0 前言
这是之前做过的一个红绿灯检测的小小实践，现以“软件工程文档”的形式整理以下。只是一个总体的流程，不会面面俱到，介绍太多的细节，有问题的朋友，欢迎交流，也请大神不吝赐教。
1 需求规格说明
在无人驾驶中，路口红绿灯的识别问题十分关键，无人驾驶汽车根据识别的结果采取不同的措施，比如：如果检测到红灯，则在路口等待，直到绿灯亮起后继续行驶；如果检测到绿灯，则直接通过路口。因此，能否准确识别红绿灯的状态，决定着无人驾驶汽车的安全。
鉴于以上需求，需要开发一套红绿灯识别的解决方案，通过摄像头采集图像，然后设计算法对图像进行处理，识别出图像的类别，最后将分类结果发送给决策段进行判断，进而控制无人驾驶汽车的行为。
2 系统设计
2.1 开发环境
硬件开发平台：NVIDIA Jetson TX2
工业相机：AVT GigE
操作系统：Ubuntu 16.04
开发平台：ROS
编程语言：Python
2.2 总体设计
红路灯识别系统主要包括：摄像头数据采集，红绿灯识别，识别结果的发送三个部分。总体框架如下图所示。
2.1 数据采集
首先在硬件开发平台NVIDIA Jetson TX2上安装Ubuntu16.04操作系统，然后安装ROS(Robot Operating System)，最后安装AVT GigE的驱动包，此时便可以读取相机采集的图像。
2.2 红绿灯检测
深度学习在计算机视觉领域取得了巨大的成功，其中Faster-RCNN框架具有准确率高等优点，因此本设计采用Faster-RCNN框架对图像进行识别。
Faster-RCNN框架如下图所示，主要步骤依次为：输入图像、生成候选区域、特征提取、分类、位置精修。
红绿灯检测部分主要包括建立数据集、标注、训练模型、测试效果四部分，流程图如下图所示。
首先要建立数据集，来源为在路口不同时刻不同天气下采集的大量图像，以及比赛提供的离线数据，如下图所示为一幅在路口采集的图像。
然后使用工具对数据集进行标注，分为背景、红灯、绿灯三类。
在NVIDIA Jetson TX2上配置深度学习框架Caffe，然后配置Faster-RCNN框架，对一些指定文件进行参数上的修改，使用自己创建的数据集训练模型。
模型训练完成后，输入上图所示的图像进行测试，测试结果如下图所示，程序检测到绿灯及其位置和概率。
2.3 发送识别结果
在本设计中，不同模块间的通信借助ROS完成，红绿灯识别模块将测试结果发布一个话题，决策模块订阅这个话题，这样决策模块就得到了红绿灯识别模块的检测结果。模块间的通信如下图所示。
其中，
talker为红绿灯识别模块的节点，
listener为决策模块的节点，
light_state为
talker节点发布的话题，
listener节点订阅话题
light_state。
3 编程实现
由于需要对摄像头实时采集的图像进行处理，因此使用ROS或OpenCV获取输入的每帧图像，然后将图像输入到红绿灯识别程序，输出识别结果，最后将结果以界面的形式显示出来，并以视频和图片的形式保存，方便调试。这里需要使用OpenCV对文件进行操作。
使用ROS将整个红绿灯识别模块封装成一个节点，检测结果为话题，并将其发布出去，供其他节点订阅。
程序流程如下图所示。
4 集成
集成包括内部模块的集成和与外部其他模块的集成。
内部模块的集成，主要包括实时采集图像，输入到检测模块处理，然后保存结果供调试使用，最后将检测结果发送出去。
与外部模块的集成，即决策模块，是通过ROS完成的，红绿灯识别模块和决策模块分别为两个节点，红绿灯识别节点发布带有检测结果的话题，决策节点订阅这个话题就可以获取检测结果。
5 测试
测试分为离线测试和在线测试。
离线测试为搭建环境，训练模型，编程实现，测试结果，主要是在线测试前的准备过程。
在线测试需要在真实场景下进行实车测试，检验方案的有效性。
写这篇博客时，硬件设备已经上交，而且当初也没留下截图，只好放出在笔记本电脑上运行的截图。
（这也提醒我，做完实验要尽快记录下来）
本想插入视频直观地展示效果，然而我用的Markdown格式，试了好多方法都无法插入视频，所以附上链接，也请会在Markdown格式下插入视频的朋友多多指教。
http://player.youku.com/player.php/sid/XMzU0MjQ4MzA0NA==/v.swf
6 维护
此方案主要针对特定地点路口红绿灯的识别问题，如果场景变化，还要重新采集数据集进行训练。
目前版本对GPU依赖较高，同时存在实时性不高的问题，后期会优化模型，使用或研发性能更好的框架进行模型的训练。
附录1 程序源码
由于某种原因，源码暂不公开，有特殊需求的朋友请评论，欢迎交流。
附录2 硬件设备图
现在手头上没有AVT GigE相机，来个微视相机救场吧。
