基于MATLAB的交通信號(hào)燈識(shí)別方法

李佳陽(yáng)，劉 奇

（1.四川大學(xué)電氣信息學(xué)院2013級(jí)學(xué)生,四川成都610065；2.四川大學(xué)醫(yī)學(xué)信息工程系,四川成都610065）

基于MATLAB的交通信號(hào)燈識(shí)別方法

李佳陽(yáng)1，劉 奇2

（1.四川大學(xué)電氣信息學(xué)院2013級(jí)學(xué)生,四川成都610065；2.四川大學(xué)醫(yī)學(xué)信息工程系,四川成都610065）

對(duì)交通燈的識(shí)別主要基于對(duì)交通燈的色彩及形狀特征?；谛盘?hào)燈的亮度對(duì)其進(jìn)行分割、提取，并設(shè)置了一種自動(dòng)最優(yōu)選擇閾值的方法。再由HIS彩色空間的H信息識(shí)別顏色。最后根據(jù)二值化的交通燈的橫坐標(biāo)和縱坐標(biāo)方向的投影進(jìn)行形狀匹配識(shí)別。

交通燈識(shí)別，圖像分割，顏色識(shí)別，形狀識(shí)別

交通燈識(shí)別對(duì)于交通事件自動(dòng)檢測(cè)至關(guān)重要，并且作為車輛行駛環(huán)境的自動(dòng)檢測(cè)，對(duì)于無(wú)人駕駛汽車的應(yīng)用研究也有很高價(jià)值。引入HIS彩色空間來(lái)進(jìn)行識(shí)別相比于傳統(tǒng)的在RGB和灰度空間識(shí)別有一定優(yōu)勢(shì)。最終通過(guò)引入信號(hào)燈前景直方圖對(duì)其進(jìn)行形狀、方向判斷，從而實(shí)現(xiàn)信號(hào)燈的自動(dòng)識(shí)別。

1 分割方法

1.1 設(shè)置最優(yōu)閾值進(jìn)行二值化

對(duì)彩色圖像進(jìn)行分割首先進(jìn)行圖像二值化處理。閾值選擇的恰當(dāng)與否對(duì)圖像分割起著決定性的作用。用迭代法尋找最優(yōu)閾值對(duì)圖像進(jìn)行二值化，首先將原圖像灰度化。找出圖像中最大、最小灰度。閾值T初始值為最大、最小灰度的平均值。根據(jù)T值將圖像分為前景和背景。

之后計(jì)算灰度值大于和小于閾值的個(gè)數(shù)和灰度總值。設(shè)置新舊閾值的允許接近程度，求出新閾值，進(jìn)行迭代。

最終使高于和低于閾值的像素個(gè)數(shù)相等。

原圖如圖1所示：

圖1 原圖

最優(yōu)閾值二值化效果，如圖2所示。

圖2 二值化后的圖像

2 基于Top-hat算子的亮區(qū)域提取

Top-hat算子是圖像形態(tài)學(xué)中一種性能非常好的高通濾波算子,其是組合了形態(tài)學(xué)中的膨脹、腐燭、開(kāi)算子或者是閉算子。

選取結(jié)構(gòu)元素的非常重要,結(jié)構(gòu)元素有兩個(gè)因素可以影響形態(tài)學(xué)濾波的結(jié)果：一個(gè)是其結(jié)構(gòu)的尺寸，另一個(gè)是其結(jié)構(gòu)的形狀。如果結(jié)構(gòu)的尺寸選擇過(guò)小則開(kāi)運(yùn)算過(guò)濾后噪聲過(guò)濾不徹底，將會(huì)得到較多的連通區(qū)域,然后再使用原圖像減去使用幵運(yùn)算過(guò)濾后的圖像則會(huì)丟失大部分信息；相反,雖然選擇過(guò)大的結(jié)構(gòu)尺寸會(huì)過(guò)濾掉較多的噪聲，但是開(kāi)Tophat算子處理后將會(huì)保留更多的亮區(qū)域,不便于之后的尋找交通燈光源亮區(qū)域的處理。

一般對(duì)于檢測(cè)叫交通信號(hào)燈來(lái)說(shuō)其尺寸在10x10至20x20之間可以滿足需求,在實(shí)際運(yùn)用中可以選擇其中值15x15即可。

對(duì)于結(jié)構(gòu)形狀來(lái)說(shuō)，選擇矩形或者圓形對(duì)交通信號(hào)燈光源區(qū)域的提取也有一定的影響,如果選擇圓形結(jié)構(gòu)的話，主要是針對(duì)圓形交通燈來(lái)說(shuō)會(huì)出現(xiàn)誤檢，如之前所述圖像是通過(guò)了先腐燭后膨脹的形態(tài)學(xué)濾波，因此，可能出現(xiàn)某個(gè)噪聲點(diǎn)腐燭沒(méi)有過(guò)濾掉反而通過(guò)膨脹后變成了圓形,影響圓形交通燈的識(shí)別；而對(duì)于矩形結(jié)構(gòu)的話則會(huì)避免該情況的出現(xiàn)。

