一种新的箭头形交通信号灯识别方法

田 谨，应 捷，朱丹丹

(上海理工大学 光电信息与计算机工程学院，上海 200093)

近年来交通信号灯的检测与识别在汽车辅助驾驶中发挥着重要。国内外许多研究者已提出了一些算法。佀君淑等［1］提出了一种基于亮度分割、K 均值聚类以及前景直方图相结合的交通信号灯识别方法，但该算法在信号灯发生变形时，识别率低。徐成等［2］提出了一种先对图像进行顶帽变换，接着在Lab 色彩空间查找候选区域，然后利用模板匹配确认候选区域，并使用统计学方法对结果进行验证的方法。此方法的缺点在于过于依赖黑色矩形框，晚上基本无法识别。武莹等［3］提出了一种在HIS 空间进行交通灯颜色分割，并结合分割区域与矩形区域的相对位置进行交通灯定位，最终利用模板匹配的方法识别交通灯。但是模板是人为生成的，匹配结果受到光照、拍摄角度的影响较大，匹配程度不高且需多次测试才能找到合适的阈值。Jin－Hyung Park 等［4］利用颜色信息，提取可能是交通信号灯的像素，利用K 均值聚类法进行聚类。并采用了帧序列操作，利用以往的帧序列信息将误检和漏检的帧更正或补上。最后利用优先级策略优先输出概率最大的结果。此算法处理一帧图像仅需7 ms，但鲁棒性较低，无法适应天气变化，误检率较高。

上述算法主要是检测和识别圆形交通信号灯，且识别率较低。本文针对箭头形交通信号灯，提出了一种结合Gabor 小波变换和PCA、ICA 算法的特征提取算法。

1 特征提取算法分析

1.1 Gabor 小波特征分析

二维Gabor 函数［5－8］是经高斯函数调制的正弦栅格，在频域上表现为一种主频和方向可调的带通滤波器。Gabor 滤波器在消除空域和频域二维联合部确定性方面是最优的，且方向和尺度可调，因此成为了一种重要的特征提取方法。

二维Gabor 小波函数可表示为

其中，σx，σy是其在x 轴和y 轴上的标准方差;是高斯函数的复调制频率。将灰度图像I(x，y)与Gabor 函数的卷积结果如式(2)所示，作为Gabor 滤波结果如式(3)所示

其中，m=0，…，S－1;n=0，…，K－1，S 和K 是滤波器的尺度和方向个数。

1.2 主成分分析

PCA［9］(主成分分析)是对由一系列观察数据组成的向量组，找到其最能表达该数组数据特征的正交基，即主元。可根据选取的主元个数对数据进行相应的压缩，假如有训练样本如式(4)所示

将各个样本减去样本均值如式(5)所示

选择前M 个最大的特征值对应的特征向量UM作为特征空间。M 的选取可以通过累积贡献率确定，如式(7)所示

1.3 独立成分分析

假设输入信号X∈Rm作为ICA［9－10］分析的测量矢量，并假设X 为n 个未知的独立成分S=［s1，s2，…，sn］的线性组合，则这种线性关系即为ICA 的基本模型如式(8)

其中，A 是未知的m×n 混合满秩矩阵。ICA 的目的就是找到一个分离矩阵W，使得输出如式(9)所示

近似独立成分S，当分离矩阵W 是混合矩阵A 的逆时，独立成分S 便被提取出来了。

固定点算法(FastICA)作为一种速度较快的ICA算法经常被用于特征提取。其迭代公式如(10)所示其中，W 和W*分别表示当前值和迭代得到的新值，g为比函数。

2 一种新箭头形交通信号灯识别方法

2.1 箭头形交通信号灯检测

由于光照、天气条件以及交通信号灯自身的发光性，使得交通信号灯的检测和识别更为困难。本文提出了如图1 所示的框架来识别城市环境中的箭头形交通信号灯。

图1 箭头形交通信号灯识别框架

图1 中交通信号灯的定位是将采集到的交通信号灯图像用OTSU 阈值分割方法进行阈值分割。再根据交通信号灯的背板特性检测出符合条件的矩形区域，结合以上两点对交通信号灯进行定位。

图1 中交通信号灯颜色的判定是在完成对交通信号灯的定位后，将交通信号灯区域的彩色图像转换到HIS 空间进行颜色分割，结合颜色分割结果与交通灯在交通灯背板上的相对位置来判定交通信号灯的颜色。

2.2 箭头形交通信号灯识别

为提取箭头形交通信号灯的特征，本文提出了一种结合Gabor 小波变换、PCA(主成分分析)和ICA(独立成分分析)的特征提取算法。

文中采用二维Gabor 小波变换提取交通信号灯的特征。将候选区域的灰度图像与Gabor 函数的卷积结果作为Gabor 滤波后的图像。对于Gabor 滤波器，本实验通过对不同方向和不同尺度进行反复试验，发现当S=4，K=6 时基本可表达图像的特征。中心频率取，卷积模板取5×5 时滤波结果较为理想。对于Gabor 特征，实验采用Gabor 滤波器的幅值特征。故本实验采用6 个方向和4 种尺度，中心频率为6，卷积模板为5×5 的Gabor 滤波器对图像进行滤波，提取交通信号灯的幅值特征。图2 为箭头形交通信号灯的Gabor 描述。

