基于色域差分與伽馬校正的交通燈識別 

葉茂勝李必軍莫檸鍇孔格菲

摘要：無人駕駛中交通燈的識別是一項重要任務，提出無人駕駛中基于車載攝像頭拍攝的視頻序列的交通燈檢測和識別技術。通過對圖像進行伽馬校正，增強圖像的對比度和亮度，得到預處理后的圖像；通過形態學處理，從而比較準確地提取交通燈的候選區域；計算候選區域的幾何特征，保留符合特征的區域作為交通燈區域；在RGB色彩空間內進行色域差分，得到交通燈的色彩信息。

關鍵詞：無人駕駛；伽馬校正；幾何特征；RGB彩色空間；色域差分

DOIDOI：10.11907/rjdk.161783

中圖分類號：TP317.4

文獻標識碼：A文章編號文章編號：16727800（2016）009015704

基金項目基金項目：國家自然科學基金重點項目（41531177）

作者簡介作者簡介：李必軍（1969-），湖北武漢人，博士，武漢大學測繪遙感信息工程國家重點實驗室教授，研究方向為地面激光掃描集成技術、汽車導航技術與智能交通技術。

0引言

計算機視覺在無人駕駛領域發揮了重要作用，它以攝影機和電腦代替人眼對目標進行識別、跟蹤和測量，在交通燈、車道線方面有著重要作用。本文主要針對交通燈檢測和識別，基于計算機視覺提出了一種基于色域差分和伽馬校正的新方法，有效提高了檢測的效率和準確性。

過去幾年，無人駕駛飛速發展。國內國外的研究團隊對交通燈的識別和檢測進行了大量的研究工作，谷歌無人車團隊[1]更提出了基于地圖進行交通燈定位后識別的新思路，傳統交通燈檢測使用色彩空間轉換至HSV空間[210，14]或Lab空間[11]、分類器[37，8，13]、模板匹配[24，10，1213]等方法進行識別。在國內，楊明等[8]提出了基于級聯濾波器的交通燈識別，利用RGB空間提取色彩信息，通過級聯濾波器過濾非交通燈區域，再利用NCC匹配的方法確定信號燈。但是這種方法在陰雨天氣下識別能力不佳，而且有賴于模板的選擇，實用性有待提高。谷明琴等[9]提出了基于圓形度和顏色直方圖的信號燈識別，利用圓形度特征作為選取候選區域的一個標志，然后將得到的候選區域圖像轉為HSV空間，統計H分量，識別交通燈的類型。這種方法在對黃燈的識別中，準確性不足，對于候選區域的過濾僅僅利用形狀信息，約束性略差。

為了克服上述缺點，本文提出了一種在RGB空間下基于伽馬校正以及色域差分的交通燈識別方法。首先對原始圖像進行伽馬校正，通過伽馬校正提高紅綠燈區域的對比度；接著進行灰度化與二值化處理，并且利用形態學濾波的方法進行濾波，利用交通燈的幾何特征進行篩選，標定交通燈區域；最后對交通燈區域進行色域差分，在R通道上，與G通道上進行差分處理，進而判斷出交通燈的類型。算法描述如圖1所示。

1伽馬校正

在交通燈識別中，交通燈區域定位是一個關鍵步驟。常規方法是利用RGB空間的色彩信息，或者利用HSV空間的色彩信息，在一定程度上確定出候選區域。但是在復雜環境中，利用上述方法確定的候選區域數量過多，有時甚至難以找出候選的交通燈區域，需要通過調整閾值才能完成候選區域的提取。因此，這些算法缺乏健壯性與自適應性。

在相機條件不佳或者直射強光源條件下，檢測的圖像出現泛白光現象。當光照條件不足時，圖像亮度偏暗。從攝影學專業術語上講，這兩種情況稱為過曝、欠曝現象。在這兩種情況下，圖像的色調和亮度都將發生失真，這種失真使得運用上述方法進行檢測時，RGB顏色信息發生改變，（經過實驗改變量在百分二十浮動），對應的閾值無法適應當前情況，因此無法正確識別出紅綠燈區域。

當進行伽馬校正之后，校正值大于1時，整體亮度被壓縮，高光部分被擴展，但是對比度得到提升，而暗調部分被壓縮；校正值小于1時，整體亮度得到提升，而暗調部分被擴展，對比度得到提升。利用這一特性，可以改善畫面失真、成像扭曲的情況。在圖像偏暗時，使用大于1的伽馬值，可以迅速拉升圖像中的亮區域，使得紅綠燈區域更加明顯。在圖像泛白光或者偏亮時，使用小于1的伽馬值，可以有效降低白光亮度對比，在一定程度上解決白光問題。