一般采集到的交通燈都會(huì)出現(xiàn)在圖像的上半部分，所以截取上1/2圖像進(jìn)行tophat處理?？梢员苊馄渌囕v的尾燈干擾。

得到結(jié)果，如圖3所示：

圖3 頂帽變換

3 約束提取到的亮區(qū)域

根據(jù)交通燈特征設(shè)計(jì)濾波規(guī)則。

觀察交通信號(hào)燈光源部分的形狀與特點(diǎn)可以發(fā)現(xiàn),如果是光源區(qū)域則其面積不會(huì)過(guò)大；再者無(wú)論是圓形交通信號(hào)燈還是箭頭形交通信號(hào)燈其外接矩形框比較周正，即其長(zhǎng)寬比不會(huì)過(guò)大或過(guò)小。所以可以設(shè)定一個(gè)長(zhǎng)寬比的區(qū)間，不落在此區(qū)間的部分濾除。

且考慮交通燈光源區(qū)域面積不會(huì)過(guò)大或過(guò)小，因此可以設(shè)定面積閾值。

最后將濾波之后的圖像進(jìn)行孔洞填充得到最終分割出的交通燈圖像。

得到分割結(jié)果放大后的效果如圖4所示。

圖4 分割結(jié)果

可以看到基本能提取出圓形信號(hào)燈和箭頭符號(hào)了。

4 分開(kāi)檢測(cè)到的多個(gè)交通燈

通過(guò)標(biāo)記連通區(qū)域標(biāo)記不同的交通燈，并使其分別顯示在兩幅圖中。

分割部分結(jié)束。

將二值圖像當(dāng)做掩模，可以得到原圖的交通燈分割結(jié)果，結(jié)果是在原圖中提取到紅色的箭頭指示燈和綠色的圓形指示燈。

5 顏色識(shí)別

5.1 定位裁剪并轉(zhuǎn)換色彩空間

首先將交通燈定位裁剪到其最小外接矩形。其次轉(zhuǎn)換彩色空間，RGB彩色模型是一種常用的彩色模型，該模型下的3個(gè)分量紅(R)、綠(G)、藍(lán)(B)相關(guān)性較高，抗外界干擾性較差，不適宜用來(lái)進(jìn)行圖像分割。相對(duì)于RGB顏色模型，HSI(色相、飽和度和亮度) 顏色模型更適合人類的視覺(jué)特性。并且圖像所有的色彩信息都包含在H分量中，便于操作。

5.2 根據(jù)H分量識(shí)別顏色

設(shè)置H<0.1時(shí)識(shí)別為紅色。

設(shè)置H在［0.15,0.25)和(0.25,0.3］時(shí)識(shí)別為橘色，因?yàn)閳D像中的黑色在HIS空降中H分量為0.25，所以剔除0.25這個(gè)值。

設(shè)置H在［0.4,0.5］識(shí)別為綠色。

并將識(shí)別結(jié)果輸出在分割后的交通燈圖像中。

6 形狀識(shí)別

6.1 形狀識(shí)別方法

信號(hào)燈類型具有多樣性，箭頭燈包含顏色及方向信息，圓形燈僅包含顏色信息。為實(shí)現(xiàn)對(duì)圓形及箭頭形信號(hào)燈的靈活識(shí)別，提出坐標(biāo)投影分析方法。通過(guò)對(duì)比標(biāo)準(zhǔn)箭頭和圓形坐標(biāo)投影，識(shí)別出形狀。

對(duì)光源區(qū)域的二值圖像做橫坐標(biāo)投影實(shí)質(zhì)上是計(jì)算光源區(qū)域在行方向上的面積,而縱坐標(biāo)投影則是列方向上的面積。在實(shí)際使用時(shí)，用橫坐標(biāo)投影就可以進(jìn)行識(shí)別。

為了便于比較，應(yīng)該進(jìn)行壓縮、拉伸，統(tǒng)一圖像大小。在這里統(tǒng)一壓縮拉伸為20×20大小的圖像。在進(jìn)行比較之前首先要設(shè)定標(biāo)準(zhǔn)圓形和箭頭。

6.2 標(biāo)準(zhǔn)圖形

選用以下兩幅圖得到三種箭頭和圓形的標(biāo)準(zhǔn)圖像，如圖5、6所示。

圖5 設(shè)立標(biāo)準(zhǔn)1

圖6 設(shè)立標(biāo)準(zhǔn)2

分析可得我們?cè)O(shè)立的“標(biāo)準(zhǔn)”的橫坐標(biāo)投影分別為如圖7～圖10所示：

左箭頭：

圖7 左箭頭投影分析

上箭頭：

圖8 上箭頭投影分析

右箭頭：

圖9 右箭頭投影分析

圓：

圖10 圓形投影分析

6.3 坐標(biāo)投影直方圖對(duì)比識(shí)別

我們得到的交通燈的坐標(biāo)投影為，如圖11、12所示。

圖11 交通燈1投影

圖12 交通燈2投影

可以通過(guò)與標(biāo)準(zhǔn)投影做差的平方得到方差σ2，通過(guò)對(duì)σ2的大小進(jìn)行控制得到對(duì)圖形識(shí)別的差錯(cuò)允許度。在這里設(shè)置σ2＜250認(rèn)為是相同的圖形。

