張坤 李珊珊 王曉紅 李雪菲 溫濤

摘要：為解決鐵路安全運輸問題，對基于機器視覺的鐵路信號燈檢測方法進行仿真圖像和視頻檢測實驗研究。闡述了鐵路信號燈圖像在不同顏色空間下的特性及其對鐵路信號燈識別的影響，將其由RGB顏色空間轉(zhuǎn)換為HSV顏色空間。通過Canny算子、腐蝕膨脹以及開閉運算等技術(shù)提取鐵路信號燈圖像的幾何特征，通過Hough檢測，對圖像中鐵路信號燈進行定位。對定位的信號燈進行顏色提取，從而識別出信號燈的類別。根據(jù)多種天氣情況下的鐵路信號燈圖像進行仿真實驗分析，進一步對采集的列車行駛視頻進行實驗分析，優(yōu)化檢測方法。研究結(jié)果表明，提出的鐵路信號燈檢測模型，能夠支持復(fù)雜背景下的鐵路信號燈類別的有效識別。通過機器視覺技術(shù)實現(xiàn)鐵路信號燈的檢測和識別，是提高鐵路運輸安全性的一種有效方法。

關(guān)鍵詞：圖像處理;機器視覺;鐵路信號燈檢測;HSV;Canny算子;Hough檢測

中圖分類號：TP319文獻標(biāo)志碼：A

文章編號：1008-1534（2019）02-0115-07

隨著鐵路運輸量的增加和運輸速度的提升，多次出現(xiàn)的鐵路運輸事故，給列車的正常運行帶來了極大的不確定因素，也給國家和人民的生命財產(chǎn)帶來了巨大安全隱患。如何保證鐵路運輸?shù)陌踩⒖煽?，成為鐵路運輸行業(yè)密切關(guān)注的一個重要問題。鐵路運輸?shù)陌踩[患有很多種，其中鐵路信號燈的錯誤識別和判斷是重要因素之一[1]。傳統(tǒng)的鐵路信號燈檢測一直是靠人眼來觀察，當(dāng)列車快速行駛時，人眼觀察容易產(chǎn)生誤判。隨著人工智能技術(shù)的日益發(fā)展，圖像處理技術(shù)和計算機視覺技術(shù)逐漸成熟，為減少鐵路交通運輸事故的發(fā)生，筆者通過機器視覺技術(shù)，提出了一種基于機器視覺的鐵路信號燈檢測模型[2]，以提高鐵路信號燈的識別率，為鐵路運輸提供安全保障，有效提高鐵路運輸效率。

與鐵路信號燈的研究相比，道路交通信號燈的檢測方法較多。例如，2016年李佳陽等[3]使用MATLAB提取交通信號燈的特征，實現(xiàn)交通信號燈的識別。同年YUAN等[4]將機器學(xué)習(xí)方法用于交通信號燈的識別。PARK等[5]提取可能是交通信號燈的像素，利用K均值聚類方法進行聚類;再用圓檢測算法，檢測出圓形信號燈。與道路交通信號燈相比，鐵路信號燈檢測技術(shù)對精確度和速度提出了更多要求。例如，鐵路信號燈圖像并非標(biāo)準(zhǔn)圓形，且鐵路信號燈種類多達9種，極大地提高了檢測的復(fù)雜度。國內(nèi)外對此方面的研究相對較少。2012年李永河等[6]利用MATLAB軟件提取了鐵路信號燈的面積、周長等幾何特征信息，實現(xiàn)了鐵路信號燈的檢測和識別。為了實現(xiàn)復(fù)雜環(huán)境下的鐵路信號燈的準(zhǔn)確識別，提出了鐵路信號燈檢測與識別模型，分析比較了顏色空間和邊緣算子，通過Canny算子、腐蝕膨脹以及Hough檢測等技術(shù)實現(xiàn)了鐵路信號燈的識別。

