基于機(jī)器視覺(jué)的鐵路信號(hào)燈檢測(cè)技術(shù)

張坤 李珊珊 王曉紅 李雪菲 溫濤

摘要：為解決鐵路安全運(yùn)輸問(wèn)題，對(duì)基于機(jī)器視覺(jué)的鐵路信號(hào)燈檢測(cè)方法進(jìn)行仿真圖像和視頻檢測(cè)實(shí)驗(yàn)研究。闡述了鐵路信號(hào)燈圖像在不同顏色空間下的特性及其對(duì)鐵路信號(hào)燈識(shí)別的影響，將其由RGB顏色空間轉(zhuǎn)換為HSV顏色空間。通過(guò)Canny算子、腐蝕膨脹以及開(kāi)閉運(yùn)算等技術(shù)提取鐵路信號(hào)燈圖像的幾何特征，通過(guò)Hough檢測(cè)，對(duì)圖像中鐵路信號(hào)燈進(jìn)行定位。對(duì)定位的信號(hào)燈進(jìn)行顏色提取，從而識(shí)別出信號(hào)燈的類別。根據(jù)多種天氣情況下的鐵路信號(hào)燈圖像進(jìn)行仿真實(shí)驗(yàn)分析，進(jìn)一步對(duì)采集的列車行駛視頻進(jìn)行實(shí)驗(yàn)分析，優(yōu)化檢測(cè)方法。研究結(jié)果表明，提出的鐵路信號(hào)燈檢測(cè)模型，能夠支持復(fù)雜背景下的鐵路信號(hào)燈類別的有效識(shí)別。通過(guò)機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)鐵路信號(hào)燈的檢測(cè)和識(shí)別，是提高鐵路運(yùn)輸安全性的一種有效方法。

關(guān)鍵詞：圖像處理;機(jī)器視覺(jué);鐵路信號(hào)燈檢測(cè);HSV;Canny算子;Hough檢測(cè)

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1008-1534（2019）02-0115-07

隨著鐵路運(yùn)輸量的增加和運(yùn)輸速度的提升，多次出現(xiàn)的鐵路運(yùn)輸事故，給列車的正常運(yùn)行帶來(lái)了極大的不確定因素，也給國(guó)家和人民的生命財(cái)產(chǎn)帶來(lái)了巨大安全隱患。如何保證鐵路運(yùn)輸?shù)陌踩?、可靠，成為鐵路運(yùn)輸行業(yè)密切關(guān)注的一個(gè)重要問(wèn)題。鐵路運(yùn)輸?shù)陌踩[患有很多種，其中鐵路信號(hào)燈的錯(cuò)誤識(shí)別和判斷是重要因素之一[1]。傳統(tǒng)的鐵路信號(hào)燈檢測(cè)一直是靠人眼來(lái)觀察，當(dāng)列車快速行駛時(shí)，人眼觀察容易產(chǎn)生誤判。隨著人工智能技術(shù)的日益發(fā)展，圖像處理技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)逐漸成熟，為減少鐵路交通運(yùn)輸事故的發(fā)生，筆者通過(guò)機(jī)器視覺(jué)技術(shù)，提出了一種基于機(jī)器視覺(jué)的鐵路信號(hào)燈檢測(cè)模型[2]，以提高鐵路信號(hào)燈的識(shí)別率，為鐵路運(yùn)輸提供安全保障，有效提高鐵路運(yùn)輸效率。

