王瑩 丁鵬

摘 要 對城市環(huán)境中的自動駕駛來說，可靠的交通信號燈檢測和分類是極其重要的一步。目前，在沒有基于地圖信息的情況下，還沒有任何一個系統(tǒng)可以實時預測交通信號燈，同時為了達到城市駕駛的平穩(wěn)性，還需要充足的距離來進行預判。文章論述了近年來廣泛應用的方法及存在的問題。

關鍵詞 交通信號燈識別；目標檢測；計算機視覺；機器學習

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2018）216-0123-02

近年來，自動駕駛逐步成為一個熱門研究課題，從而導致了許多駕駛員輔助系統(tǒng)的出現。城市環(huán)境則為此研究制造了一系列的問題，包括涉及預測、規(guī)劃、避碰等多個系統(tǒng)領域的復雜算法。其中，預測的關鍵是檢測并分類交通標識和信號燈。交通信號燈由于其體積小，且與城市環(huán)境中其他物體（如路燈、建筑裝飾、反射等）之間存在高度的模糊性，成為一個極具挑戰(zhàn)性的問題。到目前為止，還沒有對交通燈識別研究的全面調查研究，大多數已發(fā)布的信號燈識別系統(tǒng)都是在無法公開的數據集上進行評估的。

1 計算機視覺檢測及存在問題

在深入研究信號燈識別之前，通過研讀相關的計算機視覺論文可知，在大多數情況下，問題主要集中在交通標志的識別；區(qū)別交通信號燈和尾燈、前照燈；行車車道的檢測。

在不同照明、視點和天氣條件下的交通標志檢測是一大難點，主要集中在環(huán)境因素對視頻圖像顏色的影響。因此僅僅依靠顏色進行檢測是存在問題的，故可以添加形狀信息用于標記檢測。在參考文獻[1]中可以看到形狀信息的使用示例。但是依靠形狀識別交通標志和信號燈也存在一定的問題，因為周圍環(huán)境車輛與標志或信號燈之間的夾角會影響物體的感知形狀，從而產生新的形狀變化。在距離和光線不停變換的條件下，加上各種各樣天氣的影響，開發(fā)出魯棒性較好的基于視覺的駕駛輔助系統(tǒng)是一項困難的任務。

在夜間檢測車輛時，大多數情況下使用單目相機，并利用尾部剎車燈或車頭前照燈的對稱性來檢測出車輛，如參考文獻[2]利用車道信號檢測車輛大燈和尾燈，目的是在高波束和低波束之間自動切換。同樣，道路檢測是信號燈識別系統(tǒng)的重要補充，可以用以確定信號燈的相關性。最近的一篇關于道路檢測的論文是參考文獻[3]，介紹了關于道路檢測的大致框架，通過縮放基于環(huán)境車輛的形狀和道路環(huán)境的檢測算法，可以顯著減少所需的計算需求。除此之外，駕駛輔助系統(tǒng)還可收集一些基本信息，如司機的目光和注意力等，如果駕駛員在很長一段時間內被系統(tǒng)認定目光沒有鎖定路面信息或注意力不集中，那么司機就會收到警報，同時安全系統(tǒng)也會被系統(tǒng)告知，從而來判斷是否進行安全干預。

2 交通信號燈識別及存在問題

信號燈通過告知司機道路通行權來規(guī)范交通流量，道路通行權可以最大限度地減少車輛路徑與行人路徑在交叉路口之間的沖突。信號燈的設計是為了引人注目并且很容易被看到，它們的主色調是明亮的彩色燈，通常是圓形或箭頭形的，這些燈被一個統(tǒng)一顏色的容器包圍著。最常見的信號燈配置是紅黃綠色光，每個狀態(tài)指示一個驅動程序是否應該停止、準備停止或繼續(xù)驅動。除了信號燈的各種配置外，狀態(tài)序列是信號燈的一個重要特征。

雖然信號燈是易于識別的，但有時受環(huán)境的影響，成功檢測并識別出信號燈也會變得困難重重，例如，放置位置是否隱蔽或被遮擋等。其中問題主要包括：

1）色彩色調的變化和光暈干擾，例如，其他光源對大氣環(huán)境的影響。

2）由于其他物體或斜視角角度的遮擋和部分遮擋。

3）因為故障或臟燈導致的形狀的不完整。

4）剎車燈、反光、廣告牌、路燈等的誤判。

5）相機的快門速度和信號燈的工作周期之間的同步問題。

信號燈的不一致性可能是由于灰塵的遮擋、信號燈本身的缺陷或LED相對較慢的工作周期引起的。如若LED工作周期足夠高，人眼不會注意到燈實際上是在閃爍的。如若相機使用快快門速度，就會導致一些幀不包含一個點燃的信號燈。而圖片的飽和度是影響燈光外觀的另一個方面，在日夜交替的情況下，相機參數必須加以調整，以得到最佳的光量，避免在過飽和度下。參考文獻[4]介紹了一種自適應相機設置系統(tǒng)，該系統(tǒng)根據圖像上部像素的亮度來改變快門和增益設置。

