交通信号灯识别现状研究

王莹 丁鹏

摘 要 对城市环境中的自动驾驶来说，可靠的交通信号灯检测和分类是极其重要的一步。目前，在没有基于地图信息的情况下，还没有任何一个系统可以实时预测交通信号灯，同时为了达到城市驾驶的平稳性，还需要充足的距离来进行预判。文章论述了近年来广泛应用的方法及存在的问题。

关键词 交通信号灯识别；目标检测；计算机视觉；机器学习

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）216-0123-02

近年来，自动驾驶逐步成为一个热门研究课题，从而导致了许多驾驶员辅助系统的出现。城市环境则为此研究制造了一系列的问题，包括涉及预测、规划、避碰等多个系统领域的复杂算法。其中，预测的关键是检测并分类交通标识和信号灯。交通信号灯由于其体积小，且与城市环境中其他物体（如路灯、建筑装饰、反射等）之间存在高度的模糊性，成为一个极具挑战性的问题。到目前为止，还没有对交通灯识别研究的全面调查研究，大多数已发布的信号灯识别系统都是在无法公开的数据集上进行评估的。

1 计算机视觉检测及存在问题

在深入研究信号灯识别之前，通过研读相关的计算机视觉论文可知，在大多数情况下，问题主要集中在交通标志的识别；区别交通信号灯和尾灯、前照灯；行车车道的检测。

在不同照明、视点和天气条件下的交通标志检测是一大难点，主要集中在环境因素对视频图像颜色的影响。因此仅仅依靠颜色进行检测是存在问题的，故可以添加形状信息用于标记检测。在参考文献[1]中可以看到形状信息的使用示例。但是依靠形状识别交通标志和信号灯也存在一定的问题，因为周围环境车辆与标志或信号灯之间的夹角会影响物体的感知形状，从而产生新的形状变化。在距离和光线不停变换的条件下，加上各种各样天气的影响，开发出鲁棒性较好的基于视觉的驾驶辅助系统是一项困难的任务。

在夜间检测车辆时，大多数情况下使用单目相机，并利用尾部刹车灯或车头前照灯的对称性来检测出车辆，如参考文献[2]利用车道信号检测车辆大灯和尾灯，目的是在高波束和低波束之间自动切换。同样，道路检测是信号灯识别系统的重要补充，可以用以确定信号灯的相关性。最近的一篇关于道路检测的论文是参考文献[3]，介绍了关于道路检测的大致框架，通过缩放基于环境车辆的形状和道路环境的检测算法，可以显著减少所需的计算需求。除此之外，驾驶辅助系统还可收集一些基本信息，如司机的目光和注意力等，如果驾驶员在很长一段时间内被系统认定目光没有锁定路面信息或注意力不集中，那么司机就会收到警报，同时安全系统也会被系统告知，从而来判断是否进行安全干预。

2 交通信号灯识别及存在问题

信号灯通过告知司机道路通行权来规范交通流量，道路通行权可以最大限度地减少车辆路径与行人路径在交叉路口之间的冲突。信号灯的设计是为了引人注目并且很容易被看到，它们的主色调是明亮的彩色灯，通常是圆形或箭头形的，这些灯被一个统一颜色的容器包围着。最常见的信号灯配置是红黄绿色光，每个状态指示一个驱动程序是否应该停止、准备停止或继续驱动。除了信号灯的各种配置外，状态序列是信号灯的一个重要特征。

虽然信号灯是易于识别的，但有时受环境的影响，成功检测并识别出信号灯也会变得困难重重，例如，放置位置是否隐蔽或被遮挡等。其中问题主要包括：

1）色彩色调的变化和光晕干扰，例如，其他光源对大气环境的影响。

2）由于其他物体或斜视角角度的遮挡和部分遮挡。

3）因为故障或脏灯导致的形状的不完整。

4）刹车灯、反光、广告牌、路灯等的误判。

5）相机的快门速度和信号灯的工作周期之间的同步问题。

信号灯的不一致性可能是由于灰尘的遮挡、信号灯本身的缺陷或LED相对较慢的工作周期引起的。如若LED工作周期足够高，人眼不会注意到灯实际上是在闪烁的。如若相机使用快快门速度，就会导致一些帧不包含一个点燃的信号灯。而图片的饱和度是影响灯光外观的另一个方面，在日夜交替的情况下，相机参数必须加以调整，以得到最佳的光量，避免在过饱和度下。参考文献[4]介绍了一种自适应相机设置系统，该系统根据图像上部像素的亮度来改变快门和增益设置。

3 驾驶员辅助系统及存在问题

类似信号灯识别这样的计算机视觉问题可以分为3个子问题：检测、分类和跟踪。

参考文献[5]给出了一个类似的交通标志识别问题。检测和分类阶段在每个帧上顺序执行，而跟踪阶段则用来反馈帧与帧之间的空间和时间信息。检测问题与定位信号灯的候选项有关，而分类则是基于从被检测的候选者中提取的特征来完成的，跟踪则是通过识别一系列帧，运用相关位置和信号灯状态信息加以实现。因此，解决上述问题的信号灯系统可以分为4个阶段：检测、特征提取、分类和跟踪。

一般来说，基于模型检测的第一步是通过使用聚类、分布或阈值来实现感兴趣区域的提取。接着运用Hough变换、快速径向对称或Blob分析来寻找圆形对象，以筛选信号灯候选对象。使用基于学习型的探测器后，所有这些都是通过对数字特征的分类来实现的。通过预先了解路线、地理信息和时间信息可以大大降低感兴趣区域，从而减少计算需求和无效候选对象的数量。

除颜色信息是一种被广泛使用的分类特征外，形状信息也包括了各种各样的特征，如纵横比、大小和面积，而结构信息是信号灯构件的相对定位。在许多情况下，信号灯和周围的容器的制作形状和结构信息可以很容易地使之区别于背景。

成功的分类很大程度上依赖于选取特性的质量。大多数的研究都将分类器应用于提取的特征，并选择通过与训练后的信号灯状态相比较来找到最佳匹配。其余研究则基于启发式的信号灯分类，例如，由启发式确定的阈值，容易在现实使用时受到许多变化的影响。但是通过基于机器学习的方法来训练样本制作训练模型则需要大量的數据，并进行大量的标记从而获得鲁棒性。

跟踪主要用于滤除噪声和处理单个物体的检测，在大多数研究中，一般采用两种跟踪方式，即相关跟踪和点跟踪。在许多情况下，相关跟踪依赖于与检测器相同的特性，因此当检测器失效时，它将无法对检测器进行补充。另一方面，点跟踪可以利用时间信息和相关跟踪进行较好的互补。

4 结论

本文概述了目前交通信号灯识别研究与驾驶辅助系统的关系。当前的研究方法被分类为颜色空间检测、特征分类和跟踪的选择。我们已经看到，将多个颜色空间的通道组合起來，可以创建一个组合的颜色空间，从而将交通灯的颜色区分开来。大多数据检测处理依赖于颜色或形状来寻找信号灯候选，其他则在一个单一的强度通道依赖聚光灯检测。信号灯识别特别是寻找信号灯候选目前主要是基于模型的方法，这就提出了一个问题：基于模型的方法是否优于基于机器学习的信号灯识别方法。另外，由于系统使用不同的方法和不同的数据集进行评估，所以不清楚哪种方法是最好的。目前只有一个带有信号灯的公共数据集，而且它还没有被广泛使用。

参考文献

[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.