基于MATLAB的交通信号灯检测系统

项目演示视频链接：

链接: link
源码下载链接：链接: link

---

前言

随着我国经济的发展和人民生活水平的提高，汽车保有量不断增长，交通状况和出行环境也得以持续发展。道路信号灯作为指挥交通运行的关键设备，是维护交通秩序正常运行、保障车辆与行人的出行安全的基础支撑，也被称为不出声的“交通警察”。道路信号灯包括红色、绿色、黄色三种颜色，分别对应禁止、通行、警告三种指示，我们儿时就会背诵的交通口诀“红灯停、绿灯行、黄灯亮了等一等”正是对应了这三种信号灯颜色的安全规则。
考虑到红灯、绿灯、黄灯的颜色特点，以及彩色数字图像的R、G、B三通道构成，可采用颜色增强分割的方法，突出包含特定颜色的信号灯区域，进行信号灯的定位及识别。因此，本案例采用颜色显著度分析的思路，重点对道路信号灯图像的红、绿、黄三颜色进行增强分割，定位信号灯区域并分析内部的颜色分布情况，判断信号灯类别，最终给出图像内信号灯的位置标记及类型信息。

---

一、信号灯特征分析

GB14886—2006道路交通信号灯设置与安装规范提供了道路信号灯的安装方式、顺序、位置等权威标准，适用于日常生活中常见的道路信号灯的安装与维护。
道路信号灯根据颜色可以分为三类，红灯表示禁止通行；绿灯表示允许通行；黄灯表示警示或慢行。道路信号灯根据功能可以分为多种类别，按照信号灯是否包含图案，可分为两类，一类无图案，例如机动车信号灯、闪光警告信号灯等；另一类有图案，例如方向指示信号灯、掉头信号灯、非机动车信号灯、人行横道信号灯。
针对常见的机动车信号灯、方向指示信号灯进行实验，二者主要特点如下。
(1)机动车信号灯为圆形信号灯，由红、黄、绿三个位置间隔的图形单元组成，通过满屏的圆形信号进行交通指示。典型的圆形信号灯如图所示。

此处选择垂直方向的信号灯图例进行说明，信号灯的颜色按照红、黄、绿的顺序进行分布，呈现明显的颜色特征，可考虑选择颜色特征进行分析，定位信号灯所处的位置。
在RGB颜色空间，红绿蓝被称为三基色或三原色，且图像的每一种颜色都可以由红、绿、蓝三基色按照一定的比例构成，通过加色模式构成RGB颜色空间。为此，通过模拟加色过程来绘制三基色原理图，查看基本的红、绿、蓝构成的颜色分布，并观察生成颜色的互补色，关键代码如下所示。

运行程序后，可得到三基色原理图，如图6-3所示。其默认是黑色底图，通过R、G、B三基色的叠加生成了黄色、青色、品红色、白色，可以简要总结出如下的规律。
(1)白色＝红色＋绿色＋蓝色；
(2)青色＝蓝色＋绿色；
(3)品红色＝红色＋蓝色；
(4)黄色＝红色＋绿色。
更进一步，观察颜色的对角线关系，可以发现黄色和蓝色呈现互补色的关系，即黄色＋蓝色＝白色，假设Y表示黄色，B表示蓝色，255表示白色，则可得到：
在RGB颜色空间，如果三通道的数值相等即R＝G＝B，则可视为灰度图，该数值也称为亮度值，将彩色图转为灰度图的过程称为图像灰度化，得到不包含颜色信息的图像矩阵。一般来说，可以采用计算三通道加权均值的方式来进行灰度化，通过对各个像素位置的R、G、B值做加权求和得到对应的亮度值。由于人眼对绿色通道敏感度高、红色通道敏感度次之、蓝色通道敏感度最低，所以加权系数c应该满足cG>cR>cB的约束。参考主流的图像灰度化计算公式，一般将加权系数设置为cR＝0.229、cG＝0.587、cB＝0.114，进而得到符合人眼观察的灰度图像，具体公式如下：

为了突出红色、黄色、绿色的显著特性，对RGB图进行三通道提取得到R、G、B分量，并进行灰度化得到亮度图V。将提取R、G分量减去V获得红色、绿色的显著图，将B分量做补色并减去V的补色获得黄色的显著图，关键代码如下：
分别对红、黄、绿的示例图进行实验，将原图和对应的显著图进行汇总显示，结果如图6-5所示。分别计算红灯、黄灯、绿灯的显著图，并对结果图进行对比度增强显示，可以发现采用简单的颜色分量差分计算，可以有效突出颜色显著度，有助于快速准确定位出红灯、黄灯、绿灯的候选区域。

二、信号灯检测识别

根据道路信号灯的颜色特点，可采用显著图增强的思路提高信号灯区域对比度，通过二值化分割及形态学后处理进行信号灯检测，最后可结合信号灯区域的颜色特征进行分类识别。

1.信号灯检测

从图6-5可以看出，经过红色、黄色、绿色的显著增强后，信号灯区域呈现明显的亮度特点，比较简单的方法就是直接进行二值化分割得到信号灯候选区域，再通过形态学闭合及膨胀操作进行一定的区域拓展，进行信号灯的检测定位，关键代码如下所示。

