无人驾驶汽车交通信号灯识别系统设计(附件)
随着智能交通系统的发展，无人驾驶汽车成为研究的热点。在无人驾驶技术的研究中，信号灯识别是一项重点内容。本文提出一种基于模板匹配的识别方法，针对信号灯背景板为矩形的特点，首先对图像进行预处理，数学形态学滤波，使图像中只保留矩形区域。根据交通信号灯的先验知识，确定信号灯背板的长宽比，通过长宽比最终确定信号灯区域并分割出来。分割出来的区域将颜色空间转换为HSV空间，通过计算红绿黄三种颜色像素点的数量确定信号灯的颜色。对信号灯所携带的信息，比如数字等，经过分割与模板中的字符逐一比对，识别出字符信息。经过测试，本方法能够较好的识别出圆灯，箭头灯和数字灯。关键词 无人驾驶，信号灯识别，模板匹配，图像分割
目 录
1 绪论 1
1.1 选题背景及意义 1
1.2 国内外研究现状 2
1.3 发展趋势 3
2 交通信号灯识别的基本知识 4
2.1 交通信号灯基本信息 4
2.2 交通信号灯色彩空间分析 5
2.3 MATLAB简介 8
2.4 系统整体设计 9
3 交通信号灯的检测 10
3.1 图像预处理 11
3.2 边缘检测 14
3.3 数学形态学处理 16
3.4 区域标记 18
3.5 目标区域分割 19
4 交通信号灯的识别 20
4.1 模板匹配法概述 21
4.2 特征样本库建立 22
4.3 信号灯区域字符的分割 23
4.4 信息识别 23
4.5 结果分析 26
4.6 GUI界面设计 28
结 论 31
致 谢 32
参 考 文 献 33
1 绪论
1.1 选题背景及意义
随着人工智能概念的普及，人们的日常生活方式也日新月异，这种变化在交通领域尤为明显。传统交通方式虽然带来便利，但是近年来，一些由于车辆带来的问题也不容忽视，比如交通事故频繁发生，道路拥堵，车辆导致的空气污染等等。如何将传统的交通方式跟人 *好棒文|www.hbsrm.com +Q: #351916072#
工智能结合起来，智能交通系统（ITS）便应用而生[1]。在智能交通系统领域，无人驾驶汽车无疑是发展最为迅速的一部分。比如国外近几年发展势头很强劲的谷歌无人车以及特斯拉无人车，国内百度无人车也异军突起[2]。可见，无人车的研究现在已经成为各国在智能交通领域研究的热点问题。无人车在行驶过程中，周围环境无疑是最大的影响因素。特别是在道路交叉路口，车流量更多，环境更为复杂，交通信号灯的识别便成为要解决的问题之一。
作为保障无人驾驶汽车安全行驶的外部环节，交通信号灯的指向作用在确保交通系统安全方面具有不可估量的作用[3]。对于现行的驾驶方式来说，车辆在行进过程中的主要控制者还是驾驶员。道路环境复杂多变，特别是道路交叉口处，不同方向的车辆来来往往，如果没有一定的顺序，很容易引发事故。对于交通信号灯发出的信息，驾驶员需要及时做出反应。有些驾驶员由于长期驾驶，难免出现驾驶疲劳的状况，有可能出现判断不准的现象，这时，信号灯识别系统就可以对驾驶员提供一个警示的功能，保证驾驶安全。对于正在研究的无人驾驶技术来说，信号灯的识别更是研究的重中之重。对于信号灯及其他路面情况的识别，相当于无人车的“眼睛”，没有这双“眼睛”无人车是无法前进的，无人车需要根据这些提供的信息及时的做出判断，控制车的运行方式。除此之外，我国还有相当一部分人群因为先天、后天的各种不可抗因素的影响，无法获得驾驶资格，给自己的生活带来很多不便，如色盲、色弱人群等，他们很渴望能够像正常人一样体会驾驶的乐趣，交通信号灯识别系统就可以帮助他们圆梦。
可见，交通信号灯识别系统的设计，不仅可以辅助驾驶员安全驾驶，同时也是无人驾驶技术发展所必须攻克的难题，更重要的是这项技术也体现着一种人文关怀，利用科技的力量去弥补人自身的不足。本文所提出的方法能够检测并且识别出自然环境中较为简单的圆灯、箭头灯和数字灯。
1.2 国内外研究现状
交通信号灯的颜色和形状特点比较突出，因此常用的交通信号灯的检测方法就是依赖这两个特点进行的。当前对于交通信号灯识别的研究方法通常有三类：基于颜色的方法、基于形状的方法和基于颜色形状相结合的方法。
