基於兩階段網路架構之交通號誌燈偵測技術

前言

除了降低交通事故，自動駕駛技術影響的範圍非常廣泛，且可能會顛覆許多行業，例如：運輸物流、保險業、汽車修理業等。從自駕車雛形 NavLab 1、DARPA 無人車挑戰賽[1-2]，到Mobileye公司將先進駕駛輔助系統（Advanced Driver Assistance Systems, ADAS） 商用化，再到 Google 與 Tesla 的投入，對於單純場景，例如高速公路、封閉園區等，已大幅減少駕駛人的控制。能依據目的地進行路徑規劃並控制車輛前往，同時迴避周遭的障礙物。若要進一步提升自動駕駛的技術，則必須解決更加複雜的場景。

由於交通信號燈位於戶外環境，許多原因造成準確率不理想，例如：因陽光或氣候條件影響，造成光線干擾問題，如圖1（a）；因其他物體或視線角度，導致遮擋或部分遮擋問題，如圖1（b）；因反射、車尾燈、廣告招牌等等，造成誤判問題，如圖1（c）。這些都是偵測交通燈號必須面臨的挑戰。

傳統對於交通信號燈的偵測方式，大多基於電腦視覺技術。藉由將輸入影像轉換至不同的色彩空間，例如：HSV、YCrCb，再以顏色、形狀、灰階值等特徵為依據進行判斷[3]。隨著深度學習的技術在電腦視覺領域趨於成熟，2016年開始將深度學習應用到交通信號燈的偵測。大多使用主流的物件偵測方式，例如：YOLOv3 [4]、Faster R-CNN[5]，以應付戶外環境中，不同場景、不同光線的情況。

除此之外，大多數燈號辨識的方式主要著重在圓形燈的部分上，對於指向燈則大多忽略不予考慮。然而在台灣的街道中，這種燈號非常普遍，許多路口僅仰賴指向燈做為交通狀況的判斷依據，是不可忽略的類別。

交通信號燈偵測

為了解決上述所提到的問題，本研究提出適合台灣場景的交通訊號燈偵測及辨識系統，細節如下：

地圖輔助

由於交通燈影像在整張影像所佔的比例較小，在深度學習的過程中，會因為卷積層與池化層的操作，造成特徵消失而不利於偵測。因此，一般多會採用不同方法來解決這個問題，像是將輸入影像的上半部裁切成三等份，分別送入 YOLO偵測[6]。或是如[7]，選擇ResNet­50做為特徵提取網路，並且搭配擴張卷積將網路的步伐從 16 改為 8；使用K­means演算法，定義先驗框的大小與長寬比。種種修改都是企圖保留交通燈的特徵，使交通燈能順利偵測。

本研究則是採用事先依照行駛路線所建立的HD地圖 （High Definition map, HD map）的輔助[8]，縮小偵測的範圍，減少因為背景造成誤判的情形，如圖2。由於光達感測器的特性，無法準確得知交通燈位置與燈號，所以這部分視為初步的位置偵測，接著由影像資訊找出確切位置，並且判斷交通燈燈號。

兩階段網路架構

為了提高偵測準確率，採取兩階段方式進行偵測：第一階段偵測燈箱位置，採用YOLOv3；第二階段辨識燈號，使用Tiny-YOLOv3偵測，將交通燈的燈號視為待偵測的物件。其中，為了能夠應付不常見的指向燈情況，特別將其區分出，額外接上LeNet以辨識指向燈方向。若是遇到歪斜的指向燈，如圖3，僅需要重新訓練LeNet之權重，而不需要將整個架構的網路都重新訓練，更具彈性。