毕业设计（论文）基于视觉的交通信号灯检测方法设计.doc

（2008届）本科毕业设计（论文）基于视觉的交通信号灯检测方法设计学 院（部）： 电气与信息工程学院 专 业： 电子信息工程 学 生 姓 名： 班 级： 电信043 学号 0440120312 指导教师姓名： 职称 讲师 最终评定成绩 2008 年06月 摘 要基于视觉的交通信号灯检测是通过对交通信息的检测来控制交通量的方法，可以用于实现交通的智能化管理和提高目前交通网络处理交通流量的能力。本文设计了一种实现对交通信号灯检测的鲁棒性算法。在户外自然场景中光照条件的变化使得拍摄的交通信号灯图像相应变化，同时车辆的运动和震动会使得图像模糊，以及其他物体的存在其颜色与交通标志相同或者会对交通标志遮掩将影响交通标志的识别效果。因此本文在对交通图像分割之前首先做一个图像做预处理，以满足可以对每组图像用同一个阈值将三色交通信号灯从图像的背景中分离出来；通常，由于噪声的影响，图像在阈值化后所得到边界往往是很不平滑的，物体区域具有一些噪声孔，背景区域上散布着一些小的噪声物体。本文将阈值分割后的图像进行滤波平滑化去除噪声；在对图像中交通信号灯检测时先标记滤波后图像中的各个区域然后对各个区域进行检测判断圆形交通灯的位置。关键词：交通灯，鲁棒性，图像处理，目标物体检测ABSTRACTBased on the visual detection of street-traffic control lights through the traffic information is a way to control traffic detection,It can be used to achieve the intelligent traffic management and improve the current transport network capacity to handle traffic flow.This paper is designed to achieve a traffic signal light on the robustness of the detection algorithm. In the outdoor scenes in natural light conditions make the changes in the shooting image corresponding changes in traffic lights, At the same time the vehicle vibration makes fuzzy images, And the existence of other objects may be have the same color as the traffic signs or traffic signs will cover up. Therefore this paper has made an image pretreatment before transportation image division , Satisfing may separate to each group of images with the identical threshold value the tricolor street-traffic control lights from the picture background. Usually, as a result of noise influence Image after the thresholding obtains the boundary often is not very smooth and the object region has some noise hole, in the background region is spreading some small noise object. After carring on the threshold value division's image the filter smooth elimination