霧霾天氣下交通信號燈的識別

李慧淼 方振國

摘? 要：針對霧霾天氣下交通信號燈定位準確率較低、圖像增強時出現圖像亮度不均勻的問題，該文提出一種基于改進的帶色彩恢復的多尺度視網膜增強（Multi-Scale Retinex with Color Restoration ，MSRCR）的霧霾天氣下信號燈識別算法。首先利用改進的MSRCR算法對有霧圖像進行預處理，校正圖像亮度并豐富圖像細節；再利用最大穩定極值區域（Maximally Stable Extremal Regions ，MSER）算法以及信號燈的背板信息確定信號燈的位置；最后將定位區域轉換至HSV空間進行信號燈識別。結果表明，該方法能夠在霧霾條件下有效地定位及識別交通信號燈。

關鍵詞：霧霾；圖像增強；最大穩定極值區域；交通信號燈識別；MSRCR算法

中圖分類號：TP317.4? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）19-0035-05

Abstract： In order to solve the problems of low location accuracy of traffic lights and uneven brightness during image enhancement in haze weather， an improved Multi-Scale Retinex with Color Restoration（MSRCR） weather signal recognition algorithm based on color restoration is proposed in this paper. Firstly， the improved MSRCR algorithm is used to preprocess the foggy image to correct the brightness of the image and enrich the image details; then the Maximally Stable Extremal Region （MSER） algorithm and the backplane information of the signal lamp are used to determine the position of the signal l finally， the location area is converted to the HSV space for signal light recognition. The results show that this method can effectively locate and identify traffic lights under haze conditions.

Keywords： haze; image enhancement; maximum stable extreme value region; traffic light recognition; MSRCR algorithm

近年來霧霾天氣頻發，在城市交通路口，由于駕駛者在行車時能見度較低，無法及時且準確地判斷交通信號燈的狀態而發生交通事故[1]。因此，在霧霾天氣下如何準確地識別出信號燈的狀態變得尤為重要。在霧霾天氣下，針對傳統的去霧算法獲得的去霧圖像質量不高[2]，交通信號燈的定位準確率較低的問題，本文提出了一種能夠在霧霾天氣下有效識別出信號燈的算法。

目前，國內外研究學者針對有霧圖像的去霧處理和交通信號燈的識別問題已做大量研究。唐斌等[3]提出一種高亮度與對比度的去霧算法，該方法可獲得細節清晰的去霧圖像，由于相同的大氣光強度用于3個顏色通道，導致去霧圖像有少量偏色。李夷進等[4]提出一種多尺度Retinex（視網膜大腦皮層理論）色偏恢復算法與暗通道先驗算法相結合的去霧方法，該算法提升了去霧圖像的可視度和清晰度，但此算法的適用范圍較小。金充充等[5]通過引導濾波對圖像進行去霧處理，再利用Harris角點檢測和信號燈的矩形框對信號燈進行定位，進而識別出交通信號燈，該算法可以提升去霧圖像的對比度，但在復雜背景下檢測到信號燈的準確率較低。在交通信號燈定位和識別方面，余澤東[6]首先對源圖像進行預處理，再利用最大類間方差法和Hu不變矩的方法將信號燈的區域篩選出來，最后利用HSV顏色空間中的H（色調）分量識別出信號燈的類型，但該方法對背景復雜的圖像處理效果不好。吳國慶等[7]針對不同顏色的信號燈在RGB顏色空間下的通道直方圖分布存在差異，從而篩選出信號燈顏色，然后基于Radon變換將所選區域進行形狀特征濾波，進而識別出信號燈的顏色狀態，但該方法在光照強度較大的情況下不利于顏色的提取。谷明琴等[8]首先將源圖像進行預處理，其次將候選區域的圓形度計算出來，再根據信號燈的背板信息確定信號燈的區域，最后將該區域圖像由RGB空間轉換至HSV顏色空間，最后通過圖像的H分量的分布特征來識別出信號燈的顏色，但該方法在復雜背景下的識別率不高。Jia等[9]首先對源圖像做預處理，將圖像由RGB空間轉換至HSI空間并且利用形態學處理的方法對候選區進行提取，最后根據區域像素信息并結合模板匹配來識別出交通信號燈的顏色。

本文提出一種在霧霾天氣下能夠有效識別交通信號燈的算法。首先對帶色彩恢復的多尺度視網膜增強算法進行改進，使圖像亮度更加均勻，豐富圖像細節，再利用最大穩定極值區域及信號燈的背板信息確定信號燈的位置，最后將信號燈區域從RGB空間轉換至HSV空間，再通過色調H提供的顏色直方圖統計信息識別出信號燈的顏色。

