基于神經網絡的紅綠燈識別研究

詹玉 吳欽木

摘?要：交通燈的識別對人工智能以及無人駕駛都有著舉足輕重的作用，本文研究交通識別中的紅綠燈判斷，用于改善駕駛員疲勞以及維護交通秩序從而提高駕駛安全系數減少交通事故的發生。通過機器視覺采集紅綠燈交通信號圖，運用Matlab進行圖片處理截取紅綠燈區域，提取每張圖片的121個像素點RGB值，運用1和2分別表示綠燈和紅燈，建立紅綠燈樣本訓練庫，通過Matlab自帶的數據擬合工具nftool進行神經網絡訓練，調整訓練、驗證、測試數據比例，最終得到識別效果較好的神經網絡算法。運用樣本均值進行測試也能夠得到較好的識別。

關鍵詞： 機器視覺;紅綠燈識別;RGB值;數據擬合工具nftool;神經網絡

文章編號： 2095-2163（2021）01-0032-04 中圖分類號：TP391.41 文獻標志碼：A

【Abstract】The identification of traffic lights plays a decisive role in both artificial intelligence and unmanned driving. This paper studies the judgment of traffic lights in traffic identification， which can be used to improve driver fatigue and maintain traffic order so as to improve the driving safety coefficient and reduce the occurrence of traffic accidents.By machine vision gathering traffic signal of traffic light， using Matlab image processing to crop traffic area， in each image RGB values of 121 pixels are extracted， 1 and 2 are used to represent the traffic lights respectively， and red and green traffic light sample training library in built， through the Matlab's own data fitting tool nftool neural network training is conducted， the ratio among training， validation， test data is adjusted， so the neural network algorithm with better identification effect is achieved.Using the sample mean for testing can also be well identified.

【Key words】machine vision; traffic light identification; RGB values; nftool， a data fitting tool; the neural network

0 引?言

在道路交通信息中，作為重要交通信號標志的紅綠燈出現得最為頻繁，及時且準確地識別紅綠燈對保障交通安全與交通秩序穩定具有重要意義。因此，本文基于神經網絡對紅綠燈識別開展研究。以紅綠燈顏色為研究對象，通過機器視覺系統采集紅綠燈圖像數據，建立紅綠燈的圖像數據庫作為訓練樣本，利用神經網絡學習訓練模型，實現對紅燈與綠燈的識別。

在顏色識別中，傳統方法是對圖片進行處理，轉換顏色空間運用算法進行識別，涉及的方法包括模糊隸屬度函數[1]、歸一化方法[2]、高斯分布建模方法[3]、殘差法[4]、k均值聚類法[5]。這些方法都是通過圖像處理來進行顏色識別，在車聯網中識別速度有待提高。對比傳統方法，神經網絡學習優勢就在于能夠通過大量樣本進行訓練，訓練出的算法識別精度也較高，例如支持向量機[6]、深度學習[7]等。因此，本文將機器學習與神經網絡相結合來訓練紅綠燈識別網絡，最終得到了識別效果較好的算法。

1 機器視覺系統

機器視覺運用光學裝置和非接觸的傳感器裝置通過視覺鏡頭對目標物體的圖像進行采集，將模擬信號自動轉換為計算機可以識別的數字信號，而后進行特征提取以獲得所需要的信息。一個典型的機器視覺應用系統包括光源系統、視覺傳感器、圖像采集系統、圖像處理系統、以及控制系統等模塊，如圖1所示。

本文研究的機器視覺主要完成圖像采集，選擇白天在適合的天氣條件下對各個路口的紅綠燈進行圖像采集，采用CCD、CMOS傳感器的攝像頭根據拍攝當天的光照強度和紅綠燈的位置調好攝像頭的焦距、光圈等，盡可能地拍攝出符合要求的圖片。

2 建立訓練樣本集

RGB空間是一種色光表色模式，現已廣泛用于社會生活中。計算機定義顏色時，R、G、 B三種成分的取值范圍是0～255，0表示沒有刺激量，255表示刺激量達到最大值。RGB模式是一種加色法模式，通過R、G、B的輻射量，可描述出任一顏色。

將采集到的圖片運用Matlab進行處理，提取出紅燈和綠燈區域，將提取的圖片分為RGB三層提取像素點R、G、B的值。本次研究中，采集到的綠燈圖片見圖2，提取的綠燈區域見圖3，采集的紅燈圖片見圖4，提取的紅燈區域見圖5。

進而得到，Matlab提取紅綠燈圖片區域代碼如下：

clearall

clc

a=imread（'16.bmp'）;

a_gray=rgb2gray（a）;

[m，n]=size（a_gray（：，：））;

a_new=a（m/2-5：m/2+5，n/2-5：n/2+5，：）;

將20張紅綠燈圖片作為樣本數據，其中紅燈和綠燈分別為10張。每張圖片提取121個像素點RGB值，總共2420個樣本進行訓練。由此得到RGB部分訓練樣本見表1。表1中，1表示綠燈圖片，2表示紅燈圖片。

