基于投影特征值的交通信号灯检测与识别方法

《基于投影特征值的交通信号灯检测与识别方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于投影特征值的交通信号灯检测与识别方法　　中图分类号：TN911.73?34；TP391.4文献标识码：A：1004?373X（2016）09?0160?04　　Abstract：Thetrafficlightsrecognizingmethodbasedonprojectioneigenvalueisproposedforthemontrafficlights.Thismethodisusedtosegmenttheredandgreenareas，andscreenouttheareasoftrafficl

2、ightsaftermultiplefiltering.Forthediffusionproblemofthetrafficlights，theadaptivethresholdsegmentationisadoptedtosegmentthecandidateareas.Afterthat，theprojectioneigenvalueofthetrafficlightsinhorizontalandverticaldirectionsisextracted，andtheminimumdistanceclass

3、ifierisusedtoobtainthedirectionalinformationofthetrafficlights.Theexperimentalresultsshoultiplefiltering；adaptivethresholdsegmentation；projectioneigenvalue；minimumdistanceclassifier　　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

4、别交通信号灯的算法。MasakoOmachi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

5、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

6、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50～100m，面积大小有一定的范围，所以取[S1]和[S2]分别为100m2和600m2。　　1.3交通

7、信号灯背板过滤　　交通信号灯的背板一般是黑色矩形框，交通信号灯背板通常有两种类型，横板和竖板。　　常见的交通信号灯正常工作时，同一时刻通常只有一个交通信号灯发光。交通信号灯在背板的位置是固定的。经过过滤可以确定兴趣区域的颜色和位置信息而交通信号灯的安装位置固定，可以通过判断兴趣区域是否在背板中，从而判断是否为交通信号灯。　　三种交通信号灯大小相同，嵌入在黑色背板中，只要将兴趣区域向外延伸两个区域，就可以判断是否为交通信号灯。如图2（a）所示，若为红色信号灯，就向右和下分别延伸一个为兴趣区域两倍长度和一倍宽度的区域

8、，只要向右或者向下满足使交通信号灯背板，则可以判断兴趣区域是红色交通信号灯。　　1.4自适应阈值分割　　自适应阈值分割与形态学处理的结果如图3所示。观察图3（a）和图3（b）可以发现，交通信号灯有时存在扩散而导致其丢失了方向特征。由于交通信号灯和黑色背板类间方差是单峰，因此对兴趣区域进行自适应阈值分割。自适应阈值分割算法是最大类间方差法，当取最佳阈值时即以类间方差最大来衡