汽车辅助驾驶系统交通信号灯识别

李海霞 罗芳芳

摘要 随着汽车保有量的增加，汽车交通事故逐年增加，其中由于驾驶员疲劳驾驶、近视、红绿色盲，不熟悉路况等原因，无法及时识别交通信号灯而造成的交通事故屡见不鲜。本文设计了一种可用于汽车辅助驾驶系统的交通信号灯自动识别算法。首先对图像进行预处理，将图像的颜色空间从RGB空间转换到HSV空间;其次使用形态学开运算对图片中红、绿、黄色区域进行初步识别，去除掉图片中不为红绿黄色的噪声区域和毛边等无关信息，并得出红绿黄色三个区域的坐标;最后利用空洞填充法填充二进制的空洞区域，恢复待识别的圆形目标区域信号;接着利用区域检测的算法定位找出交通信号灯的具体位置并读取交通信号灯的颜色信息，最终利用目标区域中心点坐标判断出交通信号灯的颜色类型，完成了交通信号灯的识别。算法在MATLAB平台上对实际拍摄的交通信号灯图片进行识别，结果表明该算法对于圆形交通信号灯有较高的识别率。

【关键词】汽车辅助驾驶 交通信号灯 识别形态学处理

1 引言

二十一世纪以来，汽车的量化使得人们购买汽车的难度降低，一线城市甚至还出现了共享汽车，所以现在马路上的汽车越来越多，交通事故发生率也在不断增加。其中，许多交通事故是由于驾驶员疲劳驾驶，注意力不集中或者对路况不熟悉、色盲色弱而导致的无法及时正确识别交通信号灯造成。基于此，汽车辅助驾驶系统的交通信号灯识别研究也成为目前无法回避的研究热点。国内外的研究学者相继提出了对交通信号灯进行智能识别的算法。现有的信号灯识别算法主要利用了信号灯的色彩及形状特征。基于色彩特征的识别算法是选取某个色彩空间对信号灯颜色进行描述并选取合适的阈值进行分割、提取;基于形状特征的识别算法是利用信号灯圆形、箭头形等形状特征及其附属物的形状信息对候选区域进行提取。2011年武莹提出基于图像处理的交通信号灯识别方法研究，该算法将RGB颜色空间转换到HSI颜色空间，再进行圆形检测，通过在形状分割最小外接矩形中搜索是否有色彩图块，来确定交通信号灯的图块，该方法实时性差，漏检率高。谷明琴等人提出基于颜色阈值分割法进行识别，该方法利用HIS颜色空间，基于对颜色直方图的分析，给出颜色分割的阈值，区分交通信号灯的颜色，该方法弊端是受光照影响大，所以鲁棒性不高。Raoul de Charette等提出了一种基于亮度的圆形交通信号灯检测和识别算法，该算法将彩色图像转换为灰度图像，再二值化，接着通过形态学滤波过滤连通域，最后运用自适应模板匹配ATM进行识别，但该方法唯一的弊端是对光照过强的天气无法识别。

2 交通信号灯识别算法

对于汽车辅助驾驶系统中交通信号灯的识别，应该具有的功能是，对空间分布的交通信号灯的信息进行图像采集，然后对采集的图像进行预处理，接着定位交通信号灯的具体位置并读取交通信号灯的颜色信息，根据一定的颜色判定方法识别交通信号灯颜色。所提算法的总体设计流程图l所示。

2.1 颜色空间转换

在显示器系统发挥作用的通常是RGB颜色空间，譬如：电脑、电视机的显示器行使的皆是RGB颜色空间。图片中的所有颜色种类都可以由R、G、B三原色进行组合。自然界中的每种颜色都可以映射为RGB空间中的一个点，RGB颜色空间比较简单，其三分量间互不干扰，但它并不符合人眼对于颜色的感知。HSV颜色空间是图像分割中常用的颜色空间之一，其三个颜色通道是色调H、饱和度S、亮度V;H表示颜色的类别，如红色、橙色、黄色、青色、绿色等等;S表示颜色的深浅程度;V表示颜色的亮度;自然界中，任何一种颜色都可以用这三个颜色通道的不同组合来表示。HSV颜色空间不适合显示器系统，然而却更符合人眼的视觉特性，因此通常会将颜色从RGB空间域转换到HSV空间域进行处理，然后再换回RGB域进行显示。其数学模型的示意方式如图2所示。某一像素的H可以由该点与白色基准线所形成的圆心角表示，H的取值范围为[0.360];某一点的s可以由该点与所在圆面的圆心之间的距离表示，距离越大，饱和度越高，反之越低;某一点的V可以由该点所在圆面与圆锥顶部之间的距离表示，距离越大，亮度越高，反之则越低。原图像转换到HSV颜色空间后的图像如图3所示。

利用分段函数法，实现由RGB颜色空间到HSV颜色空间的转换：

颜色空间转换完后会分别得到红色、黄色、绿色三种颜色的二值化图像，如图4，图5，图6所示。接下来会分别对三种颜色的二值化图像进行形态学处理。

2.2 形态学处理

算法中的形态学处理包括形态学开运算和形态学空洞填充。形态学开运算的历程中包括了膨胀和腐蚀。膨胀可将图像区域周围的背景点合并到区域中去，使区域面积增大相应的数量点。腐蚀即使图像缩小，消除物体边界点。腐蚀可把小于结构元素的物体去除，选取不同大小的结构元素，可去掉不同大小且无意义的物体。当结构元素足够大时可消除两物体间细小的连通，从而将两物体分开。因此，腐蚀处理的结果可使原来的二值图像减小一圈，可以把小于结构元素的物体如毛刺、凸起等去除掉。形态学开运算定义为先腐蚀后膨胀的运算。形态学闭运算是开运算的对偶运算，即对图像先膨胀后腐蚀的运算。可填充物体内细小空洞、合并断裂的目标物、平滑其边界的同时基本保持其面积。

