張金朋，方千山

　?。ㄈA僑大學(xué) 機(jī)電工程及自動(dòng)化學(xué)院，福建 廈門 361021）

　　摘  要： 交通標(biāo)志的顏色特征和形狀特征是其最主要的兩個(gè)特征，為提高檢測(cè)的準(zhǔn)確性和魯棒性，提出顏色分割和形狀特征相結(jié)合的方法。利用交通標(biāo)志的顏色特征，采用基于HSV空間的顏色分割方法，獲得圖像中可能包含交通標(biāo)志的區(qū)域，并提取該區(qū)域。根據(jù)交通標(biāo)志的形狀特點(diǎn)，利用canny算子獲取提取區(qū)域的輪廓。然后，采用基于標(biāo)記的形狀檢測(cè)算法判定所分割區(qū)域的形狀，利用方向梯度直方圖特征結(jié)合支持向量機(jī)（SVM）方法完成交通標(biāo)志識(shí)別。經(jīng)實(shí)驗(yàn)測(cè)試，該方法對(duì)圖片視點(diǎn)變換、尺度變換以及亮度變換等情況具有很強(qiáng)的魯棒性。

　　關(guān)鍵詞： 交通標(biāo)志檢測(cè)；顏色分割；形狀檢測(cè)；HOG特征；SVM

0 引言

　　交通標(biāo)志檢測(cè)是智能交通系統(tǒng)的重要組成部分，對(duì)智能駕駛以及輔助駕駛都具有重要意義。經(jīng)過(guò)各國(guó)研究人員的長(zhǎng)期探索，交通標(biāo)志檢測(cè)和識(shí)別技術(shù)取得了很大進(jìn)展，但是仍存在許多問(wèn)題，主要包括：（1）交通標(biāo)志在自然條件下采集，易受光照、天氣及背景圖像等干擾；（2）交通標(biāo)志種類繁多，且易受污損、變形和遮擋。

　　針對(duì)交通標(biāo)志的特點(diǎn)和各種干擾因素，國(guó)內(nèi)外學(xué)者提出許多方法和理論，黃志勇等人提出顏色分割方法[1]；Garcia-Garrido提出基于形狀的檢測(cè)方法[2]；Khan J F提出圖像分割結(jié)合形狀特征匹配的方法[3]；King Hann Lim等人提出利用顏色直方圖特征結(jié)合形狀特征，利用RBF神經(jīng)網(wǎng)絡(luò)分類識(shí)別方法[4]。采用RGB空間的分割方法受光照影響較大，容易失真，為了抑制光照變化的影響，采用基于HSV空間的分割方法，H分量、S分量與V分量關(guān)聯(lián)性小，魯棒性強(qiáng)[5]?；谛螤钐卣鞯臋z測(cè)方法易受外界干擾，當(dāng)出現(xiàn)交通標(biāo)志破損、變形或者被遮擋時(shí)，將會(huì)出現(xiàn)魯棒性差的問(wèn)題。交通標(biāo)志的識(shí)別方法，其基本思想是獲得目標(biāo)特征，通過(guò)識(shí)別算法進(jìn)行識(shí)別，目標(biāo)特征主要有：SIFT（尺度不變特征變換）、HOG（梯度方向直方圖）、SURF（角點(diǎn)檢測(cè)）、LBP（局域二值模式），識(shí)別算法主要有：神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)算法、遺傳算法、模板匹配等。本文通過(guò)HSV顏色空間分割結(jié)合形狀特征檢測(cè)的方法提取出圖像中交通標(biāo)志，由于HOG特征是在圖像的局部方格單元上操作得到，能夠?qū)D像的幾何和光學(xué)的形變保持很好的不變性，因此利用目標(biāo)的HOG特征結(jié)合SVM分類器能夠?qū)崿F(xiàn)交通標(biāo)志檢測(cè)。實(shí)驗(yàn)結(jié)果表明該方法具有較好的魯棒性。

1 顏色分割

　　由于顏色是交通標(biāo)志的重要特征，所以通過(guò)顏色分割可以快速實(shí)現(xiàn)交通標(biāo)志的粗分割、定位包含交通標(biāo)志的區(qū)域，從而提高檢測(cè)效率。本文采用基于HSV空間的分割方法，將輸入圖像從RGB空間轉(zhuǎn)換到HSV空間。