noise. In the image of the traffic signal detection, tag filter images in various regions first,Then detect the various regions, Determine the location of the radio traffic lights.Key words: Traffic light Robust Image Processing The object detection目 录第1章 绪论11.1选题意义及背景11.2交通视频信息检测技术应用现状11.3交通检测技术的发展趋势21.4基于视觉的交通信号灯检测论文的主要工作3第2章 信号发生器的方案设计42.1总体设计分析42.2总体设计方案6第3章 交通信号灯图像分割93.1概述93.2交通图像分割原理步骤93.2.1交通图像预处理103.2.2 实验结果103.2.3实验结果分析143.2.4 用阈值处理将交通信号灯前景与背景分离153.2.5 实验结果153.2.6 实验结果分析163.3彩色图像阈值分割原理步骤163.3.1 实验结果183.3.2实验结果分析19第4章 数学形态学的交通信号灯提取204.1引言204.2 滤波平滑化图像预处理后的交通信号灯图像204.2.1 滤波平滑化图像预处理后的交通信号灯图像方法214.2.2 实验结果224.2.3 实验结果分析224.3提取并检测交通信号灯原理步骤234.4 实验结果24结论25参考文献26致谢27第1章 绪论1.1选题意义及背景基于机器视觉的交通信号灯的检测是在应用不断成熟的计算机图像处理技术来改善由于城市化的进展，汽车的普及，机动车数量、出行人数的大量增加，路网通过能力难以满足交通量快速增长的需要，交通拥挤加剧，交通事故频发，公路交通的安全以及运输效率等日益突出的交通问题而新兴产生的。经济的发展和机动车的日益普及，汽车在给人们带来方便的同时，也带来了一系列的社会问题，特别是交通拥挤问题。解决交通拥挤问题的直接方法是修建拓宽道路来提高路网的通行能力，但是这一方法却受到城市空间的严格限制。因此，在现有道路的情况下，通过科学的管理和控制，提高道路的使用效率，是解决交通拥堵问题的有效方法。与传统交通管理相比交通参数的采集并对其进行分析而控制车流量，和人车的交通行为是解决目前交通拥堵实现智能化交通管理的方法之一。交通参数的采集方法很多，如红外线检测、测速雷达、超声波检测、环形线圈检测、视频检测等等，近年来基于计算机的视频检测已越来越广泛的应用于交通监控系统中。在道路交通监控的应用技术中，计算机视频技术和图像处理技术具有更大的优势。道路交通监控系统中安装视频摄像机比安装其它传感器更经济且破坏性低；计算机视频应用计算机视觉技术从数字图像中提取高质量的信息，能高效、准确、安全可靠的完成道路交通的监控工作，提高道路、车辆的自动化程度，；并且由计算机视觉得到的交通信息便于联网，有利于实现道路交通网的监控。1.2交通视频信息检测技术应用现状1984年，美国明尼苏达大学运输研究中心的帕诺斯·麦克鲁波洛斯博士发明AUTOSCOPE视频车辆检测系统，是世界上首次将视频处理技术应用到交通控制中。欧洲19国的政府和企业界于1986年开发一项名为EUREKA(尤里卡)的跨国联合研究开发计划，促进泛欧的智能化道路网的发展，为此投资达50亿美元，其中包括欧洲最高效、最安全交通计划;自动道路和驾驶系统;泛欧道路交通通信系统及交通信息预测系统等。在尤里卡计划得到全面实施后，日本、美国在80年代末、90年代初才开始全面跟进。美国于90年代才决定进行智能车辆-公路系统(AVHS )的开发，在短短数年就取得长足的进步，开发范围亦扩展到整个陆上交通系统，包括铁路与公路混合运输。因此，美国运输部把AVHS易名为“智能交通系统”。其开发试验项目包括:作为先进的驾驶员信息系统(ADIS)的核心技术驾驶员交通信息诱导子系统;交通信息采集系统;重车电子车牌系统。据美国运输部向国会的报告指出，在未来20年里，美国ITS开发的总投资(包括地面设施)将超过6000亿美元，这无疑是美国经济发展的重大刺激因素，也为今后全球ITS市场的竞争创造难以估量的机会。