交通信号燈的檢測與識别是無人駕駛系統必不可少的一部分，其識别精度直接關乎智能駕駛的安全。自動駕駛車輛如果無法準确識别交通信号燈，是不能上路行駛的。同時，信号燈的檢測與識别作為ADAS中重要的一環，還可以輔助色覺障礙人群和疲勞司機進行安全駕駛。

信号燈的檢測與識别還可以應用在一些特殊場景，例如：部分公交公司會要求駕駛員在通過路口時，車速要控制在30km/h以内，信号燈的檢測與識别系統可以應用在路口限速中。

交通信号燈是指揮交通運行的信号燈，一般由紅燈、綠燈、黃燈組成。紅燈表示禁止通行，綠燈表示準許通行，黃燈表示警示。

國内現行的交通信号燈都遵循國家标準《GB 14887-2003道路交通信号燈》和《GB 14886-2016道路交通信号燈設置與安裝規範》。交通信号燈的尺寸、色調、飽和度、亮度等均需要滿足相應的範圍要求。

通過标準可知，交通信号燈按發光單元透光面尺寸可分為：φ200mm、φ300mm、φ400mm。

交通信号燈按光源可分為白熾燈、低壓鹵鎢燈、發光二極管及其他符合相關标準的光源。

交通信号燈按功能可分為：機動車信号燈、非機動車信号燈、人行橫道信号燈、方向指示指示燈（箭頭信号燈）、車道信号燈、閃光警告信号燈、道路與鐵路平面交叉道口信号燈等。

人類靠眼睛和大腦去完成信号燈的檢測與識别，一些封閉園區、測試園區可以通過V2V、ZigBee等近場通信的方式識别紅綠燈，公開道路上的交通信号燈的檢測與識别則需要使用攝像機。

目前有用較強學習能力的卷積神經網絡去進行交通信号燈的識别，但這類方法往往需要大量的訓練樣本來避免過拟合的風險。傳統的圖像處理方法按照原理可分為基于色彩特征的識别、基于形狀特征的識别和基于模闆匹配的識别等多種方式。

基于色彩特征的識别方法在背景環境相對簡單的情況下，能夠有效地檢測和識别出交通信号燈。但在實際的道路場景中，采集的交通信号燈圖像具有複雜的背景，如存在車輛尾燈、行人、廣告牌、樹木、路牌等影響，且感興趣的信号燈區域隻占很少的一部分，基于色彩特征的識别方法很容易出現虛警現象。

基于形狀特征的識别方法可以有效地減少基于色彩特征識别出的虛警，但需要建立形狀特征規則。針對不同樣式的交通信号燈，需要建立不同的形狀特征規則，這嚴重限制了算法的靈活性和通用性。

基于模闆匹配的識别方法同樣需要建立不同樣式的交通信号燈模闆或者建立多級的交通信号燈模闆來實現對不同樣式的交通信号燈的識别。

單一的方法都不能很好地完成交通信号燈的識别，目前的大多數方法都是在各種顔色空間中利用信号燈顔色的先驗進行分割得到興趣區域，然後再通過信号燈所特有的形狀特征和角點特征等進行進一步的判定。比如，Masako Omachi等人提出在RGB色彩空間分割交通信号燈，使用HOUGH變換檢測分割出的信号燈所在的圓形區域；徐成等提出在Lab色彩空間分割交通信号燈，使用模闆匹配的方法識别交通信号燈的狀态；谷明琴等則在HSV色彩空間中使用顔色直方圖統計圖像的H分量，确定交通信号燈的類型。

信号燈識别所采用的系統結構可分為：圖像采集模塊、圖像預處理模塊、識别模塊、跟蹤模塊，其系統結構圖如下圖所示。

1、圖像采集模塊，攝像機成像質量直接影響後續識别和跟蹤的效果，攝像機的焦距、曝光時間、增益、白平衡等參數的選擇對攝像機的成像效果和後續處理有重要影響。

一般來說，圖像質量客觀評價會分成九個評測項目，曝光、清晰度、顔色、質感、噪音、防手抖、閃光燈、對焦和僞像，每一個評測項目往往還會分成好幾個評測小項目，如僞像就要測試銳化、畸變、暗角這些項目。通過測試這些項目，通過科學的計算，可以非常直觀地看到圖像的性能的各個方面的表現有何不足。

2、圖像預處理模塊，包括彩色空間選擇和轉換、彩色空間各分量的統計分析、基于統計分析的彩色圖像分割、噪聲去除、基于區域生長聚類的區域标記，通過圖像預處理得到信号燈的候選區域。

3、識别模塊，包括離線訓練和在線識别兩部分。離線訓練是通過交通信号燈的樣本和背景得到分類器，利用得到的分類器完成信号燈的檢測，結合圖像預處理得出的結果完成其識别功能。

4、跟蹤模塊，通過識别模塊得到的結果可以得到跟蹤目标，利用基于彩色的跟蹤算法可以對目标進行跟蹤，有效提高目标識别的實時性和穩定性。

1、彩色空間轉換

構成圖像的最小單元是像素（pixel），像素值的值域一般在0到255（包括）之間，不同的像素值代表了不同的顔色。

像素值總共有256個整數，所以像素值一般都是用unsigned char類型表示。0-255并不能映射到彩色，而隻是對應黑色到白色之間的灰度值。白色為255，黑色為0，故黑白圖片也稱灰度圖像。