與鐵路信號(hào)燈的研究相比，道路交通信號(hào)燈的檢測(cè)方法較多。例如，2016年李佳陽(yáng)等[3]使用MATLAB提取交通信號(hào)燈的特征，實(shí)現(xiàn)交通信號(hào)燈的識(shí)別。同年YUAN等[4]將機(jī)器學(xué)習(xí)方法用于交通信號(hào)燈的識(shí)別。PARK等[5]提取可能是交通信號(hào)燈的像素，利用K均值聚類方法進(jìn)行聚類;再用圓檢測(cè)算法，檢測(cè)出圓形信號(hào)燈。與道路交通信號(hào)燈相比，鐵路信號(hào)燈檢測(cè)技術(shù)對(duì)精確度和速度提出了更多要求。例如，鐵路信號(hào)燈圖像并非標(biāo)準(zhǔn)圓形，且鐵路信號(hào)燈種類多達(dá)9種，極大地提高了檢測(cè)的復(fù)雜度。國(guó)內(nèi)外對(duì)此方面的研究相對(duì)較少。2012年李永河等[6]利用MATLAB軟件提取了鐵路信號(hào)燈的面積、周長(zhǎng)等幾何特征信息，實(shí)現(xiàn)了鐵路信號(hào)燈的檢測(cè)和識(shí)別。為了實(shí)現(xiàn)復(fù)雜環(huán)境下的鐵路信號(hào)燈的準(zhǔn)確識(shí)別，提出了鐵路信號(hào)燈檢測(cè)與識(shí)別模型，分析比較了顏色空間和邊緣算子，通過(guò)Canny算子、腐蝕膨脹以及Hough檢測(cè)等技術(shù)實(shí)現(xiàn)了鐵路信號(hào)燈的識(shí)別。

1鐵路信號(hào)燈檢測(cè)與識(shí)別模型

提出了一種基于機(jī)器視覺(jué)的鐵路信號(hào)燈檢測(cè)與識(shí)別模型，技術(shù)路線圖如圖1所示。本模型中信號(hào)燈圖像的處理過(guò)程主要分為以下步驟：1）采集鐵路信號(hào)燈圖像;2）提取鐵路信號(hào)燈的顏色特征;3）提取鐵路信號(hào)燈的幾何特征。

1）鐵路信號(hào)燈圖像的采集

鐵路信號(hào)燈圖像的獲取路徑分為2個(gè)：一是通過(guò)實(shí)驗(yàn)生成的仿真數(shù)據(jù)，用于測(cè)試所提出的檢測(cè)與識(shí)別模型的準(zhǔn)確度;另一個(gè)是通過(guò)攝像頭設(shè)備獲取的列車視頻，按幀提取的鐵路信號(hào)燈圖像。

2）鐵路信號(hào)燈圖像顏色特征的提取

將鐵路信號(hào)燈圖像的顏色空間轉(zhuǎn)換成能方便處理的HSV顏色空間模型，為準(zhǔn)確檢測(cè)與識(shí)別打下基礎(chǔ)。

3）鐵路信號(hào)燈圖像幾何特征的提取

使用Canny算子進(jìn)行邊緣檢測(cè)，為鐵路信號(hào)燈圖像提取更加清晰的邊緣;在此基礎(chǔ)上，使用腐蝕膨脹等技術(shù)實(shí)現(xiàn)圖像的去噪、邊緣增強(qiáng)等，加強(qiáng)圖像的幾何特征;最后進(jìn)行Hough變換，找到信號(hào)燈圓的位置，更好地識(shí)別出信號(hào)燈的顏色。

2鐵路信號(hào)燈顏色特征的提取方法

目前，在圖像處理過(guò)程中，常用的彩色圖片格式有RGB，Lab，HIS，以及HSV4種。選取顏色空間的不同，會(huì)對(duì)鐵路信號(hào)燈識(shí)別的準(zhǔn)確度產(chǎn)生影響。因此，針對(duì)復(fù)雜環(huán)境下的鐵路信號(hào)燈圖像，分析這4種顏色在空間模型中不同的顏色分量值及其對(duì)鐵路信號(hào)燈識(shí)別的影響，實(shí)驗(yàn)中選用的鐵路信號(hào)燈圖像如圖2所示。

RGB顏色空間模型是圖像處理中最基本的模型，而且R，G，B這3個(gè)分量的相關(guān)性較高，容易受到光照等影響[7]。Lab是一種基于人對(duì)顏色感知的一種顏色空間，它比RGB顏色空間的色域要寬，且不依賴于設(shè)備[8-9]。HSI顏色空間是從人的視覺(jué)感知層面建立的模型[10]，而且HSI適用于一些亮度有變化或顏色差異較大的場(chǎng)景。HSV空間符合人眼的視覺(jué)感知，所以更適合用在圖像處理上，而且HSV空間能夠非常直觀地表達(dá)出色彩的明暗、色調(diào)以及鮮艷程度，因此顏色之間的對(duì)比就比較方便明了[11]。

