基于RGB歸一化模型與分群算法的交通燈檢測

呂亞運，郎 朗，楊會成，陳孟元

基于RGB歸一化模型與分群算法的交通燈檢測

呂亞運，郎 朗?，楊會成，陳孟元

（安徽工程大學安徽省電氣傳動與控制重點實驗室，安徽蕪湖 241000）

交通燈檢測是智能交通系統研究的一個重要方向，采用了一種交通燈實時檢測算法.首先，對圖像進行RGB歸一化處理，得到了幾種顏色獨立的圖像.然后提取圖像的二值化信息，并作形態學處理.接著對圖像進行分群操作和標記處理，并且根據交通燈形狀區域特點做出邊長與面積條件判斷.最后通過提取交通燈的樣本空間來進行匹配，從而鎖定交通燈位置.實驗部分將其與傳統的Hough算法進行比較，結果表明所提算法可以更快且準確地檢測到交通燈.

交通燈檢測；智能交通系統；形態學處理

近年來，人們對智能交通系統的關注度越來越高，國內外關于自動駕駛輔助系統的研究也得到了迅猛發展.在同時混合了自動與手動的復雜交通狀況下，交通燈的恰當控制將成為不可或缺的重要因素.因而通過檢測并正確識別出交通燈，駕駛員將會獲得有用的道路信息.但在道路場景圖片中，交通燈通常顯得比其他事物小，同時周邊還有許多和交通燈顏色相近的事物，這使得對交通燈的檢測絕非易事.

在前人的研究中，徐成［1］等提出運用Lab色彩空間來提取交通燈形狀特點，并根據這些屬性過濾掉一些候選區的目標，然后通過交通燈的模板匹配得出檢測結果.楊懌菲［2］提出一種基于空間信息的彩色圖像評價方法，將圖像變換到S-CIELab空間，并構造出評價圖像質量標準.文獻［3］運用CamShift算法來對交通燈進行追蹤與定位，然后通過模板匹配來檢測交通燈顏色狀況.文獻［4］提出一種動態視覺模型檢測駕駛環境的變化，最終識別出道路標志牌.文獻［5-8］采用傳統的Hough算法來檢測目標的幾何形狀，Hough算法是將圖像中目標的幾何形狀轉換成數學模型，并對模型參數進行匹配選擇，滿足給定閾值范圍隨即輸出對應目標形狀.

然而Hough算法處理過程中的運算量比較大，對處理器性能要求比較高.本文提出將RGB歸一化模型與分群算法運用在交通燈檢測上，充分利用了交通燈固有特點、攝像機標定參數以及圖像處理技術等知識進行實驗操作.為了使實驗結果具備更強的魯棒性，添加了一個簡單的跟蹤平臺，以便于系統更好地處理掉那些與目標無關的噪聲.為了保證具有安全的實時操作過程，在原有處理規則的基礎上對算法進行了優化，采用的方法是系統通過不斷地尋找與交通燈顏色和光學特點相類似的目標，從而實現對顏色框架的檢測.然后，跟蹤平臺將會鎖定并保持住那些符合交通燈特點的區域，同時也會過濾掉那些不符合其特點的區域.因此，基于原來的簡單方法得到了一個可以實時起作用的算法.

1　算法描述

交通燈檢測整體流程圖如圖1所示.首先將圖像進行RGB歸一化處理并對其進行集群操作，然后提取圖像二值化信息并作形態學處理，接著對圖像進行分群操作與標記處理，最后將圖像候選區中的目標與所建的交通燈樣本空間數據進行匹配，滿足條件的就可認為是交通燈，從而鎖定交通燈位置.在進行紅綠燈檢測實驗之前，需要了解攝像機固有的與外在的標定參數，并且通過查閱國內相關法律法規來了解交通燈的限高.另外，為了加快圖像的處理過程，在圖像中偏低一點的位置開始尋找目標進行檢測.這是因為在汽車行駛過程中，遠處的交通燈通常在圖像中偏低的位置開始出現.將這個位置對應的范圍計算出來，即感興趣區域（ROI，region of interest），如圖2所示.由圖2可知，圖像中的灰白部分是交通燈檢測的區域.

1.1RGB歸一化模型與集群操作

在計算機視覺領域，對顏色進行檢測和對其進行集群操作是常識性問題.交通燈圖像中的RGB元素通常要受到諸如景物亮度變化、距離變化等環境因素的影響.為了解決這個問題，從60幅未作處理的原圖像中提取了RGB元素，同時也對這60幅經過“歸一化”處理的圖像中提取了RGB元素.這些圖像是專門從霧、雪、晴朗的天氣或夜間有照明等不同的環境條件下挑選出來的.然后，手動挑選每張圖像中的紅、黃、綠像素點.對于每個像素點，有6個與之對應的值，它們分別是3個RGB空間元素值（R，G，B）和3個經過“歸一化”處理過的RGB元素值（RN，GN，BN）.文中算法需要結合這6個元素來獲取圖像中紅、黃、綠色對應目標的鮮明邊緣.