1992年，明尼苏达的Image Sensing System, Inc和Econolite控制产品公司联合推出AUTOSCOPETM-2003型视频车辆检测系统，用于多车道、多方向的范围交通车辆检测。以Image Sensing System, Inc.和Peek Traffic System, Inc.为代表的交通视觉产品开发公司，它们的产品代表了目前智能交通领域世界的最高水平，基本覆盖了大部分欧美市场。Image Sensing System, Inc.公司的AutoScope系列，Peek公司的Video Track系列都是智能交通比较成熟的产品。Image Sensing System, Inc.公司的视觉交通检测产品最早出现在1993年，目前该产品已经发展到第五代。外型结构变化不大，功能却有了很大的提高。如AutoScope2004，可接收5路视频信号输入，一路视频信号输出，其中一路为监视信号，其余四路用于视觉交通检测。支持PAL/NTSC/SPCAM等视频格式输入。提供同路边控制器接口、提供同计算机相连的RS-232接口以及485接口。可通过计算机对其进行参数设置。目前市场上已经有不少视频检测产品 VIPS(VideoImage Processing Syetem)，按工作原理可分为两类：虚拟线圈法 (tripwire systems) 和车辆跟踪法。1.3交通检测技术的发展趋势近年来,随着高速公路和城市交通监控系统的发展需要,车辆检测器已得到了广泛的应用,同时车辆检测技术也随着传感器技术、通信技术、计算机和人工智能等技术的发展而得到了迅速提高。目前车辆检测技术的发展集中在以下几个方面。(1)表现在以传感器技术发展为基础,大幅度提高检测器的各项性能。其一是对基于电磁感应原理类检测器的研究,通过对检测器探头和信号处理装置的改进,来提高检测器的可靠性和使用寿命。其二是对波频车辆检测器的研究,其研究重点在于提高检测器的精度和抗干扰能力,由于此类检测器具有便于安装和维护的特点,因而有着良好的发展前景。(2)表现在以车辆检测器的发展为基础,结合人工智能和先进的计算方法等,使车辆检测器朝着系统化、智能化和光电一体化方向发展。如智能化遥感微波检测器、感应线圈智能交通流量测试仪以及借助于红外线技术的定点摄像记录系统的研究等等,为我国实现交通管理智能化打下坚实的基础。(3)最先进的系统和最集中的研究领域是采用视频检测技术的车辆自动识别系统和高速公路事故测报系统。在基于图像处理的车辆自动识别系统中,采用计算机视觉(Computer Vision)和图像处理技术可以获得车辆的外形三维数据及车辆的轴数、轴距、轮距和车辆组成等交通参数,这是以前传统的车辆检测器所不能做到的。该方向的研究重点是提高图像识别的实时性和准确性。基于图像处理的高速公路事故测报系统目前正处在研究开发阶段,它利用计算机视觉、神经、网络、模糊逻辑等技术和先进的计算方法进行事件检测、车辆识别和公路监控,可以获得车辆数量、车速、道路的空间占有率及车辆的前进程度等重要交通参数,从而可以预测和发现事故。为了提高传统交通中人工管理的时效性和改善交通路网的通行能力，交通视频车辆检测技术结合光纤通信技术、计算机信息处理系统和人工智能技术在以后的发展中将因能使交通控制系统向大范围、全方位、智能化和实时控制方向发展而得到广泛应用。1.4基于视觉的交通信号灯检测论文的主要工作由于光照、天气和视角变化的影响，对采集到的图片产生的随机性影响要求交通信号灯检测算法须具有很强的鲁棒性。在本设计中交通灯为圆形。从计算机视觉的角度考虑，本文实现了对原目标图像进行预处理，改善图像质量，满足后续阈值处理的把三色交通灯学从背景中分割出来的需要。利用模板匹配技术对分割后图像进行分析，提取并识别交通信号灯的位置。本文结构：第二章：详细分析彩色图像和灰度图像的特点并总结了基于视觉的交通信号灯检测的方案。第三章：阐述了对每组交通信号灯图像预处理后用同一阈值进行分割的方法。对比了灰度图像分割与彩色图像直接分割两种分割方法。第四章：说明了用数学形态学的方法检测交通信号灯的位置的算法。第2章 基于视觉的交通信号灯检测方案设计2.1总体设计分析对彩色图像的分割可以有两种方法。