《基于机器视觉识别的交通灯控制系统.doc》由会员分享，可在线阅读，更多相关《基于机器视觉识别的交通灯控制系统.doc（2页珍藏版）》请在三一文库上搜索。
1、基于机器视觉识别的交通灯控制系统1、引言机器视觉又称计算机视觉，是用计算机来实现人的视觉功能，也就是用机器代替人眼来做测量和判断。机器视觉技术包含光源照明技术、光成像技术、传感器技术、数字图像处理技术、机械工程技术、检测控制技术、模拟与数字视频技术、计算机技术、人机接口技术等相关技术，是实现计算机集成系统的基础技术。对于交通灯的识别，将使世界上78%的色盲、色弱患者驾驶汽车成为可能，也为无人驾驶汽车在技术上前进一步。因而将为汽车工业以及汽车电子工业带来更大的经济效益，和更大的社会效益，并可在国际上填补该领域的空白。2、基于机器视觉的交通灯识别方法2.1、交通灯识别方法的流程图如下所示2.2、交
2、通灯定位当获取一张原始的图像时，考虑到背景的变化及其他物体对交通灯识别的干扰，我们需要将图像中交通灯的部分提取出来。在此本文用交通灯的形状及灰度值来定位交通灯在图像中的位置。2.2.1、交通灯形状的矩形度与圆形度可以通过交通灯的矩形度来找出交通灯一定的范围，在此采用一种简单的矩形度计算方法rectangularity算子，即将上述低灰度值的分散区域作为输入区域，当得到某一矩形和输入区域有相同的一、二阶矩时，计算出输入区域的面积和该矩形面积的比，即为矩形度rectangularity的值。显然当输入区域为矩形时，得到矩形度的最大值1；输入的区域越接近矩形，则矩形度越接近与1（无输入区域时矩形度为
3、0）。通过上述矩形度的算法，可以在低灰度值的区域中筛选出一定范围（包含交通灯轮廓）的类矩形，最后通过交通灯在图像中占据的面积定位出交通灯的轮廓。然后在上图的基础上，采用一种简单的Circularity算子，确定出包含有交通灯的轮廓。具体的算法如下：假设F是一个闭合区域的面积，max这个区域内中心点到边界或轮廓的最大距离，那么：根据式2-1可得圆的circularity为1。由此可知对于一个轮廓或多边形包围的区域如果其circularity接近与1，那么这个轮廓近似于一个圆。可以通过一个阈值选取出与圆的相似的轮廓，例如可以选取circularity在0.8，1范围内的轮廓。如果有多个轮廓符合，则
4、将这些轮廓所对应的区域存放入一个数组之内。2.3、颜色空间变化当确认交通灯的位置后，我们需要通过颜色识别来确定交通灯的状态。由于RGB颜色空间的相似不能代表颜色的相似，HSI颜色空间则没有这个方面的问题，它们很适合人们肉眼的分辨，较好地反映人对颜色的感知和鉴别能力。因此可以先将RGB颜色空间转化为HSI颜色空间。RGB空间转化为HSI空间的一般公式如下：2.4、颜色识别本文通过图像分割来识别交通灯的颜色。将图像通过选定的阈值分割后，找出所需要的图形。2.4.1、基于阈值的分割这是一种最常用的区域分割技术，阈值是用于区分不同目标的灰度值。如果图象只有目标和背景两大类，那么只需选取一个阈值称为单阈值分割。这种方法是将图象中每个象素的灰度值和阈值比较，灰度值大于阈值的象素为一类，灰度值小于阈值的象素为另一类。如果图象中有多个目标，就需要选取多个阈值将各个目标分开，这种方法称为多阈值分割。阈值分割的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个标准求出最佳阈值的过程。在背景和目标图像的先验概率相等这一特定条件下，最佳阈值是背景灰度均值与目标图像灰度均值之均值。即：