1? 改進算法描述

針對帶色彩恢復的多尺度視網膜增強（Multi-Scale Retinex with Color Restoration， MSRCR）算法獲得的去霧圖像細節不豐富，亮度不均勻的問題，本文算法在MSRCR算法的基礎上進行改進，通過高斯環繞函數聯合伽馬變換改善原有算法的光照估計，改進的算法既對圖像亮度進行校正又豐富了圖像細節，同時去霧效果較好。

1.1? MSRCR算法

人眼觀測到的有霧圖像S（x，y）可分解為光照分量L（x，y）和反射分量R（x，y），光照分量能夠反映圖像的光照強度等低頻信息；反射分量能夠反映圖像的內在屬性，代表圖像紋理細節等高頻信息，其數學表達式如下

。（1）

為了更加接近人眼的感知能力，通常借助對數變換將式（1）轉換至對數域。

。 （2）

高斯環繞函數表達式為

式中：K為歸一化因子，取值需滿足

的條件，σ為尺度因子。通過高斯環繞函數F（x，y）與有霧圖像S（x，y）做卷積運算就會得到原圖像的低頻分量，原圖像減去低頻分量得到圖像的高頻分量，采用不同尺度的高斯環繞函數提取反射分量再進行加權平均，表達式為

式中：ωi為第i個尺度高斯環繞函數得到的光照分量的系數，通常各取1/3，取N=3（選擇σ=128，256，512的尺度因子）。

由于對3個顏色通道分別進行處理，可能會出現色彩失真問題，MSRCR算法引入色彩恢復因子Ci（x，y）是第i顏色通道的色彩恢復系數，是用來補償去霧時存在的顏色失真問題，表達式為

式中：β是增益常數，α是非線性強度的控制因子，本文將β設置為45，α設置為125。

MSRCR算法的輸出R′i（x，y）是Ri（x，y）和Ci（x，y）的乘積。

R′i（x，y）=Ri（x，y）Ci（x，y）。（7）

1.2? 優化算法

1）通過高斯環繞函數F（x，y）和有霧圖像S（x，y）做卷積運算，采用不同尺度的高斯環繞函數分別提取光照分量進行加權平均，進而得到光照分量的估計值為

2）構造二維伽馬函數，利用光照分量的分布特性來調整伽馬函數的參數。對于光照過暗的區域提高其亮度值，對于光照過強的區域降低其亮度值，實現光照不均勻圖像的自適應校正[10]，伽馬函數表達式為

， （9）

， （10）

式中：G（x，y）為校正之后輸出圖像亮度值；m為光照分量的亮度均值；γ為亮度增強指數。

3）去除伽馬校正后的光照分量得到物體的反射分量，從而獲得物體的本來面貌。

4）將Ri（x，y）乘以色彩恢復因子Ci（x，y）得到R′i（x，y）。

圖1為原圖；圖2為MSRCR算法獲得的去霧圖像，圖像顏色過渡不平緩，亮度不均勻，圖像細節不突出，人眼看起來不自然；圖3是優化后獲得的去霧圖像，看起來明亮自然，細節清晰，圖像質量有所提升。

2? 信號燈的定位與識別

2.1? MSER算法檢測信號燈區域

最大穩定極值區域（Maximally Stable Extremal Regions，MSER）[11]是指灰度圖像經閾值處理后得到的二值圖像，小于閾值的像素在圖像中顯示為黑色，反之顯示為白色。當閾值等于0時，二值圖像為全白；逐漸增大閾值，圖像逐漸出現黑色區域，這些黑色區域逐漸由小區域匯成大區域；當閾值等于255時，二值圖像為全黑。在閾值逐漸增大或減小的過程中，在較大范圍閾值內，一些連通區域面積變化比較緩慢，那么這些區域就是MSER。

利用本文提到的優化算法得到去霧圖像，并將去霧圖像灰度化，如圖4所示，然后利用MSER算法以及交通信號燈的背板信息對交通信號燈進行區域定位，具體步驟如下。

第一步：將灰度圖像通過MSER算法提取出最大穩定極值區域，如圖5所示，其中相鄰區域的每種顏色代表著一個最大穩定極值區域[12]。第二步：對每個最大穩定極值區域都用等效橢圓目標擬合，如圖6所示。第三步：設通過MSER算法提取出Q個最大穩定極值區域，那么第k個最大穩定極值區域擬合出的橢圓目標可記為

