CN104050447A - 一种交通信号灯识别方法和装置 - Google Patents

Abstract

本发明公开了一种交通信号灯识别方法和装置，属于交通安全领域。所述方法包括：采集原始图像；对原始图像在RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像；根据灯板的特征，在黑色区域二值图像中定位出灯板区域；将原始图像中灯板区域的图像从RGB空间转换到YCbCr空间，分割出红色和黄色区域二值图像以及绿色区域二值图像；根据交通信号灯的特征，在红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域；将原始图像中交通信号灯候选区域的图像灰度化和归一化，对灰度化和归一化后的图像进行Gabor小波变换，得到Gabor小波图像；对Gabor小波图像的幅值进行采样，得到特征向量；比较特征向量与训练样本的相似度，确定交通信号灯的类别。

Description

一种交通信号灯识别方法和装置

技术领域

本发明涉及交通安全领域，特别涉及一种交通信号灯识别方法和装置。

背景技术

在交通事故中，由于机动车在交通路口闯红灯所占比例较高，且目前对无人车的研究以及人们对主动安全产品的重视，使交通信号灯的自动识别成为了国内外研究热点。

在中国大部分城市道路环境中，交通路口安装有指示通行的交通信号灯，一般是1个以上的灯板，每个灯板上嵌入有3个信号灯，分别对应红、黄、绿。交通信号灯的形状包括了圆形，左向箭头，右向箭头，向上箭头，大部分的交通信号灯直径为300mm或400mm。在路口停止线处拍摄信号灯时，交通信号灯在图像中占据的像素数少，目标较小，并且有较多干扰。因此，交通信号灯的准确定位和其状态的正确识别是一个较难解决的问题。

发明内容

为了解决现有技术中无法对交通信号灯进行准确识别的问题，本发明实施例提供了一种交通信号灯识别方法和装置。所述技术方案如下：

一方面，本发明实施例提供了一种交通信号灯识别方法，所述方法包括：

采集原始图像；

对所述原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像；

根据灯板的特征，在所述黑色区域二值图像中定位出灯板区域，所述灯板的特征包括所述灯板的宽高比以及所述灯板在所述原始图像中的位置；

将所述原始图像中所述灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像；

根据所述交通信号灯的特征，在所述红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，所述交通信号灯的特征包括所述交通信号灯的外接矩形的宽高比以及所述交通信号灯与所述灯板区域的相对位置；

将所述原始图像中所述交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化之后的所述交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像；

对所述Gabor小波图像的幅值进行采样，得到特征向量；

比较所述特征向量与训练样本库中训练样本的相似度，确定所述交通信号灯的类别，所述训练样本库包括各个类别的交通信号灯的训练样本。

在本发明实施例的一种实现方式中，所述对所述原始图像在RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像，包括：

采用以下公式对所述原始图像进行阈值分割：

Bin(x,y)是图像中的一个像素点，(x,y)是所述像素点在图像所在平面的坐标，v_R(x,y),v_G(x,y),v_B(x,y)分别为所述(x,y)的R，G，B通道值，T₁,T₂为图像分割阈值。

在本发明实施例的另一种实现方式中，所述将所述原始图像中所述灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像，包括：

采用以下公式将所述灯板区域的图像从RGB空间转换到YCbCr空间：

$\left\{\begin{array}{c}Y=0.257\×R+0.564\×G+0.098\×B+16\\ \mathrm{Cb}=-0.148\×R-0.291\×G+0.439\×B+128\\ \mathrm{Cr}=0.439\×R-0.368\×G-0.071\×B+128\end{array}\right.,$ 所述R、G、B分别表示所述灯板区域的图像在RGB空间中的R通道值、G通道值和B通道值；

采用阈值T_R分割Cb通道图像，得到所述红色区域二值图像和所述黄色区域二值图像；

采用阈值T_G分割Cr通道图像，得到所述绿色区域二值图像。

在本发明实施例的另一种实现方式中，所述根据所述交通信号灯的特征，在所述红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，包括：

在所述红色和黄色区域二值图像以及绿色区域二值图像上确定感兴趣区域，所述感兴趣区域是大小在预定范围内的连通区域；

计算所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置；

如果所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置符合所述交通信号灯的特征，则确定所述感兴趣区域为所述交通信号灯候选区域。

在本发明实施例的另一种实现方式中，所述方法还包括：

根据经验性约束条件判断确定出的所述交通信号灯的类别是否准确。

另一方面，本发明实施例还提供了一种交通信号灯识别装置，所述装置包括：

采集模块，用于采集原始图像；

第一处理模块，用于对所述原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像；

第一定位模块，用于根据灯板的特征，在所述黑色区域二值图像中定位出灯板区域，所述灯板的特征包括所述灯板的宽高比以及所述灯板在所述原始图像中的位置；

第二处理模块，用于将所述原始图像中所述灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像；

第二定位模块，用于根据所述交通信号灯的特征，在所述红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，所述交通信号灯的特征包括所述交通信号灯的外接矩形的宽高比以及所述交通信号灯与所述灯板区域的相对位置；

第三处理模块，用于将所述原始图像中所述交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化之后的所述交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像；

第四处理模块，用于对所述Gabor小波图像的幅值进行采样，得到特征向量；

分类模块，用于比较所述特征向量与训练样本库中训练样本的相似度，确定所述交通信号灯的类别，所述训练样本库包括各个类别的交通信号灯的训练样本。

在本发明实施例的一种实现方式中，所述第一处理模块，包括：

第一处理单元，用于采用以下公式对所述原始图像进行阈值分割：

Bin(x,y)是图像中的一个像素点，(x,y)是所述像素点在图像所在平面的坐标，v_R(x,y),v_G(x,y),v_B(x,y)分别为所述(x,y)的R，G，B通道值，T₁,T₂为图像分割阈值。

在本发明实施例的另一种实现方式中，所述第二处理模块，包括：

第二处理单元，用于采用以下公式将所述灯板区域的图像从RGB空间转换到YCbCr空间：

$\left\{\begin{array}{c}Y=0.257\×R+0.564\×G+0.098\×B+16\\ \mathrm{Cb}=-0.148\×R-0.291\×G+0.439\×B+128\\ \mathrm{Cr}=0.439\×R-0.368\×G-0.071\×B+128\end{array}\right.,$ 所述R、G、B分别表示所述灯板区域的图像在RGB空间中的R通道值、G通道值和B通道值；

