无人驾驶的交通信号灯检测以及应注意的问题

 

　　基于色彩特征的交通信号灯识别方法在背景环境相对简单的情况下，如背景为天空，能够有效地检测和识别出交通信号灯；但对于背景环境相对复杂的情况，如存在车辆、行人或广告牌等影响的城市道路环境，基于色彩特征的识别方法很容易出现虚警现象。基于形状特征的识别方法可有效地减少基于色彩特征识别出现的虚警，但需要建立形状特征规则。对不同样式的交通信号灯来说，需要建立不同的形状特征规则。这无疑限制了算法的灵活性。基于模板匹配的识别方法同样需要建立不同样式的交通信号灯模板或者建立多级的交通信号灯模板，以实现对不同样式的交通信号灯的识别。单一的方法不能很好地完成交通信号灯的识别，因此需要综合算法和特征才能很好地适应环境的变化，对不同样式交通信号灯进行识别。此外，还需要注意以下问题：

 

　　(1) 在无人驾驶汽车上应用时，摄像机为车载安装，背景图像为动态变化,与在智能交通监控应用中的摄像机固定安装方式所采用的算法会有所不同。

 

　　(2) 摄像机镜头的焦距决定交通信号灯在图像中的成像大小。在同样距离的情况下，焦距长则成像大，视角范围窄，对不同安装位置的交通信号灯来说，有可能不在摄像机视觉范围内。另外，车辆的行驶振动会影响其成像质量，从而导致图像模糊。

 

　　(3) 无人驾驶汽车在实际的城市环境中行驶，会遇到不同样式的交通信号灯，可能是横式或者是竖式，可能是机动车信号灯或者转向信号灯，因此需要设计适应性、灵活性和扩展性都比较好的分类器。

 

　　(4) 不同大小的交叉路口，其交通信号灯的安装方式也有所不一。大型的交叉路口大多采用悬挂式的交通信号灯，安装高度比较高，且其背景几乎都为天空；而在小型的交叉路口，交通信号灯大部分采用立柱式的安装方式，且其背景大都相对复杂。除此之外，还有少部分门式和挂壁式。因此，无论是什么交通环境，鲁棒性强是交通信号灯识别的关键。

 

　　(5) 当完成交通信号灯识别后，需要对其进行跟踪，以有效缩短系统处理的时间，提高系统的实时性。

 

　　(6) 对于交通信号灯灯色变化，可以根据交通信号灯灯色转换的时序进行灯色转变的跟踪。

 

　　1

 

　　图像采集模块

 

　　摄像机成像质量的好坏直接影响后续识别和跟踪的效果。摄像机的镜头焦距、曝光时间、增益、白平衡等参数的选择对摄像机成像效果和后续处理均有重要影响。

 

　　2

 

　　图像预处理模块

 

　　包括彩色空间选择和转换，彩色空间各分量的统计分析，基于统计分析的彩色图像分割、噪声去除，基于区域生长聚类的区域标记。通过图像预处理可以得到交通信号灯的候选区域。

 

　　3

 

　　识别模块

 

　　包括离线训练和在线识别两部分。离线训练是通过交通信号灯的样本和背景样本得到分类器，利用得到的分类器完成交通信号灯的检测，结合图像预处理得出的结果完成其识别功能。

 

　　4

 

　　跟踪模块

 

　　通过识别模块得到的结果可以得到跟踪目标，利用基于彩色的跟踪算法可以对目标进行跟踪，有效提高目标识别的实时性和稳定性。

 

　　运用基于彩色视觉的交通信号灯识别方法可以检测到单帧图像中的交通信号灯。车辆在自主行驶的过程中，车载摄像机所采集到的图像为连续的图像序列，目标在图像中的相对姿态、位置和大小不断地发生变化，而且会存在交通信号灯被前方车辆部分遮挡的情况。为防止出现误检测或跟踪丟失的现象，可以采用基于色彩直方图的目标跟踪算法。

 

　　Bradski提出的CAMSH1FT(Continu-ouslyAdaptiveMeanSHiFT)算法是以色彩直方图为目标模式的目标跟踪算法，可以有效地解决目标变形和遮挡的问题，且运算效率较高。

 

　　CAMSHIFT算法是对MeanSH丨FT算法的改进，是一种通过寻找最大统计分布来实现的鲁棒性统计方法。尽管CAMSHIFT算法快速而简单，但它仅在目标的统计特性足够好时才有效。因此，在实际应用中需要对跟踪目标进行相关特征统计，得到特征量的统计结果，然后将搜索K域中的所有像素转换至具有统计特性的特征量空间，这样目标就有了良好的相关特征统计特性.不容易受背景环境和外界因素干扰。交通信号灯在H3V彩色空间中具有良好的H、S、V特征分量统计特性，因此在对交通信号灯进行彩色分割预处理后，再用CAMSHIFT算法对其标记区域的色调分量进行统计，最后按照色调分量概率分布进行跟踪。