張金朋，方千山

　?。ㄈA僑大學 機電工程及自動化學院，福建 廈門 361021）

　　摘  要： 交通標志的顏色特征和形狀特征是其最主要的兩個特征，為提高檢測的準確性和魯棒性，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志的區(qū)域，并提取該區(qū)域。根據(jù)交通標志的形狀特點，利用canny算子獲取提取區(qū)域的輪廓。然后，采用基于標記的形狀檢測算法判定所分割區(qū)域的形狀，利用方向梯度直方圖特征結(jié)合支持向量機（SVM）方法完成交通標志識別。經(jīng)實驗測試，該方法對圖片視點變換、尺度變換以及亮度變換等情況具有很強的魯棒性。

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

0 引言

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

　　針對交通標志的特點和各種干擾因素，國內(nèi)外學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[5]?；谛螤钐卣鞯臋z測方法易受外界干擾，當出現(xiàn)交通標志破損、變形或者被遮擋時，將會出現(xiàn)魯棒性差的問題。交通標志的識別方法，其基本思想是獲得目標特征，通過識別算法進行識別，目標特征主要有：SIFT（尺度不變特征變換）、HOG（梯度方向直方圖）、SURF（角點檢測）、LBP（局域二值模式），識別算法主要有：神經(jīng)網(wǎng)絡(luò)算法、支持向量機算法、遺傳算法、模板匹配等。本文通過HSV顏色空間分割結(jié)合形狀特征檢測的方法提取出圖像中交通標志，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像的幾何和光學的形變保持很好的不變性，因此利用目標的HOG特征結(jié)合SVM分類器能夠?qū)崿F(xiàn)交通標志檢測。實驗結(jié)果表明該方法具有較好的魯棒性。

1 顏色分割

　　由于顏色是交通標志的重要特征，所以通過顏色分割可以快速實現(xiàn)交通標志的粗分割、定位包含交通標志的區(qū)域，從而提高檢測效率。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、綠和藍坐標值，且是區(qū)間[0，1]內(nèi)的實數(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：

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

　　為滿足圖像分割實時性要求，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，對三個通道進行閾值分割，分割后得到二值圖像。三通道閾值范圍經(jīng)實驗測試如表1所示，實驗結(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窗口進行中值濾波以去除孤立噪聲點；然后，利用形態(tài)學開運算操作（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；最后對二值圖像進行填充并采用連通區(qū)域標記的方法把不同物體分開。

　　連通區(qū)域標記是把圖像中連接在一起的像素附上相同標記，未連接在一起的像素附上不同標記的過程[7]。本文使用八連通區(qū)域標記方法對二值圖像進行標記，并統(tǒng)計出各個標記區(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，若標記區(qū)域像素面積大于1 000且寬高比在之間則認為包含交通標志區(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)域標記算法提取出的感興趣區(qū)域圖像。可以看出，包含交通標志的區(qū)域被分割出來，并且沒有破壞其形狀與面積，使用連通域標記的方法可以獲得較好的效果。雖然經(jīng)過顏色特征分割得到包含交通標志的區(qū)域，但是實際道路環(huán)境中存在許多干擾，例如廣告牌等，因此要通過形狀特征進一步判斷所得區(qū)域是否為交通標志區(qū)域。

　　3 形狀檢測

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

　?。?）特定多邊形邊數(shù)不變；

　　（2）多邊形的圓形度。

　　交通標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，A表示面積。

　　3.1 邊數(shù)計算

　　首先計算出多邊形中心點坐標并轉(zhuǎn)化為極坐標形式，用x′表示邊上各點到中心點的相對距離，x′的變化對應(yīng)極坐標下角度與半徑ρ的變化。繪制ρ曲線圖，由圖中峰值個數(shù)可判斷多邊形邊的個數(shù)，如表2~表4所示。

　　具體步驟為：

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

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

　?。?）計算出中心點坐標，利用各邊緣點坐標減去中心點坐標得到相對坐標值，轉(zhuǎn)化為極坐標形式并歸一化到[0 1]之間；

　?。?）繪制-ρ曲線圖，統(tǒng)計波峰個數(shù)。

　　如圖2所示，第一行表示連通標記算法分割出的可能交通標志區(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，表征邊上各點到中心點的距離，第四行表示根據(jù)-ρ關(guān)系判斷的結(jié)果。由于實際道路上的干擾較多，獲得的輪廓通常不是一個標準的圓形，本文設(shè)定在-ρ曲線圖中ρ的最小值若大于0.88，即認定形狀為圓形。

　　3.2 圓形度檢測

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

　　使用連通標記算法將感興趣的交通標志區(qū)域提取出來并填充后，在MATLAB中使用函數(shù)P=regionprops（L，′Perimeter′）與A=regionprops（L，′Area′）分別得到該區(qū)域的周長與面積，計算出圓形度。為得到我國交通標志形狀的圓形度，通過采集大量的交通標志圖片以及標準的交通標志庫圖片，計算圓形度。對實驗數(shù)據(jù)進行統(tǒng)計分析后，設(shè)定常見交通標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]。圓形標志、矩形標志、三角形標志實驗數(shù)據(jù)分別如表5、表6、表7所示。

　　圖2中圓形交通標志圖像區(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 特征提取與識別

　　通過HSV顏色空間分割與形狀檢測，將滿足條件的交通標志區(qū)域提取出來并標準化為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（Support Vector Machinc，SVM）分類器中，由SVM分類器判定該區(qū)域是否為交通標志區(qū)域。當SVM判定該區(qū)域為交通標志區(qū)域后，在原圖像中標記出來，否則舍棄，進入新一輪的識別過程。

　　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)用于圖像識別[8]。HOG通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征，可以準確地表示圖像的形狀信息。圖3為提取到的交通標志HOG特征。在街面拍攝大量上文中交通標志圖像作為訓練的正樣本，以類似交通標志顏色和形狀的廣告標牌作為負樣本，構(gòu)建SVM分類器。

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

　　本文方法對于光線良好的白天拍攝的圖像處理效果較好，而且對于樹蔭下的交通標志也具有較好的處理效果。實驗結(jié)果如圖4。

5 結(jié)論

　　本文采用顏色分割與形狀檢測相結(jié)合的方法，實現(xiàn)交通標志的分割，利用HOG特征結(jié)合SVM分類器進行交通標志的識別。首先在HSV顏色空間對圖像進行顏色分割，用連通域標記的方法標記與選擇交通標志區(qū)域，能夠快速定位，減少后續(xù)操作的計算量。對感興趣區(qū)域采用基于形狀特征的檢測方法，能夠提高檢測的準確度。最后采用目標的HOG特征結(jié)合SVM分類器的方法，完成交通標志的識別。實驗結(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

　　[1] 黃志勇，孫光民，李芳.基于RGB視覺模型的交通標志分割[J].微電子學與計算機，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] 張云哲，趙海，宋純賀，等.一種新的連通區(qū)域標記算法[J].計算機應(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.