本文使用形态学开运算，先对图像进行腐蚀去除毛边噪声等区域，再对图像进行膨胀运算一一空洞填充。空洞填充的实质就是一个形态学膨胀重建的过程，其目的是填充二进制图像中的空洞区域，恢复出待识别信息。经过形态学开运算后，黄色和绿色二值化区域都被濾除，只剩下红色二值化区域，对红色二值化区域进行空洞填充后的结果如图7所示。

2.3 交通信号灯位置识别

本文主要对圆形交通信号灯进行识别，因此要重点消除图片中过大过小和不是圆形的区域。MATLAB中实现的编程代码为：

smim=（aa/15）^2;

（4）

smax=（aa）^2/2;

（5）

bw_circle（i）<0.5;

（6）

代碼（4）设置目标区域不能小于原图面积的255分之一，太小则被视为噪声滤除;代码（5）设置目标区域最大不能大于原图的一半。代码（6）实现将不够圆的区域去掉。最后得到的就是目标区域了。通过求取目标区域的横纵坐标的均值作为目标区域中心点坐标的方法得出目标区域中心点坐标，进而实现了圆形交通信号灯的位置识别，算法识别成功会采用绿色的矩形框将目标区域进行定位。如图8所示。

2.4 交通信号灯颜色识别

在判定交通信号灯的颜色过程中，设定不为零的中心点坐标所处的区域就是该交通信号灯的颜色。设定红色中心点坐标为（xl，yl）、绿色中心点坐标为（x2，y2）、红色中心点坐标为（x3，y3）。其判定规则是：若判定的红、绿或黄色目标区域中有一个连通区域的中心点坐标不为零，另外两个连通区域中心点坐标为零，则交通信号灯的颜色识别为中心点坐标不为零区域的颜色。若有两个目标区域的中心点坐标不为零，另一个中心点坐标为零，或者三个区域的的中心点坐标都不为零以及三个区域的中心点坐标都为零时，则说明该交通信号灯识别算法失效。出现该情况的原因是输入图像中的目标区域由于拍摄时光线等因素的影响，使得目标区域颜色跟其他两个区域非目标区域颜色相近。比如白天拍摄光线非常强时，红灯的颜色拍摄完后变成橙红色，接近黄色，颜色空间转化完后，在黄色区域二值化图像里面同时包含了本该为红色的目标区域，进而造成识别失败。交通信号灯颜色识别的MATLAB仿真结果如图9和图10所示。

3 算法仿真

本文所设计的专门针对圆形交通灯信号识别算法在MATLAB软件中进行仿真。算法对6张图片进行了识别。其中4张图片全部能够正确识别，有两张图片由于拍摄时光线太强，造成了信号灯颜色变化而识别失败。图11为可以正确识别的4张交通信号灯图片。图12为识别失败的两张信号灯图片。

4 结论

文中所提交通信号灯识别算法包括：图片从RGB空间转换到HSV空间，红色、黄色、绿色三种颜色区域的图像二值化处理，形态学开运算进行图形滤波去燥和空洞填充，对圆形区域进行识别，最后目标区域的位置和颜色进行识别。整个算法流程较为简便，对圆形信号灯识别率较高，但是仍然会受到拍摄时光线强度变化的影响。

参考文献

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

[2]侣君淑，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），2014，44 （02）： 64-68.

[3]武莹，张小宁，何斌，基于图像处理的交通信号灯识别方法[J].交通信息与安全，2011，29 （03）： 51-54.

[4]王豪.交通信号灯识别技术方法的研究[D].东北大学，2013.

[5]黄振威.交通信号灯检测与识别算法的研究[D].湖南：中南大学，2012.

[6]朱淑鑫.交通标志及信号灯的检测与识别研究[D].南京：南京理工大学，2012.

[7]杨淑荧.图像识别与项目实践[M].北京：电子工业出版社，2014.

[8]吴泽峰，张重阳，许明文，基于投影特征值的交通信号灯检测与识别方法[J].现代电子技术，2014，39 （09）：160-163.

[9]周宣汝，袁家政，留宏哲，基于HOG特征的交通信号灯实时识别算法研究[J].计算机科学，2014，41（07）： 313-317.

[10]李佳阳，刘奇，基于MATLAB交通信号灯识别方法[J].甘肃科技，2016，32 （23）： 23-43.

[11]付强，智能汽车交通灯识别方法研究[D].哈尔滨：哈尔滨理工大学，2016.

[12]祝匡熙，智能车辆的交通灯识别[D].上海：上海交通大学，2012.

[13]张立天，交通信号灯检测一跟踪一定位与识别方法研究[D]，北京：北京理工大学，2014.

[14] Ballabio D，Vasight M，Kompany-ZarehM.Genetie Algonthms for architectureoptimisation of Counter-PmpagationArtificial Network [J]. Chemometricsand Intelligent LaboratorySystems，2011：105 （01）： 56-64.