基于MATLAB的交通信号灯识别方法

李佳阳，刘 奇

（1.四川大学电气信息学院2013级学生,四川成都610065；2.四川大学医学信息工程系,四川成都610065）

基于MATLAB的交通信号灯识别方法

李佳阳1，刘 奇2

（1.四川大学电气信息学院2013级学生,四川成都610065；2.四川大学医学信息工程系,四川成都610065）

对交通灯的识别主要基于对交通灯的色彩及形状特征。基于信号灯的亮度对其进行分割、提取，并设置了一种自动最优选择阈值的方法。再由HIS彩色空间的H信息识别颜色。最后根据二值化的交通灯的横坐标和纵坐标方向的投影进行形状匹配识别。

交通灯识别，图像分割，颜色识别，形状识别

交通灯识别对于交通事件自动检测至关重要，并且作为车辆行驶环境的自动检测，对于无人驾驶汽车的应用研究也有很高价值。引入HIS彩色空间来进行识别相比于传统的在RGB和灰度空间识别有一定优势。最终通过引入信号灯前景直方图对其进行形状、方向判断，从而实现信号灯的自动识别。

1 分割方法

1.1 设置最优阈值进行二值化

对彩色图像进行分割首先进行图像二值化处理。阈值选择的恰当与否对图像分割起着决定性的作用。用迭代法寻找最优阈值对图像进行二值化，首先将原图像灰度化。找出图像中最大、最小灰度。阈值T初始值为最大、最小灰度的平均值。根据T值将图像分为前景和背景。

之后计算灰度值大于和小于阈值的个数和灰度总值。设置新旧阈值的允许接近程度，求出新阈值，进行迭代。

最终使高于和低于阈值的像素个数相等。

原图如图1所示：

图1 原图

最优阈值二值化效果，如图2所示。

图2 二值化后的图像

2 基于Top-hat算子的亮区域提取

Top-hat算子是图像形态学中一种性能非常好的高通滤波算子,其是组合了形态学中的膨胀、腐烛、开算子或者是闭算子。

选取结构元素的非常重要,结构元素有两个因素可以影响形态学滤波的结果：一个是其结构的尺寸，另一个是其结构的形状。如果结构的尺寸选择过小则开运算过滤后噪声过滤不彻底，将会得到较多的连通区域,然后再使用原图像减去使用幵运算过滤后的图像则会丢失大部分信息；相反,虽然选择过大的结构尺寸会过滤掉较多的噪声，但是开Tophat算子处理后将会保留更多的亮区域,不便于之后的寻找交通灯光源亮区域的处理。

一般对于检测叫交通信号灯來说其尺寸在10x10至20x20之间可以满足需求,在实际运用中可以选择其中值15x15即可。

对于结构形状来说，选择矩形或者圆形对交通信号灯光源区域的提取也有一定的影响,如果选择圆形结构的话，主要是针对圆形交通灯来说会出现误检，如之前所述图像是通过了先腐烛后膨胀的形态学滤波，因此，可能出现某个噪声点腐烛没有过滤掉反而通过膨胀后变成了圆形,影响圆形交通灯的识别；而对于矩形结构的话则会避免该情况的出现。

一般采集到的交通灯都会出现在图像的上半部分，所以截取上1/2图像进行tophat处理。可以避免其他车辆的尾灯干扰。

得到结果，如图3所示：

图3 顶帽变换

3 约束提取到的亮区域

根据交通灯特征设计滤波规则。

观察交通信号灯光源部分的形状与特点可以发现,如果是光源区域则其面积不会过大；再者无论是圆形交通信号灯还是箭头形交通信号灯其外接矩形框比较周正，即其长宽比不会过大或过小。所以可以设定一个长宽比的区间，不落在此区间的部分滤除。

且考虑交通灯光源区域面积不会过大或过小，因此可以设定面积阈值。

最后将滤波之后的图像进行孔洞填充得到最终分割出的交通灯图像。

得到分割结果放大后的效果如图4所示。

图4 分割结果

可以看到基本能提取出圆形信号灯和箭头符号了。

4 分开检测到的多个交通灯

通过标记连通区域标记不同的交通灯，并使其分别显示在两幅图中。

分割部分结束。

将二值图像当做掩模，可以得到原图的交通灯分割结果，结果是在原图中提取到红色的箭头指示灯和绿色的圆形指示灯。

5 颜色识别

5.1 定位裁剪并转换色彩空间

首先将交通灯定位裁剪到其最小外接矩形。其次转换彩色空间，RGB彩色模型是一种常用的彩色模型，该模型下的3个分量红(R)、绿(G)、蓝(B)相关性较高，抗外界干扰性较差，不适宜用来进行图像分割。相对于RGB颜色模型，HSI(色相、饱和度和亮度) 颜色模型更适合人类的视觉特性。并且图像所有的色彩信息都包含在H分量中，便于操作。