RGB顏色空間中各分量的獨(dú)立性較強(qiáng)，分布不均勻。將RGB顏色空間應(yīng)用于鐵路信號(hào)燈檢測(cè)算法中，會(huì)導(dǎo)致在邊緣檢測(cè)和圖像形態(tài)學(xué)分析時(shí)產(chǎn)生較大的偏差，信號(hào)燈檢測(cè)效果不好。與RGB對(duì)比，Lab模型空間中各分量具有一定的相關(guān)性，在圖像處理過(guò)程中要優(yōu)于RGB模型，而HIS，HSV模型分布最為均勻，適合本文的鐵路信號(hào)燈識(shí)別方法。對(duì)比HSI和HSV，選用HSV顏色空間模型。

在HSV空間模型中，能夠?qū)﹁F路信號(hào)燈圖像進(jìn)行有效處理。針對(duì)鐵路信號(hào)燈的類別，對(duì)基本色中對(duì)應(yīng)的HSV分量定一個(gè)嚴(yán)格的范圍，表1是通過(guò)實(shí)驗(yàn)計(jì)算得到的一個(gè)模糊范圍（H：0～180;S：0～255;V：0～255）。此表把部分紅色歸為紫色范圍。

采用HSV顏色空間的鐵路信號(hào)燈圖像來(lái)實(shí)現(xiàn)鐵路信號(hào)燈的檢測(cè)和識(shí)別。由于采集的圖像是RGB顏色空間模型，因此在進(jìn)行圖像處理前，需要通過(guò)式（1）至式（3）轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換效果如圖3所示，其中圖3a）為RGB空間的原圖，圖3b）為轉(zhuǎn)換后HSV空間的效果圖。

H=

3鐵路信號(hào)燈幾何特征的提取方法

鐵路信號(hào)燈幾何特征的提取是復(fù)雜背景下有效識(shí)別信號(hào)燈顏色不可或缺的一步，幾何特征提取的精度直接影響到鐵路信號(hào)燈的正確識(shí)別。通過(guò)圖像邊緣檢測(cè)、腐蝕膨脹、Hough檢測(cè)等技術(shù)，完成鐵路信號(hào)燈的識(shí)別，提高了鐵路信號(hào)燈檢測(cè)的準(zhǔn)確度。

3.1圖像邊緣檢測(cè)

復(fù)雜背景下，鐵路信號(hào)燈的成功定位所依賴的一個(gè)重要因素就是物體邊緣。使用各種邊緣算子的圖像邊緣檢測(cè)技術(shù)，較為準(zhǔn)確地找到物體邊緣[12-13]。常用的邊緣算子有Roberts算子、Sobel算子、Prewitt算子、LOG算子、Canny算子等。這5種邊緣算子對(duì)鐵路信號(hào)燈圖像檢測(cè)的效果如圖4所示。

1）Roberts算子是一種最簡(jiǎn)單的算子。Roberts算子適用于邊緣明顯且噪聲較少的圖像。如圖4b）所示，鐵路信號(hào)燈圖像的背景復(fù)雜，得到的圖像邊緣并不明顯。

2）Sobel算子是一種典型的基于一階導(dǎo)數(shù)的邊緣算子。Sobel算子可以很好地消除噪聲的影響，但是缺點(diǎn)就是不能將圖像的主題與背景嚴(yán)格區(qū)分開(kāi)來(lái)。如圖4c）所示，圖像中信號(hào)燈邊緣與圖像背景邊緣并沒(méi)有分割開(kāi)來(lái)，而且其中一些重要邊緣也不是很明顯。

3）Prewitt算子是一種基于一階微分算子的邊緣檢測(cè)。Prewitt算子對(duì)噪聲具有平滑作用，但是Prewitt算子與Sobel算子相比，不能更準(zhǔn)確地檢測(cè)出圖像邊緣。如圖4d）所示，邊緣提取后，得到的邊緣太多，不太容易提取出鐵路信號(hào)燈的邊緣。