基于颜色的方法：这种检测方式需要先确定检测对象的颜色空间，在交通信号灯检测中，常用的颜色空间有RGB、HSV、LAB等。这种检测方式主要是根据颜色特征来进行分割，因此需要先设定颜色阈值，不同的颜色在不同的颜色空间中的某一分量是有差别的，每种颜色都有一定的范围，找到这个范围的边界即阈值，在颜色提取分割中很重要。阈值确定后，再在相应的颜色空间内对图像进行分割。比如Raoul de Charette[4]提出的基于亮度的检测方法，利用信号灯和信号灯臂的几何关系进行滤波，用自适应模板匹配识别红绿灯。但这种检测方法对光照变化特别敏感，光照过强时可能会导致检测失败。
基于形状的方法：信号灯的虽然种类较多，但形状相对固定，大多数为矩形，而且这种形状特征不会像颜色特征那样容易受光线亮度等因素的影响，因此这种检测方法在应对干扰方面就显得更有优势。这种方法主要考虑交通信号灯背景板为矩形的特点，通过计算矩形度，判断出信号灯的位置，然后进行识别。比如北京联合大学的周宣汝[5]等提出的基于HOG特征的识别方法，该方法先筛选出候选区域，提取信号灯的HOG特征，运用SVM构建相应类别的信号灯分类器。
基于颜色和形状的方法：基于颜色和形状结合的方法，这种检测方式综合考虑了信号灯的颜色和形状特征。通常根据颜色分割出候选区域，再根据形状特征对候选区域进行验证，经过颜色分割和形状验证后的区域一般就是信号灯所在区域。因为这种方法识别精度较高，使用这种方法进行研究的很多，比如Masako Omachi[6]提出的基于颜色和边缘信息的检测方法，先将RGB颜色空间转换为标准RGB颜色空间，分割出候选区域，对候选区域进行边缘分析，利用霍夫变换检测圆形度。该方法能够实现实时性检测，但只能检测出圆形灯。同济大学的武莹[7]等提出的基于图像处理的信号灯识别方法，这种方法现在HSI空间中进行颜色分割，再利用信号灯的黑色背景框的特点进行形状分割，两种分割的结果进行比对，最终确定信号灯区域，再与制作的模板进行匹配，最终识别出结果。该算法的识别率较高。中山大学的谷明琴[8，9] 提出的交通信号灯的识别方法先利用信号灯灯板的颜色和形状特点把信号灯区域定位出来。在YCbCr颜色空间中进行分析，用Gabor小波变换和二维独立变量分析候选区域特征。该方法的实时性较好，稳定性也很高。
目 录
1 绪论 1
1.1 选题背景及意义 1
1.2 国内外研究现状 2
1.3 发展趋势 3
2 交通信号灯识别的基本知识 4
2.1 交通信号灯基本信息 4
2.2 交通信号灯色彩空间分析 5
2.3 MATLAB简介 8
2.4 系统整体设计 9
3 交通信号灯的检测 10
3.1 图像预处理 11
3.2 边缘检测 14
3.3 数学形态学处理 16
3.4 区域标记 18
3.5 目标区域分割 19
4 交通信号灯的识别 20
4.1 模板匹配法概述 21
4.2 特征样本库建立 22
4.3 信号灯区域字符的分割 23
4.4 信息识别 23
4.5 结果分析 26
4.6 GUI界面设计 28
结 论 31
致 谢 32
参 考 文 献 33
1 绪论
1.1 选题背景及意义
随着人工智能概念的普及，人们的日常生活方式也日新月异，这种变化在交通领域尤为明显。传统交通方式虽然带来便利，但是近年来，一些由于车辆带来的问题也不容忽视，比如交通事故频繁发生，道路拥堵，车辆导致的空气污染等等。如何将传统的交通方式跟人 *好棒文|www.hbsrm.com +Q: #351916072#
工智能结合起来，智能交通系统（ITS）便应用而生[1]。在智能交通系统领域，无人驾驶汽车无疑是发展最为迅速的一部分。比如国外近几年发展势头很强劲的谷歌无人车以及特斯拉无人车，国内百度无人车也异军突起[2]。可见，无人车的研究现在已经成为各国在智能交通领域研究的热点问题。无人车在行驶过程中，周围环境无疑是最大的影响因素。特别是在道路交叉路口，车流量更多，环境更为复杂，交通信号灯的识别便成为要解决的问题之一。