第一种对彩色图像直接分割；第二种将彩色图像灰度化后再进行分割。下面对这两种方法进行分析，以选取的一种较优方法。 (a) (b) (c) (d) (e)(a)红色交通灯r1原图；(b) )红色交通灯r2原图；(c) )红色交通灯r3原图；(d) )红色交通灯r4原图；(e) )红色交通灯r5原图图2.1 红色交通灯原图表2.1 彩色图像红色交通信号灯状态区域像素平均值红色信号灯r平均值g平均值b平均值r 1211.775089.247293.8535r 2r 3r 4r 5239.4271126.1667119.2396229.4525148.278795.7332231.5340134.706890.8888235.2534150.0950117.9638方差9.486422.068612.4044 (a) (b) (c) (d) (e)(a) 绿色交通灯g1原图；(b) 绿色交通灯g2原图；(c) 绿色交通灯g3原图；(d) 绿色交通灯g4原图；(e) 绿色交通灯g5原图图2.2 绿色交通灯原图表2.2彩色图像绿色交通信号灯状态区域像素平均值绿色信号灯r平均值g平均值b平均值g174.7029203.8383193.6178g 262.3754217.8715177.7762g 362.1600229.7618166.2084g 464.4155238.7085208.6312g 595.9273226.4727201.5636方差12.85906.754015.5462 (a) (b) (c) (d) (e)(a) 黄色交通灯g1原图；(b) 黄色交通灯g2原图；(c) 黄色交通灯g3原图；(d) 黄色交通灯g4原图；(e) 黄色交通灯g5原图 图2.3 黄色交通灯原图表2.3彩色图像黄色交通信号灯状态区域像素平均值黄色信号灯r平均值g平均值rb平均值y1223.8968161.7843106.2009y 2190.5482117.6718188.0291y 3229.8750144.671866.5536y 4229.7029161.3002109.0394y 5118.5636127.7273105.7909方差18.881517.679516.1042 (a) (b) (c) (d) (e)(a) 转换r1为灰度图像； (b) 转换r2为灰度图像；(c) 转换g3为灰度图像； (d) 转换g4为灰度图像； (e) 转换g5为灰度图像图2.4将红色交通信号灯彩色图转化为灰度图 (a) (b) (c) (d) (e)(a)转换g1为灰度图像；(b) 转换g2为灰度图像；(c) 转换g3为灰度图像；(d) 转换g4为灰度图像；(e) 转换g5为灰度图像图2.5将黄色交通信号灯彩色图转化为灰度图 (a) (b) (c) (d) (e)(a)转换y1为灰度图像；(b) 转换y2为灰度图像；(c) 转换y3为灰度图像；(d) 转换y4为灰度图像；(e) 转换y5为灰度图像图2.6将黄色交通信号灯彩色图转化为灰度图表2.4灰度图像交通信号灯状态区域像素平均值颜色红色信号灯绿色信号灯黄色信号灯平均值r 1126.4083g 1179.9348y 1174.0396r 2159.2448g 2166.8046y 2136.0973r 3166.5613g 3172.4196y 3160.9506r 4158.6544g 4183.1948y 4175.8105r 5171.8869g 5184.5818y 5143.4455方差15.84716.762415.9670从上面的数据可以看出每种颜色灰度图像的阈值比彩色图像阈值变化幅度相对稳定。即阈值分布在一个相对集中的区域内。因此理论及客观数据上讲用阈值的方法分割灰度比分割彩色图像要得到更好的效果。2.2总体设计方案基于视觉的交通信号灯的检测主要是：要在自然场景下的图像中提取并识别目标物体。而自然场景中的许多不确定因素的影响造成了图像变化是随机的。由于这些因素的存在将影响交通标志的识别效果。因此本设计的主要任务是要实现算法的鲁棒性及对预处理后的交通信号灯的提取。首先对图像做一个分割以改善图像质量满足对图像中目标物体检测的需要。对于每一种颜色灰度图像阈值变化的幅度要小于彩色图像即灰度图像每种颜色的像素值相对集中有利于阈值分割中阈值的选取。