4）LOG算子是一種基于二階導(dǎo)數(shù)的零交叉算子，對(duì)噪聲十分敏感。如圖4e）所示，得到的邊緣不明顯。

5）Canny算子是一個(gè)一階算子，具有濾波、增強(qiáng)、檢測(cè)功能。如圖4f）所示，提取出的鐵路信號(hào)燈圖像邊緣比前面幾種都要清晰明顯，也能夠檢測(cè)出鐵路信號(hào)燈圖像邊緣較細(xì)的部分[14-15]。

在對(duì)鐵路信號(hào)燈圖像進(jìn)行處理前，要先使用高斯平滑濾波器來(lái)平滑圖像以達(dá)到去除噪聲的目的，然后計(jì)算圖像梯度的大小和方向，再經(jīng)過(guò)一個(gè)對(duì)梯度值的非極大值抑制過(guò)程，最后使用2個(gè)閾值來(lái)實(shí)現(xiàn)邊緣的檢測(cè)和連接[16-17]。優(yōu)點(diǎn)是最后的步驟中使用了2個(gè)閾值，更加清晰地找到圖像中邊緣細(xì)小部分，同時(shí)增加了靈活性。使用Canny算子進(jìn)行圖像邊緣檢測(cè)，多次調(diào)整Canny算子中的閾值大小，確定2個(gè)閾值分別為threshold1=10和threshold2=300，得到如圖5所示的更為清晰的邊緣圖像。

3.2圖像的形態(tài)學(xué)操作

為消除鐵路信號(hào)燈圖像的噪聲，有效提取鐵路信號(hào)燈圖像的邊緣，提出的鐵路信號(hào)燈檢測(cè)與識(shí)別模型采用形態(tài)學(xué)操作中的膨脹（dilation）和腐蝕（erosion）處理[18]。

針對(duì)圖2的鐵路信號(hào)燈原圖，使用筆者提出的信號(hào)燈識(shí)別與檢測(cè)模型中的Canny算子處理，通過(guò)邊緣檢測(cè)得到圖5，然后對(duì)這個(gè)效果圖進(jìn)行2次腐蝕膨脹以及閉運(yùn)算，制作出黑色掩膜。2次腐蝕膨脹以及閉運(yùn)算后的效果如圖6所示。

3.3鐵路信號(hào)燈圓的提取

對(duì)鐵路信號(hào)燈圖像進(jìn)行Canny算子邊緣檢測(cè)、腐蝕膨脹等操作，可以增強(qiáng)圖像的幾何特征信息，為鐵路信號(hào)燈的定位及識(shí)別打下基礎(chǔ)。圖6所示是圖5在進(jìn)行Canny算子邊緣檢測(cè)處理后的新圖像。然而，為進(jìn)一步成功定位信號(hào)燈，利用基于Hough變換理論來(lái)實(shí)現(xiàn)鐵路信號(hào)燈圓定位算法，以便找到鐵路信號(hào)燈圓的輪廓。

Hough變換就是對(duì)圖像進(jìn)行坐標(biāo)變換，即把平面坐標(biāo)變換為參數(shù)坐標(biāo)，使得圖像中的圓形更加容易被檢測(cè)[19-20]。設(shè)圓心坐標(biāo)（a，b）和半徑r，得到Hough變換檢測(cè)圓的方程公式為（x-a）2+（y-b）2=r2。圓心之間的最小參數(shù)設(shè)為param=10，最小圓半徑設(shè)為minRadius=5，最大圓半徑設(shè)為maxRadius=50。使用這些參數(shù)可以檢測(cè)到更加接近于鐵路信號(hào)燈輪廓的圓形。

4實(shí)驗(yàn)

1）圖像數(shù)據(jù)

為了檢測(cè)鐵路信號(hào)燈識(shí)別方法的可行性，現(xiàn)場(chǎng)采集了一段長(zhǎng)達(dá)8min的列車行駛視頻。首先按幀提取出1190張鐵路信號(hào)燈圖像，然后進(jìn)行鐵路信號(hào)燈的識(shí)別和檢測(cè)。當(dāng)攝像頭與信號(hào)燈的距離小于等于450m，采集到的鐵路信號(hào)燈圖像清晰度好，可以作為系統(tǒng)的有效輸入。