1鐵路信號燈檢測與識別模型

提出了一種基于機器視覺的鐵路信號燈檢測與識別模型，技術(shù)路線圖如圖1所示。本模型中信號燈圖像的處理過程主要分為以下步驟：1）采集鐵路信號燈圖像;2）提取鐵路信號燈的顏色特征;3）提取鐵路信號燈的幾何特征。

1）鐵路信號燈圖像的采集

鐵路信號燈圖像的獲取路徑分為2個：一是通過實驗生成的仿真數(shù)據(jù)，用于測試所提出的檢測與識別模型的準(zhǔn)確度;另一個是通過攝像頭設(shè)備獲取的列車視頻，按幀提取的鐵路信號燈圖像。

2）鐵路信號燈圖像顏色特征的提取

將鐵路信號燈圖像的顏色空間轉(zhuǎn)換成能方便處理的HSV顏色空間模型，為準(zhǔn)確檢測與識別打下基礎(chǔ)。

3）鐵路信號燈圖像幾何特征的提取

使用Canny算子進行邊緣檢測，為鐵路信號燈圖像提取更加清晰的邊緣;在此基礎(chǔ)上，使用腐蝕膨脹等技術(shù)實現(xiàn)圖像的去噪、邊緣增強等，加強圖像的幾何特征;最后進行Hough變換，找到信號燈圓的位置，更好地識別出信號燈的顏色。

2鐵路信號燈顏色特征的提取方法

目前，在圖像處理過程中，常用的彩色圖片格式有RGB，Lab，HIS，以及HSV4種。選取顏色空間的不同，會對鐵路信號燈識別的準(zhǔn)確度產(chǎn)生影響。因此，針對復(fù)雜環(huán)境下的鐵路信號燈圖像，分析這4種顏色在空間模型中不同的顏色分量值及其對鐵路信號燈識別的影響，實驗中選用的鐵路信號燈圖像如圖2所示。

RGB顏色空間模型是圖像處理中最基本的模型，而且R，G，B這3個分量的相關(guān)性較高，容易受到光照等影響[7]。Lab是一種基于人對顏色感知的一種顏色空間，它比RGB顏色空間的色域要寬，且不依賴于設(shè)備[8-9]。HSI顏色空間是從人的視覺感知層面建立的模型[10]，而且HSI適用于一些亮度有變化或顏色差異較大的場景。HSV空間符合人眼的視覺感知，所以更適合用在圖像處理上，而且HSV空間能夠非常直觀地表達出色彩的明暗、色調(diào)以及鮮艷程度，因此顏色之間的對比就比較方便明了[11]。

RGB顏色空間中各分量的獨立性較強，分布不均勻。將RGB顏色空間應(yīng)用于鐵路信號燈檢測算法中，會導(dǎo)致在邊緣檢測和圖像形態(tài)學(xué)分析時產(chǎn)生較大的偏差，信號燈檢測效果不好。與RGB對比，Lab模型空間中各分量具有一定的相關(guān)性，在圖像處理過程中要優(yōu)于RGB模型，而HIS，HSV模型分布最為均勻，適合本文的鐵路信號燈識別方法。對比HSI和HSV，選用HSV顏色空間模型。

在HSV空間模型中，能夠?qū)﹁F路信號燈圖像進行有效處理。針對鐵路信號燈的類別，對基本色中對應(yīng)的HSV分量定一個嚴(yán)格的范圍，表1是通過實驗計算得到的一個模糊范圍（H：0～180;S：0～255;V：0～255）。此表把部分紅色歸為紫色范圍。

采用HSV顏色空間的鐵路信號燈圖像來實現(xiàn)鐵路信號燈的檢測和識別。由于采集的圖像是RGB顏色空間模型，因此在進行圖像處理前，需要通過式（1）至式（3）轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換效果如圖3所示，其中圖3a）為RGB空間的原圖，圖3b）為轉(zhuǎn)換后HSV空間的效果圖。