因此本文将采用将彩色图像灰度化的方法对采集的交通信号灯图像进行图像预处理。其次由于噪声的影响，图像在阈值化后所得到边界往往是很不平滑的。设计将采用开闭运算来去除物体区域具有的一些噪声孔及背景区域上散布着一些小的噪声物体。最后用摸板匹配的方法来检测交通信号灯。具体步骤为：交通信号灯图像采集：这个过程主要完成在城市的各个交通路段采集各种不同背景不同光照条件等自然场景下的交通信号灯图像。采集的图像应尽可能多的包含交通图像中需要处理的多种实际问题。图像预处理：在对图像进行目标物体检测之前先做一个图像预处理改善图像质量。本文的预处理方法为：首先提取彩色图像中的三个分量，对于红色或者黄色信号灯则采取min(r-g,r-b)，对于绿色图像则为min(g-r,g-b)其中r,g,b分别为彩色图像中的红绿蓝三个分量。文中用欧几里得距离的原理选取彩色阈值将彩色图像分割对比经过图像预处理灰度化后的分割的效果。图像分割：本文采取的第一种预处理的方法是灰度阈值分割法。即将将彩色图像灰度化然后对灰度化后的图像根据其直方图中阈值的分布选取适当的阈值进行阈值分割。滤波平滑预处理后的图像：由于噪声的影响，图像在阈值化后所得到边界往往是很不平滑的，物体区域具有一些噪声孔，背景区域上散布着一些小的噪声物体。因此对预处理后的图像要进行平滑化处理。在对图像平滑化处理中本文应用开闭运算来处理图像中的噪声影响。特征图像提取：在提取了图像中的区域后用匹配的方法判断图形紧密度的1/4是否为1来检测圆形交通信号灯的位置。课题设计的总流程如图2.1：图2.1 总体设计流程图第3章 交通信号灯图像分割3.1概述在自然场景采集图像的过程中受到各种自然与非自然因素的影响如车辆震动光照条件等使得图像带有噪声信号而无法进行目标的检测和识别。因此，在系统对图像进行分割和识别以前，必须对采集到的图像进行滤波除噪处理，滤掉各种噪声信号。同时为了获取清晰的图像，还要对图像进行变换，进行图像增强处理，以改善图像的质量，为图像的分析和理解打下良好的基础。这种对图像进行的意在改善图像质量的处理过程，就是图像的预处理3.2交通图像分割原理步骤本文采取的图像预处理是对 R、G、B 分量运算。基本原理如图3.1所示：图3.1 灰度阈值分割原理图3.2.1交通信号灯图像预处理 灰度图是指只含亮度信息，不含色彩信息的图像，就象我们平时看到的黑白照片：亮度由暗到明，变化是连续的。因此，要表示灰度图，就需要把亮度值进行量化。通常划分成0到255共256个级别，其中0最暗(全黑)，255最亮(全白)。在本文中对图像的预处理中采用的是将RGB彩色图像灰度化。图像的灰度化处理是指令彩色图像的 R、G、B 分量相等。彩色图像转换成256级灰度的灰度图像以后能在很大程度上提高运算效率。首先RGB的值都一样；其次，图像数据即调色板索引值，也就是实际的RGB值，也就是亮度值；另外，因为是256色调色板，图像数据中一个字节代表一个象素，很整齐。如果是2色图或16色图，还要拼凑字节。如果是彩色的256色图，由于图像处理后有可能会产生不属于这256种颜色的新颜色。根据3.1中两个表的数据可知灰度图像易于做图像分割。所以，做图像处理时，一般采用灰度图。具体实现步骤为：读入一幅彩色交通图像；提取彩色图像中的r,g,b三个分量；对于红色和黄色交通信号灯图像的灰度化采取min(r-g,r-b)实现图像的灰度化；对于绿色的交通信号灯图像采取min(g-r,g-b)实现图像的灰度化。3.2.2实验结果 (a) (b) (c) (d) (e)(a) 预处理后r1图像；(b) 预处理后r2图像；(c) 预处理后r3图像；(d) 预处理后r4图像；(e) 预处理后r5图像图3.2 预处理红色交通信号灯 (a) (b) (c) (d)(e)(a) 预处理r1图像直方图；(b) 预处理r2图像直方图；(c) 预处理r3图像直方图；(d) 预处理r4图像直方图；(e) 预处理r1图像直方图图3.3 预处理红色交通信号灯后图像直方图 (a) (b) (c) (d) (e)(a) 预处理后g1的图像；(b)预处理后g2的图像；(c)预处理后g3图像；(d)预处理后g4图像；(e)预处理后g5图像图3.4 