一種交通信號燈識別方法與流程

本發明涉及圖像處理技術領域，尤其涉及一種交通信號燈識別方法。

背景技術：

交通燈檢測識別已經成為駕駛輔助系統和自動駕駛的一個重要組成部分，因為它為駕駛者提供了路口和人行橫道的安全信息。然而，在交通燈識別方向目前只有有限的研究。交通燈為駕駛員安全駕駛提供了重要的信息，當駕駛員疲勞時，一個高效準確的檢測系統正好能起到很大幫助，如果我們能研發出一個自動檢測識別交通燈的系統，無疑會對城市汽車的安全駕駛起到關鍵的作用。

眾所周知，城市環境十分復雜，由于天氣影響，障礙物，行人等原因，交通信號燈的檢測和識別有著很大的困難。缺乏視覺特征進行識別的小圖象的交通燈代表了計算機視覺領域中的顯著問題。幾個突出的智能安全汽車行駛技術已經被提出并開發(自適應轉向助力巡航控制系統，行人防撞系統，自動停車輔助系統)。紅綠燈識別已經成為駕駛輔助系統(DAS)和自動駕駛的一個重要組成部分，因為它為駕駛者提供了路口和人行橫道的安全信息。然而，在交通燈識別方向目前只有有限的研究。一些研究人員建議，交通燈識別應通過以網絡為基礎的方法，如無線電實現射頻識別技術(RFID)和車輛到基礎設施(V2I)通信；然而，這些方法將需要額外的基礎設施和網絡系統。基于視覺的方法可能是交通燈識別一個適當的替代方案，因為視覺傳感器是也可以由其他應用程序使用的低成本的技術。本發明提供了一種交通信號燈識別的方法，解決圖像處理的問題，并對汽車安全駕駛問題進行研究。

技術實現要素：

針對現有技術存在的不足之處，本發明的目的在于提供一種交通信號燈識別方法，能夠自動檢測識別交通燈，對城市汽車的安全駕駛起到積極作用。

本發明的目的通過下述技術方案實現：

一種交通信號燈識別方法，其識別方法如下：

A、對采集到的交通信號燈圖像進行圖像預處理，根據交通信號燈圖像的背景光線情況選擇如下兩種處理方法之一：

A1、當交通信號燈圖像的背景光線較弱時，采用如下光線補償算法對交通信號燈圖像進行亮度調整：

將交通信號燈圖像中所有像素的亮度從高到低進行排列，然后取亮度排列位于前5％的像素，然后線性放大以使前5％的像素的平均亮度達到255，實現調整交通信號燈圖像的RGB值；

A2、當交通信號燈圖像的背景光線較強時，采用如下直方圖均衡化算法對交通信號燈圖像進行圖像整體對比度調整：

通過使用累積分布函數對交通信號燈圖像的灰度值進行調整來實現交通信號燈圖像對比度的增強；

B、選取合適的顏色空間對步驟A中圖像預處理后的交通信號燈圖像進行處理，用以區分紅綠燈；

C、按照RGB中黃綠藍的三種顏色閾值對交通信號燈圖像進行二值化處理，并識別出交通信號燈圖像上的顏色。

本發明的步驟A與步驟B之間具有形態學處理步驟C，

C、形態學處理：應用圖像濾波技術對交通信號燈圖像進行中值濾波，并修復不完整的交通信號燈圖像。

本發明提供圖像和顏色信息的位置用于交通燈，基于顏色的分割常用來檢測紅色，黃色和綠色交通燈泡。可選擇的顏色空間(包括HSV，HIS，YCbCr)被用于顏色空間轉換，因為RGB顏色空間容易受到各種照明條件影響。基于YCbCr顏色空間，顏色閾方法被應用于顏色分類：紅色，黃色或綠色。多種交通燈樣例分析顏色分布，以確定每個顏色幾個閾值。然而，一個基于顏色模型的高斯模型被提出。筆者從少數訓練圖像中獲得顏色模型的方法和協方差并將顏色模型應用于交通燈顏色的分類。從顏色閾值法獲得的二值圖像可能包含噪聲，因此，形態學濾波(包括腐蝕和膨脹)被用來除去噪聲和強調紅綠燈區域。此外，一些方法利用交通燈燈泡的形狀(寬高比,像素密度和最小外接矩形)來過濾掉殘余噪聲。基于色彩分割的方法都有一個共同的取舍問題：由于寬顏色閾值區域(需要包含各種照明條件下)而提高錯誤率或由于狹窄的顏色閾值區域而降低檢測率。檢測性能高度依賴于顏色基本分割的結果，因此，需要一個魯棒性強的顏色分割方法，該方法考慮各種照明條件。