第三处理单元，用于采用阈值T_R分割Cb通道图像，得到所述红色区域二值图像和所述黄色区域二值图像；

采用阈值T_G分割Cr通道图像，得到所述绿色区域二值图像。

在本发明实施例的另一种实现方式中，所述第二定位模块，包括：

第一确定单元，用于在所述红色和黄色区域二值图像以及绿色区域二值图像上确定感兴趣区域，所述感兴趣区域是大小在预定范围内的连通区域；

计算单元，用于计算所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置；

第二确定单元，用于在所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置符合所述交通信号灯的特征时，确定所述感兴趣区域为所述交通信号灯候选区域。

在本发明实施例的另一种实现方式中，所述装置还包括：

判断模块，用于根据经验性约束条件判断确定出的所述交通信号灯的类别是否准确。

本发明实施例提供的技术方案带来的有益效果是：

通过对原始图像进行RGB阈值分割，得到黑色区域二值图像，在黑色区域二值图像上定位出灯板区域，再将灯板区域的图像从RGB空间转换到YCbCr空间，并分割出红色和黄色区域二值图像以及绿色区域二值图像，在上述二值图像上定位交通信号灯候选区域；将交通信号灯候选区域的图像灰度化和归一化后，进行Gabor小波变换；对Gabor小波图像的幅值进行采样，得到特征向量，比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别；利用上述YCbCr空间分割出的二值图像来检测交通信号灯候选区域，可以明显降低车灯和反光的影响，提高系统的检测性能；根据灯板的特征以及交通信号灯的特征在黑色区域二值图像及红色和黄色区域二值图像以及绿色区域上进行定位，可以明显降低误检率；用Gabor小波变换提取交通信号灯的特征向量后，与训练样本库中训练样本的相似度进行比较确定交通信号灯的类别，分类准确率高，从而能够实现对交通信号灯的准确识别。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的交通信号灯识别方法流程图；

图2是本发明实施例二提供的交通信号灯识别方法流程图；

图3是本发明实施例三提供的交通信号灯识别装置结构示意图；

图4是本发明实施例四提供的交通信号灯识别装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一

本发明实施例提供了一种交通信号灯识别方法，适用于汽车的安全预警系统或者无人驾驶系统，参见图1，该方法包括：

步骤101：采集原始图像，原始图像由车载摄像头拍摄。

该车载摄像头安装在汽车前部，采集城市道路的图像，作为本方法的输入信息。车载摄像头应具有自适应曝光的能力，以增强该交通信号灯识别方法对光照强度的适应能力。

步骤102：将原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像。

其中，RGB是色彩空间的一种，RGB通过红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。而具体如何进行阈值分割，以得到黑色区域二值图像，在后文会进行详细说明。

步骤103：根据灯板的特征，在黑色区域二值图像中定位出灯板区域，灯板的特征包括灯板的宽高比以及灯板在原始图像中的位置。

简单地说，就是在黑色区域二值图像中选择符合灯板的特征的区域作为灯板区域。灯板的宽高比是根据实际中存在的灯板的类别预先设定的。灯板的位置指的是灯板在原始图像中的位置，一般处于原始图像的上方。具体如何根据灯板的特征确定灯板区域，在后文会进行详细说明。

步骤104：将原始图像中灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像。

YCbCr是色彩空间的一种，Y为颜色的亮度成份，而Cb和Cr则为蓝色和红色的浓度偏移量成份。而具体如何进行阈值分割，以得到红色和黄色区域二值图像以及绿色区域二值图像，在后文会进行详细说明。

步骤105：根据交通信号灯的特征，在红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，交通信号灯的特征包括交通信号灯的外接矩形的宽高比以及交通信号灯与灯板区域的相对位置。

步骤106：将原始图像中交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化后的交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像。

Gabor小波变换属于加窗傅立叶变换，可以在频域不同尺度、不同方向上提取相关的特征。

步骤107：对Gabor小波图像的幅值进行采样，得到特征向量。

步骤108：比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别，训练样本库包括各个类别的交通信号灯的训练样本。

例如，在箭头型交通信号灯中，包括9个类别，分别是直走红色、直走黄色、直走绿色、左走红色、左走黄色、左走绿色、右走红色、右走黄色和右走绿色。

本发明实施例通过对原始图像进行RGB阈值分割，得到黑色区域二值图像，在黑色区域二值图像上定位出灯板区域，再将灯板区域的图像从RGB空间转换到YCbCr空间，并分割出红色和黄色区域二值图像以及绿色区域二值图像，在上述二值图像上定位交通信号灯候选区域；将交通信号灯候选区域的图像灰度化和归一化后，进行Gabor小波变换；对Gabor小波图像的幅值进行采样，得到特征向量，比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别；利用上述YCbCr空间分割出的二值图像来检测交通信号灯候选区域，可以明显降低车灯和反光的影响，提高系统的检测性能；根据灯板的特征以及交通信号灯的特征在黑色区域二值图像及红色和黄色区域二值图像以及绿色区域上进行定位，可以明显降低误检率；用Gabor小波变换提取交通信号灯的特征向量后，与训练样本库中训练样本的相似度进行比较确定交通信号灯的类别，分类准确率高，从而能够实现对交通信号灯的准确识别。

实施例二

本发明实施例提供了一种交通信号灯识别方法，适用于汽车的安全预警系统或者无人驾驶系统，参见图2，该方法包括：

步骤201：采集原始图像，原始图像由车载摄像头拍摄。

该车载摄像头安装在汽车前部，采集城市道路的图像，作为本方法的输入信息。车载摄像头应具有自适应曝光的能力，以增强该交通信号灯识别方法对光照强度的适应能力。

步骤202：将原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像。

其中，RGB是色彩空间的一种，RGB通过红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。

具体地，步骤202可以采用下述方式实现：

采用以下公式对原始图像进行阈值分割：

Bin(x,y)表示图像中的一个像素点，(x,y)是像素点在图像所在平面的坐标，Bin(x,y)为0表示该像素点为黑色，1表示为白色。v_R(x,y),v_G(x,y),v_B(x,y)分别为(x,y)的R，G，B通道值，T₁,T₂为图像分割阈值。