预处理绿色交通信号 (a) (b) (c) (d) (e)(a) 预处理g1图像直方图；(b) 预处理g2图像直方图；(c) 预处理g3图像直方图；(d) 预处理g4图像直方图；(e) 预处理g5图像直方图图3.5 预处理绿色交通信号灯后图像直方图 (a) (b) (c) (d) (e)(a) 预处理后y1图像；(b) 预处理后y2图像；(c) 预处理后y3图像；(d) 预处理后y4图像；(e) 预处理后y5图像图3.6 预处理黄色交通信号灯 (a) (b) (c) (d) (e)(a) 预处理y1图像直方图；(b) 预处理y2图像直方图；(c) 预处理y3图像直方图；(d) 预处理y4图像直方图；(e) 预处理y5图像直方图图3.7 预处理黄色信号灯后图像直方图3.2.3实验结果分析经过提取彩色图像中的三个分量图像可以看出三幅图像中包含交通信号灯状态的分量图中交通信号灯位置处的亮度明显高于其他区域。由于有这样的特性用该分量与其他两个分量相减取小运算后可以使得图像中的像素值更加趋于灰度级小的区域从而使前景和背景很好的分离。上面各组实验结果表明由于自然场景下光照等多因素的影响并不是所有图像进行灰度化就能得到明显的前景和背景分离的图像。通过实验及观察得到的实验结果知道灰度化后的图像中的像素值及其直方图可以得出用RGB分量运算灰度化图像后能将前景和背景的像素值分离在两个不同的区域。这为阈值分割提供了很大方便。基于灰度级的阈值分割算法，是图像分割技术中最简单也是最常用的一种方法，它适用用于分割对象和背景有较大的灰度差的应用环境。阈值分割在图像的阈值化处理过程中，选用不同的阈值其处理结果差异很人。如果阈值过大，会提取多余的部分；而阈值过小，又会丢失所需的部分(当前背景为黑色，对象为白色时刚好相反)。阈值的选取非常重要。因此为了得到更好的分割效果可以选择适当的阈值分割图像。3.2.4 用阈值处理将交通信号灯前景与背景分离自然场景下的目标识别比一般非自然场景更具挑战性。与一般非自然场景的目标检测不同。在户外自然场景中光照条件的变化使得拍摄的交通信号灯图像相应变化。同时车辆的运动和震动会使得图像模糊。以及其他物体的存在其颜色与交通标志相同或者会对交通标志遮掩。而光照随一天的时间，季节，云层，或其他天气条件的变化而变化且光照条件的不可控及自然场景下的车辆震动等的随机因素影响造成图像变化是随机性的。由于这些因素的存在将影响交通标志的识别效果。针对采集的图像的不确定性本文在对交通标志的检测之前进行图像预处理以实现鲁棒性。从3.2.3中知道灰度化后的图像已经将前景和背景的像素值分离在不同的区域。根据图像灰度化后得到的直方图可以很直观的看出每组灰度化后的图像像素值的分布是有规律的。 即每组图像前景和背景都在一定范围的区域里。由于有这样的特性，可以针对直方图观察通过选取一个前景和背景分界的阈值来分割每组灰度化图像。这样就实现了用一个阈值分割一种颜色的交通信号灯图像。达到了鲁棒性的效果。阈值分割的步骤：读入一幅预处理后的图像；根据每组预处理后图像直方图中阈值的分布（根据直方图可以知道前景和背景的阈值分布在明显的两个区域）手动对每组图像选取一个适当的阈值将一组中的每幅图像分割。 3.2.5 实验结果 (a) (b) (c) (d) (e)(a) 同一阈值分割预处理r1的图像；(b) 同一阈值分割预处理r2的图像；(c) 同一阈值分割预处理r3的图像；(d) 同一阈值分割预处理r4的图像；(e) 同一阈值分割预处理r5的图像图3.8 用同一阈值分割预处理后红色交通信号灯 阈值为35 (a) (b) (c) (d) (e)(a) 同一阈值分割预处理g1的图像；(b) 同一阈值分割预处理g2的图像；(c) 同一阈值分割预处理g3的图像；(d) 同一阈值分割预处理g4的图像；(e) 同一阈值分割预处理g5的图像图3.9 用同一阈值分割预处理后的绿色交通信号灯 阈值为25 (a) (b) (c) (d) (e)(a) 同一阈值分割预处理y1后得到的图像；(b) 同一阈值分割预处理y2后得到的图像；(c) 同一阈值分割预处理y3后得到的图像；(d) 同一阈值分割预处理y4后得到的图像；(e) 同一阈值分割预处理y5后得到的图像图3.10 用同一阈值分割预处理后的黄色交通信号灯 阈值为353.2.6 实验结果分析实验结果表明经过对每组图像选取一个适当阈值能得到前景与背景分离效果较好的图像。