因此，本文根據伽馬校正的特點，利用伽馬校正在增強圖像對比度中的優秀特性，在圖像預處理之前對圖像進行了伽馬校正，以此凸顯紅綠燈區域。對圖像進行非線性色調編輯的方法，檢測出圖像信號中的深色部分和淺色部分，并使兩者比例增大，從而提高圖像對比度效果。

在圖像處理之前預先進行伽馬校正，如圖3所示，圖像經過伽馬校正之后，紅綠燈的區域變得更加明顯。原本未經檢測出的紅綠燈區域，經過伽馬校正后，提取效果得到提升。

corrected=255×（uncorrected255）gamma

2圖像預處理

圖像預處理包括圖像的灰度化和二值化處理。選取0.299R分量、0.587G分量、0.144B分量將彩色圖轉化為灰度圖像。

g（x，y）=0.299×R（x，y）+0.587×G（x，y）+0.144×B（x，y）

其中，（x，y）為像點坐標，R、G、B分別代表顏色的3個分量，g（x，y）代表灰度圖像上（x，y）點上的灰度值，這樣的比例比較符合人類視覺的灰度。將得到的灰度圖像使用閾值T進行分割，得到二值圖像。

Binary（x，y）=0，g（x，y）T

通過實驗，取T=100時，分割效果最好。

3濾波器處理

通過上述兩個步驟處理可以得到一幅包含若干候選區域的二值圖像。但是圖像中存在過多的噪聲區域以及噪聲點，經過形態學處理，可有效減弱噪聲對于圖像的干擾。同時進行濾波處理，可過濾掉大量不屬于交通燈區域的候選區域。

交通燈區域應具有較好的幾何形狀特征以及填充的飽和度。經過形態學處理后，圖像中仍然保留著區域較大的候選對象。對于這些區域，本文選擇直接利用交通燈本身的幾何特征進行濾波處理。

經過上述步驟處理后的交通燈區域很難保持圓形的屬性特征，但其最小外接矩形仍可以保持較好的形狀特性。本文定義Ratio值及填充比進行濾波處理。

（1）長寬比。圖像中候選區域的最小外接矩形長度為length，寬度為width，則定義Ratio值為：

Ratio=widthlength

由于交通區域是一個圓形區域，其最小外接矩形應為正方形區域，但受到圖像處理過程中的一些誤差影響，所得到的最小外接矩形并不是嚴格的正方形。本文經過大量的數據統計，給出Ratio閾值范圍，將Ratio值大于0.8或者小于0.2視為噪聲區域直接過濾。

（2）像元個數。交通燈區域不會存在較大的空洞區域。根據交通燈這一特性，本文定義了填充比作為判斷要素之一。實際計算中，通過計算最小外接矩形內像素的個數除以最小外接矩形的面積，可得到這一要素值。根據統計資料，本文取0.8作為閾值。

經過上述兩項濾波處理，可以得到滿意的交通燈區域。

4色域差分

在得到交通燈區域后，為進一步判定交通燈顏色，必須對區域的屬性作出判斷。常規的判斷方法，如通過RGB空間或者HSV空間的某些分量設定閾值，在一定程度上，精度受限于圖像質量，同時，閾值的選取較為復雜，甚至需要通過模板訓練的方式才能確定。這在一定程度上影響了交通燈識別的實時性。因此，本文利用紅綠燈區域在RGB空間的成像特點，提出色域差分的方法。

通過將RGB空間的圖像在3個通道上進行分離，得到3個色域上的圖像。將R通道的圖像與G通道的圖像做差分。本文采用改化后的Sigmod函數進行差分運算。

y=1.00.008+0.01×e-0.1×（Diff-70）

根據大量統計資料可以發現，紅綠燈區域在RGB存在如下特性：在紅燈時，紅綠燈區域的R分量遠大于G分量，而在綠燈時，紅綠燈區域的G分量遠大于R分量。

基于這一特性，只需對R色域的圖像與G色域的圖像相互做一次差分，便可以將綠色信息與紅色信息相互分離開來，得到差分紅色信息圖像R-G與差分綠色信息圖像G-R。同時，對R-G和G-R，在差分之時對差異較大的區域進行指數拉伸，以增加區域信息飽和度。

為避免出現其它物體顏色干擾現象，增強算法的魯棒性，本文在進行差分處理后，對交通燈區域再次進行形態學處理。通過在差分圖像內提取輪廓，統計輪廓內的平均灰度信息，在R-G的差分圖像內，如果平均灰度信息大于一定的閾值，則認定該區域是紅燈區域，在G-R的差分圖像內，如果平均灰度信息大于一定閾值，則認定該區域是綠燈區域。