具体地，上述T1和T2是多次统计后获得的经验值。优选地，T1可以为50，T2为20。

步骤203：根据灯板的特征，在黑色区域二值图像中定位出灯板区域，灯板的特征包括灯板的宽高比以及灯板在原始图像中的位置。

具体地，步骤203可以采用以下方式实现：

第一步，确定黑色区域二值图像中的连通区域。

第二步，根据灯板的位置、宽高比、面积和饱和度过滤掉不符合灯板要求的连通区域，得到候选区域。

灯板的宽高比和面积都是根据实际中存在的灯板的类别预先设定的。灯板的位置指的是灯板在原始图像中的位置，一般处于原始图像的中上方。

第三步，如果仅得到一个候选区域，则确定该候选区域为灯板区域；

如果得到多个候选区域，则根据候选区域间的位置关系，确定灯板区域。

容易知道，在一幅图像中，并不限定只有一个灯板。根据常识可以知道，如果交通路口仅有一个灯板，则在其平行的位置一般不会出现其它灯板区域。如果交通路口有三个或三个以上，则灯板之间具有固定间距，且高度和宽度相当。根据这些性质，判断出交通信号灯的灯板区域，有利于大幅度减少误报率。

下面来重点介绍当黑色区域二值图像中的连通区域在经过上述过滤后，剩下的多个候选区域时，该如何进行判断。

假设过滤后有N个候选区域，假设为候选区域R_i的左上角坐标，则两个候选区域R_i和R_j之间的距离：

$\left\{\begin{array}{c}{D}_{\mathrm{ij}}^x=|x_i^l-x_j^l|\\ D_{\mathrm{ij}}^x=|y_i^l-y_j^l|\end{array}\right.$

如果在[0,20]之间，且则确定这两个候选区域为灯板区域。其中，T_a和T_b是根据图像大小以及灯板宽度等因素确定的。

如果所有候选区域均不符合上述条件，则在黑色区域二值图像内不存在灯板区域，一般情况下，即可以认为该原始图像中不存在交通信号灯的灯板。但是，为了防止在前述步骤中因为颜色差异而产生的误判，这时还可以对非黑色区域二值图像进行重新处理，判断灯板区域是否存在于非黑色区域二值图像内。

步骤204：将原始图像中灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像。

YCbCr是色彩空间的一种，Y为颜色的亮度成份，而Cb和Cr则为蓝色和红色的浓度偏移量成份。

具体地，步骤204可以采用下述方式实现：

第一步，采用以下公式将灯板区域的图像从RGB空间转换到YCbCr空间：

$\left\{\begin{array}{c}Y=0.257\×R+0.564\×G+0.098\×B+16\\ \mathrm{Cb}=-0.148\×R-0.291\×G+0.439\×B+128\\ \mathrm{Cr}=0.439\×R-0.368\×G-0.071\×B+128\end{array}\right.,$ 该R、G、B分别表示灯板区域的图像在RGB空间中的R通道值、G通道值和B通道值；

第二步，采用阈值T_R分割Cb通道图像，得到红色和黄色区域二值图像，采用阈值T_G分割Cr通道图像，得到绿色区域二值图像。

具体地，利用Cb通道值小于阈值T_R分割得到红色和黄色区域二值图像。利用Cr通道值小于阈值T_G分割得到绿色区域二值图像。

其中，阈值T_R和阈值T_G均可以根据经验值来确定，例如二者均取值114。

步骤205：根据交通信号灯的特征，在红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，交通信号灯的特征包括交通信号灯的外接矩形的宽高比以及交通信号灯与灯板区域的相对位置。

具体地，步骤205可以采用下述方式实现：

第一步，在红色和黄色区域二值图像以及绿色区域二值图像上确定感兴趣区域，感兴趣区域是大小在预定范围内的连通区域；

第二步，计算感兴趣区域的宽高比以及感兴趣区域与灯板区域的相对位置；

第三步，如果感兴趣区域的宽高比以及感兴趣区域与灯板区域的相对位置符合交通信号灯的特征，则确定感兴趣区域为交通信号灯候选区域。

在实际中，交通信号灯分为竖灯板和横灯板两类交通信号灯，竖灯板是三个交通信号灯设置在灯板的同一列。下面以竖灯板为例：红色交通信号灯一般在灯板的上1/3处，黄色交通信号灯在灯板的中间1/3处，而绿色交通信号灯在灯板的下1/3处。用交通信号灯和灯板区域之间的相对位置来判定交通信号灯候选区域。

下面以竖灯板为例进行说明：

对于红色和黄色的交通信号灯候选区域：

令Cb通道阈值分割后的红色和黄色区域二值图像为B_R，标记B_R中的连通区域Nr是感兴趣区域的个数。假设交通信号灯的感兴趣区域外接矩形框为{SR_x,SR_y,SR_w,SR_h}，(SR_x，SR_y)是矩形框的左上角坐标，SR_w为矩形的宽度，SR_h是矩形的高度，其包含的像素个数为SR_a。

如果感兴趣区域自身的特性，及与灯板区域R_Cd之间的相对位置满足以下关系：

$\left\{\begin{array}{c}{T}_{\mathrm{Al}}<{\mathrm{SR}}_a<T_{\mathrm{Au}}\\ T_{\mathrm{Rl}}<{\mathrm{SR}}_h/{\mathrm{SR}}_w<T_{\mathrm{Ru}}\\ {\mathrm{SR}}_w>R_i\left(w\right)/2\\ R_i\left(h\right)/5<{\mathrm{SR}}_h<R_i\left(h\right)/2\\ {\mathrm{SR}}_x<R_i\left(w\right)/3\end{array}\right.;$

那么则是一个交通信号灯候选区域。其中，R_i(w)为灯板的宽度，R_i(h)为灯板的高度，阈值可以采用下述取值：T_Al＝50，T_Au＝1000，T_Rl＝0.5，T_Ru＝1.5。

采用下面的公式区分红、黄色交通信号灯：

对于绿色的交通信号灯候选区域：

标记Cr通道的二值图像为B_G中的连通区域为j＝1,L,Ng，Ng是感兴趣区域的个数。若的外接矩形为{SR_x,SR_y,SR_w,SR_h}满足交通信号灯自身特性和相对位置，其左上角坐标(SR_x,SR_y)中SR_y满足下式：

