CN108416284A - 一种交通信号灯的分割方法 - Google Patents

Abstract

本发明公开了一种交通信号灯的分割方法，针对辅助驾驶、自动驾驶等应用中的交通信号灯检测和识别中，由于分割门限不合理导致的信号灯分割不准确的问题，给出了一种利用一维高斯模型进行信号灯分割的方法。该发明利用所采集的交通信号灯的颜色分布服从一维高斯分布的特性，利用设定的置信度计算分割门限，并结合信号灯的安装位置等先验信息进行信号灯分割结果的后处理，得到最终的分割结果。该发明的信号灯分割方法可以有效抑制视频图像中的干扰因素对信号灯分割的影响。

Description

一种交通信号灯的分割方法

技术领域：

本发明给出了一种道路场景下交通信号灯的分割方法，属于视频图像处理领域。

背景技术：

我国的交通信号灯是根据《道路交通信号灯设置与安装规范》(GB14886-2016)中规定的标准进行安装设置的，其主要功能是控制车辆、行人的通行与停止。交通信号灯只有红色、黄色、绿色三种颜色，其形状主要为圆形、箭头形以及数字形信号灯。不同颜色的信号灯有不同的功能，红色表示停止，绿色表示允许通过，黄灯表示减速等待。从功能上划分，圆形信号灯只起到控制前进与停止的作用，箭头形信号灯还有着控制行车方向的功能，数字信号灯只起到倒计时的作用。

从采集的视频图像中自动分割、检测交通信号灯是实现辅助驾驶和自动驾驶的基础工作之一。颜色特征是交通信号灯最为显著的特征，直接基于颜色特征进行处理是实现信号灯区域分割的最常用的方法。但由于交通信号等本身尺寸较小、又受到光线、天气、周围干扰物等多种因素的影响，使得交通信号灯的分割中会出现较大的分割偏差和较多的干扰目标，这些都严重影响着信号灯分割、检测和识别的效果，也影响着智能设备的信息处理和决策，阻碍了智能交通的发展应用。

RGB颜色模型是采集光学图像的摄像机所常用的颜色模型，通过加权混合红色(Red， R)、绿色(Green，G)、蓝色(Blue，B)三种原色，可以组合形成不同的颜色。当环境光强变化时，三通道的值的变化范围很大，且规律不明显。智能交通需要处理各种不同光强下的信号灯检测和识别，所以RGB颜色模型并不适合进行交通标志及信号灯的分割、检测处理。

发明内容：

本发明的目的是针对图像中交通信号灯分割过程中，由于分割门限不合适、环境干扰影响等导致的信号灯分割不准确、甚至出现较多的干扰目标等，利用信号灯像素在不同的通道上近似服从一维高斯分布以及安装位置有明确规范的特点，提供一种交通信号灯分割方法，提高交通信号等的检测和识别性能。

本发明遵循了以下的技术方案：

1、对已有的训练图像进行HSV变换，将图像从RGB空间转换到HSV空间；

2、对训练图像的色调通道和饱和度通道分别进行一维高斯拟合，估计分布参数；

3、根据设定的置信度，计算信号灯分割门限；

4、根据计算得到的分割门限，对经过HSV变换的实时采集图像进行分割，得到初步分割结果；

5、利用交通信号灯的先验信息，对步骤4)得到的分割结果进行后处理，得到最终分割结果。

本发明的分割方法可以有效去除固定门限分割中出现的信号灯像素丢失、干扰目标较多等缺点，并且实现过程中不涉及复杂的运算，简单易行。

附图说明：

图1：交通信号灯分割流程

图2：待处理的交通信号灯图像

201：红色信号灯；202：绿色信号灯；203：黄色信号灯

图3：交通信号灯分割结果

301：黄色信号灯分割结果；302：绿色信号灯分割结果；303：黄色信号灯分割结果

具体实施方式：

信号灯分割是智能交通图像处理中的前端处理，是后续的信号灯检测和识别的基础，通过该分割处理，一方面将疑似的信号灯区域从整体的图像区域中分离出来，减小信号灯检测和识别的区域，另一方面，需要将其他干扰物，如树叶、干扰光线等产生的虚假目标尽可能的去除，以免造成错误的结果。此外，好的分割算法还有助于保留信号灯的外部轮廓等特征，有助于后续的信号灯识别等处理。本发明的信号灯分割方法的流程如图1所示。其中包括了 RGB图像转化为HSV图像、HSV图像中色度和饱和度通道的一维高斯拟合、分割门限计算、信号灯分割、分割结果的后处理等。其中，对于已有信号灯图像的处理过程可以作为训练过程，可以事先完成。本发明的具体实现过程包含了五个步骤。

1、已有训练图像的HSV变换

从RGB颜色模型转换为HSV颜色模型，其公式如下：

其中，

对三通道进行归一化之后，每个通道从0到1的变化有着不同的含义：色调H按照红橙黄绿青蓝紫的顺序渐变，最后回归到红色，饱和度S是颜色从淡到浓的变化，亮度V则是颜色从暗到明的变化。由于亮度主要受光强影响，本发明中的分割门限计算中，没有考虑亮度V的影响。