RGB“歸一化”處理是將原始的RGB圖像轉換成RGB空間模型的過程.原始圖像的RGB空間元素值（R，G，B）除以像素之和s，即可得到對應的歸一化的值（RN，GN，BN）.RGB歸一化模型的建立極大地減少了原始圖像RGB值的運算量，加快了交通燈影像處理過程.其具體處理公式如下：

式中，s為R，G，B 3元素值的總和，計算公式為：

對RGB空間元素進行“歸一化”處理后，再對圖像中的顏色進行集群操作.由于所要提取的交通燈顏色只有紅，黃，綠3種顏色，交通燈其他背景顏色在二值化處理后只有黑白兩種顏色，每個像素對應一個取值范圍，因而它們被分成了以下5個族群：

每一個像素通過計算的一組中間變量范圍來確定，例如RN-GN表示“歸一化”后的紅色像素值減去“歸一化”后綠色像素值.每個希臘字母分別表示對應范圍的閾值.因此，對于族群1（紅色），參數設定為：α =0.36，β=0.08，γ=0.14；對于族群2（黃色），參數設定為：δ=0.65，ω=0.16，τ=0.15；同樣，對于族群3（綠色），參數設定為：μ=-0.16，ρ=0.18，ε=0.25；最后，對于族群4（黑色），由于交通燈的背景顏色實際上在白天并不全是黑色（即對應R=G=B=0），因此設定參數φ=0.30.

在集群操作后，得到了5個獨立的單色圖像，圖像包含紅、黃、綠、黑、白5種像素，集群操作的結果已經成功實現.

1.2交通燈信息的提取

（1）二值化處理.為了進一步縮短處理時間，減小處理器的運算量，本文采用一種運算量較小的sobel算子來過濾交通燈信息，其數學表達式為：

因此，交通燈二值化處理為：

式中，I（x，y）為交通燈圖像的亮度值；B（x，y）為通過二值化處理后的圖像；T為設定的閾值.為了確保系統的魯棒性，通過統計實時圖像中的亮度值來提取T值，使得系統可以在白天與夜晚都能檢測到交通燈.由于前面設定的交通燈ROI范圍有可能影響到交通燈信息提取的準確性，因此，為了防止實際過程中提取的交通燈信息出現部分缺失問題，需要對交通燈信息進行存儲與過濾.設定En為交通燈信息集合，結合上面的表達式，如果Bn（x，y）=0，那么En=En-i.其中，En-i是第n-i張交通燈影像信息集合.換言之，如果當前交通燈信息集合En因為Bn（x，y）=0而無法獲取時，就采用第n-i張交通燈影像信息集合En-i作為當前交通燈信息提取的結果.

現如今，我國市場化程度持續提升，此種條件下，物流業得到了十分良好的發展，企業之間的市場競爭也日益激烈，我國許多企業的管理層均在積極探尋各種可提升企業市場綜合競爭力的管理措施。基于此，企業為了更好的滿足客戶服務相關標準提出的高要求，必然會提升其物流方面的成本費用，所以，物流管理這種現代化管理手段越來越受到企業的廣泛重視，這一工作內容也因此被提上了日程。對于企業來說，其于激烈市場競爭當中的綜合競爭能力是其能否獲得理想績效的關鍵，現代物流與供應量理論這些新型理論是在市場競爭日益激烈、企業經營規模持續擴大、企業顧客需求不斷變化、新興工商模式相繼涌現、市場主體地位日漸變化等條件下提出的。

（2）形態學處理.每張圖像中，除了一些特定的噪聲外，要對許多候選區進行檢測，通常大部分噪聲可以通過形態學運算操作移除掉，常見的兩大形態學處理為腐蝕與膨脹.為了得到更好的處理效果，一般將兩者結合起來，本次實作采用的是先腐蝕后膨脹處理，即Img′=（（Img-E）+D），式中，E為腐蝕操作；D為膨脹操作.

腐蝕操作包含“收縮”或“細化”的過程，同時也有修補殘缺像素點的作用.腐蝕的一個遮罩如圖3所示.由圖3可知，它是以中心為原點，周圍相鄰的8個像素點值取決于原點對應值的大小.如果原點對應值大于給定閾值，那么將其余8個值設定為最大值（255），反之則將其設定為最小值（0）.類似的，膨脹操作將會使圖像中選定的目標“加長”或“變粗”.最后，通過對交通燈信息的提取得到了一幅新的圖像.