H=

3鐵路信號燈幾何特征的提取方法

鐵路信號燈幾何特征的提取是復(fù)雜背景下有效識別信號燈顏色不可或缺的一步，幾何特征提取的精度直接影響到鐵路信號燈的正確識別。通過圖像邊緣檢測、腐蝕膨脹、Hough檢測等技術(shù)，完成鐵路信號燈的識別，提高了鐵路信號燈檢測的準(zhǔn)確度。

3.1圖像邊緣檢測

復(fù)雜背景下，鐵路信號燈的成功定位所依賴的一個重要因素就是物體邊緣。使用各種邊緣算子的圖像邊緣檢測技術(shù)，較為準(zhǔn)確地找到物體邊緣[12-13]。常用的邊緣算子有Roberts算子、Sobel算子、Prewitt算子、LOG算子、Canny算子等。這5種邊緣算子對鐵路信號燈圖像檢測的效果如圖4所示。

1）Roberts算子是一種最簡單的算子。Roberts算子適用于邊緣明顯且噪聲較少的圖像。如圖4b）所示，鐵路信號燈圖像的背景復(fù)雜，得到的圖像邊緣并不明顯。

2）Sobel算子是一種典型的基于一階導(dǎo)數(shù)的邊緣算子。Sobel算子可以很好地消除噪聲的影響，但是缺點就是不能將圖像的主題與背景嚴(yán)格區(qū)分開來。如圖4c）所示，圖像中信號燈邊緣與圖像背景邊緣并沒有分割開來，而且其中一些重要邊緣也不是很明顯。

3）Prewitt算子是一種基于一階微分算子的邊緣檢測。Prewitt算子對噪聲具有平滑作用，但是Prewitt算子與Sobel算子相比，不能更準(zhǔn)確地檢測出圖像邊緣。如圖4d）所示，邊緣提取后，得到的邊緣太多，不太容易提取出鐵路信號燈的邊緣。

4）LOG算子是一種基于二階導(dǎo)數(shù)的零交叉算子，對噪聲十分敏感。如圖4e）所示，得到的邊緣不明顯。

5）Canny算子是一個一階算子，具有濾波、增強、檢測功能。如圖4f）所示，提取出的鐵路信號燈圖像邊緣比前面幾種都要清晰明顯，也能夠檢測出鐵路信號燈圖像邊緣較細(xì)的部分[14-15]。

在對鐵路信號燈圖像進行處理前，要先使用高斯平滑濾波器來平滑圖像以達到去除噪聲的目的，然后計算圖像梯度的大小和方向，再經(jīng)過一個對梯度值的非極大值抑制過程，最后使用2個閾值來實現(xiàn)邊緣的檢測和連接[16-17]。優(yōu)點是最后的步驟中使用了2個閾值，更加清晰地找到圖像中邊緣細(xì)小部分，同時增加了靈活性。使用Canny算子進行圖像邊緣檢測，多次調(diào)整Canny算子中的閾值大小，確定2個閾值分別為threshold1=10和threshold2=300，得到如圖5所示的更為清晰的邊緣圖像。

3.2圖像的形態(tài)學(xué)操作

為消除鐵路信號燈圖像的噪聲，有效提取鐵路信號燈圖像的邊緣，提出的鐵路信號燈檢測與識別模型采用形態(tài)學(xué)操作中的膨脹（dilation）和腐蝕（erosion）處理[18]。

針對圖2的鐵路信號燈原圖，使用筆者提出的信號燈識別與檢測模型中的Canny算子處理，通過邊緣檢測得到圖5，然后對這個效果圖進行2次腐蝕膨脹以及閉運算，制作出黑色掩膜。2次腐蝕膨脹以及閉運算后的效果如圖6所示。

3.3鐵路信號燈圓的提取

對鐵路信號燈圖像進行Canny算子邊緣檢測、腐蝕膨脹等操作，可以增強圖像的幾何特征信息，為鐵路信號燈的定位及識別打下基礎(chǔ)。圖6所示是圖5在進行Canny算子邊緣檢測處理后的新圖像。然而，為進一步成功定位信號燈，利用基于Hough變換理論來實現(xiàn)鐵路信號燈圓定位算法，以便找到鐵路信號燈圓的輪廓。

