一种识别交通灯光的新方法.docxVIP

一种识别交通灯光的新方法 0 交通灯光识别 城市环境中的智能车辆必须具备以下视觉能力：障碍物检测和跟踪、行人检测和跟踪、交通标志识别和交通信号识别[7、8、9、10、11、12和13]等。本文主要研究针对智能车辆的交通信号灯的检测与识别。 国内外的研究团队对交通信号灯的检测与识别做了大量的工作。Yehu Shen等用HSV空间中H、S的均值和方差来分割图像,进而用区域性质来判断圆形区域以识别交通信号灯,吕国豪等提出了用基于HSI颜色空间分割的方法来检测和识别交通信号灯,Jin-Hyung Park等通过K均值聚类的方法,检测交通信号灯的候选区域,然后应用简单的圆形检测方法来识别交通信号灯。但是这3种方法在复杂环境下,可能丧失对交通信号灯的识别能力。Hwang Tae-Hyun等用CIE色度阈值来分割图像,并分割区域,最后用高斯模板进行识别,徐成等用Lab颜色空间分割交通信号灯的候选区域,然后用模板匹配的方法识别交通信号灯,文中给出的实验数据表示具有较高的识别准确率,但是只选择了水平方向的交通信号灯模板,通用性不足。Lindner等提出了基于颜色空间的信号灯检测与识别,但是实时性比较差。Raoul de Charette等应用聚光灯检测和模板匹配的方法来识别交通信号灯。这种方法虽然检测和识别精确,但是识别代价较大,实时性不高。 基于上述方法的缺点,本文提出了一种基于圆形度和颜色直方图的识别交通信号灯的方法。首先,对原始图像进行预处理,转换为二值图像,并应用形态学滤波法对其滤波。预处理后,计算候选区域的圆形度并检测,根据圆形度的检测结果来标定交通信号灯区域。最后,把标定的区域图像进行颜色空间转换,用颜色直方图的方法对其分量H进行分布统计,从而判别交通信号灯的类型。 1 交通健康检测数据处理 在城市环境中,交通信号灯的背景比较复杂,有很多外在的干扰,如前方汽车尾灯、道路两边的建筑颜色、树木、行人穿的衣服等,而且,在各种不同的光照环境中,交通信号灯的颜色变化比较大,颜色阈值不容易选取。使用颜色分割的方法很难把交通信号灯的区域与周围环境分开。所以,不能采用常有的颜色阈值分割方法。本文提出了一种基于圆形度和颜色直方图的识别交通信号灯的方法,该方法的识别框架如图1所示。 交通信号灯的识别步骤:(1)车载摄像头采集视频,并把视频转换为图像帧,帧率为25帧/s。(2)对图像进行预处理,首先增强图像的对比度,并转换为二值图像,然后应用形态学滤波,过滤图像中不符合形态学准则的小区域。(3)对预处理后的图像应用圆形度方法和背板颜色信息检测,排除非交通信号灯的小区域。(4)把检测后的区域图像从RGB空间转换到HSV空间,进而用颜色直方图对色调H进行分布统计,根据其分布特征来识别交通信号灯的类型。 下面是图像预处理和检测交通信号灯的过程: 因为交通灯与周围景物的色差比较大,如果直接在原图上处理,会出现较多误检,在此首先用tophat算法,它在较亮的背景中求暗的像素的聚集体,或者在较暗的背景中求较亮像素聚集体非常有效。Tophat算法如下 式中:f(x,y)———输入图像,b(x’,y’)———结构元素,Db———b的定义域。用原图像先腐蚀后膨胀的图像与原图的差作为变换后的图像,其中图像的腐蚀和膨胀如下定义 其中,在每个平移位置,旋转的结构元素的值与图像像素值相加并计算出最大值 (fue09ab)(x,y)=max{f(x-x′,y-y′)+b(x′-y′)|(x′,y′)∈Db} 其中,在每个平移后位置,结构元素值会减少图像的像素值,所得到的值是最小值。 本文中选取11×11的矩形作为tophat算法的结构元素,增强对比度后的图像如图2(b)所示。 把tophat变换后的图像转换为灰度图像,转换公式为 式中:(x,y)———像素点的坐标值,R,G,B———原始图像的三通道分量,g———从转换后的灰度图像。再把灰度图像用阈值T进行分割,即 通过实验,当T取38时,可以获得较好的分割效果,本文采用T=38作为分割阈值,得到一幅如图3(a)所示的二值图像。然后对二值图像进行标记,标记的小区域为Regioni(i=1,2,3…,N),根据小区域的不同形态进行滤波。形态学滤波采用的准则如下: (1)图像中的小区域Regioni(i=1,2,3…,N),Weighti为小区域Regioni的宽度,Highi为小区域Regioni的宽度,小区域的宽高比Ratioi取为 由于圆形的交通信号灯图像区域近似为正方形,取0.5Ratioi1.5对图像进行滤波。 (2)过滤有较大空洞的区域。交通信号灯在车辆行驶的距离内拍摄到的颜色变化都是连续的,区域内部基本上都是完整的,不会出现较大的空洞,因此为了标记出交通信号灯的区域,需要过滤掉空洞较大的区域。 (3)图像中小区域的面积为