那么是绿色的交通信号灯候选区域。

步骤206：将原始图像中交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化后的交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像。

Gabor小波变换属于加窗傅立叶变换，可以在频域不同尺度、不同方向上提取相关的特征。

为了分类交通信号灯候选区域的交通信号灯类别，首先将交通信号灯候选区域灰度化，然后归一化为30×30大小的图像，然后选择6个方向和6个尺度Gabor小波变换对图像进行处理，获得36个Gabor小波图像。

步骤207：对Gabor小波图像的幅值进行采样，得到特征向量。

取每幅Gabor小波图像的幅值作为交通信号灯候选区域的图像的特征。对每幅Gabor小波图像的幅值隔行和隔列采集数据，并归一化为[0,1]之间的数值。

进一步地，为了通过上述特征向量对交通信号灯候选区域进行分类，该方法还包括：

建立交通信号灯的训练样本库，并降低训练样本库中特征的冗余度。

具体地，在识别交通信号灯的类别之前，提取4类(仅为举例)交通信号灯的训练样本库，并建立其对应的Gabor小波特征库，每类交通信号灯的样本图像可以提取出3600维特征。为了降低特征数量，用2维独立分量分析算法降低特征的冗余度，提高训练样本库特征之间的独立性。

假设每类交通信号灯的训练样本库特征为χ_j＝{χi_j,i＝1,2,......,N_j}，χi_j∈R^n×n，其中N_j为训练样本个数。假设训练样本库样本图像的平均特征为则训练样本库的协方差矩阵有：

$\mathrm{\&Sigma;}=\frac{1}{F\&times;L}\underset{j=1}{\overset{F}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_j}{\mathrm{\&Sigma;}}}{({\mathrm{\&chi;}}_{\mathrm{ij}}-\stackrel{\&OverBar;}{\mathrm{\&chi;}})}^T({\mathrm{\&chi;}}_{\mathrm{ij}}-\stackrel{\&OverBar;}{\mathrm{\&chi;}});$

其中F＝4，表示4类导向交通信号灯，L为每类交通信号灯的训练样本数。

用奇异值分解法对∑分解，满足∑＝UΛU^T，Λ＝diag(λ₁,λ₂,L,λ_n)，满足λ_j≥λ_j+1，U为特征向量组成的正交阵。取r＝4，则Λ_r＝diag(λ₁,λ₂,L,λ_r)及其对应的特征向量U_r＝[u₁,u₂,L,u_r]，构造白化矩阵为了降低训练样本库特征χ_ij的冗余度，需求取优化映射矩阵S＝(s₁,s₂,L,s_r)，r为其独立向量的个数，s_i的均值必须为0，方差为1的非高斯分布。令z＝E∑^T，有

$S=W\&times;{\mathrm{\&Lambda;}}_r^{-1/2}\&times;U_r^T;$

其中W是分离矩阵。用得到的优化特征向量矩阵S＝(s₁,s₂,L,s_r)来提取特征。对于样本库中的每个图像特征有：

$Y=({\mathrm{\&chi;}}_{\mathrm{ij}}-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}_j)S;$

即

$[Y_1,Y_2,L,Y_r]=({\mathrm{\&chi;}}_{\mathrm{ij}}^1-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}^1,{\mathrm{\&chi;}}_{\mathrm{ij}}^2-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}^2,L,{\mathrm{\&chi;}}_{\mathrm{ij}}^n-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}^n)\left[\begin{array}{c}{s}_1^T\\ s_2^T\\ M\\ s_r^T\end{array}\right];$

映射特征向量Y₁,Y₂,......,Y_r即为训练样本特征χ_ij的独立主分量。训练样本χ_i的特征矩阵可以降为n×r矩阵B＝(Y₁,Y₂,…,Y_r)。

步骤208：采用二维独立分量分析算法降低特征向量的维数。

经过上述采样后，将6个尺度6个方向共36幅图像的归一化后的数值进行连接，得到一个特征量有3600维的列数据。采用与上述降低训练样本库中特征的冗余度相同的方式，可降低特征向量的维数，这里不再赘述。

步骤209：比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别，训练样本库包括各个类别的交通信号灯的训练样本。

假设交通信号灯的类别为c_i,i＝1,2,L,4，每类均有N_i个训练样本：

$B_j^{\left(i\right)}=[Y_1^{\left(i\right)},Y_2^{\left(i\right)},L,Y_r^{\left(i\right)}],j=\mathrm{1,2},L,N_i;$

而是训练样本的总个数。下面选用基本的最近邻分类方法对交通信号灯方向状态进行分类。假设测试样本的特征为B，c_i的距离决策函数定义为：

$D_i(B,B_j^{\left(i\right)})=\sqrt{{(B-B_j^{\left(i\right)})}^T(B-B_j^{\left(i\right)})}=\underset{k=1}{\overset{r}{\mathrm{\&Sigma;}}}{\left|\right|Y-Y_j^{\left(i\right)}\left|\right|}_2;$

其中||·||₂为两个向量间的欧式距离。令

$D_k\left(B\right)=\underset{i=\mathrm{1,2},L,F}{\min }\left\{D_i(B,B_j^{\left(i\right)})\right\};$

则可用下列判断规则，判断交通信号灯候选区域的类别信息：

其中，T_L为相似性阈值，以判断是否为某类别的交通信号灯。该方法可以较好的分类交通信号灯的类别，且误识别率均较低，对城市环境中的交通信号灯识别非常有效。

另外，这里在确定出交通信号灯的类别后，还可以采用步骤205中判断出的交通信号灯候选区域的颜色进行验证，以保证输出的准确性。

进一步地，为了保证输出的交通信号灯的类别的准确性，该方法还可以包括：

根据经验性约束条件判断确定出的交通信号灯的类别是否准确，经验性约束条件是根据实际中交通信号灯的设置得到的。

当确定出的交通信号灯的类别是否准确不正确时，调整不符合经验约束的输出类别。

城市中交通信号灯存在一些经验性约束条件：

[1]同一个交通信号灯灯板上的红，黄，绿交通信号灯不能同时亮；

[2]在三个交通信号灯的路口，最左侧的一般是左转车道指示信号，为一个左向箭头，中间一般为直行车道，为一向上箭头，左侧为右转车道，为一右向箭头。

[3]右转和直行交通信号灯经常为同时红或绿。

根据这些约束条件和识别到的交通信号灯类别，可以排除车灯等的干扰，并对不符合经验约束的内容进行判断，调整输出；另外，对一些明显不符合常规的情况加以排除，可增强该方法的鲁棒性。