　　根據(jù)三基色原理，設(shè)（r，g，b）分別是某一種顏色的紅、綠和藍(lán)坐標(biāo)值，且是區(qū)間[0，1]內(nèi)的實(shí)數(shù)，設(shè)max等于r，g和b中的最大值，min等于這些值中的最小值，RGB到HSV空間轉(zhuǎn)換公式[5]為：

　?。╤，s，v）是（r，g，b）在HSV空間對(duì)應(yīng)的坐標(biāo)值，色相角h∈[0，360°），飽和度與亮度s，v∈[0，1]。

　　為滿足圖像分割實(shí)時(shí)性要求，本文采用閾值分割的方法[6]。首先將輸入的RGB圖像轉(zhuǎn)換為HSV圖像，提取圖像的H通道、S通道和V通道，對(duì)三個(gè)通道進(jìn)行閾值分割，分割后得到二值圖像。三通道閾值范圍經(jīng)實(shí)驗(yàn)測(cè)試如表1所示，實(shí)驗(yàn)結(jié)果表明該方法具有較好的分割效果，能夠分割出所需區(qū)域。

2 連通區(qū)域標(biāo)記

　　HSV閾值分割后的二值圖像中存在許多干擾噪聲，首先需要去除圖像中噪聲，采用3×3窗口進(jìn)行中值濾波以去除孤立噪聲點(diǎn)；然后，利用形態(tài)學(xué)開(kāi)運(yùn)算操作（腐蝕與膨脹）可以去除大量不相關(guān)區(qū)域并且不破壞感興趣區(qū)域；最后對(duì)二值圖像進(jìn)行填充并采用連通區(qū)域標(biāo)記的方法把不同物體分開(kāi)。

　　連通區(qū)域標(biāo)記是把圖像中連接在一起的像素附上相同標(biāo)記，未連接在一起的像素附上不同標(biāo)記的過(guò)程[7]。本文使用八連通區(qū)域標(biāo)記方法對(duì)二值圖像進(jìn)行標(biāo)記，并統(tǒng)計(jì)出各個(gè)標(biāo)記區(qū)域的面積、寬度和高度。設(shè)定區(qū)域面積閾值為1 000，同時(shí)設(shè)定區(qū)域?qū)捀弑乳撝捣秶?img src="http://files.chinaaet.com/images/2016/03/20/6359407522096011261989621.png" title="1_(@TS{$13ZS0({M%$2[V$3.png" alt="1_(@TS{$13ZS0({M%$2[V$3.png"/>之間，若標(biāo)記區(qū)域像素面積大于1 000且寬高比在之間則認(rèn)為包含交通標(biāo)志區(qū)域。圖1是分割處理結(jié)果。

　　圖1（a）是拍攝的原始圖像，（b）圖是顏色分割后圖像，（c）圖是中值濾波和腐蝕、膨脹處理后圖像，（d）圖是將（c）圖填充并用連通區(qū)域標(biāo)記算法提取出的感興趣區(qū)域圖像。可以看出，包含交通標(biāo)志的區(qū)域被分割出來(lái)，并且沒(méi)有破壞其形狀與面積，使用連通域標(biāo)記的方法可以獲得較好的效果。雖然經(jīng)過(guò)顏色特征分割得到包含交通標(biāo)志的區(qū)域，但是實(shí)際道路環(huán)境中存在許多干擾，例如廣告牌等，因此要通過(guò)形狀特征進(jìn)一步判斷所得區(qū)域是否為交通標(biāo)志區(qū)域。

　　3 形狀檢測(cè)

　　為判定上一步分割得到的交通標(biāo)志區(qū)域的形狀，本文利用多邊形的兩個(gè)不變特征進(jìn)行檢測(cè)：

　　（1）特定多邊形邊數(shù)不變；

　?。?）多邊形的圓形度。

　　交通標(biāo)志的形狀主要為圓形、矩形、三角形，表2、表3、表4中分別表示圓形、三角形、矩形的特征屬性。定義多邊形的圓形度，P表示周長(zhǎng)，A表示面積。