Hough變換就是對圖像進行坐標(biāo)變換，即把平面坐標(biāo)變換為參數(shù)坐標(biāo)，使得圖像中的圓形更加容易被檢測[19-20]。設(shè)圓心坐標(biāo)（a，b）和半徑r，得到Hough變換檢測圓的方程公式為（x-a）2+（y-b）2=r2。圓心之間的最小參數(shù)設(shè)為param=10，最小圓半徑設(shè)為minRadius=5，最大圓半徑設(shè)為maxRadius=50。使用這些參數(shù)可以檢測到更加接近于鐵路信號燈輪廓的圓形。

4實驗

1）圖像數(shù)據(jù)

為了檢測鐵路信號燈識別方法的可行性，現(xiàn)場采集了一段長達8min的列車行駛視頻。首先按幀提取出1190張鐵路信號燈圖像，然后進行鐵路信號燈的識別和檢測。當(dāng)攝像頭與信號燈的距離小于等于450m，采集到的鐵路信號燈圖像清晰度好，可以作為系統(tǒng)的有效輸入。

2）顏色識別

為實現(xiàn)鐵路信號燈識別方法的有效性與實用性，使用了180幅不同顏色的鐵路信號燈圖像數(shù)據(jù)進行檢測。實驗選擇軟件為pycharm2017.3.3平臺，硬件為PC（配置：Intel（R）Core（TM）i5-7200UCPU@2.50GHz內(nèi)存8.00GB64位WIN10操作系統(tǒng)）。

為了驗證該算法是否滿足實時性要求，實驗記錄了從調(diào)用攝像頭到識別出圖像結(jié)果所消耗的時間，然后取其平均值，統(tǒng)計結(jié)果見表2。

實驗表明，該鐵路信號燈識別方法能有效檢測信號燈的顏色。通過表2中不同顏色信號燈的實驗對比可知，鐵路信號燈檢測模型對單顏色信號燈檢測的準(zhǔn)確度較高，時間較短。其中，由于綠色和藍色的鐵路信號燈圖片顏色模糊，比其他幾種單顏色信號燈的準(zhǔn)確度略差、時間略長，并且在組合顏色的鐵路信號燈中，有白色燈組合的信號燈不能被很好地識別。所以，需進一步優(yōu)化來提高準(zhǔn)確性和實時性。

3）實驗結(jié)果

圖7顯示了實驗的識別結(jié)果，左側(cè)為原圖，右側(cè)為識別后的圖片，通過兩者對比，可以清晰地找到信號燈的位置并對鐵路信號燈進行標(biāo)記，如圖7中右側(cè)識別圖中白色框所示。圖8是圖7提取的邊緣特征和腐蝕膨脹效果圖。

考慮到真實的列車行駛環(huán)境，存在雨、雪等惡劣天氣的干擾，實驗將采集到的圖片添加了噪聲干擾，并輸入本系統(tǒng)進行信號燈識別，識別結(jié)果如圖9所示。

實驗表明，該鐵路信號燈識別方法能有效、準(zhǔn)確地識別出鐵路信號燈的顏色及位置，并正確解讀出信號燈的釋義。但是鐵路信號燈圖片的背景較為復(fù)雜，尤其是綠色燈和藍色燈的顏色提取較為困難，為鐵路信號燈的檢測和識別帶來了困難，因此檢測技術(shù)仍需完善。

5結(jié)語

1）以鐵路信號燈檢測與識別為研究目標(biāo)，運用機器視覺的圖像處理技術(shù)，設(shè)計了基于機器視覺的鐵路信號燈檢測模型。利用該模型識別和檢測鐵路信號燈的類別和釋義，為列車司機提供有效的信號燈信息。

