写在前面
 
1）现实意义
 
早期使用的交通信号灯是固定配时的调控方式，无法随着车流量的变动而调整绿灯时间，这降低绿灯的使用效益，增大了车辆在交叉口的延误。堵车现象频繁发生，给市民工作生活带来了极大不便，国民经济受到影响。这时候提高道路通行效率，特别是交叉路口的车辆通行效率就显得尤为重要。
 
2）关键技术
 
智能交通系统的核心是交通信号灯的智能控制算法，根据实时交通流的大小，配置信号周期及各种色灯的闪亮时间， 以在所有道口的全体车辆等待时间最短为目标。
 
3）实时配时算法的实现
 
本文主要以MATLAB的模糊数据工具箱和GUI界面设计模块为基础，结合现有的关于智能交通信号灯控制系统的理论，进行对智能交通系统的实时配时算法的设计和实现。
 
软件工具：MATLAB
 文献参考：https://wenku.baidu.com/view/8c814b04844769eae009ed5e.html
 
关于实时配时模型设计的理论知识，这里就不再 赘述了，通过上方给出的文献，也可以在知网上搜寻其他文献，来了解下理论内容。接下来，主要将智能交通信号灯控制系统的核心部分（即实时配时算法），用MATLAB工具进行设计和实现。
 
1. 模糊控制算法的设计
 
本小节主要内容就是使用MATLAB的模糊数据工具箱，建立基于排队长度和长度差的模糊控制规则、控制算法。
 搭建好的模糊控制算法，如下图所示：
 其中Road01是代表其中一条路上检测到的车辆（关于如何检测车辆数目，可以用视觉识别系统，路面传感器设置等多种方式，由于不是本文的重点内容，本文就不再赘述了）；Road02是代表两条路上车辆数目的差值。
 １）模糊模型具体的步骤建立，参考下方链接：
 https://mp.csdn.net/mdeditor/89057028#
 ２）基于模糊数据模型，用MATLAB中的simulink仿真模块建立一个Model，可以看出两个输入与输出的关系。也就是说，输入一条道路上的车辆数目以及两条道路车辆的差值，那么便可以得到，该道路上的绿灯需要时间，于此同时，另一个道路的红灯时间与此路口绿灯时间一致。
 关于Simulink中建立Model的具体步骤，参考下方链接：
 https://blog.csdn.net/weixin_43958974/article/details/89057396
 
２. 模糊控制平面
 
根据以上步骤得出的绿灯延时模糊控制规则，可以用MATLAB拟合和绘制出相对应的模糊控制平面。
 关于离散二元曲面的拟合，参考如下链接：
 https://blog.csdn.net/weixin_43958974/article/details/89057727
 
3. GUI界面设计
 

 １）Road01与Road02为输入值，它们分别代表着十字路口两条路况下检测到的路况数目。
 既可以手动输入，两条路况车辆的数目进行模拟计算其中一条路口绿灯延时情况。也可以点击输入，自动为Road01和Road02两者进行赋值随机数，并且由于路况车辆数目是随机的，并且根据统计学规律，该随机数是服从泊松分布的，因此，该界面可以自动为两者赋值泊松分布随机数的（泊松分布参数可以根据统计进行修改，暂时分别设定为２０与５方便智能交通信号灯系统的模拟）。如下图所示：
 ２）为Road01与Road02赋值后，点击确定，图框内会模拟绿灯，并且在其下方，根据所建立的模糊数据模型计算得到绿灯的延时时间。此时的时间保留为双精度的。
 
 ３）点击倒计时，右侧的时间会开始以整型数据的形式，进行倒计时。
 
 并且，在倒计时完成之后，会变为红灯。

 
基于MATLAB图像处理交通信号灯识别
 


 
摘 要：交通信号灯是智能车辆在城市环境中行驶的主要指示信号，在城市交通安全中发挥了不可或缺的作用。交通信号灯通常设在交叉口，能够供应智能车辆的方位信息，查看和辨认交通信号灯的情况是智能车辆感知的重要任务。在简单工况下，可在各种颜色空间中利用信号灯颜色的先进行分割得到兴趣区域，然后再通过信号灯所特有的形状特征等进行进一步的判定。
 