　　3.1 邊數(shù)計(jì)算

　　首先計(jì)算出多邊形中心點(diǎn)坐標(biāo)并轉(zhuǎn)化為極坐標(biāo)形式，用x′表示邊上各點(diǎn)到中心點(diǎn)的相對(duì)距離，x′的變化對(duì)應(yīng)極坐標(biāo)下角度與半徑ρ的變化。繪制ρ曲線圖，由圖中峰值個(gè)數(shù)可判斷多邊形邊的個(gè)數(shù)，如表2~表4所示。

　　具體步驟為：

　?。?）通過(guò)連通區(qū)域標(biāo)記方法提取到感興趣的交通標(biāo)志區(qū)域，并分割出該區(qū)域；

　?。?）填充該區(qū)域，采用canny算子提取區(qū)域圖像的邊緣，讀取并存儲(chǔ)邊緣坐標(biāo)；

　?。?）計(jì)算出中心點(diǎn)坐標(biāo)，利用各邊緣點(diǎn)坐標(biāo)減去中心點(diǎn)坐標(biāo)得到相對(duì)坐標(biāo)值，轉(zhuǎn)化為極坐標(biāo)形式并歸一化到[0 1]之間；

　?。?）繪制-ρ曲線圖，統(tǒng)計(jì)波峰個(gè)數(shù)。

　　如圖2所示，第一行表示連通標(biāo)記算法分割出的可能交通標(biāo)志區(qū)域，第二行表示填充后由canny算子得到的輪廓邊緣，第三行表示圖形的-ρ關(guān)系，表征邊上各點(diǎn)到中心點(diǎn)的距離，第四行表示根據(jù)-ρ關(guān)系判斷的結(jié)果。由于實(shí)際道路上的干擾較多，獲得的輪廓通常不是一個(gè)標(biāo)準(zhǔn)的圓形，本文設(shè)定在-ρ曲線圖中ρ的最小值若大于0.88，即認(rèn)定形狀為圓形。

　　3.2 圓形度檢測(cè)

　　為提高檢測(cè)的魯棒性，本文結(jié)合邊數(shù)值和周長(zhǎng)平方與面積比兩個(gè)不變性判據(jù)來(lái)判別圖形的形狀。

　　使用連通標(biāo)記算法將感興趣的交通標(biāo)志區(qū)域提取出來(lái)并填充后，在MATLAB中使用函數(shù)P=regionprops（L，′Perimeter′）與A=regionprops（L，′Area′）分別得到該區(qū)域的周長(zhǎng)與面積，計(jì)算出圓形度。為得到我國(guó)交通標(biāo)志形狀的圓形度，通過(guò)采集大量的交通標(biāo)志圖片以及標(biāo)準(zhǔn)的交通標(biāo)志庫(kù)圖片，計(jì)算圓形度。對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析后，設(shè)定常見(jiàn)交通標(biāo)志形狀的圓形度閾值區(qū)間，圓形閾值范圍為[12.30，12.8]，三角形閾值范圍為[17.5，18.8]，矩形閾值范圍為[14.80，16.00]。圓形標(biāo)志、矩形標(biāo)志、三角形標(biāo)志實(shí)驗(yàn)數(shù)據(jù)分別如表5、表6、表7所示。

　　圖2中圓形交通標(biāo)志圖像區(qū)域C=12.33，三角形圖像C=17.78，矩形圖像C=14.97，均在閾值范圍內(nèi)。

4 特征提取與識(shí)別

　　通過(guò)HSV顏色空間分割與形狀檢測(cè)，將滿足條件的交通標(biāo)志區(qū)域提取出來(lái)并標(biāo)準(zhǔn)化為86×86，提取該區(qū)域的方向梯度直方圖特征（Histogram of Oriented Gradient，HOG），輸入到支持向量機(jī)（Support Vector Machinc，SVM）分類器中，由SVM分類器判定該區(qū)域是否為交通標(biāo)志區(qū)域。當(dāng)SVM判定該區(qū)域?yàn)榻煌?biāo)志區(qū)域后，在原圖像中標(biāo)記出來(lái)，否則舍棄，進(jìn)入新一輪的識(shí)別過(guò)程。

