基于投影特征值的交通信號燈檢測與識別方法

吳澤峰 張重陽 許明文

摘 要： 針對常見的交通信號燈，提出了基于投影特征值的交通信號燈識別方法。該方法首先分割圖像中紅綠色區域，經過多次過濾，篩選出交通信號燈區域，然后針對交通信號燈擴散問題，采用自適應閾值分割對候選區域進行分割，最后提取交通信號燈在水平和垂直方向的投影特征值，運用最小距離分類器，得到交通信號燈的方向信息。實驗結果表明，在不同的自然場景中檢測率達到95%以上，識別率達到96%以上。

關鍵詞： 多次過濾； 自適應閾值分割； 投影特征值； 最小距離分類器

中圖分類號： TN911.73?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2016）09?0160?04

Abstract： The traffic lights recognizing method based on projection eigenvalue is proposed for the common traffic lights. This method is used to segment the red and green areas， and screen out the areas of traffic lights after multiple filtering. For the diffusion problem of the traffic lights， the adaptive threshold segmentation is adopted to segment the candidate areas. After that， the projection eigenvalue of the traffic lights in horizontal and vertical directions is extracted， and the minimum distance classifier is used to obtain the directional information of the traffic lights. The experimental results show that the detection rate can reach up to 95% and the recognition rate can reach up to 96% in different natural scenes.

Keywords： multiple filtering； adaptive threshold segmentation； projection eigenvalue； minimum distance classifier

近年來，無人駕駛和輔助駕駛研究受到廣泛的關注，而交通信號燈的檢測與識別是無人駕駛和輔助駕駛的重要組成部分。國內外許多研究學者已經提出了一些有效的檢測和識別交通信號燈的算法。Masako Omachi提出在RGB色彩空間分割交通信號燈[1]，使用HOUGH變換檢測興趣區域，該方法只能有效地檢測圓形交通信號燈，而且單一的RGB顏色分割受光照的影響比較大。Park等通過簡單的圓形檢測法檢測交通信號燈[2]，通過K均值聚類算法識別交通信號燈。該算法在復雜環境下，缺乏穩定性且誤檢率較高。Gong等采用HSV顏色空間的統計結果獲取分割閾值[3]，對圖像進行分割，用基于CAMSHIFT的算法對交通信號燈進行跟蹤，但該方法直接在HSV顏色空間進行統計，時間開銷大而且難以在較復雜環境中檢測和識別交通信號燈。徐成等提出在Lab色彩空間分割交通信號燈[4]，使用模板匹配的方法識別交通信號燈的方向，雖然識別率很高，但是受限于水平方向交通信號燈，適用范圍窄。谷明琴等用圖像顏色分割和形態濾波定位交通信號燈的燈板位置再轉換到YCbCr空間分割出交通信號燈[5]，用二維Gabor小波變換和二維獨立分量分析提取交通信號燈候選區域的特征；最后，用最近鄰分類器識別交通信號燈的箭頭方向，但對圖像直接分割燈板確定交通信號燈會受背景的影響，漏檢率很高。針對實時性差，漏檢率高，交通信號燈單一等問題，提出了基于投影特征值的交通信號燈識別方法，該方法首先使用歸一化RGB顏色分割，然后根據交通信號燈的幾何特征和背板特征過濾噪聲，最后提取興趣區域的投影特征值，采用最小距離分類器進行分類。

1 交通信號燈的檢測

自然場景下的交通信號燈，由于背景復雜，因此如何快速、準確地檢測交通信號燈，并且濾除圖像中的噪聲是交通信號燈檢測與識別的關鍵。圖1是交通信號燈檢測的基本過程與結果。

1.1 顏色分割

智能車攝像頭到交通信號燈的距離范圍為50～100 m，面積大小有一定的范圍，所以取[S1]和[S2]分別為100 m2和600 m2。

1.3 交通信號燈背板過濾

交通信號燈的背板一般是黑色矩形框，交通信號燈背板通常有兩種類型，橫板和豎板。

常見的交通信號燈正常工作時，同一時刻通常只有一個交通信號燈發光。交通信號燈在背板的位置是固定的。經過過濾可以確定興趣區域的顏色和位置信息而交通信號燈的安裝位置固定，可以通過判斷興趣區域是否在背板中，從而判斷是否為交通信號燈。

三種交通信號燈大小相同，嵌入在黑色背板中，只要將興趣區域向外延伸兩個區域，就可以判斷是否為交通信號燈。如圖2（a）所示，若為紅色信號燈，就向右和下分別延伸一個為興趣區域兩倍長度和一倍寬度的區域，只要向右或者向下滿足使交通信號燈背板，則可以判斷興趣區域是紅色交通信號燈。

1.4 自適應閾值分割

自適應閾值分割與形態學處理的結果如圖3所示。觀察圖3（a）和圖3（b）可以發現，交通信號燈有時存在擴散而導致其丟失了方向特征。由于交通信號燈和黑色背板類間方差是單峰，因此對興趣區域進行自適應閾值分割。自適應閾值分割算法是最大類間方差法，當取最佳閾值時即以類間方差最大來衡量背景和前景差別。

