文 献 综 述
交通信号灯的识别跟踪技术研究
- 课题研究意义
随着汽车工业的飞速发展，汽车的普及率越来越高。汽车数量急剧增加的同时给城市交通带来了巨大的压力。交通拥挤加剧、交通事故频发等一直是城市发展中的重大难题。在这样的背景下，不少汽车制造商就将目光转向了无人驾驶汽车。无人驾驶汽车可以通过技术手段一定程度上消除因驾驶技术不合格、疲劳驾驶、驾驶员疏忽所造成的危害。而交通信号灯识别技术就是其中极重要的一部分。
本课题计划编写一个交通信号灯识别程序。为无人驾驶汽车提供转向或制动信息，保证了车辆在城市道路中行驶的安全性。若是对有人车，能以声音或其他更直观的方式提醒前方交通信号灯的情况，使得驾驶员可以避免无意识下的闯红灯行为。
- 研究现状
交通信号灯识别主要涉及的技术是图像处理。现有的交通信号灯识别系统通常是由检测和识别两部分组成的。通常是先用彩色图像进行阈值分割，划分出包含有交通信号灯的二值图像，然后用形态学过滤不符合形态学准则的区域，找出交通信号灯的候选区域，再对候选区域运用颜色识别算法识别交通信号灯。多数交通信号灯检测算法采用的颜色空间有RGB、HIS、HSV、Lab等，而具有代表性的识别算法有模板匹配、SVM、Gabor小波变换方法。
等人对RGB色彩空间进行归一化处理，然后对三种交通信号灯颜色进行采样，利用Hough变换对圆形色彩区域进行识别。然而在现实环境中，由于摄像头安装角度，障碍物遮挡等因素，拍摄到的交通信号灯很难呈现标准的圆形，而对圆形度要求的降低又会造成误检，所以采用Hough变换难以达到理想的效果。Mosies和对每个像素的RGB和归一化RGB进行聚类，具有相似颜色特征的像素被归为一簇，然后通过训练颜色簇来达到阈值分割的目的。并通过简单的跟踪算法为距离估计和信号灯识别提供鲁棒性。该方法能基本实现交通信号灯的识别功能，但仅仅是针对于圆形交通信号灯，而且误检率较高。
Kuo-Hao 等人提出在HSI颜色空间中找寻交通信号灯相应的候选区域。但是HSI颜色空间从RGB颜色空间转换过来较为复杂，且其方法需要根据大量的训练样本来确定红绿黄三种颜色的信号灯分别在HSI空间的取值范围，通用性不强。
Yehu 等在HSV空间中H、S的均值和方差来分割图像，进而用区域性质来判断圆形区域以识别交通信号灯。等将圆形度符合和背板为褐色的区域作为交通信号灯区域。并将检测到的交通信号灯区域图像从RGB空间转换到HSV空间中，用颜色直方图对图像的H分量进行分布统计，根据其分布特征来识别交通信号灯的类型。在HSV空间利用最大类间方差法对S、V通道的类分割得到分割阈值，再以这两个类间分割阈值作为抑制条件结合H的取值进行颜色分割，得到与HSV有关的颜色分割图，以此来判定信号灯的颜色状态。
在Lab颜色空间中对图像进行颜色分割，实现了圆形交通信号灯检测。该算法对Lab颜色空间的图像进行聚类得到候选区域，然后对边缘信息进行形态学检测。该方法将图像从RGB颜色空间转换到Lab颜色空间，增强了算法的鲁棒性，但是该算法没能实现在复杂环境中的稳定检测。徐成等人也是基于Lab颜色空间的色彩分类来检测可能的交通信号灯区域，在利用模板匹配过滤候选区域，得到最后的候选区域。但是，作者总结了交通信号灯的变化规律，给出状态转换的规律，用于检测连续多帧的检测结果，降低了误检率
而在交通信号灯的识别方面。金涛、等人在HIS颜色空间内通过包含噪声去除、基于尺寸滤波、基于边界的滤波的级联滤波器对候选区域进行滤波，然后在NCC的基础上进行模板匹配。若在反射失真和交通灯所占像素点数量较少等情况下，该识别算法易识别出一些模糊区域。该方法的平均处理时间为39ms，基本满足实时的要求。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