考虑到实验图例均为单信号灯，所以此段程序采用otsu阈值分割方法进行二值化，通过imclose进行区域闭合并经bwareafilt保留最大面积区域，最后通过imdilate进行区域膨胀，得到拓展后的信号灯位置。下面对前面选择的三幅圆形信号灯示例图，再增加一幅箭头信号灯示意图进行实验，将检测到的信号灯位置进行标记可视化，具体效果如图所示。

对图像进行颜色显著度增强，再进行二值化分割及形态学膨胀，可获得信号灯的区域对应关系，最后提取区域矩形框并标记可视化，实验表明此流程能准确定位信号灯区域，实现信号灯检测的目标。

2.信号灯识别

信号灯区域检测定位后，可裁剪信号灯区域，得到局部图进行分类识别。考虑到信号灯的颜色特性，结合圆形信号灯、箭头信号灯的区域特点，可选择局部图的颜色量化计数及圆形度属性来进行分类识别。
1)颜色量化计数。参考前面提到的红、黄、绿颜色显著度增强过程，可对信号灯局部图做同样的计算，统计红、黄、绿颜色显著图二值化后的有效像素数量，提取最多的计数结果作为颜色类别的判断依据，关键代码如下。

此段程序重复了红、黄、绿颜色显著增强的过程，对处理结果进行二值化并统计有效像素的数量，最终提取最多的颜色作为识别结果。
(2)圆形度常用于衡量区域的属性特征，根据圆形信号灯、箭头信号灯的特点，可选择圆形度作为二者分类的参考依据。其中，圆形度的计算公式如下：

其中，Area表示区域的面积；perimeter表示区域的周长。当区域为圆形时，则圆形度与1的绝对值差异最小，其他图形时圆形度与1的绝对值差异越大。因此，可以通过信号灯区域的圆形度属性来判断其所属的圆形、箭头形状类别。在MATLAB中，可以通过regionprops的Circularity属性直接提取区域的圆形度属性，关键代码如下。

此段程序裁剪信号的局部区域，并提取圆形度属性，若圆形度与1的绝对值差异小于0.1，则认为是圆形信号灯，否则为箭头信号灯。
(3)箭头朝向。针对箭头形状的信号灯，还需进一步识别其朝向信息，根据道路交通灯设计标准，箭头朝向有“上、左、右”三种，结合箭头信号灯的对称性特点，可采用网格对称分割的思路进行朝向的判断，具体如图所示。

对不同朝向的箭头，按照上下拆分、左右拆分，计算上下白色像素比例、左右像素比例，提取最大比例对应的形状即可识别其朝向，关键代码如下所示。

此段程序裁剪信号的局部区域，并按照上下、左右拆分，计算上下、左右、右左的有效像素比例，最终提取最大比例对应的朝向作为识别结果。
综合本节的叙述，下面融合信号灯检测、识别的步骤，检测目标信号灯的位置并识别其形状信息，运行效果如图所示。

对图像进行信号灯检测及识别，可获取信号灯位置矩形框及形状信息，最后对信号灯区域进行标记可视化。实验表明此流程能准确定位信号灯区域，识别信号灯的类别，实现信号灯检测识别的目标。更进一步，可对多信号灯的情形进行连通域分析，并按照子区域裁剪的方式进行类似的处理，即可拓展到多信号灯的检测识别应用。

三、系统设计

为了更好地集成对比不同步骤的处理效果，贯通整体的处理流程，本案例开发了一个GUI界面，集成图像读取、颜色显著增强、信号灯检测、信号灯识别等关键步骤，并显示处理过程中产生的中间结果图像。其中，集成应用的界面设计如图所示：

单击“图像读取”按钮可弹出文件选择对话框，可选择道路信号灯图像并显示到右侧窗口；单击“颜色显著增强”按钮，可以分别对红、黄、绿颜色进行显著增强，并在右侧窗口汇总显示。为了验证处理流程的有效性，选择多信号灯的图像进行实验，具体效果如图所示。此实验图的红色、绿色显著图最为明显，可进行二值化检测标记。

单击“信号灯检测”按钮，将在右侧窗口显示二值化图、区域标记结果和区域裁剪图。信号灯检测模块可定位标记信号灯区域，并裁剪信号灯局部图像，进行汇集显示。
单击“信号灯识别”按钮，将对已定位的信号灯区域图像进行分类识别，判断信号灯的类型，在右侧窗口显示识别结果。信号灯识别模块可对定位出的信号灯区域进行分类识别，此实验图像三个信号灯的颜色及形状信息识别为“左绿-箭头-左|红-圆|红-圆|”，并将其作为标题信息在最后一个坐标系窗口进行显示。

最后，单击“信号灯导出”按钮，可将此实验图像的基本信息、信号灯位置和类型进行汇总，导入Excel表格。导出数据包含了图像路径、信号灯数目、信号灯位置和形状信息，对应了当前实验图像的检测识别结果，读者可以尝试其他的图像进行实验分析，也可自定义导出数据的内容格式，进行实验拓展。

---

总结

随着人工智能技术的不断发展，智能驾驶特别是无人驾驶技术创新也得以大幅进步，道路信号灯的检测识别作为重要的组成部分，也产生了越来越多的研究成果。考虑到数据规模和基础算法应用的要求，本案例采用颜色分割知识进行信号灯检测，采用颜色统计及图形属性信息进行信号灯的识别，能够快速定位信号灯并判别其颜色和类型，基于GUI框架搭建了道路交通信号灯检测识别的集成应用，可方便观察各个步骤的处理过程并展开分析。