基于智能手机的人行横道红绿灯自动识别

霖： 基于智能手机的人行横道红绿灯自动识别
2010， 46 （23）
221
虚线标注的相应范围内， 即 [315° ， 360°] 及 [0° ， 30°] 。 同 样 ， 根据绿灯颜色统计直方图， 绿色颜色相应的 H 值可定义在 [150°， 210°]。 为了更加准确地判断颜色， 对以上的颜色直方图， 可以分 别计算出红颜色像素个数和绿颜色像素个数在所有颜色像素 个数中所占的比例。将这个比例定义成参数 λ。其中： N λ red = red （8） S N green λ green = （9） S λ red 、 λ green分别为红颜色像素个数和绿颜色像素在所有颜色像 素个数中所占的比例； Nred、 Ngreen 分别为红颜色象素个数和绿颜 色像素个数， S 为红绿灯图片面积。
作者简介： 徐丽珍 （1979-） ， 女， 讲师， 研究领域为人脸识别， 图形图像处理等； 何耀平 （1975-） ， 硕士研究生， 研究方向为图像处理、 模式识虽、 大型 数据库； 孙霖 （1979-） ， 男， 博士， 讲师， 研究领域为人脸识别， 图像处理等。 收稿日期： 2009-01-15 修回日期： 2009-03-26
否为含有红绿灯的图片， 为了达到最优的目标检测效果， 选用 一种简单且有效的扩展 Haar-like 特征集对目标进行描述。每 个特征由 2~3 个矩形组成， 用于检测目标的边界、 细线、 中心等 特征。 2.1.2 Adaboost 算法 Adaboost 算法是一种分类器算法， 其基本思想是利用大 量的分类能力一般的简单分类器通过一定的方法叠加起来， 构成一个分类能力更好的强分类器， 再将若干个强分类器串
120 100 颜色数量 80 60 40 20 0 30 60 90 120 150 180 210 240 270 300 330 H值
基于级联 Adaboost 定位红绿灯
图2
算法流程图
2.1
2.1.1
基于级联 AdaBoost 的人形交通灯定位
特征的提取与计算 在红绿灯检测过程中， 需要对输入图像进行分析， 判断是
1
引言
随着社会经济的发展， “ 智能交通系统” 这一新的研究领
前只能在 PC 机上实现的应用现在都可以在智能手机上实现， 如基于 GPS 智能手机的交通信息实时采集与服务研究、 车辆 导航监控、 视频监控、 人脸识别系统[1]等。智能手机携带方便、 操作简单， 非常符合行人穿越十字路口的特点， 基于智能手机 的人行横道红绿灯自动识别功能可大大提高行人过人行横道 的安全系数， 非常具有现实意义。目前对道路交通标志识别 研究很多， 但对人行横道红绿灯交通标志的研究很少， 也没有 这方面实时性好， 准确率高的应用系统。 对道路交通标志识别研究方法有很多， 如以颜色特征为 依据的有阈值分割 [2] 或聚类 [3]、 彩色边缘检测 [4]、 区域分裂 [5] 等； 以形状为依据得主要有模板匹配法、 Hough 变换法 [6]、 图形编 码法等。模板匹配法方法比较简单， 但效果较差， Hough 变换 法对简单图形有比较好的检测效果， 抗噪声比较好， 但运算量 较大。颜色和形状的特点单独使用时都有一些很难克服的缺 陷， 如果将这两个方面结合起来， 比如先用颜色做图像分割，
r = R/255 g = G/255 b = B/255
2 融合级联 Adaboost 与色彩过滤的人行横道红绿 灯识别算法
本文的交通标志限制为斑马线道路口的人行横道红绿 灯， 如图 1 所示， 为一幅实际拍摄的道路交通场景图。提出的 自动识别算法的基本流程如图 2 所示。
（1） （2） （3） （4） （5） （6）
将大大提高盲人过马路的安全系数。提出一个融合级联 Adaboost 与颜色过滤的人行横道红绿灯自动识别算法。该方法首先利 用 AdaBoost 算法对红绿灯位置进行检测； 然后在 HSI 色彩模型的色调子空间进行颜色分析的基础上进行红绿灯的过滤与分类。 用采集的 418 幅实际复杂场景下的图像数据进行实验， 结果表明该方法能达到较好的检测效果。 关键词： 红绿灯交通标志； 道路交通标志识别； 图像检测 DOI： 10.3778/j.issn.1002-8331.2010.23.062 文章编号： 1002-8331 （2010） 23-0219-04 文献标识码： Ａ 中图分类号： TP317.4
然后进行转换：
I = r + g + b/3 S=Imin(r g b) I H = 90 - arctan[ F ] ´ 180 {0， g>b； 180， g<b} π 3 2r - g - b g-b
其中：
F=
图1
输入图片
（7）
道路交通场景图
将颜色空间 转化为 HSI 分析红绿灯 颜色
以统计红色信息为例， 获取实际拍摄的正样本中 90 张人 形红灯图片， 对每张图片， 首先转换成 HSI 颜色空间， 然后对图 片中的每个象素获取 H 颜色值， 再设置一个颜色的计数器， 根 据 H 颜色值， 分别对相应颜色值的计数器进行累加。最后得 到如图 4、 图 5 所示颜色统计的直方图：
Computer Engineering and Applications 计算机工程与应用
2010， 46 （23）
219
基于智能手机的人行横道红绿灯自动识别
2 徐丽珍 1， ， 何耀平 2， 孙 霖2 1， 2 XU Li-zhen ， HE Yao-ping2， SUN Lin2
