紅綠燈識別是實現(xiàn)城區(qū)自動駕駛能力最為關(guān)鍵的一環(huán)，現(xiàn)實世界的紅綠燈的位置、朝向并無規(guī)律可言，想在圖像中找到隨機懸掛在路口的紅綠燈卻并不是一件容易的事情。那么紅綠燈識別究竟有哪些難點，我們又有哪些技術(shù)方案能夠?qū)崿F(xiàn)紅綠燈檢測呢？

紅綠燈識別的技術(shù)難點

1、小物體檢測

紅綠燈檢測屬于小物體檢測問題，在一副圖像上所占的像素比極小，并且不同于車輛，行人的檢測，紅綠燈所能提取的特征有限，基本上是顏色特征，這個對設(shè)計神經(jīng)網(wǎng)絡(luò)的特征提取提出極大的挑戰(zhàn)。還需從其它角度考慮，如紅綠燈的位置始終在高處，紅綠燈的時序信息等去判斷。

另外對于相機的選型也有要求，選擇FOV（field Of View，視野）小的，聚焦功能好，所檢測的距離遠，但視野范圍小；選擇FOV大的，視野范圍大，但檢測距離近，所以可能會配合兩個甚至多個不同F(xiàn)OV大小的相機來檢測紅綠燈，這又會涉及到多個相機融合的難點問題。

2、紅綠燈實時變化

雖然跟交通標(biāo)志牌類似，都屬于靜態(tài)物體檢測，但紅綠燈的狀態(tài)是實時發(fā)生變化的，這提升了檢測的難度。此外，在不同光照條件下，紅燈和黃燈的相似度很接近，甚至人眼都難以區(qū)分，只能根據(jù)燈的位置信息來區(qū)分。

另外，不同地區(qū)的紅綠燈設(shè)計方式，展現(xiàn)形式不一樣，如天津地區(qū)的條形展現(xiàn)形式，這就對紅綠燈的數(shù)據(jù)采集提出更多的挑戰(zhàn)，要覆蓋更多場景，增加了采集成本，同時對檢測網(wǎng)絡(luò)提出了更高的要求，具備更強的泛化性。

天津條形紅綠燈

3、紅綠燈倒計時

紅綠燈還會有倒計時的問題，在檢測到紅綠燈狀態(tài)的同時，對數(shù)字的倒計時同樣需要進行檢測。此外同一個交叉路口，存在多個不同狀態(tài)下的紅綠燈，對這么多類型的紅綠燈檢測，就算是人可能也沒辦法區(qū)分清楚，需要配合一定的經(jīng)驗。而對于機器來說，它需要的是短時間能做出判斷，難度極大。

4、紅綠燈漏檢與誤檢

僅憑感知層面的紅綠燈檢測是遠遠不夠的，容易誤檢、漏檢，這對決策規(guī)劃層有極大的影響，紅燈識別成綠燈，繼續(xù)往前行駛，想想都是很危險的。

所以紅綠燈識別還要需要結(jié)合高精度地圖，以及V2x技術(shù)來解決，一方面高精度地圖提供當(dāng)前的車所在的車道信息和距離紅綠燈的遠近信息，V2x技術(shù)可以感知車輛紅綠燈的狀態(tài)信息，再配合感知檢測的備份冗余，才能準(zhǔn)確的實現(xiàn)紅綠燈的檢測問題。

技術(shù)方案

通過感知去識別紅綠燈，有一種舍身取義 的感覺，效果一般，適應(yīng)性差，條件允許的話(如固定園區(qū)限定場景)，能裝V2X就裝V2X，多個備份冗余，V2X > 高精度地圖 > 感知識別。若碰上GPS信號弱的時候，感知識別可以出場了，大部分情況，V2X足以覆蓋掉大部分的場景。

感知方案的具體實現(xiàn)參照文章，主要為紅綠燈數(shù)據(jù)集采集，標(biāo)簽處理，檢測模型訓(xùn)練，算法部署，追蹤后端優(yōu)化，接口開發(fā)；

實現(xiàn)效果

總結(jié)

可以看出，在我們?nèi)粘Ｉ钪胁黄鹧鄣窃诔鞘械缆凡豢苫蛉钡募t綠燈，要達到量產(chǎn)級別的檢測識別，難度是相當(dāng)大的，涉及到不同地區(qū)的場景，光照條件的影響，多種技術(shù)(高精度地圖/V2x/感知)的融合多相機的融合等，難度遠遠超過車輛行人的檢測，所以紅綠燈問題難度大，棘手，又是在復(fù)雜城區(qū)智能駕駛不可回避的一個問題。

通過單車智能的方式去感知紅綠燈難度太大，而且不能保證100%的識別成功率，紅綠燈的誤識別后果影響很嚴(yán)重，所以智能交通基礎(chǔ)設(shè)施建設(shè)需要及時跟上，包括紅綠燈的智能化、動態(tài)道路分配、智能路網(wǎng)設(shè)計等；這就需要得到城市政府部門的支持，能夠獲得城市路網(wǎng)的檢測數(shù)據(jù)，同時對獲得到數(shù)據(jù)的分析能力，高頻次的流動車的數(shù)據(jù)，位置信息，需要極佳的信號燈控制算法及產(chǎn)品才能把優(yōu)勢發(fā)揮出來。