投影特征值的交通信号灯检测与识别方法

中图分类号:TN911。73?34;TP391。4文献标识码:A文章编号:1004?373X(2016)09?0160?04

Abstract:Thetrafficlightsrecognizingmethodbasedonproj论文网ectioneigenvalueisproposedforthecommontrafficlights。Thismethodisusedtosegmenttheredandgreenareas,andscreenouttheareasoftrafficlightsaftermultiplefiltering。Forthediffusionproblemofthetrafficlights,theadaptivethresholdsegmentationisadoptedtosegmentthecandidateareas。Afterthat,theprojectioneigenvalueofthetrafficlightsinhorizontalandverticaldirectionsisextracted,andtheminimumdistanceclassifierisusedtoobtainthedirectionalinformationofthetrafficlights。Theexperimentalresultsshowthatthedetectionratecanreachupto95百分号andtherecognitionratecanreachupto96百分号indifferentnaturalscenes。

Keywords:multiplefiltering;adaptivethresholdsegmentation;projectioneigenvalue;minimumdistanceclassifier

近年来,无人驾驶和辅助驾驶研究受到广泛的关注,而交通信号灯的检测与识别是无人驾驶和辅助驾驶的重要组成部分。国内外许多研究学者已经提出了一些有效的检测和识别交通信号灯的算法。MasakoOmachi提出在RGB色彩空间分割交通信号灯[1],使用HOUGH变换检测兴趣区域,该方法只能有效地检测圆形交通信号灯,而且单一的RGB颜色分割受光照的影响比较大。Park等通过简单的圆形检测法检测交通信号灯[2],通过K均值聚类算法识别交通信号灯。该算法在复杂环境下,缺乏稳定性且误检率较高。Gong等采用HSV颜色空间的统计结果获取分割阈值[3],对图像进行分割,用CAMSHIFT的算法对交通信号灯进行跟踪,但该方法直接在HSV颜色空间进行统计,时间开销大而且难以在较复杂环境中检测和识别交通信号灯。徐成等提出在Lab色彩空间分割交通信号灯[4],使用模板匹配的方法识别交通信号灯的方向,虽然识别率很高,但是受限于水平方向交通信号灯,适用范围窄。谷明琴等用图像颜色分割和形态滤波定位交通信号灯的灯板位置再转换到YCbCr空间分割出交通信号灯[5],用二维Gabor小波变换和二维独立分量分析提取交通信号灯候选区域的特征;最后,用最近邻分类器识别交通信号灯的箭头方向,但对图像直接分割灯板确定交通信号灯会受背景的影响,漏检率很高。针对实时性差,漏检率高,交通信号灯单一等问题,提出了投影特征值的交通信号灯识别方法,该方法首先使用归一化RGB颜色分割,然后根据交通信号灯的几何特征和背板特征过滤噪声,最后提取兴趣区域的投影特征值,采用最小距离分类器进行分类。

1交通信号灯的检测

自然场景下的交通信号灯,由于背景复杂,因此如何快速。准确地检测交通信号灯,并且滤除图像中的噪声是交通信号灯检测与识别的关键。图1是交通信号灯检测的基本过程与结果。

1。1颜色分割

智能车摄像头到交通信号灯的距离范围为50～100m,面积大小有一定的范围,所以取[S1]和[S2]分别为100m2和600m2。

1。3交通信号灯背板过滤

交通信号灯的背板一般是黑色矩形框,交通信号灯背板通常有两种类型,横板和竖板。

常见的交通信号灯正常工作时,同一时刻通常只有一个交通信号灯发光。交通信号灯在背板的位置是固定的。经过过滤可以确定兴趣区域的颜色和位置信息而交通信号灯的安装位置固定,可以通过判断兴趣区域是否在背板中,从而判断是否为交通信号灯。

三种交通信号灯大小相同,嵌入在黑色背板中,只要将兴趣区域向外延伸两个区域,就可以判断是否为交通信号灯。如图2(a)所示,若为红色信号灯,就向右和下分别延伸一个为兴趣区域两倍长度和一倍宽度的区域,只要向右或者向下满足使交通信号灯背板,则可以判断兴趣区域是红色交通信号灯。

1。4自适应阈值分割

自适应阈值分割与形态学处理的结果如图3所示。观察图3(a)和图3(b)可以发现,交通信号灯有时存在扩散而导致其丢失了方向特征。由于交通信号灯和黑色背板类间方差是单峰,因此对兴趣区域进行自适应阈值分割。自适应阈值分割算法是最大类间方差法,当取最佳阈值时即以类间方差最大来衡量背景和前景差别。对兴趣区域进行自适应阈值分割后会出现断裂,可以使用形态学中膨胀和腐蚀进行处理,使箭头信息完整如图3(d)所示。

2交通信号灯的识别

2。1特征提取

本文采用自适应阈值分割后二值图像在水平和垂直方向的投影值作为交通信号灯的形状特征。

由于相机与交通信号灯的距离不同,所采集的交通信号灯的大小不同,所以在进行特征提取前,需要将样本进行归一化,本文将样本归一化为[30×30]。采用投影法提取形状特征如图4所示,设图像某个像素点的坐标为[(x,y),]二值图像在[(x,y)]点处的像素值为Bin[(x,y),]首先水平方向投影即以高度为一个像素点的直线从上到下进行扫描,统计这条直线上白色像素的数目,如图4直线[l1,]把这条直线上的白色像素点的个数的统计结果作为一个特征值;然后进行垂直方向投影即从左往右扫描,同样是以高度为一个像素点的直线,统计这条直线上白色像素点的个数,如图4直线[l2]从上到下进行统计,将白色像素点个数进行统计作为另一个特征值,投影完成后就生成一个以白色像素点个数为特征值的一个二维特征向量,用来表示一个箭头方向特征。

3实验分析

本文使用无人驾驶汽车平台进行试验,选用35mm长焦摄像头和高分辨率的工业相机,采集得到的图像分辨率为1392×1040,能很好地拍摄不同距离的交通信号灯。测试硬件为笔记本电脑,CPU为IntelM460i5双核处理器,主频为2。53GHz,内存为4GB。软件环境为Windows764位系统下的VS2010编译环境。

本文选取两个不同时间段的视频序列,两段视频共有1863帧图像。一种是中午,光线较强,总数为1032帧,另一种是傍晚,光线较暗,总数为831帧。分别从光线强的视频序列中随机选取300帧图像共有563个交通信号灯样本和从光线暗的视频序列中随机选取200帧图像共有386个交通信号灯进行训练。

图6所示为本文所用方法的检测与识别结果,图6(a),(b)为中午采集的视频序列中的2帧图像,图6(c),(d)为傍晚采集的视频序列中的2帧图像。如果为红色信号灯,则使用红色矩形框框出,并标记方向;如果为绿灯则使用绿色矩形框框出,并标记方向。把交通信号灯的检测与识别结果放大显示在每幅图的下方。实验结果表明本文方法能够有效地检测出交通信号灯并识别其方向。

4结语

本文针对常见的圆形和箭头型交通信号灯,提出了投影特征值的交通信号灯识别方法,首先通过归一化RGB颜色分割方法从背景中分割出交通信号灯等区域,使用几何特征过滤进行第一次过滤,过滤掉长宽比相差较大或者面积过大过小的噪声,再使用交通信号灯灯板特征进行第二次过滤,确定交通信号灯的位置。然后统计交通信号灯在水平和垂直方向的投影值,作为交通信号灯的形状特征,最后采用最小距离分类器对交通信号灯进行识别,实验结果证明该方法的稳定性和有效性。

投影特征值的交通信号灯检测与识别方法