2）通過采集鐵路信號燈圖像數(shù)據(jù)，并進行實驗驗證，發(fā)現(xiàn)視頻中的背景復(fù)雜，且信號燈顏色較為模糊，采用一般的圖像處理方法不足以準(zhǔn)確識別。在此基礎(chǔ)上，對比分析了4種顏色空間模型和5種邊緣檢測算子，提出了基于機器視覺的鐵路信號燈檢測模型，利用Canny算子對圖片邊緣進行檢測處理，通過Hough變換對處理后的圖片進行坐標(biāo)變換以便找到圖片中圓的位置，實現(xiàn)了鐵路信號燈的識別和檢測。

3）有關(guān)鐵路信號燈檢測算法的改進研究還有待優(yōu)化，比如模型中的HSV顏色空間轉(zhuǎn)換的閾值和一些技術(shù)中的參數(shù)進行調(diào)整，今后將對此進行更為深入的探索。

參考文獻/References：

[1]劉朝英，林瑜筠.鐵路信號概論[M].北京：中國鐵道出版社，2011：390.

[2]丁建平.鐵路跟蹤和鐵路信號燈識別的研究[D].成都：電子科技大學(xué)，2013.

DINGJianping.ResearchaboutRailwayTrackingandtheIdentificationofRailwaySignalLight[D].Chengdu：UniversityofElectronicScienceandTechnologyofChina，2013.

[3]李佳陽，劉奇.基于MATLAB的交通信號燈識別方法[J].甘肅科技，2016，32（23）：40-43.

[4]YUANQingze，ZHOUMuchun，QIUMing.TrafficlightsdetectionandrecognitionbasedoncolorandshapewithSVM[C]//2016InternationalConferenceonComputer，MechatronicsandElectronicEngineering.Beijing：CMEE，2016：406-411.

[5]PARKJH，JEONGCS.Real-timesignallightdetection[C]//2008SecondInternationalConferenceonFutureGenerationCommunicationandNetworkingSymposia.Sanya：IEEE，2008：139-142.

[6]李永河，董華軍，劉伸展，等.基于圖像處理鐵路信號燈特征提取[J].大連交通大學(xué)學(xué)報，2012，33（4）：102-104.

LIYonghe，DONGHuajun，LIUShenzhan，etal.Featureextractionofrailwaysignalsbasedonimageprocessing[J].JournalofDalianJiaotongUniversity，2012，33（4）：102-104.

[7]DUTTAS，CHAUDHURIBB.AcoloredgedetectionalgorithminRGBcolorspace[C]//2009InternationalConferenceonAdvancesinRecentTechnologiesinCommunicationandComputing.Kerala：IEEE，2009：337-340.

[8]RECKYM，LEBERLF.WindowsdetectionusingK-meansinCIE-Labcolorspace[C]//201020thInternationalConferenceonPatternRecognition.Istanbul：IEEE，2010：356-359.

[9]徐成，譚乃強，劉彥.基于Lab色彩空間和模板匹配的實時交通燈識別算法[J].計算機應(yīng)用，2010，30（5）：1251-1254.

XUCheng，TANNaiqiang，LIUYan.TrafficlightsrecognitionalgorithmbasedonLabcolorspaceandtemplatematch[J].JournalofComputerApplications，2010，30（5）：1251-1254.

[10]孫慧賢，張玉華，羅飛路.基于HSI顏色空間的彩色邊緣檢測方法研究[J].光學(xué)技術(shù)，2009，35（2）：221-224.

SUNHuixian，ZHANGYuhua，LUOFeilu.ColoredgedetectionbasedonHSIcolorspace[J].OpticalTechnique，2009，35（2）：221-224.

[11]SUCH，CHIUHS，HSIEHTM.AnefficientimageretrievalbasedonHSVcolorspace[C]//2011InternationalConferenceonElectricalandControlEngineering.Yichang：ICECE，2011：5746-5749.

[12]趙志帥.基于彩色圖像處理的鐵路信號燈識別及其測距技術(shù)研究[D].武漢：武漢理工大學(xué)，2010.