2）顏色識(shí)別

為實(shí)現(xiàn)鐵路信號(hào)燈識(shí)別方法的有效性與實(shí)用性，使用了180幅不同顏色的鐵路信號(hào)燈圖像數(shù)據(jù)進(jìn)行檢測(cè)。實(shí)驗(yàn)選擇軟件為pycharm2017.3.3平臺(tái)，硬件為PC（配置：Intel（R）Core（TM）i5-7200UCPU@2.50GHz內(nèi)存8.00GB64位WIN10操作系統(tǒng)）。

為了驗(yàn)證該算法是否滿足實(shí)時(shí)性要求，實(shí)驗(yàn)記錄了從調(diào)用攝像頭到識(shí)別出圖像結(jié)果所消耗的時(shí)間，然后取其平均值，統(tǒng)計(jì)結(jié)果見(jiàn)表2。

實(shí)驗(yàn)表明，該鐵路信號(hào)燈識(shí)別方法能有效檢測(cè)信號(hào)燈的顏色。通過(guò)表2中不同顏色信號(hào)燈的實(shí)驗(yàn)對(duì)比可知，鐵路信號(hào)燈檢測(cè)模型對(duì)單顏色信號(hào)燈檢測(cè)的準(zhǔn)確度較高，時(shí)間較短。其中，由于綠色和藍(lán)色的鐵路信號(hào)燈圖片顏色模糊，比其他幾種單顏色信號(hào)燈的準(zhǔn)確度略差、時(shí)間略長(zhǎng)，并且在組合顏色的鐵路信號(hào)燈中，有白色燈組合的信號(hào)燈不能被很好地識(shí)別。所以，需進(jìn)一步優(yōu)化來(lái)提高準(zhǔn)確性和實(shí)時(shí)性。

3）實(shí)驗(yàn)結(jié)果

圖7顯示了實(shí)驗(yàn)的識(shí)別結(jié)果，左側(cè)為原圖，右側(cè)為識(shí)別后的圖片，通過(guò)兩者對(duì)比，可以清晰地找到信號(hào)燈的位置并對(duì)鐵路信號(hào)燈進(jìn)行標(biāo)記，如圖7中右側(cè)識(shí)別圖中白色框所示。圖8是圖7提取的邊緣特征和腐蝕膨脹效果圖。

考慮到真實(shí)的列車行駛環(huán)境，存在雨、雪等惡劣天氣的干擾，實(shí)驗(yàn)將采集到的圖片添加了噪聲干擾，并輸入本系統(tǒng)進(jìn)行信號(hào)燈識(shí)別，識(shí)別結(jié)果如圖9所示。

實(shí)驗(yàn)表明，該鐵路信號(hào)燈識(shí)別方法能有效、準(zhǔn)確地識(shí)別出鐵路信號(hào)燈的顏色及位置，并正確解讀出信號(hào)燈的釋義。但是鐵路信號(hào)燈圖片的背景較為復(fù)雜，尤其是綠色燈和藍(lán)色燈的顏色提取較為困難，為鐵路信號(hào)燈的檢測(cè)和識(shí)別帶來(lái)了困難，因此檢測(cè)技術(shù)仍需完善。

5結(jié)語(yǔ)

1）以鐵路信號(hào)燈檢測(cè)與識(shí)別為研究目標(biāo)，運(yùn)用機(jī)器視覺(jué)的圖像處理技術(shù)，設(shè)計(jì)了基于機(jī)器視覺(jué)的鐵路信號(hào)燈檢測(cè)模型。利用該模型識(shí)別和檢測(cè)鐵路信號(hào)燈的類別和釋義，為列車司機(jī)提供有效的信號(hào)燈信息。

