基于机器视觉的交通信号灯控制系统设计

田胜峰

（武汉轻工大学 湖北省武汉市 430048）

1 概述

伴随社会经济的持续发展以及民众生活水平的日益提高，机动车日益普及，由此带来严重的交通堵塞问题。而在机器视觉的基础上发展获得的交通信号灯检测系统，能够为更好地疏解交通堵塞问题提供有效的应对策略，与此相关的设计研究很有现实必要。

2 检测控制方案设计

2.1 总体设计方案

本研究的步骤对应是：

（1）采集图像，重点实现所需检测图像的采集工作事项，留待后续分析使用；

（2）预处理，将彩色图像内的三个分量进行提取处理。其中，黄色或者是红色的信号灯，选择的是min(r-g,r-b)提取，而绿色图像则选择的是min(g-r,g-b)。此处，r,g,b对应着的就是彩图内的红﹑绿﹑蓝相关的分量情况。

（3）分割图像，本设计选择灰度阈值分割的方式来实现图像的分割处理。

（4）平滑化，预处理获得的图像内还有噪声干扰的情况，如此就要求实施平滑化处理的方式达到降噪的效果。

（5）提取特征图像，经匹配法的方式确定图形紧密度的1/4是否为1，进而确定交通灯所处的区域。

2.2 总体设计分析

针对彩色图像实现分割处理的方式能够区分是直接分割以及灰度化后分割两种形式。接下来对两种分割方法展开对比分析，最后选择最优的方法完成本设计所需要的分割事项。交通灯原图如图1-3所示，处理后的灰度图如图4-6所示，彩色信号灯状态区域像素平均值如表1-3所示，处理后的灰度图像交通信号灯状态区域像素平均值如表4所示。

表1：彩色图像红色交通信号灯状态区域像素平均值

表2：彩色图像绿色交通信号灯状态区域像素平均值

表3：彩色图像黄色交通信号灯状态区域像素平均值

表4：灰度图像交通信号灯状态区域像素平均值

图1：红灯-原

图2：绿灯-原图

图3：黄灯-原图

图4：红灯-灰度图

图5：绿灯-灰度图

图6：黄灯-灰度图

由上述数据信息明确，灰度图像内各种颜色的阈值相较彩色图像而言表现出来的变化幅度处在相对稳定的状态。由此可知，利用阈值分割灰度图的效果相较分割彩色图来看更加突出。

3 交通信号灯图像分割

3.1 交通图像分割原理步骤

本文选择图像预处理方式完成 R、G、B 分量的运算处理。

3.1.1 交通信号灯图像预处理

本文内选择RGB彩图灰度化处理的方式达到预处理的效果，此即将彩图内的 R、G、B 分量相等。按照3.1内的两个表信息能够明确，灰度图可以方便完成图像分割处理。因此，实际图像处理期间，通常选择的是灰度图来完成分析工作。

详细步骤情况是：

（1）读取彩色交通图；

（2）提取彩图内的r,g,b分量；

（3）针对红色以及黄色交通信号灯图像选择min(rg,r-b)完成灰度化处理，而绿色则选择的是min(g-r,g-b)完成灰度化处理。

3.1.2 图像预处理结果

红、绿、黄等预处理后交通信号灯预处理结果如图7-9所示。

图7：预处理红色交通信号灯

图8：预处理绿色交通信号

图9：预处理黄色交通信号灯

3.1.3 实验结果分析

经由对彩图进行的三分量图提取情况可知，三幅图内涵盖信号灯状态的分量图内，信号灯所处的区域亮度显著超出其他地方。经由阈值化实现的图像分割期间，当所选阈值不同的情况下，最终得到的处理结果也将呈现出很大的差异。当阈值很高的情况下，则极易出现多提取的问题；若是阈值太低的情况下，则目标区域极易面临丢失问题。故而，为能够取得最佳的分割成效，能够合理选定阈值实现分割处理。

3.1.4 用阈值处理将交通信号灯前景与背景分离

考虑到自然条件下光照以及雨雪等天气都会对图像质量带来影响，如此也就会妨碍到最后交通灯识别的成效。为更好地应对各种不确定性因素带给识别分析的干扰影响，本设计在检测工作前期需要执行预处理的方式，来获得更高的鲁棒性。

由3.1.3明确，灰度化处理的情况下，图像的前景以及背景像素值都进一步分离到不相同的区域内。故而，能够针对直方图进行分析的方式，选择区分前景以及背景的阈值来完成灰度图的分割处理，一个颜色的交通灯图像选择一个阈值完成分割，获得更好的鲁棒性工作成效。

阈值分割流程是：

⑴读入图像信息；

⑵按照每组直方图内的阈值分布情况，手动选取合适的阈值，完成图像分割处理。

3.1.5 图像分析结果

分割结果结果如图10-12所示。

图10：同阈值分割红灯图（35）

图11：同阈值分割绿灯图（25）

图12：同阈值分割黄灯图（35）

3.1.6 实验结果分析

经由实验分析可知，经由针对每组图选择适合的阈值，就能够获得前景与背景进行有效分离的图像。该图像内，圆形交通灯区域的面积以及形状都与原图相一致。然而，考虑到拍摄角度等影响，图像所在的边缘区域还表现出噪声干扰的情况。

