譚思奇

摘 要：為了對交通信號燈的檢測和識別進一步的研究，本文基于傳統(tǒng)和深度學習這兩個方面的交通信號燈檢測與識別的相關研究進行梳理和分析，發(fā)現(xiàn)目前交通信號燈檢測與識別主要存在檢測速度不高、準確率較低等問題，所以本文對交通信號燈檢測與識別相關方法的優(yōu)缺點進行分析和總結，為以后進行這方面的研究提供參考依據(jù)。

關鍵詞：交通信號燈;檢測;識別

0 引言

近年來由于無人駕駛技術的快速發(fā)展，關于交通信號燈檢測與識別的方法也在不斷更替。交通信號燈是公路系統(tǒng)的重要組成部分，實現(xiàn)對交通信號燈的檢測與識別是無人駕駛必須攻克的難題，以此對其進行研究具有重要的意義。要對交通信號燈進行識別通常來說分為兩個過程，第一步是對圖像的候選區(qū)域進行特征提取，第二步就是根據(jù)特征對識別的特征進行分類。目前關于交通信號燈的檢測與識別可以歸為兩類，一類是借助于傳統(tǒng)的特征提取方法，對其進行檢測和識別，另一類是基于機器學習的方法利用機器來進行特征提取再分類。

1 基于傳統(tǒng)方法的交通信號燈檢測與識別

傳統(tǒng)交通信號燈檢測算法通常是先對彩色的圖像進行閾值分割，對其進行劃分得到了包含交通信號燈的二值圖，然后利用心態(tài)學的原理對其進行分析，找出具有圓形特征的區(qū)域來作為交通信號燈的候選區(qū)域。Park等[1]利用聚類和圓形檢測算法來定位識別交通信號燈，但該方法在復雜環(huán)境下可能會失效，而且誤檢率也較高。M. Omachi等[2]將邊緣檢測算法和選舉法相結合來實現(xiàn)對交通信號燈的檢測，借助于信號燈的顏色信息通過融合算法來識別交通信號燈的狀態(tài)并達到了很好的檢測和識別效果。但是該方法魯棒性較差。Wang Chao-Ming等[3]利用多個顏色閾值分割的方法來提取候選區(qū)域，然而該方法無法對黃色和紅色進行識別，實用性差。Yung等人[4]利用視頻來實現(xiàn)對交通信號燈的檢測，由于獲取的視頻較為清晰，該算法能夠實現(xiàn)信號燈距離測量。Chung等[5]采用預先估計的方法來對交通信號燈的背景和光照的時間進行簡易計算，運用模糊控制算法對交通信號燈候選區(qū)域的進行檢測。但是該方法需要對圖片的背景進行估計，對移動的車輛難以適用。谷明琴等人[6]也對交通信號燈檢測與識別算法進行了研究，但其僅限于對圓形的交通信號燈，箭形的沒有包括在內。

2 基于深度學習的交通信號燈檢測與識別

Muller等[7]利用交通信號燈在圖像中像素占比較小，難以檢測的特點，利用Inception-v3作為基礎網(wǎng)絡，改進了single shot detection算法，將圖片上下文信息結合起來對交通信號燈進行檢測和識別。該方法在自制的數(shù)據(jù)集上取得了較高的準確率，但是實時性較差。Han等[8]移除了Faster-RCNN的第四個池化層，并引入了新的樣本挖掘策略來提高該算法的魯棒性。改進的算法在自制的數(shù)據(jù)集相比于改進前提高了12.1%。Faster-RCNN算法本身參數(shù)較多，改進后的算法計算量并沒有顯著降低，很難達到實時性的要求。Philipsen M P等[9]在YOLOv1算法的基礎上，為了減少漏檢率其加入交通識別模塊和跟蹤器，在自制的數(shù)據(jù)集上達到了較好的效果，但精度還有待提高。錢弘毅等[10]對yolov2算法模型進行了改進，并將其運用到交通信號燈的檢測與識別之中，達到了96.08%的精度但檢測速度還有待提高。袁志宏等[11]改進yolov3來對道路目標進行檢測，通過改進主干網(wǎng)絡結構來提高檢測的速度和準確度，并且結果表明該模型有效的降低了漏檢率。楊英彬等[12]通過對yolov4的損失函數(shù)和交叉熵函數(shù)系數(shù)進行修改，能夠很好的對目標進行實時檢測。