2、对训练图像的色调通道和饱和度通道进行一维高斯拟合

假定HSV变换后训练图像的色调集合为{h_i,c|i＝1,2,...N_c；c＝r,g,y}，饱和度集合为 {s_i,c|i＝1,2,...N_c；c＝r,g,y}，下标i为图像中像素序号，c为信号灯颜色，分别对应红灯、绿灯和黄灯，N_c为不同颜色的信号灯的像素数目。则在利用一维高斯分布模型进行拟合时，分布模型可以采用均值和标准差来描述，对于色调通道，均值和标准差的估计公式为：

对于饱和度通道，均值和标准差的估计公式为：

3、根据设定的置信度α，计算信号灯分割门限

假定f(x)为由均值和标准差确定的一维高斯分布函数。则α与f(x)间有关系式

上式积分运算中μ和σ分别为高斯分布的均值和标准差，其值可以利用步骤2)计算得到。k为门限系数，是待求量，可以由(9)式计算得到。计算得到k后，就可以计算出不同颜色信号灯的分割门限，色调通道分割的上限和下限为

饱和度通道的分割门限则为

4、对经过HSV变换的实时采集图像进行分割

对实时采集图像，采用步骤1的变换方法，从RGB颜色模型转换为HSV颜色模型。分别对变换后的色度通道和饱和度通道进行判断，同时满足色度和饱和度判断准则的为信号灯像素。

对色度通道的像素h_i,c，判断准则如下：

th_b,h≤h_i,c≤th_u,h (12)

对饱和度通道的像素s_i,c，判断准则如下：

th_b,s≤s_i,c≤th_u,s (13)

通过以上的检测，实现图像中交通信号灯的初步分割。

5、对分割结果进行后处理

信号灯主要安装在道路上方，对于这类信号灯，可以对步骤4)的分割结果进行高度判断，当满足占高比要求时判断为信号灯，否则，作为干扰去除，占高比定义为：

式中H,L分别为图像的高度和信号灯离图像上边沿的距离，当信号灯出现在图像的最上侧时，有r＝0。对于位于道路上方的信号灯，在图像中的占高比范围为[0,0.55]。对步骤4) 中分割为信号灯的像素进行判断，当时，该像素判断为虚假信号灯像素，删除，经占高比处理和计数滤波处理后得到最终分割结果。

为验证该信号灯分割方法的有效性，进行了实测数据实验，试验中采用不同颜色的信号灯各100幅作为训练图像，HSV变换后对红灯、绿灯、黄灯分别进行一维高斯拟合，得到 95％置信度下的分割门限，然后对实测图像进行分割处理。待分割图像如附图2所示。经过信号灯分割和后处理后的分割结果如附图3所示。可以看出，该方法可以有效的从视频图像中分割出不同颜色的交通信号灯，并且分割结果准确。

Claims (3)

1.一种交通信号灯的分割方法，其特征在于：

1)对已有的训练图像进行HSV变换，将图像从RGB空间转换到HSV空间；

2)对训练图像的色调通道和饱和度通道分别进行一维高斯拟合，估计分布参数。假定训练图像的色调集合为{h_i,c|i＝1,2,...N_c；c＝r,g,y}，饱和度集合为{s_i,c|i＝1,2,...N_c；c＝r,g,y}，下标i为图像中像素序号，c为信号灯颜色，分别对应红灯、绿灯和黄灯，N_c为不同颜色的信号灯的像素数目。则在利用一维高斯分布模型进行拟合时，分布模型可以采用均值和标准差来描述，对于色调通道，均值和标准差的估计公式为：

对于饱和度通道，均值和标准差的估计公式为：

3)根据设定的置信度，计算信号灯分割门限；

4)根据计算得到的分割门限，对经过HSV变换的实时采集图像进行分割，得到初步分割结果；

5)利用交通信号灯的先验信息，对步骤4)得到的分割结果进行后处理，得到最终分割结果。

2.如权利要求1的方法，步骤3)中计算信号灯分割门限利用了色调通道和饱和度通道的一维高斯分布，以及设定的置信度α。假定f(x)为由均值μ和标准差σ确定的一维高斯分布函数。则α与f(x)间有关系式

上式中μ和σ的值可以利用步骤2)中公式(1)—公式(4)计算得到。k为门限系数，是待求量，由(5)式可以计算得到，进而可以得到不同颜色的信号灯的分割门限。色调通道分割的上限和下限为

饱和度通道的分割门限则为

3.如权利要求1的方法，步骤5)中利用交通信号灯的先验信息对分割结果进行后处理，对步骤4)的分割结果进行高度判断，当满足占高比要求时判断为信号灯，否则，作为干扰去除，占高比定义为：

式中H,L分别为图像的高度和信号灯离图像上边沿的距离，当信号灯出现在图像的最上侧时，r＝0。信号灯在图像中的占高比范围为[0,0.55]。对步骤4)中分割为信号灯的像素进行判断，当时，该像素判断为虚假信号灯像素，删除，实现对步骤4)分割结果的后处理。