對興趣區域進行自適應閾值分割后會出現斷裂，可以使用形態學中膨脹和腐蝕進行處理，使箭頭信息完整如圖3（d）所示。

2 交通信號燈的識別

2.1 特征提取

本文采用自適應閾值分割后二值圖像在水平和垂直方向的投影值作為交通信號燈的形狀特征。

由于相機與交通信號燈的距離不同，所采集的交通信號燈的大小不同，所以在進行特征提取前，需要將樣本進行歸一化，本文將樣本歸一化為[30×30]。采用投影法提取形狀特征如圖4所示，設圖像某個像素點的坐標為[（x，y），]二值圖像在[（x，y）]點處的像素值為Bin[（x，y），]首先水平方向投影即以高度為一個像素點的直線從上到下進行掃描，統計這條直線上白色像素的數目，如圖4直線[l1，]把這條直線上的白色像素點的個數的統計結果作為一個特征值；然后進行垂直方向投影即從左往右掃描，同樣是以高度為一個像素點的直線，統計這條直線上白色像素點的個數，如圖4直線[l2]從上到下進行統計，將白色像素點個數進行統計作為另一個特征值，投影完成后就生成一個以白色像素點個數為特征值的一個二維特征向量，用來表示一個箭頭方向特征。

3 實驗分析

本文使用無人駕駛汽車平臺進行試驗，選用35 mm長焦攝像頭和高分辨率的工業相機，采集得到的圖像分辨率為1 392×1 040，能很好地拍攝不同距離的交通信號燈。測試硬件為筆記本電腦，CPU為Intel M460 i5雙核處理器，主頻為2.53 GHz，內存為4 GB。軟件環境為Windows 7 64位系統下的VS2010編譯環境。

本文選取兩個不同時間段的視頻序列，兩段視頻共有1 863幀圖像。一種是中午，光線較強，總數為1 032幀，另一種是傍晚，光線較暗，總數為831幀。分別從光線強的視頻序列中隨機選取300幀圖像共有563個交通信號燈樣本和從光線暗的視頻序列中隨機選取200幀圖像共有386個交通信號燈進行訓練。

圖6所示為本文所用方法的檢測與識別結果，圖6（a），（b）為中午采集的視頻序列中的2幀圖像，圖6（c），（d）為傍晚采集的視頻序列中的2幀圖像。如果為紅色信號燈，則使用紅色矩形框框出，并標記方向；如果為綠燈則使用綠色矩形框框出，并標記方向。把交通信號燈的檢測與識別結果放大顯示在每幅圖的下方。實驗結果表明本文方法能夠有效地檢測出交通信號燈并識別其方向。

4 結 語

本文針對常見的圓形和箭頭型交通信號燈，提出了基于投影特征值的交通信號燈識別方法，首先通過歸一化RGB顏色分割方法從背景中分割出交通信號燈等區域，使用幾何特征過濾進行第一次過濾，過濾掉長寬比相差較大或者面積過大過小的噪聲，再使用交通信號燈燈板特征進行第二次過濾，確定交通信號燈的位置。然后統計交通信號燈在水平和垂直方向的投影值，作為交通信號燈的形狀特征，最后采用最小距離分類器對交通信號燈進行識別，實驗結果證明該方法的穩定性和有效性。

參考文獻

[1] OMACHI M， OMACHI S. Traffic light detection with color and edge information [C]// 2009 2nd IEEE International Conference on Computer Science and Information Technology. Washington DC： IEEE， 2009： 284?287.

[2] PARK J H， JEONG C S， Real?time signal light detection [C]// Proceedings of Second International Conference on Future Ge?neration Communication and Networking Symposia. [S.l.]： IEEE， 2008： 139?142.

[3] GONG Jianwei， JIANG Yanhua， XIONG Guangming， et al. The recognition and tracking of traffic lights based on color segmentation and CAMSHIFT for intelligent vehicles [C]// 2010 IEEE Intelligent Vehicles Symposium. San Diego： IEEE， 2010： 431?435.

[4] 徐成，譚乃強，劉彥.基于Lab色彩空間和模板匹配的實時交通信號燈識別算法[J].計算機應用，2010，30（5）：1251?1254.

[5] 谷明琴，蔡自興，黃振威.城市環境箭頭型交通信號燈的實時識別算法[J].中南大學學報，2013，44（5）：55?60.

[6] 武瑩，張小寧，何斌.基于圖像處理的交通信號燈識別方法[J].交通信息與安全，2011，29（3）：51?55.

[7] 周宣汝，袁家政，劉宏哲，等.基于HOG特征的交通信號燈實時識別算法研究[J].計算機科學，2014，41（7）：313?317.

[8] 金濤，王春香，王冰，等.基于級聯濾波的交通信號燈識別方法[J].上海交通大學學報，2012，46（9）：1355?1360.

[9] 谷明琴，蔡自興，李儀.應用圓形度和顏色直方圖的交通信號燈識別[J].計算機工程與設計，2012，33（1）：243?247.

[10] 彭祖勝.交通標志和信號燈實時檢測與識別技術研究[D].重慶：重慶大學，2012：41?57.

[11] 黃振威.交通信號燈檢測與識別算法的研究[D].長沙：中南大學，2012：20?34.

[12] YING Jie， CHEN Xiaomin， GAO Pengfei， et al. A new tra?ffic light detection and recognition algorithm for electronic travel aid [C]// Proceedings of 2013 Fourth International Conference on Intelligent Control and Information Processing. Beijing， China： IEEE， 2013： 644?648.

[13] 王廳列，徐紅霞，鄭龍.一種基于機器視覺識別交通燈的方法[J].福建電腦，2010，26（3）：12?13.

[14] CHIANG C C， HO M C， LIAO H S， et al. Detecting and re?cognizing traffic lights by genetic approximate ellipse detection and spatial texture layouts [J]. International journal of innovative computing， information and control， 2011， 7（12）： 6919?6934.

[15] FAIRFIELD N， URMOSN C. Traffic light mapping and detection [C]// Proceedings of 2011 IEEE International Conference on Robotics and Automation. Shanghai， China： IEEE， 2011： 5784?5791.