基于圖像處理的交通燈檢測技術

吳國慶+王星星+張旭東+翟春樹

摘 要： 針對城市交通安全和路口通行效率等問題，研究一種交通信號燈檢測的技術。采用亮度分析、圖像分割和形態學濾波對采集的圖像進行預處理，排除背景干擾；利用RGB 顏色空間下的顏色各通道差值分布檢測交通燈顏色；最后基于對圖像[0°，180°]的Radon變換找出峰值對應的角度，對圖像在該角度上分別進行變換，利用形狀特征對交通燈進行形狀檢測。采集自然環境下圖像進行試驗。結果表明，該算法的正確識別率達到90%以上，是一種較好的交通信號燈檢測方法。

關鍵詞： 圖像處理； 交通燈檢測； RGB； Radon變換

中圖分類號： TN911?34.73； TP39 文獻標識碼： A 文章編號： 1004?373X（2017）08?0103?04

Traffic lights detection technology based on image processing

WU Guoqing1，2， WANG Xingxing1， ZHANG Xudong2， ZHAI Chunshu1

（1. School of Mechanical Engineering， Nantong University， Nantong 226019， China；

2. Jiangsu Engineering Research Center for Wind Energy Application， Nantong 226019， China）

Abstract： A traffic lights detection technology is studied to solve the problems of urban traffic safety and crossroad traffic efficiency. The brightness analysis， image segmentation and morphological filtering are used to preprocess the acquired image to eliminate the background interference. The three?channel difference distribution of the three traffic lights colors in RGB color space is adopted to detect the color of traffic lights. On the basis of the Radon transform for the image in 0°～180°， the angle corresponding to the peak value is found out， on which the image is transformed. The shape feature is employed to detect the shape of the traffic lights. The image acquired in the natural environmental was tested. The results show that the correct recognition rate of the algorithm is higher than 90%， which is a good method for traffic light detection.

Keywords： image processing； traffic lights detection； RGB； Radon transform

隨著道路交通迅速發展，交通事故急劇增加。因此，智能交通系統成為了未來發展的重要領域。智能交通系統是一種將信息技術、通信技術、傳感技術、控制技術以及計算機技術等有效地集成融合于整個交通運輸管理體系， 而建立起的一種在大范圍內、全方位發揮作用的，實時、準確、高效的綜合的運輸和管理系統[1]?；谥悄芙煌ㄏ到y的快速發展需求，很多研究學者開始致力于研究各種基于圖像的目標檢測系統，例如建筑物檢測， 樹木檢測，以及大量的基于圖像的交通燈檢測系統[2]。對交通信號燈的識別是智能交通機器視覺的的一個重要部分，可以及時為駕駛員提供當前路口狀態，提示道路可行性，避免交通事故發生；對于無人駕駛系統，交通燈檢測識別則是確保安全性的關鍵技術之一。

現有的交通燈識別算法主要利用顏色和形狀信息。Jin?Hymig Park等利用顏色信息，提取可能是交通信號燈的像素，利用K均值聚類方法進行聚類；再用簡單的圓檢測算法，檢測圓形交通信號燈，但在復雜環境下，漏檢、誤檢率較高[3]。H wang等用6個顏色閾值來分割輸入圖像，得到候選區域。然而，它無法區分紅色和黃色交通信號燈，適應性不強[4]。徐成等在Lab顏色空間分割交通信號燈的候選區域，用模板匹配算法識別交通信號燈，識別的準確率較高，但面對不同安裝與種類的交通燈，通用性不足[5]。

1 交通燈預處理

在城市環境中，交通信號燈的背景比較復雜，存在很多干擾，如前方汽車尾燈、道路兩邊的建筑顏色、樹木等，而且在各種不同的環境中，光照等因素對交通信號燈的顏色變化的影響比較大。因此，需要對圖像進行預處理，部分排除背景干擾。

1.1 圖像灰度閾值分割

交通燈所處的背景較為復雜，干擾因素較多。為了滿足系統實時性要求，必須快速、準確地檢測定位交通燈在圖像中的位置并進行識別。本文利用交通燈自行發光的特點，亮度特征比圖像背景較為明顯，分析圖像的亮度屬性，對圖像進行閾值分割，消除圖像背景的影響。實時從圖像中提取亮度值，既能一定程度消除光照的影響，更能確保該算法的魯棒性。原圖像見圖1。

為了進一步縮短處理時間，減小運算量，確定有意義的區域，利用灰度閾值分割法對圖像進行二值化處理。結合圖2亮度分析，對灰度圖像進行二值化處理，排除如樹木、房屋等圖像背景。故可以確定分割閾值T=。

1.2 圖像形態學操作

二值化處理圖像后，交通燈區域較為明顯地被分割出來，但同時仍然有許多灰度值較大的背景雜質也被檢測出來。為了消除汽車尾燈、窗燈等細小物體以及背景區域散布的噪聲物體的干擾，平滑二值圖像的邊界，對圖像進行形態學處理（開運算），即將圖像先進行腐蝕后再膨脹處理。腐蝕操作會去掉物體的邊緣點，細小物體會被認為是邊緣點，會整個被刪除；再進行膨脹操作時，留下的較大物體會恢復原來大小，小物體則被刪除了。處理結果如圖3所示。

2 交通燈檢測

2.1 顏色檢測

（1） 歸一化。由于自然環境下，外界對顏色的影響較為直接，如亮度的變化直接可能導致顏色的失色。因此需要不考慮亮度等的影響只提取顏色信息，必須將RGB各通道進行標準化處理。在歸一化RGB模型中r，g，b表示標準化三通道，r+g+b=1，分別為：

