目标识别是计算机视觉的重要研究课题,而交通灯识别和阴影识别是目标识别中当前研究的热点问题。实时交通灯的识别在辅助驾驶和无人驾驶汽车方面有广泛的应用；而阴影消除关系到目标追踪算法的效果,是许多高层计算机视觉算法的基础,如目标分类、行为理解与描述等。由于实际应用中交通灯通常在图像中所占面积较小、导航实时性需求、车辆运动造成背景动态变化等多种特殊原因,使得交通灯识别颇具挑战性。阴影自身的特点决定了阴影消除问题的复杂性。首先,阴影和运动物体一样都显著区别于背景。其次,阴影和投射它们的运动物体具有相同的运动规律。、阴影和运动物体可能是粘合在一起的,也可能是分离的,使得阴影消除问题更加复杂。针对现有算法或识别率不高或实时性不强的特点,本文提出一种基于Lab色彩空间和模板匹配的实时交通灯识别算法,在色彩建模和候选区域的确认方面对现有的交通灯识别算法进行改进。在色彩建模方面,现有算法在RGB空间或HSV空间建立色彩模型,需要设立多个阈值,本文注意到交通灯只有三种颜色的特点,在对交通灯色彩描述更加适合的Lab空间建立色彩模型,只需要设立三个阈值,从而提升了色彩模型的鲁棒性。在候选区域确认方面,现有算法或简单的考虑候选区域的形状或设置复杂的模板,造成算法识别准确率不高或处理速度慢,本文注意到交通灯被黑色矩形框包围的特点,设计了三个模板对候选区域进行确认,在兼顾处理速度的同时达到了较高的识别准确率针对现有阴影消除算法鲁棒性不强的特点,本文提出一种基于阴影特征的阴影消除的方法。阴影消除方法大多基于阴影区域色度不发生变化而强度发生较大变化的特点建立模型,通过设立多个阈值来查找阴影区域,效果和阈值的设定有很大关系,算法鲁棒性不强。本文首先分析了阴影投射前后区域的直方图变化,直方图表明阴影投射前后区域呈高斯分布。受阴影直方图的启发,本文在HSV空间为每个通道建立一个高斯模型,通过计算前景和阴影模型的匹配程度来确认阴影区域。由于模型只需要较少的阈值,因此提高了算法的鲁棒性。为了测试阴影消除算法,我们从美国加利福尼亚州圣迭戈大学的网站上下载了两段标准室内阴影视频,并自行拍摄了两段室外的阴影视频,实验结果表明,本文方法成功消除了目标追踪中的阴影。和其它方法相比,本文方法在略微降低处理速度的同时取得更好的阴影消除效果。为了验证本文的算法,我们在湖南大学无人驾驶汽车平台上实现本文的算法。本文的交通灯识别算法作为湖南大学无人驾驶汽车的一个子系统参加了首届中国“智能车未来挑战”赛,湖南大学获得此次比赛的冠军,在比赛中本文算法成功识别出交通灯。为了得到算法更完整的性能数据,拍摄了三段湖南省长沙市岳麓区的交通灯视频对算法进行检验并和现有算法进行比较,实验结果表明,算法实时准确的识别出了交通灯。和其它方法相比,本文算法能在实时性和准确率之间能取得更好的平衡。