紅綠燈檢測應用

Input：

（1）圖像視頻分辨率（整型int）

（2）圖像視頻格式（RGB，YUV，MP4等）

（3）攝像頭標定參數（中心位置（x,y）和5個畸變

系數（2徑向，2切向，1棱向），浮點型float）

（4）攝像頭初始化參數（攝像頭初始位置和三個坐標方向

的旋轉角度，車輛寬度高度車速等等，浮點型float）

Output：

（1）BandingBox左上右下的坐標位置（浮點型float）

（2）Type類型：人，車，…，… （整型int）

（3）執行度：是指判別目標物為某種類型的比率。

比如為人，車，…，…的比率。（浮點型float）

（4）需要遮擋目標區域的左上右下的坐標位置（浮點型float）

（5）攝像頭與目標物距離 （浮點型float）

圖1. 交通信號燈檢測結果效果演示

1. 功能定義

1）檢測交通信號燈

2）計算交通信號燈的位置信息

3）計算交通信號燈與攝像頭的距離

4）計算交通信號燈檢測率，誤檢率和漏檢率

2. 技術路線方案

交通信號燈的檢測與識別是無人駕駛與輔助駕駛必不可少的一部分，其識別精度直接關乎智能駕駛的安全。一般而言，在實際的道路場景中采集的交通信號燈圖像具有復雜的背景，且感興趣的信號燈區域只占很少的一部分。針對這些難點，國內外的眾多研究者提出了相應的解決方案。總的來說，大多基于傳統的圖像處理方法；但目前也有用強學習能力的卷積神經網絡去進行識別，但這類方法往往需要大量的訓練樣本避免過擬合的風險。截至目前的大多數方法都是在各種顏色空間中利用信號燈顏色的先驗進行分割得到興趣區域，然后再通過信號燈所特有的形狀特征和角點特征等進行進一步的判定。比如，Masako Omachi等人提出在RGB色彩空間分割交通信號燈，使用HOUGH變換檢測分割出的信號燈所在的圓形區域；徐成等提出在Lab色彩空間分割交通信號燈，使用模板匹配的方法識別交通信號燈的狀態；谷明琴等則在HSV色彩空間中使用顏色直方圖統計圖像的H分量，確定交通信號燈的類型。本項目將基于傳統的圖像處理算法來進行交通信號燈的識別，重點介紹核心技術。

正如前面所述，道路場景的多變性與復雜性，使得如何快速、準確地檢測與識別交通信號燈，并且有效濾除圖像中的干擾區域是交通信號燈檢測與識別的關鍵。在圖像處理算法設計中，為了提高算法的準確性與時效性，一般只關注局部感興趣區域而不是整個圖像區域。鑒于此，提出一種基于顏色分割與特征匹配相結合的方法，主要分為如下三個步驟：

1）
顏色分割

為了消除噪聲，光照等因素的干擾，首先對采集的圖像進行直方圖均衡化。即：對每一個通道(R,G,B)數據進行直方圖均衡化，再合并為一個3通道圖像。顏色特征是交通信號燈重要而顯著的特征之一。要對交通信號燈進行顏色分割，首先要選擇合適的色彩空間。RGB色彩空間中的R、G、B這3個分量之間相關性較高，受光照影響較大，不利于顏色分割。因此，對RGB這3個通道數據進行歸一化，即

R=R./(R+G+B),G=G./(R+G+B),B=B./(R+G+B)R=R./(R+G+B),G=G./(R+G+B),B=B./(R+G+B)；然后，統計了不同環境條件下拍攝的交通信號燈的紅色、綠色的R,G,B值，確定交通信號燈的顏色閾值。

那么得到的紅色分割圖像redMat，和綠色分割圖像greeMat如下圖所示

2）
感興趣區域提取

該步驟的主要目的為對分割的紅色通道圖像和綠色通道圖像，進行聯通區域的標定，并提取區域的基本幾何特征，比如長度，寬度，長寬比，面積(即白色像素個數)。

3）
信號燈區域判定與識別

該步驟在前一步驟的基礎上根據信號燈的特有特征過濾出真正的信號燈區域。本技術使用了3個先驗知識：信號燈面積；信號燈形狀；信號燈的黑色邊框。

信號燈面積

本技術設置的上下限是10，200；可根據實際情況進行設定，過濾面積過大或過小區域。

信號燈形狀

形狀特征是交通信號燈重要而顯著的另一特征，盡管氣候、道路環境等會對采集的交通信號燈產生不同程度的噪聲、褪色及形變，但是交通信號燈的形狀和幾何尺寸不會發生太大的變化。對于圓形交通信號燈使用圓形度檢測，過濾圓形度過低的區域，其中圓形度是指候選區域邊緣接近圓形的程度
。圓度的定義為CircleMetric=潛在白色區域面積/外接矩形框面積CircleMetric=潛在白色區域面積/外接矩形框面積，該值如果為0.785，則為圓形；設置的閾值為0.5。

信號燈的黑色邊框

交通信號燈在形狀上有個顯著的特征，即它的燈板是一個黑色矩形框。根據交通信號燈的設計規范，利用該特征可以將交通信號燈的范圍提取出來。本技術采用了SVM分類器，進行識別。

a. 首先根據一些訓練圖像建立黑色邊框正樣本，即在工程中用鼠標框住黑色燈框，在該區域內提取顏色直方圖；重復操作，得到正樣本集；同樣的道理，我們在訓練圖像中其它區域提取負樣本集；最后在顏色直方圖的特征空間中學習出分割超平面。

b. 在識別前加載訓練好的SVM文件，而后在之前檢測出的白色連通區域的上下位置提取一定大小無重疊區域，在該區域內提取顏色直方圖特征；

c. 根據該顏色直方圖特征，根據訓練的分割超平面預測其類別；

d. 如果是，則白色區域可進一步判定為信號燈區域；若不是，則過濾掉該區域。

如果在redMat 中有篩選出的白色區域，則該信號燈為紅燈；在greeMat中則為同樣的道理。后續的方案將考慮使用表示能力更魯棒的特征描述子，甚至基于卷積神經網絡的深度學習方法。

上述框架雖然能達到一定的識別率，但是依然面臨兩個嚴峻的挑戰：

對視頻處理的實時性較差。上述框架對ROI的提取算法涉及到對整個圖像的遍歷；并且對視頻的每一幀進行獨立處理，沒有考慮幀與幀之間的相關性。

處理不同場景的遷移性較差。上述框架主要基于SVM分類器，而這種傳統的機器學習模型的性能主要依賴于訓練數據和提取的人工特征。目前的訓練數據有限，不能完全表征整個真實數據的分布，導致在其它場景漏檢或誤檢較多；當前的特征主要基于顏色直方圖特征，該特征對圖像數據較為敏感。比如采用不同的成像傳感器或當前采集圖像出現極端天氣，提取的顏色直方圖特征都會給后續的分類器帶來誤判。

針對上述挑戰，對現有框架進行了改進，設計了交通信號燈識別的自主式學習系統來應對實時性和遷移性差的問題。

3. 關鍵技術參數和性能指標

1）計算交通信號燈的位置信息偏差

2）計算交通信號燈與攝像頭的距離和精度

3）計算交通信號燈檢測率，誤檢率和漏檢率

總結

以上是生活随笔為你收集整理的红绿灯检测应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。