（1）

（2） 色彩分割。在RGB顏色空間下對顏色進行分割，由于受到光照影響，三通道值的相關性較大，不能進行單一通道值取值分析。因此，本文利用在RGB顏色空間下，三種交通燈顏色的三通道差值分布的穩定性進行顏色分割，這樣不僅解決了RGB顏色空間的缺點，而且避免了顏色空間的轉換，減少了處理時間，一定程度上提高了實時性。在進行顏色分割前，分割閾值范圍的確定尤為重要， 不同的分割閾值會導致分割效果的不同。本文通過分析三種交通燈在RGB模型下的三通道分布情況，多次試驗總結得出一組分割閾值范圍為：紅燈區域20

[ 圖3 形態學操作后圖像 圖4 r?g分布]

為了驗證三通道差值分割提取候選區域效果，選取其中任意的一幅圖像作為實驗對象。實驗結果如圖6所示，差值分割能夠有效地提取出圖像中的紅色部分，抑制其他顏色干擾，但也部分地提取了背景中顏色接近的區域，并且由于交通燈發光性會使得交通燈區域中心亮度過大導致中心顏色淹沒現象，只能檢測出邊緣顏色區域。因此，需要結合區域的形狀信息進行進一步檢測。

2.2 Radon變換形狀檢測

Radon變換是從不同的角度對圖像進行該角度上的投影，每個向量的投影值為該方向上圖像所有像素點的線積分和，計算公式為：

對于同一目標圖像進行Radon變換在不同的角度下投影波形是不同的，若將多個角度下的投影波形作為特征全部進行對比分析，則會因為處理大量冗余數據降低處理效率，無法滿足實時性要求。因此，必須選取其中部分投影波形作為特征進行分析。

對交通燈圖像在θ為[0°，180°]范圍內進行Radon變換，結果如圖8、圖9所示。

對比圖8、圖9，可以看出圓形交通燈一直維持在恒定的數據，對于箭頭形交通燈，向左和向右呈現了明顯的對稱性，再次只考慮一種方向。除了在兩個坐標軸投影，就是分別在45°和135°出現了峰值，因此本文選取四個方向的投影波形作為交通燈的特征，分別是0°，45°，90°和135°投影，結果如圖10和圖11所示。將通過顏色檢測得到的目標區域進行這四個角度上的Radon變換得到投影特性，若區域的投影特性符合圓形或者箭頭形特性，則認為該區域為交通燈區域。

3 實 驗

為了檢測算法的有效性與實用性，搜集了部分數據進行檢測。共采集了不同時間，不同地區的交通燈圖像80幅作為本試驗樣本。實驗選擇軟件為Matlab R2009a平臺，硬件為PC（配置：IntelCore（TM）i3 CPU M350@2.27 GHz 內存2 GB 32位WIN 7操作系統）。

本文算法檢測了80幅圖像，為了驗證該算法是否滿足實時性要求，對每一幅圖像都記錄了檢測識別消耗的時間，然后取平均值代表該算法的實時性。統計結果見表1。

表1 算法準確率、實時性統計

實驗表明，該交通信號燈檢測識別方法，能夠較為有效地檢測到交通燈的位置并且正確檢測率能達到90%。對于紅、黃、綠交通燈平均識別時間分別為4.25 s，3.91 s，5.32 s，實時性較其他算法較差。因此，需進一步優化算法，加快圖像處理速度，體現系統實時性效果。

4 總 結

本文首先對圖像進行預處理排除如樹木等背景的干擾。再對圖像進行歸一化后在RGB顏色空間下，利用直方圖統計出三種交通燈的三通道差值分布情況，確定顏色分割的閾值范圍；最后對檢測的目標區域進行Radon變換進行形狀特性檢測。最終結合顏色和形狀信息確定檢測出的交通燈區域，得出交通燈的當前狀態。實驗表明，本文提出的方法，能有效地檢測識別交通信號燈，且識別率較好。這充分說明了本方法能有效、快速地識別城市復雜環境下的交通信號燈。

未來進一步的研究方向是對從不同的角度、時間、空間等多種條件下的圖像進行處理；而且目前對于箭頭形和數字形交通信號燈還沒有較好的算法研究，所以需進一步針對箭頭和數字的交通燈研究有效處理算法；另外需要進一步的優化算法，減少處理時間，提高檢測的準確性。

參考文獻

[1] 朱永珍，孟慶虎，普杰信.基于HSV色彩空間與形狀特征的交通燈自動識別[J].電視技術，2015，39（5）：150?154.

[2] 牛紅惠，劉凌霞.基于歸一化RGB空間與曲率的交通燈檢測研究[J].科學技術與工程，2013，13（6）：1703?1707.

[3] 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）：1251?1254.

[4] 尹濤.自然場景下交通標志牌的檢測與識別[D].南京：南京理工大學，2010.

[5] PARK J H， JEONG C. Real?time signal light detection [C]// Proceedings of 2008 Second International Conference on Future Generation Communication and Networking. Hainan， China： IEEE， 2008： 139?142.

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

[7] WANG W. Reach on Sobel operator for vehicle recognition [C]// Proceedings of 2009 1st IITA International Joint Conference on Artificial Intelligence. Hainan， China： IEEE， 2009： 448?451.

[8] LU K H， WANG C M， CHEN S Y. Traffic light recognition [J]. Journal of the Chinese Institute of Engineers， 2008， 31（6）： 1069?1075.

[9] 譚乃強.視頻交通燈識別和陰影消除方法及應用研究[D].長沙：湖南大學，2010.