3 基于nftool的神經網絡紅綠燈判斷系統設計

目前，機器學習研究的是如何通過計算手段，利用經驗來改善系統自身的性能，神經網絡即是機器學習的一種。其主要研究內容可概括為：是關于在計算機上從數據中產生“模型”的算法，即學習算法。也就是將經驗數據提供給學習算法，如此就能基于數據產生模型，當有新的情況時，模型就能做出相應的判斷[8]。

3.1 Matlab神經網絡工具箱

神經網絡數據擬合工具nftool用于數據擬合問題，也就是采用前向神經網絡實現輸入數據到輸出數據的映射。通過R、G、B三個值的范圍進行顏色評估，R、G、B屬于一個數據群，是神經網絡的輸入，紅色和綠色所對應的數字則是另一個數據集，是神經網絡的輸出。

3.2 神經網絡訓練

將樣本分為3部分，即：訓練、驗證和測試。訓練部分的數據提供給神經網絡，網絡根據誤差進行調整。驗證數據用于測量網絡泛化，并在泛化停止改進時結束訓練。在訓練期間和訓練后，訓練數據提供一個獨立的網絡性能測量。這里，將神經網絡訓練樣本中的85%用作訓練，5%用作驗證，10%用作測試。

3.2.1 學習算法

研究中選擇Levenberg-Marquardt。Levenberg-Marquardt學習算法本質上是一種擬牛頓算法，該算法的步驟可簡述如下：

Step 1 隨機給定初始權值w0，設定目標誤差ε，k=1。

Step 2 對于如下n元方程組，計算其對權值向量w的Jacobi矩陣J。此時需要用到：

Step 3 按公式（2）進行搜索：

Step 4 若E（w（k）≤ε），則算法終止，得到滿足精度要求的權值向量;否則，轉Step 5。

3.2.2 神經網絡結構設置

神經網絡是由自帶適應性的簡單單元組成的廣泛并行互連的網絡，在整體上能夠模擬生物神經系統對真實世界物體所做出的交互反應。將神經網絡結構分為3層，即：輸入層、隱含層、輸出層。其中，隱含層神經元個數設置為10，其結構如圖6所示。

3.2.3 訓練結果

數據擬合圖見圖7，誤差直方圖見圖8，訓練數據、驗證數據、測試數據以及所有樣本數據回歸圖則詳見圖9。由圖7可知，在第37步時，最好的驗證值為1.6092e-13。

通過訓練結果分析后可知，在誤差直方圖中誤差很小的數據都集中在一起，訓練效果理想，數據回歸圖中所有R=1，數據相關性好，訓練后的網絡不僅能識別原有樣本，將訓練樣本的每張圖片取RGB均值作為輸入，測試所訓練的神經網絡，訓練的算法也能夠完全識別，部分識別結果見表2。

4 結束語

本文通過機器視覺采集紅綠燈圖片，將紅綠燈圖片通過Matlab算法進行預處理，將圖片分成R、G、B三層提取RGB值制作樣本訓練集，運用神經網絡數據擬合工具nftool進行訓練，得到的紅綠燈識別算法能夠精確地識別樣本，將每張樣本紅綠燈圖片的RGB均值作為神經網絡輸入也能夠精準地識別紅綠燈圖片，本文為車聯網的紅綠燈識別研究提供了一種思路，利用神經網絡能夠訓練出高效、快速的算法，相較于傳統圖像處理識別更具優勢。

參考文獻

[1]HU Mingdi， ZHANG M， LOU Y. Retrieval of vehicle images based on color space fuzzy quantification in criminal investigation[J]. International Journal of Performability Engineering ， 2017，13（6）：823-831.

[2]OMACHI M， OMACHI S. Traffic light detection with color and edge information[C]//2009 2nd IEEE International Conference on Computer Science and Information Technology（ICCSIT 2009）. Beijing， China：IEEE， 2009：945-948.

[3]SHEN Yehu， OZGUNER U， REDMILL K， et al. A robust video based traffic light detection algorithm for intelligent vehicles[C]//2009 IEEE Intelligent Vehicles Symposium. Xi'an， China： IEEE，2019：521-526.

[4]薛旭琴. 基于機器學習的車輛顏色識別方案的研究[D]. 北京：北京郵電大學，2018.

[5]佀君淑，朱文興，沙永賀.復雜背景下的交通信號燈綜合識別方法[J].山東大學學報（工學版），2014，44（2）：64-68，75.

[6]HU Chuanping，BAI Xiang， QI Li，et al.Vehicle color recognition with spatial pyramid deep learning[J]. IEEE Transactions on Intelligent Transportation Systems， 2015，16（5）：2925-2934.

[7]KIM H K， PARK J H， JUNG H Y，et al. An efficient color space for deep-learning based traffic light recognition[J]. Journal of Advanced Transportation， 2018， 2018：2365414.

[8]周志華. 機器學習[M]. 北京：清華大學出版社，2016.

[9]陳攀. 自然場景下車輛顏色識別研究[D]. 武漢：華中科技大學，2016.

[10]祝匡熙. 智能車輛的交通信號燈識別[D]. 上海：上海交通大學，2012.

[11]WANG Xiaoqiang， CHENG Xianghui， WU Xue， et al. Design of traffic light identification scheme based on TensorFlow and HSV color space[J]. Journal of Physics Conference Series，2018， 1074（1）：012081.