2）通過(guò)采集鐵路信號(hào)燈圖像數(shù)據(jù)，并進(jìn)行實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)視頻中的背景復(fù)雜，且信號(hào)燈顏色較為模糊，采用一般的圖像處理方法不足以準(zhǔn)確識(shí)別。在此基礎(chǔ)上，對(duì)比分析了4種顏色空間模型和5種邊緣檢測(cè)算子，提出了基于機(jī)器視覺(jué)的鐵路信號(hào)燈檢測(cè)模型，利用Canny算子對(duì)圖片邊緣進(jìn)行檢測(cè)處理，通過(guò)Hough變換對(duì)處理后的圖片進(jìn)行坐標(biāo)變換以便找到圖片中圓的位置，實(shí)現(xiàn)了鐵路信號(hào)燈的識(shí)別和檢測(cè)。

3）有關(guān)鐵路信號(hào)燈檢測(cè)算法的改進(jìn)研究還有待優(yōu)化，比如模型中的HSV顏色空間轉(zhuǎn)換的閾值和一些技術(shù)中的參數(shù)進(jìn)行調(diào)整，今后將對(duì)此進(jìn)行更為深入的探索。

參考文獻(xiàn)/References：

[1]劉朝英，林瑜筠.鐵路信號(hào)概論[M].北京：中國(guó)鐵道出版社，2011：390.

[2]丁建平.鐵路跟蹤和鐵路信號(hào)燈識(shí)別的研究[D].成都：電子科技大學(xué)，2013.

DINGJianping.ResearchaboutRailwayTrackingandtheIdentificationofRailwaySignalLight[D].Chengdu：UniversityofElectronicScienceandTechnologyofChina，2013.

[3]李佳陽(yáng)，劉奇.基于MATLAB的交通信號(hào)燈識(shí)別方法[J].甘肅科技，2016，32（23）：40-43.

[4]YUANQingze，ZHOUMuchun，QIUMing.TrafficlightsdetectionandrecognitionbasedoncolorandshapewithSVM[C]//2016InternationalConferenceonComputer，MechatronicsandElectronicEngineering.Beijing：CMEE，2016：406-411.

[5]PARKJH，JEONGCS.Real-timesignallightdetection[C]//2008SecondInternationalConferenceonFutureGenerationCommunicationandNetworkingSymposia.Sanya：IEEE，2008：139-142.

[6]李永河，董華軍，劉伸展，等.基于圖像處理鐵路信號(hào)燈特征提取[J].大連交通大學(xué)學(xué)報(bào)，2012，33（4）：102-104.

LIYonghe，DONGHuajun，LIUShenzhan，etal.Featureextractionofrailwaysignalsbasedonimageprocessing[J].JournalofDalianJiaotongUniversity，2012，33（4）：102-104.

[7]DUTTAS，CHAUDHURIBB.AcoloredgedetectionalgorithminRGBcolorspace[C]//2009InternationalConferenceonAdvancesinRecentTechnologiesinCommunicationandComputing.Kerala：IEEE，2009：337-340.

[8]RECKYM，LEBERLF.WindowsdetectionusingK-meansinCIE-Labcolorspace[C]//201020thInternationalConferenceonPatternRecognition.Istanbul：IEEE，2010：356-359.

[9]徐成，譚乃強(qiáng)，劉彥.基于Lab色彩空間和模板匹配的實(shí)時(shí)交通燈識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2010，30（5）：1251-1254.

XUCheng，TANNaiqiang，LIUYan.TrafficlightsrecognitionalgorithmbasedonLabcolorspaceandtemplatematch[J].JournalofComputerApplications，2010，30（5）：1251-1254.

[10]孫慧賢，張玉華，羅飛路.基于HSI顏色空間的彩色邊緣檢測(cè)方法研究[J].光學(xué)技術(shù)，2009，35（2）：221-224.

SUNHuixian，ZHANGYuhua，LUOFeilu.ColoredgedetectionbasedonHSIcolorspace[J].OpticalTechnique，2009，35（2）：221-224.

[11]SUCH，CHIUHS，HSIEHTM.AnefficientimageretrievalbasedonHSVcolorspace[C]//2011InternationalConferenceonElectricalandControlEngineering.Yichang：ICECE，2011：5746-5749.