， ? ? （12）

式中：（xk，yk）為中心坐標，ak，bk為等效橢圓的長軸和短軸，θk為橢圓主軸和X軸的夾角，橢圓離心率的公式為

式中：0

2.2? 信號燈顏色識別

將截取的信號燈區域由RGB空間轉換至HSV空間，HSV空間由H（色調），S（飽和度），V（亮度）這3個分量組成[13]，對H分量進行歸一化處理，根據不同顏色在H分量的分布范圍不同，如圖8—圖10所示，從上到下依次為紅燈，黃燈，綠燈在H分量上的直方圖，利用顏色直方圖統計能夠準確地區分信號燈的狀態，圖8—圖10的橫坐標范圍為0～1，不同顏色在H分量的分布不同；縱坐標表示顏色像素點的數量。

設區域總像素的個數為M，分析圖像中色調H的顏色直方圖，記3種顏色處于H分布范圍內的像素點數為Nμ，那么Rμ=Nμ/M，μ∈{r，y，g}若Rr>δ，則信號燈為紅燈；若Ry>δ，則信號燈為黃燈；若Rg>δ，則信號燈為綠燈。閾值δ一般選取的范圍是0.50～0.80，本文選取的δ為0.65，通過計算可得圖像中的信號燈是紅燈，如圖11所示。

3? 結果分析

本文提出的研究方法針對的是圓形的交通信號燈，使用軟件Matlab對上述提出的研究方法進行信號燈的識別，通過算法1[14]，算法2[15]以及本文算法依次對交通信號燈進行識別，識別結果見表1。

4? 結論

本文針對常見的去霧算法獲得的圖像質量不佳以及傳統的信號燈定位方法準確率較低的問題，提出了一種在霧霾天氣下有效識別信號燈的方法。通過對MSRCR算法進行優化獲得去霧圖像，利用MSER算法和信號燈背板信息對信號燈進行定位，再將該區域圖像轉換至HSV空間，利用顏色直方圖統計準確地區分信號燈的狀態。實驗結果表明，本文提出的研究方法能夠較準確地識別交通信號燈，準確率達90.0%。

參考文獻：

[1] 趙金陽，張甜甜.霧霾能見度對交通流影響分析[J].科學技術創新，2022（33）：22-25.

[2] 張曉東，秦娟娟，賈仲仲.多尺度Retinex在圖像去霧算法中的應用研究[J].西昌學院學報（自然科學版），2021，35（3）：60-65.

[3] 唐斌，申紅婷，龍文.使用局部大氣光的單幅圖像去霧算法[J].科學技術與工程，2021，21（26）：11246-11252.

[4] 李夷進，閆睿，楊峰，等.排水管道圖像霧氣及光斑干擾去除方法研究[J].科學技術與工程，2022，22（16）：6599-6606.

[5] 金充充，何立平，朱仲杰，等.霧霾天氣下交通信號燈定位與識別算法[J].浙江萬里學院學報浙江萬里學院學報，2018，31（6）：61-68.

[6] 余澤東.基于otsu算法和Hu不變矩的交通信號燈識別[J].武漢大學學報（工學版），2020，53（4）：371-376.

[7] 吳國慶，王星星，張旭東，等.基于圖像處理的交通燈檢測技術[J].現代電子技術，2017，40（8）：103-106.

[8] 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.

[9] JIA L，DONG Y. A new night traffic light recognition method[J].Journal of Physics：Conference Series，2019，1175（4）：62-66.

[10] 李廣豪，席志紅.基于圖像融合的水下光照不均勻圖像增強算法[J].計算機仿真，2023，40（4）：330-335.

[11] 李英杰，全太鋒，劉武啟.基于MSER的自適應學習自然場景文本檢測[J].小型微型計算機系統，2020，41（9）：1966-1971.

[12] 盧軍，胡秀文.弱光復雜背景下基于MSER和HCA的樹上綠色柑橘檢測[J].農業工程學報2017，33（19）：196-201.

[13] 王明明，劉姣娣，劉栩廷，等.基于圖像增強與邊緣檢測技術的蔗芽識別[J].計算機仿真，2022，39（10）：224-228.

[14] 桂欣悅，李振偉，吳晨晨，等.基于MATLAB的紅綠燈識別系統研究[J].電子設計工程，2020，28（16）：133-136.

[15] YING J，CHEN X M，GAO P F，et al.A new traffic lightdetection and recognition algorithm for electronic travel aid[C]//Proc.2013 Fourth International Conference on Intelligent Control andInformation Processing.[S.l.]：IEEE Press，2013：644-648.