本发明实施例通过对原始图像进行RGB阈值分割，得到黑色区域二值图像，在黑色区域二值图像上定位出灯板区域，再将灯板区域的图像从RGB空间转换到YCbCr空间，并分割出红色和黄色区域二值图像以及绿色区域二值图像，在上述二值图像上定位交通信号灯候选区域；将交通信号灯候选区域的图像灰度化和归一化后，进行Gabor小波变换；对Gabor小波图像的幅值进行采样，得到特征向量，比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别；利用上述YCbCr空间分割出的二值图像来检测交通信号灯候选区域，可以明显降低车灯和反光的影响，提高系统的检测性能；根据灯板的特征以及交通信号灯的特征在黑色区域二值图像及红色和黄色区域二值图像以及绿色区域上进行定位，可以明显降低误检率；用Gabor小波变换提取交通信号灯的特征向量后，与训练样本库中训练样本的相似度进行比较确定交通信号灯的类别，分类准确率高，从而能够实现对交通信号灯的准确识别。

实施例三

本发明实施例提供了一种交通信号灯识别装置，该装置可以集成在汽车的安全预警系统或者无人驾驶系统中，参见图3，该装置包括：

采集模块301，用于采集原始图像，原始图像由车载摄像头拍摄。

该车载摄像头安装在汽车前部，采集城市道路的图像，作为本装置的输入信息。车载摄像头应具有自适应曝光的能力，以增强该交通信号灯识别装置对光照强度的适应能力。

第一处理模块302，用于对原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像。

其中，RGB是色彩空间的一种，RGB通过红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。而具体如何进行阈值分割，以得到黑色区域二值图像，在后文会进行详细说明。

第一定位模块303，用于根据灯板的特征，在黑色区域二值图像中定位出灯板区域，灯板的特征包括灯板的宽高比以及灯板在原始图像中的位置。

简单地说，就是在黑色区域二值图像中选择符合灯板的特征的区域作为灯板区域。灯板的宽高比是根据实际中存在的灯板的类别预先设定的。灯板的位置指的是灯板在原始图像中的位置，一般处于原始图像的上方。

第二处理模块304，用于将原始图像中灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像。

YCbCr是色彩空间的一种，Y为颜色的亮度成份，而Cb和Cr则为蓝色和红色的浓度偏移量成份。

第二定位模块305，用于根据交通信号灯的特征，在红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，交通信号灯的特征包括交通信号灯的外接矩形的宽高比以及交通信号灯与灯板区域的相对位置。

第三处理模块306，用于将原始图像中交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化之后的交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像。

Gabor小波变换属于加窗傅立叶变换，可以在频域不同尺度、不同方向上提取相关的特征。

第四处理模块307，用于对Gabor小波图像的幅值进行采样，得到特征向量。

分类模块308，用于比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别，训练样本库包括各个类别的交通信号灯的训练样本。

例如，在箭头型交通信号灯中，包括9个类别，分别是直走红色、直走黄色、直走绿色、左走红色、左走黄色、左走绿色、右走红色、右走黄色和右走绿色。

本发明实施例通过对原始图像进行RGB阈值分割，得到黑色区域二值图像，在黑色区域二值图像上定位出灯板区域，再将灯板区域的图像从RGB空间转换到YCbCr空间，并分割出红色和黄色区域二值图像以及绿色区域二值图像，在上述二值图像上定位交通信号灯候选区域；将交通信号灯候选区域的图像灰度化和归一化后，进行Gabor小波变换；对Gabor小波图像的幅值进行采样，得到特征向量，比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别；利用上述YCbCr空间分割出的二值图像来检测交通信号灯候选区域，可以明显降低车灯和反光的影响，提高系统的检测性能；根据灯板的特征以及交通信号灯的特征在黑色区域二值图像及红色和黄色区域二值图像以及绿色区域上进行定位，可以明显降低误检率；用Gabor小波变换提取交通信号灯的特征向量后，与训练样本库中训练样本的相似度进行比较确定交通信号灯的类别，分类准确率高，从而能够实现对交通信号灯的准确识别。

实施例四

本发明实施例提供了一种交通信号灯识别装置，该装置可以集成在汽车的安全预警系统或者无人驾驶系统中，参见图4，该装置包括：

采集模块401，用于采集原始图像，原始图像由车载摄像头拍摄。

该车载摄像头安装在汽车前部，采集城市道路的图像，作为本装置的输入信息。车载摄像头应具有自适应曝光的能力，以增强该交通信号灯识别装置对光照强度的适应能力。

第一处理模块402，用于对原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像。

其中，RGB是色彩空间的一种，RGB通过红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。而具体如何进行阈值分割，以得到黑色区域二值图像，在后文会进行详细说明。

第一定位模块403，用于根据灯板的特征，在黑色区域二值图像中定位出灯板区域，灯板的特征包括灯板的宽高比以及灯板在原始图像中的位置。

简单地说，就是在黑色区域二值图像中选择符合灯板的特征的区域作为灯板区域。灯板的宽高比是根据实际中存在的灯板的类别预先设定的。灯板的位置指的是灯板在原始图像中的位置，一般处于原始图像的上方。

第二处理模块404，用于将原始图像中灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像。

YCbCr是色彩空间的一种，Y为颜色的亮度成份，而Cb和Cr则为蓝色和红色的浓度偏移量成份。

第二定位模块405，用于根据交通信号灯的特征，在红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，交通信号灯的特征包括交通信号灯的外接矩形的宽高比以及交通信号灯与灯板区域的相对位置。

第三处理模块406，用于将原始图像中交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化之后的交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像。

