機(jī)器視覺又稱計(jì)算機(jī)視覺，是用計(jì)算機(jī)來實(shí)現(xiàn)人的視覺功能，也就是用機(jī)器代替人眼來做測量和判斷。機(jī)器視覺技術(shù)包含光源照明技術(shù)、光成像技術(shù)、傳感器技術(shù)、數(shù)字圖像處理技術(shù)、機(jī)械工程技術(shù)、檢測控制技術(shù)、模擬與數(shù)字視頻技術(shù)、計(jì)算機(jī)技術(shù)、人機(jī)接口技術(shù)等相關(guān)技術(shù)，是實(shí)現(xiàn)計(jì)算機(jī)集成系統(tǒng)的基礎(chǔ)技術(shù)。

對于交通燈的識(shí)別，將使世界上7~8%的色盲、色弱患者駕駛汽車成為可能，也為無人駕駛汽車在技術(shù)上前進(jìn)一步。因而將為汽車工業(yè)以及汽車電子工業(yè)帶來更大的經(jīng)濟(jì)效益，和更大的社會(huì)效益，并可在國際上填補(bǔ)該領(lǐng)域的空白。

當(dāng)獲取一張?jiān)嫉膱D像時(shí)，考慮到背景的變化及其他物體對交通燈識(shí)別的干擾，我們需要將圖像中交通燈的部分提取出來。在此本文用交通燈的形狀及灰度值來定位交通燈在圖像中的位置。

2.2.1、交通燈形狀的矩形度與圓形度

可以通過交通燈的矩形度來找出交通燈一定的范圍，在此采用一種簡單的矩形度計(jì)算方法rectangularity算子，即將上述低灰度值的分散區(qū)域作為輸入?yún)^(qū)域，當(dāng)?shù)玫侥骋痪匦魏洼斎雲(yún)^(qū)域有相同的一、二階矩時(shí)，計(jì)算出輸入?yún)^(qū)域的面積和該矩形面積的比，即為矩形度rectangularity的值。顯然當(dāng)輸入?yún)^(qū)域?yàn)榫匦螘r(shí)，得到矩形度的最大值1；輸入的區(qū)域越接近矩形，則矩形度越接近與1（無輸入?yún)^(qū)域時(shí)矩形度為0）。

通過上述矩形度的算法，可以在低灰度值的區(qū)域中篩選出一定范圍（包含交通燈輪廓）的類矩形，最后通過交通燈在圖像中占據(jù)的面積定位出交通燈的輪廓。

圖2-1通過形狀定位出交通燈的位置

然后在上圖的基礎(chǔ)上，采用一種簡單的Circularity算子，確定出包含有交通燈的輪廓。

具體的算法如下：

假設(shè)F是一個(gè)閉合區(qū)域的面積，max這個(gè)區(qū)域內(nèi)中心點(diǎn)到邊界或輪廓的最大距離，那么：

circularity=F/（max^2*π）（2-1）

根據(jù)式2-1可得圓的circularity為1。由此可知對于一個(gè)輪廓或多邊形包圍的區(qū)域如果其circularity接近與1，那么這個(gè)輪廓近似于一個(gè)圓。可以通過一個(gè)閾值選取出與圓的相似的輪廓，例如可以選取circularity在［0.8，1］范圍內(nèi)的輪廓。如果有多個(gè)輪廓符合，則將這些輪廓所對應(yīng)的區(qū)域存放入一個(gè)數(shù)組之內(nèi)。

當(dāng)確認(rèn)交通燈的位置后，我們需要通過顏色識(shí)別來確定交通燈的狀態(tài)。

由于RGB顏色空間的相似不能代表顏色的相似，HSI顏色空間則沒有這個(gè)方面的問題，它們很適合人們?nèi)庋鄣姆直妫^好地反映人對顏色的感知和鑒別能力。因此可以先將RGB顏色空間轉(zhuǎn)化為HSI顏色空間。

RGB空間轉(zhuǎn)化為HSI空間的一般公式如下：

圖2-2通過飽和度提取的交通燈信息

本文通過圖像分割來識(shí)別交通燈的顏色。將圖像通過選定的閾值分割后，找出所需要的圖形。

2.4.1、基于閾值的分割

這是一種最常用的區(qū)域分割技術(shù)，閾值是用于區(qū)分不同目

標(biāo)的灰度值。如果圖象只有目標(biāo)和背景兩大類，那么只需選取一個(gè)閾值稱為單閾值分割。這種方法是將圖象中每個(gè)象素的灰度值和閾值比較，灰度值大于閾值的象素為一類，灰度值小于閾值的象素為另一類。如果圖象中有多個(gè)目標(biāo)，就需要選取多個(gè)閾值將各個(gè)目標(biāo)分開，這種方法稱為多閾值分割。閾值分割的結(jié)果依賴于閾值的選取，確定閾值是閾值分割的關(guān)鍵，閾值分割實(shí)質(zhì)上就是按照某個(gè)標(biāo)準(zhǔn)求出最佳閾值的過程。

在背景和目標(biāo)圖像的先驗(yàn)概率相等這一特定條件下，最佳閾值是背景灰度均值與目標(biāo)圖像灰度均值之均值。即：