图2 箭头形交通信号灯的Gabor 描述

由图2 可知，每幅图像经过Gabor 滤波后会生成幅维数相同的图像，本实验用60 幅图像进行训练，采用6 个方向和4 种尺度，Gabor 滤波后就会产生1 440幅图像，数据量过大，后续处理比较困难。所以本文对每幅图像进行Gabor 滤波后，通过观察选取适合的系数对生成的24 幅图像进行加权平均处理，使滤波的结果还原为一幅图像。

本实验的训练样本维数为625×60，数据量较大，故本文继Gabor 小波滤波后采用主成分分析法(PCA)对图像进行压缩。根据选取的主元个数求得对应的特征空间U。

为提高本算法的准确率，本文将用ICA 算法对PCA 压缩后得到的特征空间做进一步的提取，从而得到PCA 特征空间中的独立成分。即将PCA 的输出U作为ICA 分析的测量矢量，求出其的独立成分。对比函数实验选择g=tanh(a1y)。将ICA 提取的独立分量Ω 作为新的特征空间，将训练图像和测试图像分别在此空间进行投影。

最后用模板匹配对交通信号灯候选区域的图像进行分类，从而判定交通信号灯的方向。为便于模板匹配，本文在预处理时统一将图像归一化处理为25×25大小的灰度图像。为了识别箭头的方向，本实验将训练样本中的各个样本与样本均值的差，如式(5)所示。按式(11)进行投影，便可得到样本在此特征空间的投影

将待识别的图像数据f 与样本均值的差值在特征空间Ω 上进行投影如式(13)所示，将得到的投影系数与训练样本的投影系数进行匹配

本文采用欧式距离计算投影系数之间的距离如式(14)所示

若满足

则Y∈Yi。

3 实验结果与分析

PCA 图像压缩实验中共用了60 幅图像作为训练样本进行压缩，其中向左、向右、向前各20 幅。主元个数分别取5、10、15、20、25、30、35、40、45、50、55，PCA 对训练图像的压缩结果如图3 所示，图中只展示了向右箭头的压缩结果图。压缩顺序是按主元个数取55、50、45、40、35、30、25、20、15、10、5 进行压缩。

图3 压缩图像

由图3 可知，随着主元个数逐渐减小，压缩图像也逐渐变得模糊。PCA 对图像进行压缩的压缩比和峰值信噪比如表1 所示。

表1 压缩结果

由表1 可知，随着主元个数的增加，从压缩比来看压缩效果越来越不明显，但从峰值信噪比来看，压缩效果越来越好。

本实验共120 幅图像，其中60 幅箭头形交通信号灯图像作为训练样本，用剩下的60 幅图像进行测试。从图4 和表1 可看出，当主元个数取45、50、55 时压缩图像与原图像差别不大，压缩效果不明显，故后续实验中主元个数只取5、10、15、20、25、30、35、40。

实验分别将左、右、前3 个方向的各20 幅训练图像在特征空间进行投影，投影系数取平均值。3 个方向投影系数的平均值作为匹配模板，将测试图像的投影系数与其进行匹配，匹配结果如表2 所示。

表2 实验结果

由表2 可知，随着主元个数的增加，正确识别率越来越高，在主元个数pnum=40 时，识别率达到96.7%。此时累积贡献率为99.18%，特征空间的维数为625×40，投影系数的数为40 个。

4 结束语

本文尝试将二维Gabor 滤波器和PCA、ICA 技术相结合来提取箭头形交通信号灯的特征。经PCA 压缩得到的特征空间再用ICA 提取特征的独立分量，样本在特征空间的投影作为模板匹配的模板，将测试图像在特征空间的投影与其进行匹配。实验结果表明，本文方法的正确识别率较高，是一种较好的箭头形交通信号灯识别方法。但由于PCA 及ICA 处理过程中耗时较多，该算法的实时性仍有待提高。

［1］ 佀君淑，朱文兴，沙永贺.复杂背景下的交通信号灯综合识别方法［J］.山东大学学报:工学版，2014，44(2):64－68.

［2］ 徐成，谭乃强，刘彦.基于Lab 色彩空间和模板匹配的实时交通灯识别算法［J］.计算机应用，2010，30(5):1251－1254.

［3］ 武莹，张小宁，何斌.基于图像处理的交通信号灯识别方法［J］.交通信息与安全，2011，29(3):51－54.

［4］ Jinhyung Park，Changsung J.Real－time signal light detection［C］.Hainan，China:International Conference on Future Generation Communication and Networking Symposia，2008.

［5］ 谷明琴，蔡自兴，黄振威，等.城市环境中箭头型交通信号灯的实时识别算法［J］.中南大学学报:自然科学版，2013，44(4):1404－1408.

［6］ 张刚，马宗民.一种采用Gabor 小波的纹理特征提取方法［J］.中国图象图形学报，2010，15(2):247－254.

［7］ 孔锐，张冰.Gabor 滤波器参数设置［J］.控制与决策，2012，27(8):1277－1280.

［8］ 薛玉利.基于Gabor 变换的特征提取及其应用［D］.济南:山东大学，2007.

［9］ 刘直芳，游志胜，王运琼.基于PCA 和ICA 的人脸识别［J］.激光技术，2004，28(1):78－81.

［10］刘小双，王展青.ICA 及其在数字图像处理中的应用［D］.武汉:武汉理工大学，2007.