　　HOG特征是一種類似于尺度不變特征變換（Scale Invariant Feature Transform，SIFT）的局域描述符，HOG特征結(jié)合SVM分類器廣泛應(yīng)用于圖像識(shí)別[8]。HOG通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征，可以準(zhǔn)確地表示圖像的形狀信息。圖3為提取到的交通標(biāo)志HOG特征。在街面拍攝大量上文中交通標(biāo)志圖像作為訓(xùn)練的正樣本，以類似交通標(biāo)志顏色和形狀的廣告標(biāo)牌作為負(fù)樣本，構(gòu)建SVM分類器。

　　檢測(cè)流程：首先對(duì)輸入的圖像轉(zhuǎn)換為HSV圖像并進(jìn)行基于HSV空間的顏色分割，其次采用連通區(qū)域標(biāo)記方法選擇出可能的交通標(biāo)志區(qū)域，之后對(duì)其進(jìn)行形狀檢測(cè)，將滿足交通標(biāo)志顏色特征和形狀特征的區(qū)域提取出來(lái)，并提取該區(qū)域的HOG特征，最后將HOG特征作為SVM分類器的輸入量進(jìn)行識(shí)別和標(biāo)記。

　　本文方法對(duì)于光線良好的白天拍攝的圖像處理效果較好，而且對(duì)于樹(shù)蔭下的交通標(biāo)志也具有較好的處理效果。實(shí)驗(yàn)結(jié)果如圖4。

5 結(jié)論

　　本文采用顏色分割與形狀檢測(cè)相結(jié)合的方法，實(shí)現(xiàn)交通標(biāo)志的分割，利用HOG特征結(jié)合SVM分類器進(jìn)行交通標(biāo)志的識(shí)別。首先在HSV顏色空間對(duì)圖像進(jìn)行顏色分割，用連通域標(biāo)記的方法標(biāo)記與選擇交通標(biāo)志區(qū)域，能夠快速定位，減少后續(xù)操作的計(jì)算量。對(duì)感興趣區(qū)域采用基于形狀特征的檢測(cè)方法，能夠提高檢測(cè)的準(zhǔn)確度。最后采用目標(biāo)的HOG特征結(jié)合SVM分類器的方法，完成交通標(biāo)志的識(shí)別。實(shí)驗(yàn)結(jié)果表明該算法具有較好的魯棒性，為以后的研究工作提供了良好的基礎(chǔ)。

參考文獻(xiàn)

　　[1] 黃志勇，孫光民，李芳.基于RGB視覺(jué)模型的交通標(biāo)志分割[J].微電子學(xué)與計(jì)算機(jī)，2004，21（10）：147-148.

　　[2] GARCIA-GARRIDO M A， SOTELO M A， MARTIN-GOROSTIZA E. Fast road sign detection using hough transform for assisted driving of road vehicles[C]. Proceedings of the 10th International Conference on Computer Aided Systems Theory， 2005：543-548.

　　[3] KHAN J F， BHUIYAN S M A， ADHAMI R R. Image segmentation and shape analysis for road-sign detection[J].IEEE Transactions on Intelligent Transportation Systems， 2011，12（1）： 83-96.

　　[4] LIM K H， SENG K P， ANG L M. Intra color-shape classification for traffic sign recognition[C]. Proceedings of 2010 International Conference of Computer Symposium， Tainan， 2010， 642–647.

　　[5] SHI M，WU H AND FLEYEH H. A robust model for traffic signs recognition based on Support Vector Machines[J]. Image and Signal Processing， CISP，2008（8）：516-524.

　　[6] Chen Yixin， Xie Yi， Wang Yulin. Detection and recognition of traffic signs based on HSV vision model and shape features[J]. Journal of Computers，2013，8（5）：1366-1370.

　　[7] 張?jiān)普?，趙海，宋純賀，等.一種新的連通區(qū)域標(biāo)記算法[J].計(jì)算機(jī)應(yīng)用研究，2010，27（11）：4336-4340.

　　[8] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]. International Conference on Computer Vision and Pattern Recognition，2005：886-893.