交通信号灯分为箭头形和圆形（国外以圆形交通信号灯为主）两种，而交通信号灯的背板的安装差异却较大。现已有的大多数研究主要针对圆形交通信号灯，只要准确定位其位置，判定其颜色信息，就完成了对交通信号灯的识别。然而对于目前应用越来越广泛的箭头形交通信号灯，仅仅获取位置和颜色信息是不够的，还要判定其状态信息，才能完成识别的过程。

1.基于颜色特征的交通灯分割

基于颜色特征的交通灯的检测识别算法利用了三种颜色的交通灯都要发出特定色彩光的特点，其算法核心在于选择某个色彩空间对交通灯的颜色进行描述。文献[28]在HSV颜色空间对三种交通灯取样，并对三种色彩交通灯的H值（色调）和S值（饱和度）建立三个二维高斯模型，实验表明该算法具有较高的识别准确率，但是因为每个像素都需要计算其三个高斯分布的值，计算量很大，无法达到实时处理。

由于交通灯只有红、黄、绿三种颜色，只需找到对三种颜色描述清晰的色彩空间，在该空间查找出交通灯候选区域；然后利用交通灯在形状上的典型特征对候选区域进行确认；最后使用统计方法对识别结果进行验证，从而完成交通灯的识别。

2.图像预处理

如图2-28所示，由于拍摄的交通灯图像效果会随着光照和天气等不同条件的变化有波动，为了减少波动对于实验结果的影响，将常规的图像从传统的RGB空间转换到归一化的RGB空间。

图2-28 图像预算法流程图

假设图像中某点的红、绿、蓝的通道值分别为r、g、b，归一化后红、绿、蓝的通道值分别为R、G、B，则它们的关系如下：

式中，s=r+g+b。经过这一步骤处理的图像如图2-29（见彩插）所示。

图2-29 归一化RGB效果图

在归一化的RGB图像的基础上，下一步是选出候选区域，就本书所用的样本而言，候选区域的RGB值在满足以下关系时会有较好的效果，效果如图2-30（见彩插）所示。

(www.daowen.com)

图2-30 挑选候选区域图

实验测试

本实验使用的操作系统为Windows8.1中文版，使用的软件为Vision Studio2010专业版，使用的OpenCV版本为OpenCV2.4.10。我们这次实验的机器配置的CPU为Inter Core i5-4210M2.60GHz，内存为4.00GB，系统为基于x64处理器的64位操作系统。

本实验使用的样本库由200张正样本和1800张负样本组成。其中正样本图片大小为24×24像素，负样本图片大小为320×240像素，我们的样本图片均来自于网址www.lara.prd.fr/benchmarks/trafficlightsrecognition。训练所使用正样本数量为200张，负样本数量为700张（其中100张为hard example、24×24像素），测试样本数量为20张，对图片的预处理过程如图2-28所示。

在训练好分类器后，我们开始对测试样本进行测试效果，测试效果如图2-31（见彩插）和图2-32（见彩插）所示。

图2-31 效果较好的测试图

由图2-32可知，有的车灯的形状与红绿灯的形状非常相似，所以会出现把汽车的后车灯当作是红灯的情况。

由图2-33可知，当交通灯离得过远时，是很难检测出来的。

从本次的实验结果分析可以得到，这次实验交通灯检测效果与样本的大小、正负样本数的比例、图片特征的维数、图片的预处理效果有很大的关系。其中图片预

图2-32 误检效果图

图2-33 漏检的测试图

处理在前三项的处理效果不是很好时，依然可以使检测的精确度保持在一定水准，图片的预处理会挑选出红色、绿色、黄色的区域作为红绿灯的候选区域，排除掉其他颜色的区域，然后再进行HOG算法的检测，这一做法对降低误检效果显著。但在拍摄时光照过亮、距离过远等的情况下，会使交通灯的颜色有所变化，导致会把交通灯的一部分过滤掉从而检测不到。当车在开动的过程中尤其是在拐弯时，所拍摄到的灯的形状会改变，这也会导致检测不到。