1. 项目背景与核心挑战
交通信号灯识别是智能驾驶和辅助驾驶系统中的基础功能模块。传统基于颜色阈值的方法在复杂光照条件下（如逆光、阴雨天气、夜间）表现不稳定，而单纯依赖深度学习又需要大量标注数据且计算资源消耗大。这个项目采用MATLAB平台，创新性地结合支持向量机(SVM)分类器与颜色-纹理融合特征，实现了在有限硬件资源下的高精度信号灯识别。
我在实际车载设备部署中发现，信号灯识别有三大痛点：
- 颜色易受环境光干扰（如黄昏时红灯与黄灯易混淆）
- 形态相似干扰物多（如车尾灯、广告牌）
- 实时性要求严苛（需在50ms内完成单帧处理）
2. 技术方案设计思路
2.1 整体处理流程
graph TD A[图像采集] --> B[候选区域提取] B --> C[颜色空间转换] C --> D[纹理特征提取] D --> E[特征融合] E --> F[SVM分类] F --> G[状态判定]2.2 关键技术选型
颜色空间对比：
空间类型 优点 缺点 RGB 计算简单 对光照敏感 HSV 分离亮度信息 色相突变问题 Lab 接近人眼感知 转换计算量大 最终选择HSV空间，通过实验确定：
- 红灯：H∈[0,10]∪[350,360], S>0.4, V>0.3
- 绿灯：H∈[80,160], S>0.4, V>0.15
- 黄灯：H∈[40,80], S>0.5, V>0.4
纹理特征提取：
- 采用LBP(Local Binary Pattern)改进算法：
function feature = extractLBP(img) radius = 2; neighbors = 8; lbpImg = extractLBPFeatures(img, 'Radius', radius, 'NumNeighbors', neighbors); feature = hist(lbpImg(:), 0:59)'; end - 加入Gabor滤波增强方向特征：
gaborArray = gabor([4 8 16],[0 45 90]); gaborMag = imgaborfilt(grayImg, gaborArray);
- 采用LBP(Local Binary Pattern)改进算法：
SVM模型优化：
- 核函数对比实验：
核类型 准确率 推理时间 线性 86.7% 12ms RBF 92.3% 18ms 多项式 89.1% 22ms - 最终选用RBF核，通过网格搜索确定：
svmModel = fitcsvm(trainData, trainLabel,... 'KernelFunction','rbf',... 'BoxConstraint',10,... 'KernelScale','auto');
- 核函数对比实验：
3. 实现细节与核心代码
3.1 候选区域提取
采用改进的MSER算法：
regions = detectMSERFeatures(grayImg,... 'RegionAreaRange',[50 2000],... 'ThresholdDelta',1.5);3.2 特征融合策略
function feature = fuseFeatures(colorFeat, textureFeat) % 颜色特征归一化 colorFeat = colorFeat./norm(colorFeat); % 纹理特征加权 textureFeat = textureFeat * 0.7; feature = [colorFeat; textureFeat]; end3.3 实时性优化技巧
- 图像金字塔分层处理：
for scale = 1:-0.25:0.5 smallImg = imresize(img, scale); % 处理逻辑... end - ROI动态调整：
if ~isempty(lastPosition) searchRange = [max(1,lastPosition(1)-50),... min(size(img,2),lastPosition(1)+50)]; end
4. 实测效果与调优记录
4.1 测试数据集
自建数据集包含：
- 晴天/阴天/夜间场景各1000张
- 不同角度拍摄（正对/斜向/仰视）
- 干扰场景（车灯、霓虹灯等）
4.2 性能指标
| 指标 | 纯颜色方法 | 本方案 |
|---|---|---|
| 准确率 | 82.4% | 94.7% |
| 误检率 | 15.2% | 3.8% |
| 处理时间 | 25ms | 38ms |
4.3 典型问题解决
黄昏误识别问题：
- 现象：红灯识别为黄灯
- 解决方案：增加色温补偿
img = whitePatch(img); % 白平衡校正运动模糊问题：
- 现象：快速移动时识别率下降
- 改进：加入时序滤波
if currentState ~= lastState stateCount = stateCount + 1; if stateCount > 3 finalState = currentState; end end
5. 工程部署建议
硬件选型：
- 最低配置：Intel i5 + 4GB内存
- 推荐配置：Jetson Xavier NX
参数调优指南：
- 光照补偿系数：0.3~0.7（根据地区调整）
- LBP半径：城市道路用2，高速路用3
扩展方向：
- 加入形状验证（圆形/箭头）
- 融合YOLOv3做初筛
- 量化为INT8提升速度
实际部署中发现，信号灯识别效果与摄像头白平衡设置强相关，建议在设备初始化时执行自动白平衡校准。在南方多雨地区，需将饱和度阈值降低15%-20%以应对水雾干扰。