5.2 根据H分量识别颜色

设置H<0.1时识别为红色。

设置H在［0.15,0.25)和(0.25,0.3］时识别为橘色，因为图像中的黑色在HIS空降中H分量为0.25，所以剔除0.25这个值。

设置H在［0.4,0.5］识别为绿色。

并将识别结果输出在分割后的交通灯图像中。

6 形状识别

6.1 形状识别方法

信号灯类型具有多样性，箭头灯包含颜色及方向信息，圆形灯仅包含颜色信息。为实现对圆形及箭头形信号灯的灵活识别，提出坐标投影分析方法。通过对比标准箭头和圆形坐标投影，识别出形状。

对光源区域的二值图像做横坐标投影实质上是计算光源区域在行方向上的面积,而纵坐标投影则是列方向上的面积。在实际使用时，用横坐标投影就可以进行识别。

为了便于比较，应该进行压缩、拉伸，统一图像大小。在这里统一压缩拉伸为20×20大小的图像。在进行比较之前首先要设定标准圆形和箭头。

6.2 标准图形

选用以下两幅图得到三种箭头和圆形的标准图像，如图5、6所示。

图5 设立标准1

图6 设立标准2

分析可得我们设立的“标准”的横坐标投影分别为如图7～图10所示：

左箭头：

图7 左箭头投影分析

上箭头：

图8 上箭头投影分析

右箭头：

图9 右箭头投影分析

圆：

图10 圆形投影分析

6.3 坐标投影直方图对比识别

我们得到的交通灯的坐标投影为，如图11、12所示。

图11 交通灯1投影

图12 交通灯2投影

可以通过与标准投影做差的平方得到方差σ2，通过对σ2的大小进行控制得到对图形识别的差错允许度。在这里设置σ2＜250认为是相同的图形。

使识别结果表示在二值化的交通灯分割图像上。

识别结果，如图13、图14所示：

图13 交通灯1识别结果

图14 交通灯2识别结果

7 最终结果

输入原始图像之后的输出结果，如图15所示：

图15 最终效果

8 可继续改进的方面

1）在实际交通灯识别的时候出现的交通灯个数往往会多于两个，在这里应该设置一个关于交通灯个数的循环完成自动识别。

2）虽然约束图像为上1/2可以避免尾灯干扰，但在实际复杂环境中有可能出现其他发光物体的干扰，尤其是在光线不好的情况下或夜间，对这种情况考虑不足。

3）在实际应用交通灯的识别时，应该考虑采集交通灯的过程，在这一过程进行一定的约束有助于对处理方法进行统一。

4）应该考虑天气、光线状况对采集到的图像进行一系列的预处理消除一部分图像间的差异，使图像质量变得统一，有助于提高识别率。

［1］ 金涛.复杂场景下交通灯的检测与识别方法研究［D］.上海交通大学,2012.

［2］ 李仪.城市环境中交通对象检测与识别研究［D］.中南大学,2013.

［3］ 佀君淑,朱文兴,沙永贺.复杂背景下的交通信号灯综合识别方法［J］.山东大学学报(工学版),2014.

［4］ (美)冈萨雷斯(Gonzalez,R.C.),(美)伍兹(Woods,R.E.).数字图像处理［M］.3版.北京：电子工业出版社，2011.6.

表3 模型交叉验证结果

从表3可知，竞争层神经元个数及训练步数对网络性能有不同程度的影响。所有模型在校正集上的拟合准确率都较高，说明模型拟合能力较强，模型在验证集上的预测准确率均在75%以上，说明模型泛化能力较为稳定。下一步可以用遗传算法等智能优化算法对CP-ANN神经网络进行优化，得到最优的网络竞争层神经元个数及网络训练步数，以进一步提高对向传播神经网络对变压器故障诊断的性能。

3 结束语

本文基于有监督的对向传播神经网络建立了5种变压器故障的诊断模型。通过网格搜索法寻优，得到了合适的竞争层神经元个数及网络训练步数，比较了不同神经元大小和训练步数时模型的性能。模型在校正集及验证集上的实验结果表明，本文提出的变压器故障诊断方法是可行和有效的。

参考文献：

［1］ 张卫华,苑津莎,王杉,张珂.基于改良三比值法的变压器故障基本信度分配计算方法［J］.电力系统保护与控制,2015,43(7):115-121.

［2］ 毛哲宇,严洁.基于SOM神经网络的矿井提升机故障诊断研究［J］.机械制造与自动化,2009,38(5):36-38.

［3］ BallabioD,VasighiM.AMATLABtoolboxforSelfOrganizing Maps and supervised neural network learning strategies［J］. ChemometricsandIntelligentLaboratorySystems,2012,118: 24-32.

［4］ 王小川.MATLAB神经网络43个案例分析［M］.北京航空航天大学出版社,2013.

［5］ Ballabio D,Vasighi M,Consonni V,Kompany-Zareh M.Ge netic Algorithms for architecture optimisation of Counter-PropagationArtificialNeuralNetworks［J］.Chemometricsand IntelligentLaboratorySystems,2011,105(1):56-64.

TP391.41