关键词：智能车辆；感知；颜色空间
 
前言
 
智能车辆感知层主要有摄像头、雷达等，其中摄像头是视觉识别的重要元件。智能车辆可以通过摄像头进行交通标识识别，配合其它感知元件进行环境感知。交通信号灯是智能车辆在城市环境中行驶的主要指示信号，如交通信号灯等交通标示识别，是智能车辆进行路径规划、车道动态控制的前提因素。本文介绍了在简单工况下，利用 MATLAB 图像处理工具箱的相关函数在颜色空间中对信号灯颜色进行分割等操作，然后再通过信号灯形状特征等进行进一步的判断从而识别交通信号灯的简便方法。
 


 
系统分析
 
交通信号灯
 


 
道路交通信号灯[1]是指挥交通运行的信号灯，一般由红灯、绿灯、黄灯组成三个无图案圆形单位组成的一组灯，指导机动车通行。绿灯亮时，准许车辆通行，但转弯的车辆不得妨碍被放行的直行车辆、行人通行；黄灯亮时，已越过停止线的车辆可以继续通行；红灯亮时，禁止车辆通行。
 
国标 GB14887 中对道路交通信号灯有明确规定，如发光单元尺寸Φ200mm、Φ300 mm、Φ400 mm 三种规格发光单元在信号灯壳体上安装孔的直径分别为Φ200mm、Φ290
 
mm、Φ390 mm，尺寸允许偏差±2 mm。对于无图案信号灯，出光面直径分别为Φ185mm、Φ275 mm、Φ365 mm，尺寸
 
允许偏差±2 mm；对于有图案信号灯，出光面直径分别为Φ185mm、Φ275 mm、Φ365 mm，尺寸允许偏差±2 mm，图
 
像尺寸符合国标附录。
 
发光亮度在各个方向上的平均值不低于表 1 中的最小亮度值，且不大于 15000cd/m2。在可观察信号灯点亮区域内， 亮度应均匀，在基准轴上的发光亮度的最大值与最小值之比应不大于 2。
 
表 1 有图案信号灯最低亮度值
 


 


 

 

  
 
 


 
发光强度在基准轴上不小于 150cd，且不大于 400 cd，其它方向上的发光强度应不低于表 2 规定。
 
表 2 有图案信号灯轮廓最低光强
 


 


 

 

  
 
 


 
彩色视觉
 


 
彩色视觉（color vision）是一个生物体或机器基于物体所反射，发出或透过的光的波长（或频率） 以区分物体的能力。颜色可以以不同的方式被测量和量化；事实上，人对颜色的感知是一个主观的过程，即，脑响应当进入的光与眼中的若干种视锥细胞作用时所产生的刺激。
 
彩色视觉常用颜色空间也称彩色模型(又称彩色空间或彩色系统）描述，它的用途是在某些标准下用通常可接受的方式对彩色加以说明。彩色模型是坐标系统和子空间的阐述。位于系统的每种颜色都有单个点表示。采用的大多数颜色模型都是面向硬件或面向应用的。
 


 


 

 

  
 
 


 


 
图 1 颜色空间模型
 
其中 RGB 颜色空间是依据人眼识别的颜色定义出的空间，可表示大部分颜色。以 R(Red 红)、G(Green 绿)、B(Blue 蓝)三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式。在大自然中有无穷多种不同的颜色，而人眼只能分辨有限种不同的颜色，RGB 模式可表示一千六百多万种不同的颜色，在人眼看来它非常接近大自然的颜色，故又称为自然色彩模式。
 
亮度、色调、饱和度三个基本特征来描述；其中亮度是指明暗程度，色调是指光的颜色，饱和度是指颜色的深浅程度。颜色空间[2]模型如图 1 所示。
 
H 参数表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别相隔 120 度。S 为一比例值，范围从 0 到 1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。S=0 时，只有灰度。V 表示色彩的明亮程度，范围从 0 到 1。有一点要注意：它和光强度之间并没有直接的联系。
 
MATLAB 图像处理工具箱
 


 
Matlab 对图像的处理功能主要集中在它的图像处理工具箱（Image Processing Toolbox）中，图像处理工具箱是由一系列支持图像处理操作的函数组成，可以进行诸如几何操作、线性滤波和滤波器设计、图像变换、图像分析与图像增强、数学形态学处理等图像处理操作，主要有以下功能模块：
 

   