作为保障无人驾驶汽车安全行驶的外部环节，交通信号灯的指向作用在确保交通系统安全方面具有不可估量的作用[3]。对于现行的驾驶方式来说，车辆在行进过程中的主要控制者还是驾驶员。道路环境复杂多变，特别是道路交叉口处，不同方向的车辆来来往往，如果没有一定的顺序，很容易引发事故。对于交通信号灯发出的信息，驾驶员需要及时做出反应。有些驾驶员由于长期驾驶，难免出现驾驶疲劳的状况，有可能出现判断不准的现象，这时，信号灯识别系统就可以对驾驶员提供一个警示的功能，保证驾驶安全。对于正在研究的无人驾驶技术来说，信号灯的识别更是研究的重中之重。对于信号灯及其他路面情况的识别，相当于无人车的“眼睛”，没有这双“眼睛”无人车是无法前进的，无人车需要根据这些提供的信息及时的做出判断，控制车的运行方式。除此之外，我国还有相当一部分人群因为先天、后天的各种不可抗因素的影响，无法获得驾驶资格，给自己的生活带来很多不便，如色盲、色弱人群等，他们很渴望能够像正常人一样体会驾驶的乐趣，交通信号灯识别系统就可以帮助他们圆梦。
可见，交通信号灯识别系统的设计，不仅可以辅助驾驶员安全驾驶，同时也是无人驾驶技术发展所必须攻克的难题，更重要的是这项技术也体现着一种人文关怀，利用科技的力量去弥补人自身的不足。本文所提出的方法能够检测并且识别出自然环境中较为简单的圆灯、箭头灯和数字灯。
1.2 国内外研究现状
交通信号灯的颜色和形状特点比较突出，因此常用的交通信号灯的检测方法就是依赖这两个特点进行的。当前对于交通信号灯识别的研究方法通常有三类：基于颜色的方法、基于形状的方法和基于颜色形状相结合的方法。
基于颜色的方法：这种检测方式需要先确定检测对象的颜色空间，在交通信号灯检测中，常用的颜色空间有RGB、HSV、LAB等。这种检测方式主要是根据颜色特征来进行分割，因此需要先设定颜色阈值，不同的颜色在不同的颜色空间中的某一分量是有差别的，每种颜色都有一定的范围，找到这个范围的边界即阈值，在颜色提取分割中很重要。阈值确定后，再在相应的颜色空间内对图像进行分割。比如Raoul de Charette[4]提出的基于亮度的检测方法，利用信号灯和信号灯臂的几何关系进行滤波，用自适应模板匹配识别红绿灯。但这种检测方法对光照变化特别敏感，光照过强时可能会导致检测失败。
基于形状的方法：信号灯的虽然种类较多，但形状相对固定，大多数为矩形，而且这种形状特征不会像颜色特征那样容易受光线亮度等因素的影响，因此这种检测方法在应对干扰方面就显得更有优势。这种方法主要考虑交通信号灯背景板为矩形的特点，通过计算矩形度，判断出信号灯的位置，然后进行识别。比如北京联合大学的周宣汝[5]等提出的基于HOG特征的识别方法，该方法先筛选出候选区域，提取信号灯的HOG特征，运用SVM构建相应类别的信号灯分类器。
基于颜色和形状的方法：基于颜色和形状结合的方法，这种检测方式综合考虑了信号灯的颜色和形状特征。通常根据颜色分割出候选区域，再根据形状特征对候选区域进行验证，经过颜色分割和形状验证后的区域一般就是信号灯所在区域。因为这种方法识别精度较高，使用这种方法进行研究的很多，比如Masako Omachi[6]提出的基于颜色和边缘信息的检测方法，先将RGB颜色空间转换为标准RGB颜色空间，分割出候选区域，对候选区域进行边缘分析，利用霍夫变换检测圆形度。该方法能够实现实时性检测，但只能检测出圆形灯。同济大学的武莹[7]等提出的基于图像处理的信号灯识别方法，这种方法现在HSI空间中进行颜色分割，再利用信号灯的黑色背景框的特点进行形状分割，两种分割的结果进行比对，最终确定信号灯区域，再与制作的模板进行匹配，最终识别出结果。该算法的识别率较高。中山大学的谷明琴[8，9] 提出的交通信号灯的识别方法先利用信号灯灯板的颜色和形状特点把信号灯区域定位出来。在YCbCr颜色空间中进行分析，用Gabor小波变换和二维独立变量分析候选区域特征。该方法的实时性较好，稳定性也很高。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1701.html