1.3目標的分群與標記處理

經過腐蝕膨脹處理后的圖像依然是一幅只有紅、黃、綠、黑4種獨立的單色圖像.由于在圖像中還存在許多與交通燈顏色相近的目標，如廣告牌、汽車尾燈等，因此需要將這些不相關的目標去除掉.為了縮短圖像處理時間，首先對各個目標進行分群操作.通常圖像中有顏色的目標都具有對應特定的形狀，通過分群算法將形狀近似的目標歸為一個群落，并對每一群落用數字作標記以便將它們區分開來.這樣將圖像ROI中的目標分成了好幾個群落，并且每定義一個群，就對其進行數字標記處理，數字的標記處理便于接下來進一步縮小交通燈范圍，同時也避免了重復掃描，加快了處理進程.

式中，len gth和width分別表示所選目標的長和寬；μ是設定的閾值.

系統掃描候選區目標的長和寬的結果，排除了不滿足長和寬條件的目標.同時，為了過濾現場復雜環境中一些瑣碎的噪聲，規定候選區域范圍大小，即：

式中，Q表示候選區域面積大小；a和b分別是對應面積閾值.計算ROI中候選區域的面積可以進一步排除一部分目標，使得圖像中近似交通燈的目標范圍縮小了.

1.4交通燈區域的鎖定

在汽車行駛過程中，由于攝像頭角度已固定，可選擇的ROI逐步偏移到了圖像上方，因而需要對交通燈進行重新掃描.為了進一步鎖定交通燈，采用“像素密度”這個變量來描述交通燈區域大小.通常每一個交通燈周邊都會有對應的深色邊框，而交通燈在邊框中的區域大小是固定的，于是“像素密度”的范圍也就確定了，即：

式中，A表示交通燈周邊深黑色邊框區域面積；變量S（x）表示候選區交通燈的面積；η表示一個設定的密度閾值.

通過對真實場景中的交通燈形狀進行“歸一化”的處理，建立了一個交通燈的樣本空間數據庫，這個“歸一化”后的圓以一定的比例大小對應圖像中的交通燈.進行檢測時調用這個樣本空間中的數據，將這些數據與圖像中類似交通燈的目標像素進行匹配，滿足條件的就是交通燈，從而進一步鎖定交通燈.

2　實驗結果

實驗的處理過程將在嵌入式系統中完成，處理器采用德州儀器的OMAP4460.實測的攝像頭采用羅技C920，系統影像的采樣速率是30 Frame/s.通過檢測交通燈顯示出來，實測系統的FPS（Frame per second）為40，這已經能夠滿足檢測交通燈的實時性.為了調整系統對影像的采樣速率，在攝像頭采集到圖像信號后，增加了影像解碼器的環節，這同時也增強了處理器對影像數據流的吞吐量.另外，本次實作過程中，為了達到實時的檢測要求，在處理器中使用了Kudaa加速技術，這使得系統內核的整體處理速度得到了提高.同時影像解碼器實時地與處理器中通過Kudaa加速的OpenCV程序相聯系，從而進一步控制系統整體的采樣速率.

實測的結果如圖4、圖5所示.圖4a是交通燈的真實場景；圖4b是ROI部分經過RGB集群操作后圖像.由圖4b可以看出圖像只剩下5種顏色獨立的空間；圖4c是ROI部分經過二值化處理后的圖像；圖4d是將二值化后的圖像經過分群與標記操作，對交通燈的初步鎖定圖像；圖4e是將沒有提取二值化信息的圖像經過分群與標記處理后的結果.由圖4e看出分群操作尤其排除了車尾燈對交通燈檢測的影響；圖4f是經過與歸一化圓的樣本空間進行匹配以后的最終鎖定的交通燈圖像.圖5a是存在與交通燈顏色相近的標志牌干擾下的場景圖像；圖5b是提取了候選區域二值化信息后的圖像；圖5c是系統避開了標志牌顏色的干擾進而鎖定交通燈的圖像.結果表明，在排除過濾掉一些標志牌、車尾燈等形狀和顏色與交通燈相近的目標后，文中系統可以準確識別并鎖定到交通燈.