要表示彩色像素，我們就要用到初中物理中學到的紅綠藍（RGB）三原色，飽和的紅綠藍三種顔色疊加起來就是白色，通過改變三種顔色的配比，我們就可以表示其他的顔色了。灰度值的顔色空間在幾何上可以用一根直線表示，而RGB彩色空間在幾何上則對應了一個立方體。表示灰度值我們用一個維度，要表示彩色值，我們則需要3個維度，也就是3個圖像通道。每個像素值用3個數字表示，如(255,255,255)表示白色，(255,0,0)表示紅色，(255,255,0)表示黃色。

RGB是三通道的，灰度隻有一個通道，若想通過RGB求灰度，最直接的想法是對于同一個RGB像素值，我們把這三個通道值求一個平均值作為灰度值。

用公式表示一下就是：Gray = R /3 G/ 3 B /3 。

HSV(Hue, Saturation, Value)是根據顔色的直觀特性由A. R. Smith在1978年創建的一種顔色空間, 也稱六角錐體模型(Hexcone Model)。這個模型中顔色的參數分别是：色調（H），飽和度（S），明度（V）。

HSV空間可以由RGB空間演變過來的，RGB空間在幾何上是一個正方體，當你從正方體的一個頂點看向離它最遠的另一個頂點時，就會看到一個六角錐體，通常，我們會把頂上的這個六邊形近似成一個圓，就變成了一個圓錐。

H參數表示色彩信息，即所處的光譜顔色的位置。該參數用一個角度量來表示，紅、綠、藍分别相隔120度。互補色分别相差180度。

純度S為一比例值，範圍從0到1，它表示成所選顔色的純度和該顔色最大的純度之間的比率。S=0時，隻有灰度。

V表示色彩的明亮程度，範圍從0到1。有一點要注意：它和光強度之間并沒有直接的聯系。

HSV空間對顔色的描述是用戶友好的，而RGB是硬件友好的。HSV空間在我日常學習中更多是作為顔色篩選的基礎，人眼能區分的不同顔色的範圍對應HSV的值都比較固定，下面是一個對照表：

我們要做紅綠燈識别，我的第一步是要把紅綠燈的區域摳出來，紅綠燈的顔色為紅、黃、綠，我們可以不管三七二十一先把紅、黃、綠色的東西都摳出來再做篩選，這時候就要用到HSV空間。所以信号燈識别的第一步就是要把原始的RGB空間轉化為HSV空間。

max=max(R,G,B)；

min=min(R,G,B)；

V=max(R,G,B)；

S=(max-min)/max；

if (R = max) H =(G-B)/(max-min)* 60；

if (G = max) H = 120 (B-R)/(max-min)* 60；

if (B = max) H = 240 (R-G)/(max-min)* 60；

if (H < 0) H = H 360；

2、彩色分割

交通信号燈的顔色要求需要滿足國家标準，信号燈的色調、飽和度、亮度均需要滿足相應的範圍要求。因此，基于HSV空間的阈值分割法具有很好的實用性和實時性。通過在HSV彩色空間中設置阈值，并與圖像像素的HSV各個分量值進行比較，就能從圖像背景中提取出信号燈。

3、信号燈區域判定與識别

由于彩色分割中，背景環境中會存在一些與信号燈的色調、飽和度、亮度相似的點或區域，這一步我們需要在前一步驟的基礎上根據信号燈的特有特征過濾出真正的信号燈區域。信号燈的面積、形狀、長寬比等均需要滿足相應的國标要求，根據這一特性，可以進一步篩選，排除幹擾。

信号燈的面積：信号燈的面積在國标中有明确要求，可根據實際情況進行設定，過濾面積過大或過小的區域。

信号燈的形狀：形狀特征是交通信号燈重要而顯著的另一個特征，盡管氣候、道路環境等會對采集的交通信号燈産生不同程度的噪聲、褪色及形變，但是交通信号燈的形狀和幾何尺寸不會發生太大的變化。對于圓形交通信号燈使用圓形度檢測，過濾圓形度過低的區域，其中圓形度是指候選區域邊緣接近圓形的程度 。

信号燈的黑色邊框：交通信号燈在形狀上有個顯著的特征，即它的燈闆是一個黑色矩形框。根據交通信号燈的設計規範，利用該特征可以将交通信号燈的範圍提取出來。

4、跟蹤優化

當信号燈出現在當前視野中時，在接下來的一段時間内都會出現該信号燈，并且幀與幀之間的信号燈位置不會出現很大的偏移（主要取決于采集車和CCD）且呈現一定的運動方向，如下圖。那麼我們完全可以利用這種特性，在下一幀的檢測中取當前信号燈位置處一定的窗口範圍，使用mean shift算法在特征空間中搜索所謂的模點（局部極值點）找到信号燈位置；甚至可以在該窗口檢測範圍内，使用顔色分割，根據顔色判定信号燈的位置和顔色。

上述步驟是信号燈識别的一種簡單方法，隻适用于交通燈環境較為簡單的場景，對于複雜的行駛環境，需要進一步擴展信号燈的檢測算法，提高信号燈檢測的實時性和準确性。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!