對交通燈識別來說，顏色分割被廣泛用于檢測交通燈信號，然而，一個圖像中的顏色很容易被多種光照因素影響并導致不準確的識別結果。為了克服這個問題，本發明提出了通過整合低曝光和正常曝光圖像來增強顏色分割魯棒性和識別準確性的多重曝光技術。該技術解決了顏色飽和問題并由于曝光時間短而減少了錯誤圖像。根據從低曝光圖像中選擇的候選區，交通燈在正常圖像的狀態下利用支持向量機定向梯度直方圖來進行分類。本發明的算法在最終評估各種城市情況后，得到的識別結果表明強魯棒性適用于戶外環境。

本發明較現有技術相比，具有以下優點及有益效果：

本發明能夠自動檢測識別交通燈，對城市汽車的安全駕駛起到積極作用；本發明在最終評估各種城市情況后，得到的識別結果表明強魯棒性適用于戶外環境。。

附圖說明

圖1是本發明光線補償算法流程圖；

圖2是本發明直方圖均衡化流程圖；

圖3是本發明形態學處理膨脹原理圖；

圖4是本發明形態學處理腐蝕原理圖；

圖5是本實施例中檢測識別方法的流程圖。

具體實施方式

下面結合實施例對本發明作進一步地詳細說明：

實施例一

如圖1～圖5所示，一種交通信號燈識別方法，其識別方法如下：

A、對采集到的交通信號燈圖像進行圖像預處理，根據交通信號燈圖像的背景光線情況選擇如下兩種處理方法之一：

A1、當交通信號燈圖像的背景光線較弱時，采用如下光線補償算法對交通信號燈圖像進行亮度調整：

將交通信號燈圖像中所有像素的亮度從高到低進行排列，然后取亮度排列位于前5％的像素，然后線性放大以使前5％的像素的平均亮度達到255，實現調整交通信號燈圖像的RGB值；

A2、當交通信號燈圖像的背景光線較強時，采用如下直方圖均衡化算法對交通信號燈圖像進行圖像整體對比度調整：

通過使用累積分布函數對交通信號燈圖像的灰度值進行調整來實現交通信號燈圖像對比度的增強；

B、選取合適的顏色空間對步驟A中圖像預處理后的交通信號燈圖像進行處理，用以區分紅綠燈；

C、按照RGB中黃綠藍的三種顏色閾值對交通信號燈圖像進行二值化處理，并識別出交通信號燈圖像上的顏色。基于YCbCr顏色空間，顏色閾方法被應用于顏色分類：紅色，黃色或綠色。多種交通燈樣例分析顏色分布，以確定每個顏色幾個閾值。然而，一個基于顏色模型的高斯模型被提出。筆者從少數訓練圖像中獲得顏色模型的方法和協方差并將顏色模型應用于交通燈顏色的分類。從顏色閾值法獲得的二值圖像可能包含噪聲，因此，形態學濾波(包括腐蝕和膨脹)被用來除去噪聲和強調紅綠燈區域。此外，一些方法利用交通燈燈泡的形狀(寬高比,像素密度和最小外接矩形)來過濾掉殘余噪聲。基于色彩分割的方法都有一個共同的取舍問題：由于寬顏色閾值區域(需要包含各種照明條件下)而提高錯誤率或由于狹窄的顏色閾值區域而降低檢測率。檢測性能高度依賴于顏色基本分割的結果，因此，需要一個魯棒性強的顏色分割方法，該方法考慮各種照明條件。

本發明在步驟A與步驟B之間具有形態學處理步驟C，

C、形態學處理：應用圖像濾波技術對交通信號燈圖像進行中值濾波，并修復不完整的交通信號燈圖像。

實施例二

如圖1～圖5所示，一種交通信號燈識別方法，其識別方法如下：

第一步、圖像預處理

首先，對采集到的交通信號燈圖像進行光線補償和直方圖均衡化處理，將兩種方法進行對比，選擇較好的方法。

如圖1所示，由于光線原因，所照的圖像可能會存在光線不平衡的情況而造成色彩偏差，為了抵消這種整個圖像中存在的色彩偏差，把整個圖像中的所有像素的亮度從高到低進行排列，取前5％的像素，然后線性放大，使這些像素的平均亮度達到255。實際上就是調整圖片像素的RGB值。