Gabor小波变换属于加窗傅立叶变换，可以在频域不同尺度、不同方向上提取相关的特征。

为了分类交通信号灯候选区域的交通信号灯类别，首先将交通信号灯候选区域灰度化，然后归一化为30×30大小的图像，然后选择6个方向和6个尺度Gabor小波变换对图像进行处理，获得36个Gabor小波图像。

第四处理模块407，用于对Gabor小波图像的幅值进行采样，得到特征向量。

取每幅Gabor小波图像的幅值作为交通信号灯候选区域的图像的特征。对每幅Gabor小波图像的幅值隔行和隔列采集数据，并归一化为[0,1]之间的数值。

分类模块408，用于比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别，训练样本库包括各个类别的交通信号灯的训练样本。

例如，在箭头型交通信号灯中，包括9个类别，分别是直走红色、直走黄色、直走绿色、左走红色、左走黄色、左走绿色、右走红色、右走黄色和右走绿色。

在本实施例中，第一处理模块402可以包括：

第一处理单元，用于采用以下公式对原始图像进行阈值分割：

Bin(x,y)图像中的一个像素点，(x,y)是像素点在图像所在平面的坐标，Bin(x,y)为0表示该像素点为黑色，1表示为白色。v_R(x,y),v_G(x,y),v_B(x,y)分别为(x,y)的R，G，B通道值，T₁,T₂为图像分割阈值。

具体地，上述T1和T2是多次统计后获得的经验值。优选地，T1可以为50，T2为20。

在本实施例中，第一定位模块403可以包括：

确定单元，用于确定黑色区域二值图像中的连通区域。

过滤单元，用于根据灯板的位置、宽高比、面积和饱和度过滤掉不符合灯板要求的连通区域，得到候选区域。

灯板的宽高比和面积都是根据实际中存在的灯板的类别预先设定的。灯板的位置指的是灯板在原始图像中的位置，一般处于原始图像的中上方。

判断单元，用于在仅得到一个候选区域时，确定该候选区域为灯板区域；

在得到多个候选区域时，根据候选区域间的位置关系，确定灯板区域。

具体地，判断单元如何在得到多个候选区域时，根据候选区域间的位置关系，确定灯板区域，在实施例二中已有详细说明，这里不再赘述。

在本实施例中，第二处理模块404可以包括：

第二处理单元，用于采用以下公式将灯板区域的图像从RGB空间转换到YCbCr空间：

$\left\{\begin{array}{c}Y=0.257\&times;R+0.564\&times;G+0.098\&times;B+16\\ \mathrm{Cb}=-0.148\&times;R-0.291\&times;G+0.439\&times;B+128\\ \mathrm{Cr}=0.439\&times;R-0.368\&times;G-0.071\&times;B+128\end{array}\right.,$ 该R、G、B分别表示灯板区域的图像在RGB空间中的R通道值、G通道值和B通道值；

第三处理单元，用于采用阈值T_R分割Cb通道图像，得到红色区域二值图像和黄色区域二值图像，用阈值T_G分割Cr通道图像，得到绿色区域二值图像。

具体地，利用Cb通道值小于阈值T_R分割得到红色和黄色区域二值图像。利用Cr通道值小于阈值T_G分割得到绿色区域二值图像。

其中，阈值T_R和阈值T_G均可以根据经验值来确定，例如二者均取值114。

在本实施例中，第二定位模块405可以包括：

第一确定单元，用于在红色和黄色区域二值图像以及绿色区域二值图像上确定感兴趣区域，感兴趣区域是大小在预定范围内的连通区域；

计算单元，用于计算感兴趣区域的宽高比以及感兴趣区域与灯板区域的相对位置；

第二确定单元，用于在感兴趣区域的宽高比以及感兴趣区域与灯板区域的相对位置符合交通信号灯的特征时，确定感兴趣区域为交通信号灯候选区域。

在实际中，交通信号灯分为竖灯板和横灯板两类交通信号灯，竖灯板是三个交通信号灯设置在灯板的同一列。下面以竖灯板为例：红色交通信号灯一般在灯板的上1/3处，黄色交通信号灯在灯板的中间1/3处，而绿色交通信号灯在灯板的下1/3处。用交通信号灯和灯板区域之间的相对位置来判定交通信号灯候选区域。

下面以竖灯板为例进行说明：

对于红色和黄色的交通信号灯候选区域：

令Cb通道阈值分割后的红色和黄色区域二值图像为B_R，标记B_R中的连通区域Nr是感兴趣区域的个数。假设交通信号灯的感兴趣区域外接矩形框为{SR_x,SR_y,SR_w,SR_h}，(SR_x，SR_y)是矩形框的左上角坐标，SR_w为矩形的宽度，SR_h是矩形的高度，其包含的像素个数为SR_a。

如果感兴趣区域自身的特性，及与灯板区域R_Cd之间的相对位置满足以下关系：

$\left\{\begin{array}{c}{T}_{\mathrm{Al}}<{\mathrm{SR}}_a<T_{\mathrm{Au}}\\ T_{\mathrm{Rl}}<{\mathrm{SR}}_h/{\mathrm{SR}}_w<T_{\mathrm{Ru}}\\ {\mathrm{SR}}_w>R_i\left(w\right)/2\\ R_i\left(h\right)/5<{\mathrm{SR}}_h<R_i\left(h\right)/2\\ {\mathrm{SR}}_x<R_i\left(w\right)/3\end{array}\right.;$

那么则是一个交通信号灯候选区域。其中，R_i(w)为灯板的宽度，R_i(h)为灯板的高度，阈值可以采用下述取值：T_Al＝50，T_Au＝1000，T_Rl＝0.5，T_Ru＝1.5。

采用下面的公式区分红、黄色交通信号灯：

对于绿色的交通信号灯候选区域：

标记Cr通道的二值图像为B_G中的连通区域为Ng是感兴趣区域的个数。若的外接矩形为{SR_x,SR_y,SR_w,SR_h}满足交通信号灯自身特性和相对位置，其左上角坐标(SR_x,SR_y)中SR_y满足下式：

那么是绿色的交通信号灯候选区域。

进一步地，为了通过上述特征向量对交通信号灯候选区域进行分类，该装置还可以包括：

样本模块，用于建立交通信号灯的训练样本库，并降低训练样本库中特征的冗余度。

具体地，样本模块在识别交通信号灯的类别之前，提取4类(仅为举例)交通信号灯的训练样本库，并建立其对应的Gabor小波特征库，每类交通信号灯的样本图像可以提取出3600维特征。为了降低特征数量，用2维独立分量分析算法降低特征的冗余度，提高训练样本库特征之间的独立性。