[12]趙志帥.基于彩色圖像處理的鐵路信號(hào)燈識(shí)別及其測(cè)距技術(shù)研究[D].武漢：武漢理工大學(xué)，2010.

ZHAOZhishuai.ResearchontheTechniquesofRecognitionandDistanceofRailwaySignalsBasedonColorImageProcessing[D].Wuhan：WuhanUniversityofTechnology，2010.

[13]張春雪.圖像的邊緣檢測(cè)方法研究[D].無(wú)錫：江南大學(xué)，2011.

ZHANGChunxue.ResearchontheMethodofImageEdgeDetection[D].Wuxi：JiangnanUniversity，2011.

[14]王智文.幾種邊緣檢測(cè)算子的性能比較研究[J].制造業(yè)自動(dòng)化，2012，34（6）：14-16.

WANGZhiwen.Comparisonresearchofcapabilityofseveraldetectionoperatorsforedgedetection[J].ManufacturingAutomation，2012，34（6）：14-16.

[15]唐亮，趙春紅，胡繼明，等.基于邊緣檢測(cè)算子的圖像邊緣檢測(cè)研究與應(yīng)用[J].科技廣場(chǎng)，2017（6）：22-25.

TANGLiang，ZHAOChunhong，HUJiming，etal.Researchandapplicationofimageedgedetectionbasedonedgedetectionoperator[J].ScienceMosaic，2017（6）：22-25.

[16]張樹(shù)忠.基于Canny理論的彩色圖像邊緣檢測(cè)[D].成都：成都理工大學(xué)，2006.

[17]楊阿慶.基于Canny理論的彩色圖像邊緣檢測(cè)及評(píng)價(jià)[D].蘭州：蘭州理工大學(xué)，2013.

YANGAqing.TheColorImageEdgeDetectionBasedontheTheoryofCannyandEvaluation[D].Lanzhou：LanzhouUniversityofTechnology，2013.

[18]姚敏.數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2006.

[19]路正鳳，王思明，呂國(guó)強(qiáng)，等.基于PCA和隨機(jī)Hough變換的調(diào)車信號(hào)燈檢測(cè)[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2014，58（3）：130-134.

LUZhengfeng，WANGSiming，LVGuoqiang，etal.ShuntingsignallampdetectionbasedonPCAandrandomizedHoughtransform[J].RailwayStandardDesign，2014，58（3）：130-134.

[20]朱桂英，張瑞林.基于Hough變換的圓檢測(cè)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（6）：1462-1464.

ZHUGuiying，ZHANGRuilin.CircledetectionusingHoughtransform[J].ComputerEngineeringandDesign，2008，29（6）：1462-1464.

[21]劉培軍，馬明棟，王得玉.基于OpenCV圖像處理系統(tǒng)的開(kāi)發(fā)與實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019，48（3）：1-6.

LIUPeijun，MAMingdong，WANGDeyu.OpenCV-basedimageprocessingsystemdevelopmentandimplementation[J].ComputerTechnologyandDevelopment，2019，48（3）：1-6.

[22]ZHOUYing，LIPancheng.Researchonkeytechnologiesofcomputergraphicsimageprocessing[C]//20185thInternationalConferenceonElectrical&ElectronicsEngineeringandComputerScience（ICEEECS2018）.Beijing：ICEEECS，2018：63-66.

[23]ZHONGJuan，LIAOHua.Researchontheapplicationsofelectronicinformationtechnologyinintelligenttrafficlightsignalcontrol[C]//2017InternationalConferenceonComputing，CommunicationsandAutomation（I3CA2017）.Shanghai：I3CA，2017：1-5.

[24]李廣亮，楊成忠，張澤泓.智能車交通燈識(shí)別[C]//浙江省信號(hào)處理學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集.杭州：浙江省信號(hào)處理學(xué)會(huì)，2014：123-126.

[25]ZHAOXu，XUBaojie，WUGuoxin.CannyedgedetectionbasedonOpenCV[C]//201713thIEEEInternationalConferenceonElectronicMeasurement&Instruments（ICEMI）.Yangzhou：IEEE，2018：53-56.