谭思奇

摘 要：为了对交通信号灯的检测和识别进一步的研究，本文基于传统和深度学习这两个方面的交通信号灯检测与识别的相关研究进行梳理和分析，发现目前交通信号灯检测与识别主要存在检测速度不高、准确率较低等问题，所以本文对交通信号灯检测与识别相关方法的优缺点进行分析和总结，为以后进行这方面的研究提供参考依据。

关键词：交通信号灯;检测;识别

0 引言

近年来由于无人驾驶技术的快速发展，关于交通信号灯检测与识别的方法也在不斷更替。交通信号灯是公路系统的重要组成部分，实现对交通信号灯的检测与识别是无人驾驶必须攻克的难题，以此对其进行研究具有重要的意义。要对交通信号灯进行识别通常来说分为两个过程，第一步是对图像的候选区域进行特征提取，第二步就是根据特征对识别的特征进行分类。目前关于交通信号灯的检测与识别可以归为两类，一类是借助于传统的特征提取方法，对其进行检测和识别，另一类是基于机器学习的方法利用机器来进行特征提取再分类。

1 基于传统方法的交通信号灯检测与识别

传统交通信号灯检测算法通常是先对彩色的图像进行阈值分割，对其进行划分得到了包含交通信号灯的二值图，然后利用心态学的原理对其进行分析，找出具有圆形特征的区域来作为交通信号灯的候选区域。Park等[1]利用聚类和圆形检测算法来定位识别交通信号灯，但该方法在复杂环境下可能会失效，而且误检率也较高。M. Omachi等[2]将边缘检测算法和选举法相结合来实现对交通信号灯的检测，借助于信号灯的颜色信息通过融合算法来识别交通信号灯的状态并达到了很好的检测和识别效果。但是该方法鲁棒性较差。Wang Chao-Ming等[3]利用多个颜色阈值分割的方法来提取候选区域，然而该方法无法对黄色和红色进行识别，实用性差。Yung等人[4]利用视频来实现对交通信号灯的检测，由于获取的视频较为清晰，该算法能够实现信号灯距离测量。Chung等[5]采用预先估计的方法来对交通信号灯的背景和光照的时间进行简易计算，运用模糊控制算法对交通信号灯候选区域的进行检测。但是该方法需要对图片的背景进行估计，对移动的车辆难以适用。谷明琴等人[6]也对交通信号灯检测与识别算法进行了研究，但其仅限于对圆形的交通信号灯，箭形的没有包括在内。

2 基于深度学习的交通信号灯检测与识别

Muller等[7]利用交通信号灯在图像中像素占比较小，难以检测的特点，利用Inception-v3作为基础网络，改进了single shot detection算法，将图片上下文信息结合起来对交通信号灯进行检测和识别。该方法在自制的数据集上取得了较高的准确率，但是实时性较差。Han等[8]移除了Faster-RCNN的第四个池化层，并引入了新的样本挖掘策略来提高该算法的鲁棒性。改进的算法在自制的数据集相比于改进前提高了12.1%。Faster-RCNN算法本身参数较多，改进后的算法计算量并没有显著降低，很难达到实时性的要求。Philipsen M P等[9]在YOLOv1算法的基础上，为了减少漏检率其加入交通识别模块和跟踪器，在自制的数据集上达到了较好的效果，但精度还有待提高。钱弘毅等[10]对yolov2算法模型进行了改进，并将其运用到交通信号灯的检测与识别之中，达到了96.08%的精度但检测速度还有待提高。袁志宏等[11]改进yolov3来对道路目标进行检测，通过改进主干网络结构来提高检测的速度和准确度，并且结果表明该模型有效的降低了漏检率。杨英彬等[12]通过对yolov4的损失函数和交叉熵函数系数进行修改，能够很好的对目标进行实时检测。

3 总结

总体来讲，目前交通信号灯的检测与识别研究的还不够深入，传统的检测方法通过人工手动提取特征，对图像的像素点进行提取找出与交通信号灯类似的检测区域，再通过颜色或形状等特征再加以分类，这一系列的操作程序比较繁琐，需要耗费大量时间和精力。而且在实际的道路场景中由于道路两旁的物体遮挡、图片背景和阳光反射等干扰，单单靠形状和颜色特征不能很好的对交通信号灯进行检测和识别，一旦遇到复杂场景，检测和识别的效果就较差。相比于传统的检测与识别方法，基于深度学习的算法可以通过神经网络对图片的像素点进行采集并自动提取检测目标的特征，再加以训练来实现对交通信号灯的检测与识别，过程较为简单，不用耗费大量的时间，效率较高。这其中具有代表性的检测算法大致分为两类，一类是一阶段算法YOLO、SSD等，另一类是两阶段算法如fast-RCNN、faster-RCNN。其中YOLO、SSD等一阶段算法对小目标的检测效果较差而fast-RCNN、faster-RCNN等两阶段算法检测速度又太慢，所以目前研究的重点就是要找出一种兼具检测速度和检测精度的算法。所以关于交通信号灯的检测与识别方法还有待进一步的研究。

参考文献：

[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，蔡自兴，李仪.应用圆形度和颜色直方图的交通信号灯识别[J].计算机工程与设计，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，Møgelmose A，et al. Traffic Light Detection：A Learning Algorithm and Evaluations on Challenging Dataset[J].2015.

[10]錢弘毅，王丽华，牟宏磊.基于深度学习的交通信号灯快速检测与识别[J/OL].计算机科学：1-9[2019-11-13].http：//kns.cnki.net/kcms/detail/50.1075.TP.20190816.1519.024.html.

[11]袁志宏，孙强，李国祥，等.基于Yolov3的自动驾驶目标检测[J].重庆理工大学学报（自然科学），2020，34（9）：

56-61.

[12]杨英彬，郭子彧，蔡利民.YOLOv4的车辆检测方法研究[J].电子世界，2021（5）：80-81+87.