     
Image Acquisition Toolbox（图像采集工具箱）
Image Processing Toolbox（图像处理工具箱）
Signal Processing Toolbox（信号处理工具箱）
Wavelet Toolbox（小波分析工具箱）
Statistics Toolbox（统计工具箱）
Bioinformatics Toolbox（生物信息学工具箱）
 


 


 
Matlab 其具有上手容易，开发周期短，见效快；程序代码编写量明显减少；提供多种图像处理工具包等特点，比较适合进行图像识别相关工作。
 
识别系统方案实施
 


 
本文分析了道路交通信号灯色彩特点、图形学特点等特征，结合彩色视觉 RGB 颜色空间基本特征，并利用 Matlab 图像处理工具箱进行图像的灰度分割、边缘检测等操作，能够实现多交通信号灯的识别，并制定其系统流程如图 2 所示：
 


 


 

 

  
 
 


 


 
图 2 识别系统流程图
 
其中红色信号灯识别为例，首先将 RGB 值转换为相应的色调、饱和度和明度 (HSV) 坐标。rgb 可以是 p×3 颜色图数组或 m×n×3 图像数组。hsv 的大小与 rgb 相同。其次，
 


 


 
利用红色色彩特征值，搜索敏感区域识别红色颜色区域；并结合交通信号灯外形特征完成结构元素。再次，对图形结构元素实现二值化图像，填充背景色。
 
部分主要代码如下：
 
%hsv 三元色图像hsv=rgb2hsv(a); h=hsv(:,:,1);
 
s=hsv(:,:,2);
 
v=hsv(:,:,3); figure(2) imshow(hsv);
 
title('HSV 图像'); %转换为 hsv 图像并显示
 
bw1=h>0.9|h<0.05; %0.9，0.05
 
bw1=bw1.*(s>0.5); %检测红色区域se=strel('disk',3); %创建一个指定半径 R 的平面
 
结构元素
 
bw2=imopen(bw1,se); %用结构元素 SE 实现二值图像
 
的 bw1 的形态开运算。
 
bw2=bwfill(bw2,'holes'); %填充二进制图像的背景色figure
 
imshow(bw2)
 
依据以上方案在 MATLAB 环境中完成了整个算法搭建及实现，算法运行正常，随后分别针对网络资源道路交通信号灯图片、实际路况道路交通信号灯图片进行功能测试。
 


 
试验效果
 
网络资源验证
 


 


 


 

 

  
 
 


 


 
图 3 网络资源红灯识别效果
 


 

 

  
 
 


 


 
图 4 网络资源黄灯识别效果
 
为了验证算法实际效果，首先通过网络资源下载相关交通信号灯图片，利用已完成的算法进行离线交通信号灯识别效果验证，其效果如图 3、图 4 所示。
 
实际路况验证
 


 
为了进一步检验实际路口交通信号灯识别效果，本人通过手机（华为 LDN-AL20）拍摄实际路口交通信号灯图片进行实际效果检验，其效果如图 5、图 6 所示。
 


 


 

 

  
 
 


 


 
图 5 实际路口红灯识别效果
 


 


 

 

  
 
 


 
图 6 实际路口绿灯识别效果
 
根据验证效果分析，利用道路交通信号灯色彩特点、图形学特点等特征，结合彩色视觉 RGB 颜色空间基本特征， 并利用 Matlab 图像处理工具箱进行图像的灰度分割、边缘检测等操作，可以实现简单路况道路交通信号的识别。
 


 
结论
 
本文实现的评估方案是建立在道路交通信号灯色彩和形状特征基础上，利用 MATLAB 图像处理工具箱相关函数进行识别；相对于基于深度学习的方案，无需进行大量的前期数据采集、标注等工作，可以快速搭建及实现。经过测试可以满足简单路况道路交通信号的识别需求。
 
下一步计划对色彩干扰、图形干扰等干扰因素进行剔除， 提高识别精度；并图像坐标上半区域敏感区域进行筛选，预计减少 50%运算量；其次根据实际车速，选取合理的间隔帧， 提高实时，可进一步优化方案。
 


 
参考文献
 


 
[1] 道路交通信号灯 GB14887-2011.
 
[2] 陈超. MATLAB 应用实例精讲[M].北京:电子工业出版社,2011.11.