1.杭州职业技术学院， 杭州 310018 2.浙江大学 计算机科学与技术学院， 杭州 310027 1.Hangzhou Vocational and Technical College， Zhejiang， Hangzhou 310018， China 2.College of Computer Science and Technology Zhejiang University， Zhejiang， Hangzhou 310027， China E-mail： hzxjf6@126.com XU Li-zhen， HE Yao-ping， SUN Lin.Automatic recognition of traffic light signals on crosswalk based on moble phone. Computer Engineering and Applications， 2010， 46 （23） ： 219-222. Abstract： Whereas the majority of traffic lights for crosswalks aren’ t equipped with sound alarm system， automatic recognition of traffic light signals on crosswalk will greatly improve the safety of the blind crossing the road， using moble phone with a camera.Integrating cascade Adaboost and color filtration， this paper puts forward an automatic identification calculating method for the traffic lights on pedestrian crossing.Firstly， the method uses Adaboost calculation to detect the location of traffic lights.Then， the red lights and green lights will be filtered and classified based on the color analysis in the hue subspace of HSI color model.The experiments on the 418 images of actual complex scene show that this calculating method has achieved great success. Key words：traffic lights； traffic sign recognition； image detection 摘 要： 鉴于目前绝大部分人行横道红绿灯没有配合声音提示， 利用带摄像头的智能手机， 通过人行横道红绿灯的自动识别技术
图4
120 100 颜色数量 80 60 40 20
红灯颜色统计直方图
联成为级联分类器 （cascadeclassifier） 。如图 3 为将强分类器 串联在一起形成级联分类器的示意图。
级数 输入 子窗口
F
1
D
2
D F
3
D F
…
N D F
检测率 D N
虚警率 F N
0
30 60 90 120 150 180 210 240 270 300 330 H值
220
2010， 46 （23）
Computer Engineering and Applications 计算机工程与应用 级数， 但此时虚警率又要提高， 这不是想要的结果， 因此本文 在后面将提出通过增加颜色过滤环节， 来降低虚警率， 从而找 到合适的级数， 以适当提高检测率。
再用形状分析方法进行识别， 如采用边界[7]、 环[8]和其他特征来 探测标志轮廓， 可以达到较好的效果。另外还涌现出一些新 式算法， 例如小波变换、 数学形态学、 遗传算法、 粒子群算法、 神经网络 [9] 等， 这些算法各有优缺点， 如神经网络训练过程较 慢、 权值不易收敛到最优值， 影响识别精度。 本文主要研究用智能手机实时检测十字路口人行道红绿 灯的问题， 以大大减少十字路口的交通事故。提出了一种融 合级联 Adaboost 与色彩过滤的人行横道红绿灯识别算法。该 方法首先提取了基于 Haar 小波的人行红绿灯重要形状特征， 通过级联 AdaBoost 算法， 训练得到区分红绿灯和各种复杂背 景的分类器参数， 然后分析了红灯和绿灯在 HSI 色彩空间上的 分布情况， 通过色彩过滤进一步降低了虚景率， 正确区分红灯 和绿灯。
2.2
基于 HSI 色彩空பைடு நூலகம்的过滤与红绿灯分类
通过级联 Adaboost 算法确定图像中的人行横道交通灯的
位置以后， 剩下的问题就是判断红灯还是绿灯， 即红绿灯分类 问题。红绿灯的分类在 HSI 空间的 H （色调） 子空间进行。实 际拍摄的红绿灯图像由于光照等的影响并非为纯红或则纯 绿， 因此需要对正样本集做一个颜色统计以得到检测时对颜 色阈值范围的一个比较准确的设定。统计时需将样本由 RGB 颜色空间转化为 HSI 颜色空间。从 RGB 到 HSI 颜色空间的转 换步骤如下： 首先对 RGB 进行归一化
域应运而生， 并迅速发展起来， 对传统的运输系统进行改造而 形成的一种信息化、 智能化、 社会化的新型运输系统。智能交 通系统的一个重要功能是提高交通的安全水平， 降低事故的 可能性和避免事故的发生。人行横道交叉口作为交通枢纽， 是交通事故的多发地带， 大多是因为乱穿马路引发的交通事 故。根据公安部的统计数据， 2005 年我国道路交通伤害导致 死亡人数超过 10 万人。发生交通事故的原因中， 行人违章占 15%左右， 而行人违章中大多是因乱穿马路引起。如果采用现 代化技术实现人行横道上的红绿灯交通标志的自动识别， 警 示驾驶员和行人 （特别是盲人和小孩） 红绿灯情况， 大大减少 因主观疏忽而造成的交通事故。 近年来， 移动通信设备的飞速发展， 嵌入式处理器的运 行速度和功能大幅提高， 使得手机的功能逐渐增多。许多以
拒绝
图3
级联分类器的结构图
图5
绿灯颜色统计直方图
由级联分类器的特点可知， 随着训练级数增加， 检测率和 虚警率都在降低。当要得到较高的检测率时势必要降低训练
分析红灯颜色统计直方图， 颜色数量主要分布在 [315° ， 360°]及[0°， 30°]区域， 由此可以将红灯颜色的 H 值定义在红色
徐丽珍， 何耀平， 孙