3 總結

總體來講，目前交通信號燈的檢測與識別研究的還不夠深入，傳統(tǒng)的檢測方法通過人工手動提取特征，對圖像的像素點進行提取找出與交通信號燈類似的檢測區(qū)域，再通過顏色或形狀等特征再加以分類，這一系列的操作程序比較繁瑣，需要耗費大量時間和精力。而且在實際的道路場景中由于道路兩旁的物體遮擋、圖片背景和陽光反射等干擾，單單靠形狀和顏色特征不能很好的對交通信號燈進行檢測和識別，一旦遇到復雜場景，檢測和識別的效果就較差。相比于傳統(tǒng)的檢測與識別方法，基于深度學習的算法可以通過神經網(wǎng)絡對圖片的像素點進行采集并自動提取檢測目標的特征，再加以訓練來實現(xiàn)對交通信號燈的檢測與識別，過程較為簡單，不用耗費大量的時間，效率較高。這其中具有代表性的檢測算法大致分為兩類，一類是一階段算法YOLO、SSD等，另一類是兩階段算法如fast-RCNN、faster-RCNN。其中YOLO、SSD等一階段算法對小目標的檢測效果較差而fast-RCNN、faster-RCNN等兩階段算法檢測速度又太慢，所以目前研究的重點就是要找出一種兼具檢測速度和檢測精度的算法。所以關于交通信號燈的檢測與識別方法還有待進一步的研究。

參考文獻：

[1]Park Jin-Hyung，Jeong Chang-Sung.Real-time signal light detection[A].In：2008 FGCNS.Second International Conference on Future Generation Communication andNetworking Symposia[C].USA：IEEE， 2008：139-142.

[2]M.Omachi，S.Omachi.Detection of Traffic Light Using Structural Information[A].In：ICSP 2010. The 10th International Conference on Signal Processing[C].USA：IEEE，2010：809-812.

[3]Lu Kuo-Hao，Wang Chao-Ming，Chen Shu-Yuan.Traffic light recognition[J].Journal of the Chinese Institute of Engineers，2008，31（6）：1069-1075.

[4]N.H.C.Yung，A.H.S.Lai.An effective video analysis method for detecting red light runners[J].IEEE Transactions on Vehicular Technology， 2001，50（4）：1074-1084.

[5]Y.Chung，L.Wang，S，Chen.A vision-based traffic light detection system at intersections[J]. Journal of National Taiwan Normal University： Mathematics，Science & Technology，2002（47）：67-86.

[6]谷明琴，蔡自興，李儀.應用圓形度和顏色直方圖的交通信號燈識別[J].計算機工程與設計，2012，33（1）：243-247.

[7]MULLER J，DIETMAYER K.Detecting Traffic Lights by Single Shot Detection[C].2018.IEEE International Conference on Intelligent Transportation Systems （ITSC）.

[8]HANC，GAOG Y，ZHANGY.Real-time small traffic sign detection with revised faster-RCNN[J].Multimedia Tools and Applications，2018.

[9]Philipsen M P，Jensen M B，M?gelmose A，et al. Traffic Light Detection：A Learning Algorithm and Evaluations on Challenging Dataset[J].2015.

[10]錢弘毅，王麗華，牟宏磊.基于深度學習的交通信號燈快速檢測與識別[J/OL].計算機科學：1-9[2019-11-13].http：//kns.cnki.net/kcms/detail/50.1075.TP.20190816.1519.024.html.

[11]袁志宏，孫強，李國祥，等.基于Yolov3的自動駕駛目標檢測[J].重慶理工大學學報（自然科學），2020，34（9）：

56-61.

[12]楊英彬，郭子彧，蔡利民.YOLOv4的車輛檢測方法研究[J].電子世界，2021（5）：80-81+87.