基于先验信息的交通信号灯识别方法

张百成 ,汪兴国

浙江中控信息产业股份有限公司  浙江 杭州 310000

摘要：智能交通系统（IntelligentTrafficSystem,ITS）是一个融合人工智能、计算机视觉、图像处理等众多学科的综合系统。视觉场景信息作为ITS场景信息中的关键一环，包含了诸如交通信号灯、车道线、交通标志等重要道路交通安全信息，因此，如何有效准确识别交通信号灯（TrafficLightRecognition,TLR），是ITS中不可避免的一个重要话题。基于颜色的交通信号灯识别方法在很大程度上取决于环境光照、天气等因素，且HSV各个分量很难选取一个通用适合的范围，导致在实际识别过程中精度仍不够高。基于交通信号灯结构特点的先验信息，采用颜色信息与图像灰度信息融合的方法，进一步提升交通信号灯的识别准确率。

关键词：先验信息；交通信号灯；识别方法

引言

随着人工智能科学的发展，智慧交通逐渐影响人们的日常出行。信号灯是智慧交通的重要组成部分，基于交通信号灯的图像分类识别是进行研究的基础。图像分类采用的算法主要有基于CNN网络模型，CNN网络模型是由简单神经网络发展改进而来，相比于神经网络主要采用卷积层和池化层替代全连接层结构，卷积层能够有效地将图像中的各种特征提取出并生成特征图，但CNN模型学习全局特征能力不强，为更好实现对信号灯图像分类可采用基于自注意机制的深度神经网络Transformer，Transformer模型具有多头自注意力机制，可以通过此机制进行特征提取，使用自注意力机制相比于CNN模型能学习到全局特征，可以减少对外部信息的依赖，能更好的捕获数据或特征内部的相关性，从而提取更强有力的特征。

1.优化交通信号灯识别方法的意义

随着工业和相关技术的发展汽车制造成本不断降低,汽车价格也不断下降,越来越多的家庭都拥有了汽车。汽车数量的增加,不仅加重了交通拥堵问题,汽车排放的尾气也对空气产生了严重的影响,会降低城市交通的运行效率。仅依靠道路扩建和城市改造无法有效地解决城市交通拥堵问题,可通过交通信号灯控制方法改善并缓解城市交通拥堵现象。通过协调控制可以对城市的交通网络进行优化,进而改善城市道路拥堵状态。在此背景下,对交通信号灯混杂控制方法进行分析和研究具有重要意义。

2.基于颜色的交通信号灯识别

针对基于颜色的交通信号灯识别准确率不高的问题，对原始图像进行倾斜校正和大小标准化，先采用基于HSV颜色空间的TLR方法对交通信号灯进行初步识别。针对部分图像中由于天气、相机特性等原因造成的颜色失真情况，以及HSV颜色空间识别法存在的难以选取合适的（H,S,V）范围等缺点，利用先验信息和灰度信息，进行ROI检测，滤掉了大量的错误识别。通过设定合适的阈值T，将HSV颜色空间与灰度图像ROI像素值求和两种TLR识别方法相融合，能够有效、快速地识别交通信号灯类型，又能保证交通信号灯识别的高准确率。ROI检测对HSV颜色空间法的影响不大；灰度图像ROI像素值求和法识别准确率比未进行ROI检测时高23.951%；融合识别方法的识别准确率比未进行ROI检测时高5.392%。因为ROI检测减少了每幅图像的处理面积，平均单张图像检测时间减少了1ms～2ms。融合算法的平均单张图像检测耗时为16.33ms，满足一般的实时识别交通信号灯系统的要求。