自动驾驶中一个核心模块的设计。其中算法层面涉及到对交通信号灯的检测与识别，前期对该模块进行了简单算法的设计，主体的识别框架如下图，主要思想是基于滑动窗思想和机器学习模型。当然为了进一步提升算法的效率，采用了基于信号灯颜色的特殊先验知识进行selective search，过滤掉大部分区域实现算法的加速。


上述框架虽然能达到一定的识别率，但是依然面临两个严峻的挑战：

对视频处理的实时性较差。上述框架对ROI的提取算法涉及到对整个图像的遍历；并且对视频的每一帧进行独立处理，没有考虑帧与帧之间的相关性。
处理不同场景的迁移性较差。上述框架主要基于SVM分类器，而这种传统的机器学习模型的性能主要依赖于训练数据和提取的人工特征。目前的训练数据有限，不能完全表征整个真实数据的分布，导致在其它场景漏检或误检较多；当前的特征主要基于颜色直方图特征，该特征对图像数据较为敏感。比如采用不同的成像传感器或当前采集图像出现极端天气，提取的颜色直方图特征都会给后续的分类器带来误判。
针对上述挑战，对现有框架进行了改进，设计了交通信号灯识别的自主式学习系统来应对实时性和迁移性差的问题。首先我们考虑交通场景中视频的特点，当信号灯出现在当前视野中时，在接下来的一段采集时间内都会出现该信号灯；并且帧与帧之间的信号灯位置不会出现很大的偏移（主要取决于采集车和CCD）且呈现一定的运动方向，如下图。那么我们完全可以利用这种特性，在下一帧的检测中取当前信号灯位置处一定的窗口范围，使用mean shift算法在特征空间中搜索所谓的模点（局部极值点）找到信号灯位置；甚至可以在该窗口检测范围内，使用颜色分割，根据颜色判定信号灯的位置和颜色。注意上述策略只适用于信号灯在视野范围内连续出现的帧内检测。当信号灯在某个时间点突然出现，则我们必须利用先前框架的单帧处理检测信号灯。因此，先前框架采用的人工特征和SVM分类器也是至关重要的一环。下面我们重点讨论这一部分，以解决迁移性较差的问题。


在人工特征方面，似乎颜色特征时信号灯最明显的特征。而其它纹理特征比如sift，LBP等在实验中并没有取得好的效果，还包括HoG特征，Gabor变换，角点特征等。另外值得注意的是，交通场景极为复杂，我们会面临极大的干扰。比如，针对颜色直方图特征，采集场景中会出现大量照明灯光区域，从而照成正负样本空间中类内及其相似而线性不可分的情形。鉴于此，我们采用基于sparse coding的策略，利用学习的字典将低层的颜色直方图特征非线性的映射到更加线性可分的高层特征空间中。而在分类器的训练中，我们采用自主式的训练机制，自发主动的学习并不断更新分类器，以适应数据的变化。在新的场景视频检测中，当已经训练的分类器检测不出信号灯区域且出现大量误检的情况下，我们手工干预标定信号灯区域，而在后续的帧检测中，利用前述的帧相关性进行检测与识别；在确定的检测窗口范围内识别处的信号灯区域作为正样本，而先前训练的分类器检测出的区域且出现在确定的检测窗口范围外的区域作为负样本；收集一定的正负样本后，重新训练分类器，达到更新的效果。


新的框架目前还处于初步构建中，在实验中实时性得到了保障，并且自发式的学习能不断的自适应新的数据，并不断增强分类器的性能，进一步提升方法的场景迁移性处理能力。但是新的框架也存在缺陷，在漏检的情况下，需要人工干预。后续会不断改进算法，充分利用视频帧在时空上的相关性，甚至利用深度卷积神经网络的特征自学习能力。

MATLAB红绿灯识别
 
一、课题背景
 现在我国慢慢地关注残障人士的生活，如盲人。如果有一款导盲拐杖，可以帮助盲人实时地识别红绿灯，盲道，人行标志等图标，会给盲人带来极大的便利。
 二、实现原理
 本课题为基于MATLAB的红绿灯识别系统。通过颜色的方法来定位红灯和绿灯，现实中肯定存在一些同颜色的干扰，因此利用形态学知识进行干扰地去除。最后利用神经网络或者支持向量机svm进行训练，将分割定位到的红灯、绿灯进行识别。
 三、实现效果
 
 GUI框架链接：戳这里：[https://download.csdn.net/download/Matlab97513/39513292]