為了驗證分群算法的時效性與準確性，將其與傳統的Hough算法進行比較，結果如表1與圖6所示.從表1可以看出，Hough算法從30幀實時交通圖像中成功檢測到了21幀，而所用分群算法則從30幀圖像中成功檢測到了27幀，精確度明顯優于傳統算法.傳統算法對所有30幀圖像的平均處理時間為0.685 s，而分群算法的平均處理時間為0.443 s，處理時間上也減少了.圖6是兩種算法對每一幀圖像處理時間對比柱狀圖.從圖6中可以看出，分群算法對每一幀圖像的處理時間都比傳統的Hough算法少，這極大地加快了系統的處理進程，進一步體現出系統實時效果.

表1　算法精確度與平均處理時間

3　結論與展望

提出了一種基于RGB空間歸一化模型與分群操作的交通燈檢測算法.算法首先對實時交通場景圖像進行RGB顏色種類的歸一化處理，得到了幾種顏色獨立的圖像.然后為了進一步縮短處理時間，提取圖像的二值化信息并且進行形態學處理.接著對圖像進行分群操作并作標記處理，通過對比目標長寬條件與候選區的面積條件進一步篩選目標.最后通過匹配交通燈形狀樣本空間中的數據鎖定交通燈.實際檢測的結果表明，所采用的分群算法可以實時準確地識別出交通燈，對比傳統的Hough算法，準確度與處理時間都有明顯的優越性.但所采用的算法仍有不足之處，本文實際檢測是在城市統一交通燈形狀情況下進行的，若換成諸如箭頭狀的交通燈，系統就無法識別，所以對于交通燈樣本的數據庫還有待進一步完善.另外，在檢測到交通燈的同時還可以加入距離檢測，使得智能交通系統進一步完善，這也是未來將要研究的課題.

［1］ 徐成，譚乃強，劉彥.基于Lab色彩空間和模板匹配的實時交通燈識別算法［J］.計算機應用，2010，30（5）：1 251-1 254.

［2］ 楊懌菲.基于空間信息的彩色逆半調圖像評價方法［J］.計算機應用，2009，29（6）：1 699-1 701.

［3］ Jesse Levinson，Jake Askeland，Jennifer Dolson，et al.Traffic light mapping，localization，and state detection for autonomous vehicles［C］//David Menotti.2011 IEEE International Conference on Robotics and Automation.Shanghai：IEEE xplore Digital Library，2011：5 784-5 791.

［4］ C Y Fang，C S Fuh，S W Chen，et al.A road sign recognition system based on dynamic visual model［C］//R.Schettini. Proceedings of the 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.TaiPei：IEEE xplore Digital Library，2003：750-755.

［5］ Y Zhang，L Wu.A rotation invariant image descriptor based on radon transform［J］.International Journal of Digital Content Technology and its Applications，2011，5（4）：209-217.

［6］ F Lindner，U Kressel，S Kaelberer.Robust recognition of traffic signals［C］//David.Proceedings of the 2004 IEEE International Vehicle Symposium.Parma：IEEE xplore Digital Library，2004：49-53.

［7］ Nathaniel Fairfield，Chris Urmson.Traffic light mapping and detection［C］//Steve Hank.2011 IEEE International Conference on Robotics and Automation.Shanghai：IEEE xplore Digital Library，2011：5 421-5 426.

［8］ H Chinthaka N Premachandra，Tomohiro Yendo，Mehrdad Panahpour Tehrani，et al.High-speed-camera image processing based LED traffic light detection for road-to-vehicle visible light communication［C］//R.Deriche.2010 IEEE Intelligent Vehicles Symposium.California：IEEE xplore Digital Library，2010：793-798.

Traffic lights detection based on normalization model and clustering algorithm

LV Ya-yun，LANG Lang?，YANG Hui-cheng，CHEN Meng-yuan
（Anhui Key Laboratory of Electric Drive and Control，Anhui Polytechnic University，Wuhu 241000，China）

Traffic lights detection is an important research direction of intelligent transportation system with adopts the real-time detection algorithm adopted.Firstly，the image is processed by RGB normalization model，which produces several independent image colors.Secondly，the algorithm extracts the binarization information from the image and makes the morphological processing.Thirdly，it exerts the clustering operation and labeling processing for each image and makes the condition judgment on the length and area according to the shape characteristics of traffic lights region.Finally，the value is extracted from the sample space of traffic lights and matched with the one from the real-time scene.Therefore，the position of traffic lights is locked well.The experiment compares the Clustering algorithm with the traditional Hough algorithm and the results show that the proposed algorithm can quickly and accurately detect the traffic lights.

traffic lights detection；intelligent transportation system；morphological processing

TP37

A

1672-2477（2015）02-0069-06

2014-08-04

安徽高校自然科學研究重大基金資助項目（KJ2014ZD04）

呂亞運（1990-），男，江蘇南京人，碩士研究生.

郎 朗（1956-），女，安徽蚌埠人，正高級工程師，碩導.