表

可以通過改進使得結果越來越準確。

6 實驗結果

對各種信號燈進行測試，識別率可以達到100%。圖1為一般形狀信號燈，圖2為異形信號燈。圖中黑色區(qū)域為各信號燈的采樣區(qū)域。

圖1 信號燈識別場景1

圖2 信號燈識別場景2

［1］［美國］岡薩雷斯.數字圖像處理［M］.阮秋琦，譯.北京:電子工業(yè)出版社，2010－01－01.

［2］劉瑞禎.OpenCV教程—基礎篇［M］.北京:北京航空航天大學出版社，2008－06－01.

［3］Gary Bradski Adrian Kaebler.Learning OpenCV computer vision with the opencv library［M］USA:O＇Reilly Media，Inc，2008 －10 －03.

［4］［美］Mitchell.機器學習［M］.曾華軍，譯.北京:機械工業(yè)出版社，2008－03－01.

［5］Richard O.Duda Peter E.Hart David G.Stork.模式分類(英文版·第2版)［M］.李宏東，譯.北京:機械工業(yè)出版社，2004－02.

［6］邊肇琪，張學工.模式識別［M］.北京:清華大學出版社，2000.