使識(shí)別結(jié)果表示在二值化的交通燈分割圖像上。

識(shí)別結(jié)果，如圖13、圖14所示：

圖13 交通燈1識(shí)別結(jié)果

圖14 交通燈2識(shí)別結(jié)果

7 最終結(jié)果

輸入原始圖像之后的輸出結(jié)果，如圖15所示：

圖15 最終效果

8 可繼續(xù)改進(jìn)的方面

1）在實(shí)際交通燈識(shí)別的時(shí)候出現(xiàn)的交通燈個(gè)數(shù)往往會(huì)多于兩個(gè)，在這里應(yīng)該設(shè)置一個(gè)關(guān)于交通燈個(gè)數(shù)的循環(huán)完成自動(dòng)識(shí)別。

2）雖然約束圖像為上1/2可以避免尾燈干擾，但在實(shí)際復(fù)雜環(huán)境中有可能出現(xiàn)其他發(fā)光物體的干擾，尤其是在光線不好的情況下或夜間，對(duì)這種情況考慮不足。

3）在實(shí)際應(yīng)用交通燈的識(shí)別時(shí)，應(yīng)該考慮采集交通燈的過(guò)程，在這一過(guò)程進(jìn)行一定的約束有助于對(duì)處理方法進(jìn)行統(tǒng)一。

4）應(yīng)該考慮天氣、光線狀況對(duì)采集到的圖像進(jìn)行一系列的預(yù)處理消除一部分圖像間的差異，使圖像質(zhì)量變得統(tǒng)一，有助于提高識(shí)別率。

［1］ 金濤.復(fù)雜場(chǎng)景下交通燈的檢測(cè)與識(shí)別方法研究［D］.上海交通大學(xué),2012.

［2］ 李儀.城市環(huán)境中交通對(duì)象檢測(cè)與識(shí)別研究［D］.中南大學(xué),2013.

［3］ 佀君淑,朱文興,沙永賀.復(fù)雜背景下的交通信號(hào)燈綜合識(shí)別方法［J］.山東大學(xué)學(xué)報(bào)(工學(xué)版),2014.

［4］ (美)岡薩雷斯(Gonzalez,R.C.),(美)伍茲(Woods,R.E.).數(shù)字圖像處理［M］.3版.北京：電子工業(yè)出版社，2011.6.

表3 模型交叉驗(yàn)證結(jié)果

從表3可知，競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)及訓(xùn)練步數(shù)對(duì)網(wǎng)絡(luò)性能有不同程度的影響。所有模型在校正集上的擬合準(zhǔn)確率都較高，說(shuō)明模型擬合能力較強(qiáng)，模型在驗(yàn)證集上的預(yù)測(cè)準(zhǔn)確率均在75%以上，說(shuō)明模型泛化能力較為穩(wěn)定。下一步可以用遺傳算法等智能優(yōu)化算法對(duì)CP-ANN神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，得到最優(yōu)的網(wǎng)絡(luò)競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)及網(wǎng)絡(luò)訓(xùn)練步數(shù)，以進(jìn)一步提高對(duì)向傳播神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障診斷的性能。

3 結(jié)束語(yǔ)

本文基于有監(jiān)督的對(duì)向傳播神經(jīng)網(wǎng)絡(luò)建立了5種變壓器故障的診斷模型。通過(guò)網(wǎng)格搜索法尋優(yōu)，得到了合適的競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)及網(wǎng)絡(luò)訓(xùn)練步數(shù)，比較了不同神經(jīng)元大小和訓(xùn)練步數(shù)時(shí)模型的性能。模型在校正集及驗(yàn)證集上的實(shí)驗(yàn)結(jié)果表明，本文提出的變壓器故障診斷方法是可行和有效的。

參考文獻(xiàn)：

［1］ 張衛(wèi)華,苑津莎,王杉,張珂.基于改良三比值法的變壓器故障基本信度分配計(jì)算方法［J］.電力系統(tǒng)保護(hù)與控制,2015,43(7):115-121.

［2］ 毛哲宇,嚴(yán)潔.基于SOM神經(jīng)網(wǎng)絡(luò)的礦井提升機(jī)故障診斷研究［J］.機(jī)械制造與自動(dòng)化,2009,38(5):36-38.

［3］ BallabioD,VasighiM.AMATLABtoolboxforSelfOrganizing Maps and supervised neural network learning strategies［J］. ChemometricsandIntelligentLaboratorySystems,2012,118: 24-32.

［4］ 王小川.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析［M］.北京航空航天大學(xué)出版社,2013.

［5］ Ballabio D,Vasighi M,Consonni V,Kompany-Zareh M.Ge netic Algorithms for architecture optimisation of Counter-PropagationArtificialNeuralNetworks［J］.Chemometricsand IntelligentLaboratorySystems,2011,105(1):56-64.

TP391.41