本文通過預處理的形態學處理，以及色域差分過程中的形態學處理，保證了交通燈區域的可信度。在圖像最終輸出時，利用顏色信息以及形態學信息作為檢核條件確保整個提取方法的準確率。

5驗證實驗與結果

為驗證本文所提出的交通燈識別方法的有效性，本文進行了大量實驗。利用車載攝像頭，以25幀/s的速度在在不同光照條件、不同天氣條件以及不同的街頭進行數據采集。本文實驗所使用的相機為行車記錄儀中的相機。對采集的圖像利用本文算法進行識別，得出識別率如表1所示。

6結語

在交通燈識別和檢測方法中，很多方法都是基于色彩空間或者形態特征進行分割識別。本文在總結這些方法時，發現了這些方法在自適應性以及實時性方面的不足，尤其在確定閾值方面，在不同環境下存在很大的不確定性，這給交通燈的識別帶來了很大困難。因此，通過大量的統計資料以及對圖像成像特點的理解，本文提出了基于伽馬校正及色域差分的交通燈識別方法。在RGB空間內先是利用伽馬校正增強了圖像的對比度，簡化了后序處理，接著利用形態學處理得到候選區域，通過形態特征的濾波去除噪聲區域以及大的背景區域的干擾，最后對確定的交通燈區域進行色域差分，識別顏色信息。大量實驗證明，本文提出的方法在復雜環境下仍然有較高的識別準確率，充分說明了本文方法的魯棒性以及有效性。

圖9顯示了本文交通燈識別方法在不同環境下的識別效果，包含了雨天、陰天、背光、正對光等的情況，其中圖像均已進行過伽馬校正。

從實驗結果來看，本文提出的算法在各種光照條件以及天氣條件下的識別率都比較高，均達到94%。但本文的交通燈識別方法是在主動光的前提下，當被動光強度過大時，容易產生一定的誤檢現象。

參考文獻參考文獻：

[1]NATHANIEL FAIRFIELD CHRIS URMSON.Traffic light mapping and detection[C].2011 IEEE International Conference on Robotics and Automation （ICRA），2011：54215426.

[2]CHUNG Y C，WANG J M，CHEN S W.A visionbased traffic light detection system at intersections[J].Taiwan Normal University：Mathematics，Science & Technology，2002，47（1）：6786.

[3]DE CHARETTE R，NASHASHIBI F.Traffic light recognition using image processing compared to learning processes[C].In Proc.IROS，USA：IROS，2009：333338.

[4]LINDNER F，KRESSEL U，KAELBERER S.Robust recognition of traffic signals[C].In Intelligent Vehicles Symposium，2004：4953.

[5]S WENDER，O LOEHLEIN.A Cascade detector approach applied to vehicle occupant monitoring with an Omnidirectional Camera[C].Intelligent Vehicles Symposium，2004：345350.

[6]C WOEHLER，J ANLAUF.Realtime object recognition on image sequences with the adaptable time delay neural network algorithmapplications for autonomous vehicles[J].Image and Vision Computing，2001，19（910）：593618.

[7]KIM Y，KIM K，YANG X.Real time traffic light recognition system for color vision deficiencies[C].Harbin：ICMA 2007 International Conference on Mechatronics and Automation，2007：7681.

[8]金濤，王春香，王冰，等.基于級聯濾波的交通信號燈識別方法[J].上海交通大學學報，2012，46（9）：13551360.

[9]谷明琴，蔡自興，李儀.應用圓形度和顏色直方圖的交通信號燈識別[J].計算機工程與設計，2012，33（1）：243247.

[10]YEHU SHEN，UMIT OZGUNER，KEITH REDMILL，et al.Arobust video based traffic light detection algorithm for intelligent vehicles[C].IEEE Intelligent Vehicles Symposium，2009：521526.

[11]徐成，譚乃強，劉彥.基于Lab色彩空間和模板匹配的實時交通燈識別算法[J].計算機應用，2010，30（5）：12511254.

[12]JOHN V，YONEDA K，ZHENG LIU，et al.Saliency map generation by the convolutional neural network for realtime traffic light detection using template matching[J].IEEE Transactions on Computational Imaging，2015，1（3）：159173.

[13]GOMEZ A E，ALENCAR F A R，PRADO P V，et al.They are used for traffic lights detection and distance estimation[C].2014 IEEE Intelligent Vehicles Symposium Proceedings，2014：750755.

責任編輯（責任編輯：孫娟）