假设每类交通信号灯的训练样本库特征为χ_j＝{χi_j,i＝1,2,......,N_j}，χi_j∈R^n×n，其中N_j为训练样本个数。假设训练样本库样本图像的平均特征为则训练样本库的协方差矩阵有：

$\mathrm{\&Sigma;}=\frac{1}{F\&times;L}\underset{j=1}{\overset{F}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_j}{\mathrm{\&Sigma;}}}{({\mathrm{\&chi;}}_{\mathrm{ij}}-\stackrel{\&OverBar;}{\mathrm{\&chi;}})}^T({\mathrm{\&chi;}}_{\mathrm{ij}}-\stackrel{\&OverBar;}{\mathrm{\&chi;}});$

其中F＝4，表示4类导向交通信号灯，L为每类交通信号灯的训练样本数。

用奇异值分解法对∑分解，满足∑＝UΛU^T，Λ＝diag(λ₁,λ₂,L,λ_n)，满足λ_j≥λ_j+1，U为特征向量组成的正交阵。取r＝4，则Λ_r＝diag(λ₁,λ₂,L,λ_r)及其对应的特征向量U_r＝[u₁,u₂,L,u_r]，构造白化矩阵为了降低训练样本库特征χ_ij的冗余度，需求取优化映射矩阵S＝(s₁,s₂,L,s_r)，r为其独立向量的个数，s_i的均值必须为0，方差为1的非高斯分布。令z＝E∑^T，有

$S=W\&times;{\mathrm{\&Lambda;}}_r^{-1/2}\&times;U_r^T;$

其中W是分离矩阵。用得到的优化特征向量矩阵S＝(s₁,s₂,L,s_r)来提取特征。对于样本库中的每个图像特征有：

$Y=({\mathrm{\&chi;}}_{\mathrm{ij}}-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}_j)S;$

即

$[Y_1,Y_2,L,Y_r]=({\mathrm{\&chi;}}_{\mathrm{ij}}^1-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}^1,{\mathrm{\&chi;}}_{\mathrm{ij}}^2-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}^2,L,{\mathrm{\&chi;}}_{\mathrm{ij}}^n-{\stackrel{\&OverBar;}{\mathrm{\&chi;}}}^n)\left[\begin{array}{c}{s}_1^T\\ s_2^T\\ M\\ s_r^T\end{array}\right];$

映射特征向量Y₁,Y₂,......,Y_r即为训练样本特征χ_ij的独立主分量。训练样本χ_i的特征矩阵可以降为n×r矩阵B＝(Y₁,Y₂,…,Y_r)。

进一步地，该装置还可以包括：

第五处理模块409，用于采用二维独立分量分析算法降低特征向量的维数。

第五处理模块409可以采用与上述降低训练样本库中特征的冗余度相同的方式，降低特征向量的维数，这里不再赘述。

在本实施例中，分类模块408处理过程中采用如下方式实现：

假设交通信号灯的类别为c_i,i＝1,2,L,4，每类均有N_i个训练样本：

$B_j^{\left(i\right)}=[Y_1^{\left(i\right)},Y_2^{\left(i\right)},L,Y_r^{\left(i\right)}],j=\mathrm{1,2},L,N_i;$

而是训练样本的总个数。下面选用基本的最近邻分类方法对交通信号灯方向状态进行分类。假设测试样本的特征为B，c_i的距离决策函数定义为：

$D_i(B,B_j^{\left(i\right)})=\sqrt{{(B-B_j^{\left(i\right)})}^T(B-B_j^{\left(i\right)})}=\underset{k=1}{\overset{r}{\mathrm{\&Sigma;}}}{\left|\right|Y-Y_j^{\left(i\right)}\left|\right|}_2;$

其中||·||₂为两个向量间的欧式距离。令

$D_k\left(B\right)=\underset{i=\mathrm{1,2},L,F}{\min }\left\{D_i(B,B_j^{\left(i\right)})\right\};$

则可用下列判断规则，判断交通信号灯候选区域的类别信息：

其中，T_L为相似性阈值，以判断是否为某类别的交通信号灯。该装置可以较好的分类交通信号灯的类别，且误识别率均较低，对城市环境中的交通信号灯识别非常有效。

进一步地，为了保证输出的交通信号灯的类别的准确性，该装置还可以包括：

判断模块，用于根据经验性约束条件判断确定出的交通信号灯的类别是否准确，经验性约束条件是根据实际中交通信号灯的设置得到的。

当确定出的交通信号灯的类别是否准确不正确时，调整不符合经验约束的输出类别。

城市中交通信号灯存在一些经验性约束条件：

[1]同一个交通信号灯灯板上的红，黄，绿交通信号灯不能同时亮；

[2]在三个交通信号灯的路口，最左侧的一般是左转车道指示信号，为一个左向箭头，中间一般为直行车道，为一向上箭头，左侧为右转车道，为一右向箭头。

[3]右转和直行交通信号灯经常为同时红或绿。

本发明实施例通过对原始图像进行RGB阈值分割，得到黑色区域二值图像，在黑色区域二值图像上定位出灯板区域，再将灯板区域的图像从RGB空间转换到YCbCr空间，并分割出红色和黄色区域二值图像以及绿色区域二值图像，在上述二值图像上定位交通信号灯候选区域；将交通信号灯候选区域的图像灰度化和归一化后，进行Gabor小波变换；对Gabor小波图像的幅值进行采样，得到特征向量，比较特征向量与训练样本库中训练样本的相似度，确定交通信号灯的类别；利用上述YCbCr空间分割出的二值图像来检测交通信号灯候选区域，可以明显降低车灯和反光的影响，提高系统的检测性能；根据灯板的特征以及交通信号灯的特征在黑色区域二值图像及红色和黄色区域二值图像以及绿色区域上进行定位，可以明显降低误检率；用Gabor小波变换提取交通信号灯的特征向量后，与训练样本库中训练样本的相似度进行比较确定交通信号灯的类别，分类准确率高，从而能够实现对交通信号灯的准确识别。