且分割预处理后的图像所得到的图像失真性较小。图像中圆形交通信号灯区域的形状和面积大小与愿图像相比较无明显的变化。基本保持了原图像的基本特性。但是由于照片拍摄的角度、光线和距离的差异使得所得对图像进行边缘检测时存在噪声影响。3.3彩色图像阈值分割图像预处理原理步骤彩色图像阈值分割基本思路如图3.11：图3.11彩色阈值分割原理图直接对彩色图进行彩色分割运算量很大。使用RGB彩色向量分割彩色区域是一种简单易行的分割彩色图像的方法。要分割出来的前景区域的色彩是我们感兴趣的。因此定义一个RGBL列向量m来表示需要选取区域颜色的平均色。分割目的是对图像中的每RGB像素进行分类，使其在指定的范围内有一种颜色或者没有颜色。为执行这样的一个比较本文引用欧几里得距离来度量。令z表示RGB空间的任意点。若z和m之间的距离小于指定的阈值T，就说z相似于m。z和m之间的欧几里得距离公式为： (3.1) (3.2)由（3.3.1）可以得到 一个归纳即： （3.3）下标RGB表示向量z和m的RGB分量。D(z,m)T的点的轨迹是一个半径为T的实心球体。包含在球体里内部的表面的点满足特定彩色准则；球体外面的点则不满足。由此就将彩色图像的前景和背景分离开来。具体步骤：读入一幅彩色图像；手动选取交通灯状态区域；计算选取区域中点的均值向量和协方差矩阵；经过计算决定T的阈值；用选取的阈值将彩色图像分割。3.3.1 实验结果 (a) (b) (c) (d) (e)(a) 同一阈值分割彩色图像r1;(b) 同一阈值分割彩色图像r2;(c) 同一阈值分割彩色图像r3; (d) 同一阈值分割彩色图像r4; (e) 同一阈值分割彩色图像r5图3.12 同一阈值直接分割红色交通信号灯彩色图像 阈值为 40 (a) (b) (c) (d) (e)(a) 同一阈值分割彩色图像g1;(b) 同一阈值分割彩色图像g2;(c) 同一阈值分割彩色图像g3; (d) 同一阈值分割彩色图像g4; (e) 同一阈值分割彩色图像g5图3.13同一阈值直接分割绿色交通信号灯彩色图像 阈值为60 (a) (b) (c) (d) (e)(a) 同一阈值分割彩色图像y1;(b) 同一阈值分割彩色图像y2;(c) 同一阈值分割彩色图像y3; (d) 同一阈值分割彩色图像y4; (e) 同一阈值分割彩色图像y5图3.14同一阈值直接分割黄色交通信号灯彩色图像 阈值为403.3.2实验结果分析 通过实验得到各组图像的结果表明直接分割彩色图像运算量大且分割后的整体效果不理想。对每组图像选取一个相同的阈值进行图像分割后，与原图像相比较图像的失真度较大，与用取小运算预处理后再分割的每组图像进行纵向比较，很明显的可以看出将彩色图像进行直接分割后所得的图像的效果要劣于前者。上诉实验结果表明采用欧几里得距离原理的方法分割不是一种较优方法。因此本文将采取3.2中的灰度阈值分割的方法做交通信号灯检测图像分割。第4章 数学形态学的交通信号灯提取4.1引言 数学形态学是分析几何形状和结构的数学方法,是建立在集合代数基础上,用集合论方法定量描述几何结构的科学，是一组形态学的代数运算子组成。用这些算子及其组合进行图像形状和结构的分析处理包括图像分割、特征抽取、边缘检测等方面的工作。本文对交通信号灯的检测的具体步骤如图4.1：图4.14.2 滤波平滑化图像预处理后的交通信号灯图像 通常，由于噪声的影响，图像在阈值化后所得到边界往往是很不平滑的，物体区域具有一些噪声孔，背景区域上散布着一些小的噪声物体。图像平滑主要是为了消除噪声。噪声并不限于人眼所能看的见的失真和变形，有些噪声只有在进行图像处理时才可以发现。图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。图像中的噪声往往和信号交织在一起，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边界轮廓、线条等变的模糊不清，如何既平滑掉噪声有尽量保持图像细节，是图像平滑主要研究的任务。连续的开和闭运算可以有效地改善这种情况。有时需要经过多次腐蚀