交通信號燈識別現(xiàn)狀研究

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(yù)測交通信號燈，同時為了達(dá)到城市駕駛的平穩(wěn)性，還需要充足的距離來進(jìn)行預(yù)判。文章論述了近年來廣泛應(yīng)用的方法及存在的問題。

關(guān)鍵詞 交通信號燈識別；目標(biāo)檢測；計算機(jī)視覺；機(jī)器學(xué)習(xí)

中圖分類號 TP3 文獻(xiàn)標(biāo)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(dǎo)致了許多駕駛員輔助系統(tǒng)的出現(xiàn)。城市環(huán)境則為此研究制造了一系列的問題，包括涉及預(yù)測、規(guī)劃、避碰等多個系統(tǒng)領(lǐng)域的復(fù)雜算法。其中，預(yù)測的關(guān)鍵是檢測并分類交通標(biāo)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(diào)查研究，大多數(shù)已發(fā)布的信號燈識別系統(tǒng)都是在無法公開的數(shù)據(jù)集上進(jìn)行評估的。

1 計算機(jī)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(guān)的計算機(jī)視覺論文可知，在大多數(shù)情況下，問題主要集中在交通標(biāo)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(biāo)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(jìn)行檢測是存在問題的，故可以添加形狀信息用于標(biāo)記檢測。在參考文獻(xiàn)[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(biāo)志和信號燈也存在一定的問題，因為周圍環(huán)境車輛與標(biāo)志或信號燈之間的夾角會影響物體的感知形狀，從而產(chǎn)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(wù)。

在夜間檢測車輛時，大多數(shù)情況下使用單目相機(jī)，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(xiàn)[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(guān)性。最近的一篇關(guān)于道路檢測的論文是參考文獻(xiàn)[3]，介紹了關(guān)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(jī)的目光和注意力等，如果駕駛員在很長一段時間內(nèi)被系統(tǒng)認(rèn)定目光沒有鎖定路面信息或注意力不集中，那么司機(jī)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(jìn)行安全干預(yù)。

2 交通信號燈識別及存在問題

信號燈通過告知司機(jī)道路通行權(quán)來規(guī)范交通流量，道路通行權(quán)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(shè)計是為了引人注目并且很容易被看到，它們的主色調(diào)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(qū)動程序是否應(yīng)該停止、準(zhǔn)備停止或繼續(xù)驅(qū)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(diào)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(dǎo)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(jī)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(jī)使用快快門速度，就會導(dǎo)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(jī)參數(shù)必須加以調(diào)整，以得到最佳的光量，避免在過飽和度下。參考文獻(xiàn)[4]介紹了一種自適應(yīng)相機(jī)設(shè)置系統(tǒng)，該系統(tǒng)根據(jù)圖像上部像素的亮度來改變快門和增益設(shè)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(jī)視覺問題可以分為3個子問題：檢測、分類和跟蹤。

參考文獻(xiàn)[5]給出了一個類似的交通標(biāo)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(guān)，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(guān)位置和信號燈狀態(tài)信息加以實現(xiàn)。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(xiàn)感興趣區(qū)域的提取。接著運用Hough變換、快速徑向?qū)ΨQ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(xué)習(xí)型的探測器后，所有這些都是通過對數(shù)字特征的分類來實現(xiàn)的。通過預(yù)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(shù)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(jié)構(gòu)信息是信號燈構(gòu)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(jié)構(gòu)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(zhì)量。大多數(shù)的研究都將分類器應(yīng)用于提取的特征，并選擇通過與訓(xùn)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(xiàn)實使用時受到許多變化的影響。但是通過基于機(jī)器學(xué)習(xí)的方法來訓(xùn)練樣本制作訓(xùn)練模型則需要大量的數(shù)據(jù)，并進(jìn)行大量的標(biāo)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(shù)研究中，一般采用兩種跟蹤方式，即相關(guān)跟蹤和點跟蹤。在許多情況下，相關(guān)跟蹤依賴于與檢測器相同的特性，因此當(dāng)檢測器失效時，它將無法對檢測器進(jìn)行補充。另一方面，點跟蹤可以利用時間信息和相關(guān)跟蹤進(jìn)行較好的互補。

4 結(jié)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(guān)系。當(dāng)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(jīng)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(shù)據(jù)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(qiáng)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(jī)器學(xué)習(xí)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(shù)據(jù)集進(jìn)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(shù)據(jù)集，而且它還沒有被廣泛使用。

參考文獻(xiàn)

[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.