3.2 彩色图像阈值分割图像预处理原理步骤

考虑到直接实施彩图的分割处理工作需要面临较重的运算量压力，因此，基于RGB彩色向量来实现的彩图分割就显得很有现实必要。为确保分割获得的前景区内的色彩符合预期目标，则需要定义RGBL列向量m的方式表征要求选定的区域色彩平均色。该分割处理的核心目标就是能够针对图像内的每RGB像素实现分类处理操作，确保在指定区域内只存在一种颜色，或不存在颜色。此处引入欧几里得距离的方式完成度量分析。假定z对应着的是RGB空间内所在的任意点。如果z以及m两者的间距没有超出预定阈值T，则明确z与m相似，求解两者距离的详细公式情况是：

由（3.2.1）可以得到一个归纳即：

下标RGB表征的就是向量z以及m两者的RGB分量。D(z,m)≤T的点得到的轨迹为T半径的实心球体，其内分布着的点符合特定彩色准则，而外侧的点则与该准则不相符。如此，就能够顺利实现背景以及前景两者的分离处理。

详细的步骤信息是：

（1）读取彩色图像；

（2）手选交通灯状态区域；

（3）计算选区内点的均值向量及其协方差矩阵；

（4）经计算确定T阈值；

（5）利用所选阈值完成彩图分割处理。

3.2.1 分割结果

分割结果如图13-15所示。

图13：同阈值分割红灯彩图（40）

图14：同阈值分割绿灯彩图（60）

图15：同阈值分割黄灯彩图（40）

3.2.2 实验结果分析

经由实验分析明确，直接针对彩图实现的分割处理工作不仅需要承担较大的运算量压力，而且最终获得的分割效果也相对较差。而且，针对每组图选择相同阈值实现的图像分割处理后，所得图像对比原图来看存在严重的失真现象。故而，本文选定3.2内用到的灰度鱼子分割法来实现信号灯检测图相关的分割处理。

4 数学形态学的交通信号灯提取

在几何结构以及形状分析期间，数学形态学使用到相对较多的分析方法。利用该算子及相关组合的方式能够实现图像分割以及特征提取等诸多处理，在实际图像分析中有着很好的应用表现。

本文针对交通信号灯实现的检测工作流程情况参照图16。

图16：交通信号灯检测步骤

4.1 滤波平滑化图像预处理后的交通信号灯图像

阈值化处理获得的图像往往不具备相对平滑的边界区域，背景内分布着若干很小的噪声点。如此，就要求进行腐蚀以及膨胀等处理的情况下，最终取得相对理想的平滑成效。

4.1.1 滤波平滑化图像的交通信号灯图像方法

开运算以及闭运算属于是数学形态学内用到较多的运算形式，其中，A被B的形态学开运算表征是A°B，该运算对应就是A被B腐蚀的情况下再选择B进行膨胀处理后所得到的信息，详细公式情况是：

本文选取的是膨胀以及腐蚀组合运算的方式来达到平滑化处理的效果。首先，针对图像实现膨胀的闭运算处理，然后，针对获得的图像实现腐蚀的开运算处理。换言之，就是在先将孔洞消除的情况下，然后在对信号等边缘位置的毛刺进行处理的过程。整体来看，本研究选定开运算以及闭运算相结合的形式达到滤波平滑处理的效果。

详细实现步骤情况是：

（1）读取3.1.5节内的图；

（2）选定方形结构元素实现图像相关的闭运算处理操作；

（3）经所选结构匀速的支持实现闭运算图的开运算处理。

4.1.2 图像处理结果

平滑处理结果如图17-19所示。

图17：平滑化处理3.7内的图

图18：平滑化处理3.8内的图

图19：平滑化处理3.9内的图

4.1.3 结果分析

经由选定适合结构元素进行开运算以及闭运算相结合的平滑化处理的情况下，可以将灰度阈值分割图内多数噪声带来的干扰影响进行排除，将图形内的小物体进行消除处理，实现细小孔洞部分的填充工作事项，而且边界平滑处理期间，并不会使得原有圆形面积出现变动。

4.2 提取并检测交通信号灯原理步骤

在二维图像内的全部对象都能够视作若干形状以及大小等各不相同的区域构成获得，故而，能够选择基于边界以及基于区域两类方法完成提取以及检测的工作事项。

针对圆形图像来看，其圆面积s=πr，圆周长l=2πr经由计算的情况下，可知若是提取的目标物体属于是圆形状态，则其能够与下述式子相符：

此处e对应的是紧密度的1/4。

考虑到选取紧密度性质是圆周率是否接近理论值1，来对所提取目标物体能否为圆形进行判定。

详细流程情况是：

（1）读取经由平滑化处理的图；

（2）对图像内的各区域实施标记处理；

（3）求得各区域内的面积；

（4）求得各区域内的周长；

（5）按照e=l/4*s=1所得数据是否接近理论值1，来确定提取图形是否圆形状态。

4.3 实验结果

实验结果如表5-7所示。相关实验结果明确，本算法能够实现图像内交通信号灯位置的检测处理工作，具有良好的实用效果。

表5：红色交通信号灯的圆周长圆面积和e值

表6：绿色交通信号灯的圆周长圆面积和e值

表7：黄色交通信号灯的圆周长圆面积和e值

5 结论

本课题设计获得的是在自然情境下基于机器视觉的交通信号灯的检测。但是，自然情景下，光照以及雨雪等诸多不确定因素的存在，很大程度上会使得图像存在明显的随机变化现象，而这些都将会影响到最终交通标志的识别成效。基于此，本设计获得算法的鲁棒性来完成交通信号灯位置的检测处理，大体与设计要求相一致

本文着重完成的工作事项是：

（1）预处理原目标图像，优化图像质量，达到后续阈值分割处理的工作要求。

（2）将三种交通信号灯由背景内实现分割处理。

（3）依托模板匹配技术的支持，针对分割获得的图像实现分析，进而实现对目标的提取以及识别处理。