3.SwinTransformer算法模型的应用

针对Transformer模型参数量大不易训练，SwinTransformer算法模型通过采用滑窗操作、层次化构建方式构建Transformer，极大减少模型参数量更好实现轻量化目标，该模型采用移动窗口的形式计算模型的自注意力，允许进行跨窗口连接，降低模型的复杂度提高模型的运行效率。训练时为加快模型收敛添加预训练权重。数据集训练时需要进行不断地调节参数是训练过程不断进行优化，在训练的前期阶段训练时采用学习率较大的量级，当训练过程后期可以采用相对之前学习率较小的量级，其次当考虑动量对训练过程的影响，当对数据集训练达到瓶颈时修改动量以提高预测精度。在对训练集进行30次训练迭代后，取训练权重中最好的权重进行模型的验证，获得最优的训练模型。Transformer模型最开始应用于处理自然语言领域，Transformer可以采集全集信息相比于CNN减少对外部信息的依赖，Transfomer模型得到极大关注。本研究基于SwinTransfomer模型图像分类算法，通过交通信号灯数据集选取与制作、数据集训练、测试结果验证SwinTransfomer模型在图像分类中有很好的应用。但SwinTransfomer模型在实际应用中存在的诸多挑战，模型相比于CNN更加复杂，参数量相比于CNN中的轻量化网络依然很大，部署在边缘端任重而道远。

4.基于改进YOLOv3模型

的交通识别

交通标识检测模型主要可分为基于颜色、形状等特征的传统目标检测模型和基于卷积神经网络的深度学习目标检测模型．传统目标检测模型往往需要人工设计不同的特征来检测交通标识，虽然结合了颜色、亮度、形状等信息，但在复杂的背景环境中干扰物众多，检测速度慢，鲁棒性差．近年来随着智能计算的不断发展，基于卷积神经网络的目标检测模型也逐渐开始应用于交通标识检测研究．基于卷积神经网络的目标检测模型主要分为两个研究方向:二阶段目标检测和一阶段目标检测。提出的T-YOLO模型对于交通标志、交通信号灯以及停止线的召回率均有明显提升．本文提出的T-YOLO模型检测速率每秒可达31帧，高于图像模型检测交通标识的帧率要求．对模型检测结果分析发现，当交通信号灯及交通标志牌目标处在图像中的位置较远时，模型容易发生漏检情况，分析其原因是待测目标在当前图像中所占像素比例过小，最终导致的漏检．当出现地面停止线磨损不清晰、前车遮挡的情况时，由于待检测目标不够完整，导致停止线的检测效果也相对较差．综上分析，本检测模型在对常规多类交通标识检测效果良好，而对于像素比例占比较低或不完整的目标进行检测时，模型检测性能还有待提高。

5.智能网联车辆协同通行方法

设置单个交叉路口模型，对交通信号时长进行算法优化。在设定的时间范围内，确定每一个交通信号相位的时长，使性能指标最小化。针对预测优化问题建立模型，将固定时刻的交通状态输入到交通流模型进行预测，再利用遗传算法得到预测优化问题的最终解，将排在首位的解用于信号控制，再不断重复以上步骤得到滚动时域控制。为了验证信号优化方法的实际性能，对Ｖ２Ｉ交通信号灯控制方法和感应式交通信号灯控制方法输入不同控制指标进行仿真实验。实验结果表明，Ｖ２Ｉ信号控制方法能够有效提高车辆通行效率，主要依靠减少平均延迟时长和车辆停止次数实现，尤其是在交通量较大时，优化效果更加明显。

结束语

城市交通拥塞问题在城市化进程不断加快的背景下越来越严重,国内外专家和学者对交通控制技术进行研究时,发现对城市道路进行操作和控制的难度较高,城市交通状况在交通量不断增加的情况下难以得到改善。在交通系统中交通信号灯属于重要构成部分,对其进行有效控制,可以缓解并改善交通拥塞问题。目前交通信号灯控制方法的有效性较差,无法降低车辆在交通路口的等待时间和停车次数,提出诱导条件下基于Multisim的交通信号灯混杂控制方法,在城市交通网络模型的基础上采用Multisim软件设计控制器,实现交通信号灯的控制,降低了车辆在交通路口的等待时间和停车次数,解决了传统方法的不足,并加以改善,缓解了城市交通拥塞问题。

参考文献

[1]李蒋.基于深度学习PyTorch框架下YOLOv3的交通信号灯检测[J].汽车电器,2022(06):4-7.

[2]郁烽.基于深度学习的交通场景多目标识别研究[D].厦门理工学院, 2022.000044.

[3]张焕增,李茂强,刘英杰.基于视觉的轨道交通信号灯识别算法研究[J].电子制作,2020(18):53-55.

[4]张清华.智能型交通路况监测与交通信号灯模糊控制系统[D].合肥工业大学,2019.

[5]毛思瑜.城市交通信号灯设计的人因学研究[D].南京师范大学, 2019.001383.