3 駕駛員輔助系統(tǒng)及存在問題

類似信號燈識別這樣的計算機視覺問題可以分為3個子問題：檢測、分類和跟蹤。

參考文獻[5]給出了一個類似的交通標志識別問題。檢測和分類階段在每個幀上順序執(zhí)行，而跟蹤階段則用來反饋幀與幀之間的空間和時間信息。檢測問題與定位信號燈的候選項有關，而分類則是基于從被檢測的候選者中提取的特征來完成的，跟蹤則是通過識別一系列幀，運用相關位置和信號燈狀態(tài)信息加以實現。因此，解決上述問題的信號燈系統(tǒng)可以分為4個階段：檢測、特征提取、分類和跟蹤。

一般來說，基于模型檢測的第一步是通過使用聚類、分布或閾值來實現感興趣區(qū)域的提取。接著運用Hough變換、快速徑向對稱或Blob分析來尋找圓形對象，以篩選信號燈候選對象。使用基于學習型的探測器后，所有這些都是通過對數字特征的分類來實現的。通過預先了解路線、地理信息和時間信息可以大大降低感興趣區(qū)域，從而減少計算需求和無效候選對象的數量。

除顏色信息是一種被廣泛使用的分類特征外，形狀信息也包括了各種各樣的特征，如縱橫比、大小和面積，而結構信息是信號燈構件的相對定位。在許多情況下，信號燈和周圍的容器的制作形狀和結構信息可以很容易地使之區(qū)別于背景。

成功的分類很大程度上依賴于選取特性的質量。大多數的研究都將分類器應用于提取的特征，并選擇通過與訓練后的信號燈狀態(tài)相比較來找到最佳匹配。其余研究則基于啟發(fā)式的信號燈分類，例如，由啟發(fā)式確定的閾值，容易在現實使用時受到許多變化的影響。但是通過基于機器學習的方法來訓練樣本制作訓練模型則需要大量的數據，并進行大量的標記從而獲得魯棒性。

跟蹤主要用于濾除噪聲和處理單個物體的檢測，在大多數研究中，一般采用兩種跟蹤方式，即相關跟蹤和點跟蹤。在許多情況下，相關跟蹤依賴于與檢測器相同的特性，因此當檢測器失效時，它將無法對檢測器進行補充。另一方面，點跟蹤可以利用時間信息和相關跟蹤進行較好的互補。

4 結論

本文概述了目前交通信號燈識別研究與駕駛輔助系統(tǒng)的關系。當前的研究方法被分類為顏色空間檢測、特征分類和跟蹤的選擇。我們已經看到，將多個顏色空間的通道組合起來，可以創(chuàng)建一個組合的顏色空間，從而將交通燈的顏色區(qū)分開來。大多數據檢測處理依賴于顏色或形狀來尋找信號燈候選，其他則在一個單一的強度通道依賴聚光燈檢測。信號燈識別特別是尋找信號燈候選目前主要是基于模型的方法，這就提出了一個問題：基于模型的方法是否優(yōu)于基于機器學習的信號燈識別方法。另外，由于系統(tǒng)使用不同的方法和不同的數據集進行評估，所以不清楚哪種方法是最好的。目前只有一個帶有信號燈的公共數據集，而且它還沒有被廣泛使用。

參考文獻

[1]H. Fleyeh and M. Dougherty， “Road and traffic sign detection and recognition，” in Proceedings of the 16th Mini-EURO Conference and 10th Meeting of EWGT，2005， pp. 644–653.

[2]S. Eum and H. G. Jung， “Enhancing light blob detection for intelligent headlight control using lane detection，” IEEE Transactions on Intelligent Transportation Systems， vol. 14， pp. 1003–1011，2013.

[3]R. Satzoda and M. Trivedi， “On enhancing lane estimation using contextual cues，” IEEE Transactions on Circuits and Systems for Video Technology， vol. PP， no. 99， pp. 1–1， 2015.

[4]M. Diaz-Cabrera， P. Cerri， and P. Medici， “Robust real-time traffic light detection and distance estimation using a single camera，” Expert Systems with Applications， pp. 3911–3923， 2014.

[5]A.Mogelmose，M.M.Trivedi，andT.B.Moeslund，“Vision-basedtraffic sign detection and analysis for intelligent driver assistance systems： Perspectives and survey，” IEEE Transactions on Intelligent Transportation Systems， vol. 13， pp. 1484–1497， 2012.