基于投影特征值的交通信号灯检测与识别方法.docVIP

基于投影特征值的交通信号灯检测与识别方法 摘 要： 针对常见的交通信号灯，提出了基于投影特征值的交通信号灯识别方法。该方法首先分割图像中红绿色区域，经过多次过滤，筛选出交通信号灯区域，然后针对交通信号灯扩散问题，采用自适应阈值分割对候选区域进行分割，最后提取交通信号灯在水平和垂直方向的投影特征值，运用最小距离分类器，得到交通信号灯的方向信息。实验结果表明，在不同的自然场景中检测率达到95%以上，识别率达到96%以上。 关键词： 多次过滤； 自适应阈值分割； 投影特征值； 最小距离分类器 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： The traffic lights recognizing method based on projection eigenvalue is proposed for the common traffic lights. This method is used to segment the red and green areas， and screen out the areas of traffic lights after multiple filtering. For the diffusion problem of the traffic lights， the adaptive threshold segmentation is adopted to segment the candidate areas. After that， the projection eigenvalue of the traffic lights in horizontal and vertical directions is extracted， and the minimum distance classifier is used to obtain the directional information of the traffic lights. The experimental results show that the detection rate can reach up to 95% and the recognition rate can reach up to 96% in different natural scenes. Keywords： multiple filtering； adaptive threshold segmentation； projection eigenvalue； minimum distance classifier 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。Masako Omachi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，用基于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，提出了基于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50～100 m，面积大小有一定的范围，所以取[S1]和[S2]