一种简易高识别率的信号灯识别算法

刘 昕

(沈阳爱思福科技发展有限公司，沈阳 110024)

1 引言

交通灯的识别是无人驾驶汽车在交叉路能否安全行车的关键技术，各地的信号灯也是不尽相同，因此信号灯的识别在智能交通行业里是个难点。现有的交通灯识别算法主要利用了交通灯的色彩特征及形状特征，基于形状特征的算法利用了交通灯及其附属物的形状信息。对候选区域的确认使用交通灯和支撑杆的相对几何关系，对候选区域的过滤仅仅依赖于形状信息。为了达到实时性要求，需要对候选区域设置严格的过滤条件，因此算法对采集的图像有很高的质量要求。其他的算法包括基于隐马尔可夫模型的算法、基于色彩分割的算法、基于Ada-Boost的学习算法等。

只考虑交通灯的色彩特征，利用色彩特征和信号灯的互斥特点进行识别。由于交通灯只有红、黄、绿三种颜色，使用描述这三种颜色更清晰的色彩空间，从而更加准确地判别此时正在亮什么灯。这一非常简单的方法识别率却能达到100%。而且其鲁棒性也是异常坚固，雨雪等恶劣天气几乎毫无影响，。对于显示效果不如CCD的CMOS相机效果也很好。

2 CCD相机与CMOS相机的不同

在传统观念中，CCD代表着高解析度、低噪点等优点，而CMOS由于噪点问题，一直与电脑摄像头、手机摄像头等对画质要求不高的电子产品联系在一起。

CCD在工作时，上百万个像素感光后会生成上百万个电荷，所有的电荷全部经过一个“放大器”进行电压转变，形成电子信号，因此，这个“放大器”就成为了一个制约图像处理速度的“瓶颈”，所有电荷由单一通道输出，就像千军万马从一座桥上通过，当数据量大的时候就发生信号“拥堵”。而HDV格式却恰恰需要在短时间内处理大量数据，因此，在民用级产品中使用单CCD无法满足高速读取高清数据的需要。

而CMOS则不同，每个像素点都有一个单独的放大器转换输出，因此CMOS没有CCD的“瓶颈”问题，能够在短时间内处理大量数据，输出高清影像，因此也能满足高清HDV的需求。另外，CMOS工作所需要的电压比CCD低很多，功耗大约只有CCD的1/3。因此，电池尺寸可以做得更小，使得摄像机的体积也就做得更小。而且，每个CMOS都有单独的数据处理能力，这也大大减少了集成电路的体积，从而使高清数码摄像机得以实现小型化。

CCD是Charge Coupled Device(电荷耦合器件)的缩写，它是一种半导体成像器件，因而具有灵敏度高、抗强光、畸变小、体积小、寿命长、抗震动等优点。

3 RGB空间与HSV空间的转换

由于大多数图像空间是RGB，而HSV适合判断颜色，所以有必要描述一下RGB与HSV的空间转换。

设(r，g，b)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数。设max等价于r，g和b中的最大者。设min等于这些值中的最小者。要找到在HSL空间中的(h，s，l)值，这里的h∈［0，360)是角度的色相角，而 s，l∈［0，1］是饱和度和亮度，计算为:

h的值通常规范化到位于0到360°之间。而h=0用于max=min的(就是灰色)时候而不是留下h未定义。HSL和HSV有同样的色相定义，但是其他分量不同。HSV颜色的s和v值定义如下:

4 颜色判断

转换到了HSV空间后，就可以通过H、S、V分量判断颜色了。如表1所示。

表1 HSV各分量与颜色的关系

5 信号灯的识别

尽管信号灯有多种多样，但是无非三种颜色，并且是互斥的(即每次只表现为一种颜色)，与已有的算法不同，此算法是在红、黄、绿的区域内分别固定一个点，判断它们的颜色。通过观察发现，信号灯灭的时候表现出的颜色是蓝色。

由于CCD相机与CMOS相机所表现出的特点不同，所以算法也不尽相同。

5.1 CCD相机信号灯的识别方法

由于CCD相机非常清晰并且颜色非常稳定，所以信号灯的识别简单些。如表2所示。

表2 CCD相机的识别表

5.2 CMOS相机信号灯的识别方法

通过观察发现，CMOS相机的颜色表现得不稳定，它总是随着电流的变化渐渐变淡或变深，而且在晚上并不表现出颜色，而是呈现出白色。即使是这样，这种算法仍然有办法解决。如表3所示。

表3 CMOS相机识别表

可以通过改进使得结果越来越准确。

6 实验结果

对各种信号灯进行测试，识别率可以达到100%。图1为一般形状信号灯，图2为异形信号灯。图中黑色区域为各信号灯的采样区域。

图1 信号灯识别场景1

图2 信号灯识别场景2

［1］［美国］冈萨雷斯.数字图像处理［M］.阮秋琦，译.北京:电子工业出版社，2010－01－01.

［2］刘瑞祯.OpenCV教程—基础篇［M］.北京:北京航空航天大学出版社，2008－06－01.

［3］Gary Bradski Adrian Kaebler.Learning OpenCV computer vision with the opencv library［M］USA:O＇Reilly Media，Inc，2008 －10 －03.

［4］［美］Mitchell.机器学习［M］.曾华军，译.北京:机械工业出版社，2008－03－01.

［5］Richard O.Duda Peter E.Hart David G.Stork.模式分类(英文版·第2版)［M］.李宏东，译.北京:机械工业出版社，2004－02.

［6］边肇琪，张学工.模式识别［M］.北京:清华大学出版社，2000.