ZHAOZhishuai.ResearchontheTechniquesofRecognitionandDistanceofRailwaySignalsBasedonColorImageProcessing[D].Wuhan：WuhanUniversityofTechnology，2010.

[13]張春雪.圖像的邊緣檢測方法研究[D].無錫：江南大學(xué)，2011.

ZHANGChunxue.ResearchontheMethodofImageEdgeDetection[D].Wuxi：JiangnanUniversity，2011.

[14]王智文.幾種邊緣檢測算子的性能比較研究[J].制造業(yè)自動化，2012，34（6）：14-16.

WANGZhiwen.Comparisonresearchofcapabilityofseveraldetectionoperatorsforedgedetection[J].ManufacturingAutomation，2012，34（6）：14-16.

[15]唐亮，趙春紅，胡繼明，等.基于邊緣檢測算子的圖像邊緣檢測研究與應(yīng)用[J].科技廣場，2017（6）：22-25.

TANGLiang，ZHAOChunhong，HUJiming，etal.Researchandapplicationofimageedgedetectionbasedonedgedetectionoperator[J].ScienceMosaic，2017（6）：22-25.

[16]張樹忠.基于Canny理論的彩色圖像邊緣檢測[D].成都：成都理工大學(xué)，2006.

[17]楊阿慶.基于Canny理論的彩色圖像邊緣檢測及評價[D].蘭州：蘭州理工大學(xué)，2013.

YANGAqing.TheColorImageEdgeDetectionBasedontheTheoryofCannyandEvaluation[D].Lanzhou：LanzhouUniversityofTechnology，2013.

[18]姚敏.數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2006.

[19]路正鳳，王思明，呂國強，等.基于PCA和隨機Hough變換的調(diào)車信號燈檢測[J].鐵道標(biāo)準(zhǔn)設(shè)計，2014，58（3）：130-134.

LUZhengfeng，WANGSiming，LVGuoqiang，etal.ShuntingsignallampdetectionbasedonPCAandrandomizedHoughtransform[J].RailwayStandardDesign，2014，58（3）：130-134.

[20]朱桂英，張瑞林.基于Hough變換的圓檢測方法[J].計算機工程與設(shè)計，2008，29（6）：1462-1464.

ZHUGuiying，ZHANGRuilin.CircledetectionusingHoughtransform[J].ComputerEngineeringandDesign，2008，29（6）：1462-1464.

[21]劉培軍，馬明棟，王得玉.基于OpenCV圖像處理系統(tǒng)的開發(fā)與實現(xiàn)[J].計算機技術(shù)與發(fā)展，2019，48（3）：1-6.

LIUPeijun，MAMingdong，WANGDeyu.OpenCV-basedimageprocessingsystemdevelopmentandimplementation[J].ComputerTechnologyandDevelopment，2019，48（3）：1-6.

[22]ZHOUYing，LIPancheng.Researchonkeytechnologiesofcomputergraphicsimageprocessing[C]//20185thInternationalConferenceonElectrical&ElectronicsEngineeringandComputerScience（ICEEECS2018）.Beijing：ICEEECS，2018：63-66.

[23]ZHONGJuan，LIAOHua.Researchontheapplicationsofelectronicinformationtechnologyinintelligenttrafficlightsignalcontrol[C]//2017InternationalConferenceonComputing，CommunicationsandAutomation（I3CA2017）.Shanghai：I3CA，2017：1-5.

[24]李廣亮，楊成忠，張澤泓.智能車交通燈識別[C]//浙江省信號處理學(xué)會2013學(xué)術(shù)年會論文集.杭州：浙江省信號處理學(xué)會，2014：123-126.

[25]ZHAOXu，XUBaojie，WUGuoxin.CannyedgedetectionbasedonOpenCV[C]//201713thIEEEInternationalConferenceonElectronicMeasurement&Instruments（ICEMI）.Yangzhou：IEEE，2018：53-56.