需要说明的是：上述实施例提供的交通信号灯识别装置在识别交通信号灯时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的交通信号灯识别装置与交通信号灯识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种交通信号灯识别方法，其特征在于，所述方法包括：

采集原始图像；

对所述原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像；

根据灯板的特征，在所述黑色区域二值图像中定位出灯板区域，所述灯板的特征包括所述灯板的宽高比以及所述灯板在所述原始图像中的位置；

将所述原始图像中所述灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像；

根据所述交通信号灯的特征，在所述红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，所述交通信号灯的特征包括所述交通信号灯的外接矩形的宽高比以及所述交通信号灯与所述灯板区域的相对位置；

将所述原始图像中所述交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化之后的所述交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像；

对所述Gabor小波图像的幅值进行采样，得到特征向量；

比较所述特征向量与训练样本库中训练样本的相似度，确定所述交通信号灯的类别，所述训练样本库包括各个类别的交通信号灯的训练样本。

2.根据权利要求1所述的方法，其特征在于，所述对所述原始图像在RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像，包括：

采用以下公式对所述原始图像进行阈值分割：

Bin(x,y)是图像中的一个像素点，(x,y)是所述像素点在图像所在平面的坐标，v_R(x,y),v_G(x,y),v_B(x,y)分别为所述(x,y)的R，G，B通道值，T₁,T₂为图像分割阈值。

3.根据权利要求1所述的方法，其特征在于，所述将所述原始图像中所述灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像，包括：

采用以下公式将所述灯板区域的图像从RGB空间转换到YCbCr空间：

$\left\{\begin{array}{c}Y=0.257\&times;R+0.564\&times;G+0.098\&times;B+16\\ \mathrm{Cb}=-0.148\&times;R-0.291\&times;G+0.439\&times;B+128\\ \mathrm{Cr}=0.439\&times;R-0.368\&times;G-0.071\&times;B+128\end{array}\right.,$ 所述R、G、B分别表示所述灯板区域的图像在RGB空间中的R通道值、G通道值和B通道值；

采用阈值T_R分割Cb通道图像，得到所述红色区域二值图像和所述黄色区域二值图像；

采用阈值T_G分割Cr通道图像，得到所述绿色区域二值图像。

4.根据权利要求1所述的方法，其特征在于，所述根据所述交通信号灯的特征，在所述红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，包括：

在所述红色和黄色区域二值图像以及绿色区域二值图像上确定感兴趣区域，所述感兴趣区域是大小在预定范围内的连通区域；

计算所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置；

如果所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置符合所述交通信号灯的特征，则确定所述感兴趣区域为所述交通信号灯候选区域。

5.根据权利要求1～4任一项所述的方法，其特征在于，所述方法还包括：

根据经验性约束条件判断确定出的所述交通信号灯的类别是否准确。

6.一种交通信号灯识别装置，其特征在于，所述装置包括：

采集模块，用于采集原始图像；

第一处理模块，用于对所述原始图像在红绿蓝RGB空间的三个通道值进行阈值分割，得到黑色区域二值图像；

第一定位模块，用于根据灯板的特征，在所述黑色区域二值图像中定位出灯板区域，所述灯板的特征包括所述灯板的宽高比以及所述灯板在所述原始图像中的位置；

第二处理模块，用于将所述原始图像中所述灯板区域的图像从RGB空间转换到YCbCr空间，并分别分割出红色和黄色区域二值图像以及绿色区域二值图像；

第二定位模块，用于根据所述交通信号灯的特征，在所述红色和黄色区域二值图像以及绿色区域二值图像上确定交通信号灯候选区域，所述交通信号灯的特征包括所述交通信号灯的外接矩形的宽高比以及所述交通信号灯与所述灯板区域的相对位置；

第三处理模块，用于将所述原始图像中所述交通信号灯候选区域的图像灰度化和归一化，并对灰度化和归一化之后的所述交通信号灯候选区域的图像进行Gabor小波变换，得到Gabor小波图像；

第四处理模块，用于对所述Gabor小波图像的幅值进行采样，得到特征向量；

分类模块，用于比较所述特征向量与训练样本库中训练样本的相似度，确定所述交通信号灯的类别，所述训练样本库包括各个类别的交通信号灯的训练样本。

7.根据权利要求6所述的装置，其特征在于，所述第一处理模块，包括：

第一处理单元，用于采用以下公式对所述原始图像进行阈值分割：

Bin(x,y)是图像中的一个像素点，(x,y)是所述像素点在图像所在平面的坐标，v_R(x,y),v_G(x,y),v_B(x,y)分别为所述(x,y)的R，G，B通道值，T₁,T₂为图像分割阈值。

8.根据权利要求6所述的装置，其特征在于，所述第二处理模块，包括：

第二处理单元，用于采用以下公式将所述灯板区域的图像从RGB空间转换到YCbCr空间：

$\left\{\begin{array}{c}Y=0.257\&times;R+0.564\&times;G+0.098\&times;B+16\\ \mathrm{Cb}=-0.148\&times;R-0.291\&times;G+0.439\&times;B+128\\ \mathrm{Cr}=0.439\&times;R-0.368\&times;G-0.071\&times;B+128\end{array}\right.,$ 所述R、G、B分别表示所述灯板区域的图像在RGB空间中的R通道值、G通道值和B通道值；

第三处理单元，用于采用阈值T_R分割Cb通道图像，得到所述红色区域二值图像和所述黄色区域二值图像；

采用阈值T_G分割Cr通道图像，得到所述绿色区域二值图像。

9.根据权利要求6所述的装置，其特征在于，所述第二定位模块，包括：

第一确定单元，用于在所述红色和黄色区域二值图像以及绿色区域二值图像上确定感兴趣区域，所述感兴趣区域是大小在预定范围内的连通区域；

计算单元，用于计算所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置；

第二确定单元，用于在所述感兴趣区域的宽高比以及所述感兴趣区域与所述灯板区域的相对位置符合所述交通信号灯的特征时，确定所述感兴趣区域为所述交通信号灯候选区域。

10.根据权利要求6～9任一项所述的装置，其特征在于，所述装置还包括：

判断模块，用于根据经验性约束条件判断确定出的所述交通信号灯的类别是否准确。