圖像對比度增強的方法可以分成兩種:一種是直接對比度增強方法；另一種是間接對比度增強方法。直方圖均衡化是一種間接對比度增強方法，它通過使用累積分布函數對圖像的灰度值進行調整來實現對比度的增強。如圖2所示，直方圖均衡化處理的主要目標是把原始圖像的灰度直方圖從比較集中的某個灰度區間變成全部灰度范圍內的均勻分布。直方圖均衡化就是把給定圖像的直方圖分布改變成均勻分布直方圖分布，從而可達到增強圖像整體對比度的效果。

上述兩種方法對比后得出結論：當背景光線較弱(陰天情況下)時，采用光線補償算法；當背景光線較強時，采用直方圖均衡化算法。

第二步、分析常見的顏色空間，選取合適的顏色空間對圖像進行處理，用以區分紅綠燈；

第三步、通過對常用色彩模型的分析，發現YCbCr色彩模型適合對紅綠燈進行檢測；

第四步、選取合適的顏色閾值，對圖像進行二值化處理，來區分不同顏色的交通燈；圖像的二值化，就是將圖像上的像素點的灰度值設置為零或二百五十五，也就是將整個圖像呈現出只有黑和白的明顯的視覺效果。最常用的辦法就是設定一個閾值T，用T將圖像的數據分成兩部分：大于T的像素群和小于T的像素群。基于YCbCr顏色空間，顏色閾方法被應用于顏色分類：紅色，黃色或綠色。多種交通燈樣例分析顏色分布，以確定每個顏色幾個閾值。然而，一個基于顏色模型的高斯模型被提出。筆者從少數訓練圖像中獲得顏色模型的方法和協方差并將顏色模型應用于交通燈顏色的分類。從顏色閾值法獲得的二值圖像可能包含噪聲，因此，形態學濾波(包括腐蝕和膨脹)被用來除去噪聲和強調紅綠燈區域。此外，一些方法利用交通燈燈泡的形狀(寬高比,像素密度和最小外接矩形)來過濾掉殘余噪聲。基于色彩分割的方法都有一個共同的取舍問題：由于寬顏色閾值區域(需要包含各種照明條件下)而提高錯誤率或由于狹窄的顏色閾值區域而降低檢測率。檢測性能高度依賴于顏色基本分割的結果，因此，需要一個魯棒性強的顏色分割方法，該方法考慮各種照明條件。

本發明還可以包括第五步和第六步進行交通信號燈的識別，第五步和第六步具有方法步驟如下：

第五步、形態學處理

數學形態學(Mathematical morphology)是一門建立在格論和拓撲學基礎之上的圖像分析學科，是數學形態學圖像處理的基本理論。其基本的運算包括：腐蝕和膨脹、開閉運算、Top-hat變換等。

數學形態學的數學基礎和所用語言是集合論，因此它具有完備的數學基礎，這為形態學用于圖像分析和處理、形態濾波器的特性分析和系統設計奠定了堅實的基礎。數學形態學的應用可以簡化圖像數據，保持它們基本的形狀特性，并除去不相干的結構。數學形態學的算法具有天然的并行實現的結構，實現了形態學分析和處理算法的并行，大大提高了圖像分析和處理的速度。

a.膨脹(Dilation)

⑴用結構元素B，掃描圖像A的每一個像素

⑵用結構元素與其覆蓋的二值圖像做“與”操作

⑶如果都為0，結果圖像的該像素為0。否則為1

膨脹處理的結果是使原來的二值圖像變大一圈。如圖3所示。

b.腐蝕(Erosion)

對Z中的集合A和B，B對A進行腐蝕的整個過程如下：

⑴用結構元素B，掃描圖像A的每一個像素

⑵用結構元素與其覆蓋的二值圖像做“與”操作

⑶如果都為1，結果圖像的該像素為1。否則為0

腐蝕處理的結果是使原來的二值圖像減小一圈。如圖4所示。

c.開運算

開運算是指先腐蝕再膨脹的運算。

d.閉運算

閉運算是指先膨脹再腐蝕的運算。

應用圖像濾波技術和數學形態學知識，對圖像進行中值濾波，用數學形態學方法(開運算或閉運算)修復不完整的交通燈，對比兩組結果，選擇效果更好的那個方法；

對比后我們得出結論：形態學處理(先開運算后閉運算)更優，所以我們采納形態學處理的方法來對二值交通燈圖像進行濾波。

第六步、外接矩形過濾

分析交通燈的幾何特征，對交通燈連通區域進行標記，用外接矩形圈出感興趣區域。最后，選取合適的算法檢測識別出交通信號燈。

以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。