李佳陽，劉 奇

（1.四川大學(xué)電氣信息學(xué)院2013級學(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的交通信號燈識別方法

李佳陽1，劉 奇2

（1.四川大學(xué)電氣信息學(xué)院2013級學(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）

對交通燈的識別主要基于對交通燈的色彩及形狀特征?；谛盘枱舻牧炼葘ζ溥M(jìn)行分割、提取，并設(shè)置了一種自動最優(yōu)選擇閾值的方法。再由HIS彩色空間的H信息識別顏色。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)行形狀匹配識別。

交通燈識別，圖像分割，顏色識別，形狀識別

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

1 分割方法

1.1 設(shè)置最優(yōu)閾值進(jìn)行二值化

對彩色圖像進(jìn)行分割首先進(jìn)行圖像二值化處理。閾值選擇的恰當(dāng)與否對圖像分割起著決定性的作用。用迭代法尋找最優(yōu)閾值對圖像進(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)元素有兩個因素可以影響形態(tài)學(xué)濾波的結(jié)果：一個是其結(jié)構(gòu)的尺寸，另一個是其結(jié)構(gòu)的形狀。如果結(jié)構(gòu)的尺寸選擇過小則開運(yùn)算過濾后噪聲過濾不徹底，將會得到較多的連通區(qū)域,然后再使用原圖像減去使用幵運(yùn)算過濾后的圖像則會丟失大部分信息；相反,雖然選擇過大的結(jié)構(gòu)尺寸會過濾掉較多的噪聲，但是開Tophat算子處理后將會保留更多的亮區(qū)域,不便于之后的尋找交通燈光源亮區(qū)域的處理。

一般對于檢測叫交通信號燈來說其尺寸在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。

對于結(jié)構(gòu)形狀來說，選擇矩形或者圓形對交通信號燈光源區(qū)域的提取也有一定的影響,如果選擇圓形結(jié)構(gòu)的話，主要是針對圓形交通燈來說會出現(xiàn)誤檢，如之前所述圖像是通過了先腐燭后膨脹的形態(tài)學(xué)濾波，因此，可能出現(xiàn)某個噪聲點(diǎn)腐燭沒有過濾掉反而通過膨脹后變成了圓形,影響圓形交通燈的識別；而對于矩形結(jié)構(gòu)的話則會避免該情況的出現(xiàn)。

一般采集到的交通燈都會出現(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)域則其面積不會過大；再者無論是圓形交通信號燈還是箭頭形交通信號燈其外接矩形框比較周正，即其長寬比不會過大或過小。所以可以設(shè)定一個長寬比的區(qū)間，不落在此區(qū)間的部分濾除。

且考慮交通燈光源區(qū)域面積不會過大或過小，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燈和箭頭符號了。

4 分開檢測到的多個交通燈

通過標(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，不適宜用來進(jìn)行圖像分割。相對于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分量識別顏色

設(shè)置H<0.1時識別為紅色。

設(shè)置H在［0.15,0.25)和(0.25,0.3］時識別為橘色，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這個值。

設(shè)置H在［0.4,0.5］識別為綠色。

并將識別結(jié)果輸出在分割后的交通燈圖像中。

6 形狀識別

6.1 形狀識別方法

信號燈類型具有多樣性，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)對圓形及箭頭形信號燈的靈活識別，提出坐標(biāo)投影分析方法。通過對比標(biāo)準(zhǔn)箭頭和圓形坐標(biāo)投影，識別出形狀。

對光源區(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，用橫坐標(biāo)投影就可以進(jìn)行識別。

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

分析可得我們設(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)投影直方圖對比識別

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

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

使識別結(jié)果表示在二值化的交通燈分割圖像上。

識別結(jié)果，如圖13、圖14所示：

圖13 交通燈1識別結(jié)果

圖14 交通燈2識別結(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)際交通燈識別的時候出現(xiàn)的交通燈個數(shù)往往會多于兩個，在這里應(yīng)該設(shè)置一個關(guān)于交通燈個數(shù)的循環(huán)完成自動識別。

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，對這種情況考慮不足。

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

4）應(yīng)該考慮天氣、光線狀況對采集到的圖像進(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，有助于提高識別率。

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

［2］ 李儀.城市環(huán)境中交通對象檢測與識別研究［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燈綜合識別方法［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，競爭層神經(jīng)元個數(shù)及訓(xùn)練步數(shù)對網(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，說明模型擬合能力較強(qiáng)，模型在驗(yàn)證集上的預(yù)測準(zhǔn)確率均在75%以上，說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)競爭層神經(jīng)元個數(shù)及網(wǎng)絡(luò)訓(xùn)練步數(shù)，以進(jìn)一步提高對向傳播神經(jīng)網(wǎng)絡(luò)對變壓器故障診斷的性能。

3 結(jié)束語

本文基于有監(jiān)督的對向傳播神經(jīng)網(wǎng)絡(luò)建立了5種變壓器故障的診斷模型。通過網(wǎng)格搜索法尋優(yōu)，得到了合適的競爭層神經(jīng)元個數(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