千兆字节,千兆字节
(华侨大学机电工程及自动化学院,福建厦门361021 )
摘要:交通标志的颜色特征和形状特征是其最主要的两个特征,为了提高检测的准确性和鲁棒性,提出颜色分割和形状特征相结合的方法。 利用交通标志的颜色特征,采用基于HSV空间的颜色分割方法,获取图像中可能含有交通标志的区域,并提取该区域。 基于交通标志的形状特征,利用canny算子获取提取区域的轮廓。 然后利用基于标记的形状检测算法判断分割区域的形状,利用方向梯度直方图特征结合支持向量机[SVM]方法完成交通标志识别。 实验测试结果表明,该方法对图像的视点变换、尺度变换和亮度变换等情况具有较强的鲁棒性。
0引言
交通标志检测是智能交通系统的重要组成部分,对智能驾驶及辅助驾驶具有重要意义。 经过各国研究者的长期探索,交通标志检测与识别技术取得了很大进展,但仍存在许多问题,主要有: (1)交通标志在自然条件下采集,容易受到光、天气及背景图像等的干扰; )2)交通标志种类繁多,易受污损、变形、遮挡。
针对交通标志的特点和各种干扰因素,国内外学者提出了许多方法和理论,wsdyj等人提出了颜色分割方法[1]; Garcia-Garrido提出了基于形状的检测方法[2]喜欢的康乃馨J F提出了图像分割结合形状特征匹配的方法[3]; 迟到裙子的Hann Lim等人利用颜色直方图的特征结合形状的特征,提出了利用RBF神经网络进行识别的方法[4]。 基于RGB空间的分割方法受光的影响较大,容易变形。 为了抑制光的变化影响,采用基于HSV空间的分割方法,h分量、s分量和v分量的相关性小,鲁棒性强[5] . 基于形状特征的检测方法容易受到干扰,如果交通标志损坏、变形、被遮挡,则存在鲁棒性差的问题。 交通标志的识别方法以获取目标特征,通过识别算法进行识别为基本思想,目标特征主要是SIFT (尺度不变特征变换)、HOG ) )梯度方向直方图)、SURF )角点检测)、LBP )局部二本文通过HSV颜色空间分割结合形状特征检测的方法提取了图像中的交通标志。 由于HOG特征在图像的局部网格上操作,可以对图像的几何和光学畸变保持不变性,因此可以通过将目标HOG特征与SVM分类器相结合来实现交通标志检测。 实验结果表明,该方法具有良好的鲁棒性。
1种颜色分割
由于颜色是交通标志的重要特征,通过颜色分割可以快速实现交通标志的粗分割、包括交通标志在内的区域定位,提高检测效率。 本论文采用基于HSV空间的分割方法,将输入图像从RGB空间转换为HSV空间。
根据三原色的原理,[r,g,b]分别是某一颜色的红、绿、蓝的坐标值,且为区间[ 0,1 ]内的实数,max为r、g、b中的最大值,min为它们中的最小值,从RGB到HSV的
(h,s,v )为) r,g,b )在HSV空间中的对应坐标值,色调角h[ 0,360],色度和亮度s,v[ 0,1 ]。
为了满足图像分割的实时性要求,本文采用阈值分割的方法[6]。 首先将输入的RGB图像转换为HSV图像,提取图像的h通道、s通道、v通道,对3通道进行阈值分割,得到2值图像。 对三通道的阈值范围进行了实验测量,结果如表1所示,实验结果表明,该方法具有良好的分割效果,可以分割所需的区域。
2连通区域标记
HSV阈值分割后的二值图像中存在很多噪声,需要首先去除图像中的噪声,利用33窗口进行中值滤波以去除孤立噪声点; 之后,可以利用形态学运算(腐蚀和膨胀)去除许多无关区域而不破坏感兴趣的区域; 最后填充二值图像,用连接区域标记的方法分离不同的物体。
连接区域标记是对图像中连接的像素标注相同的标记,对未连接的像素标注不同标记的过程[7]。 本文采用八连通区域标记方法对二值图像进行标记,统计各标记区域的面积、宽度和高度。 将面积阈值设定为1,000,并且将区域纵横比阈值的范围设定为
之间,标记区域的像素面积大于1,000,纵横比为
之间被认为包括交通标志区域。 图1是分割处理的结果。
图1(a )为拍摄的原始图像,) b )图为颜色分割后图像,) c )图为中值滤波和蚀刻、膨胀处理后图像,) d )图为) c )图,通过连接区域标签算法提取的感兴趣区域图像。 由于包含交通标志的区域被分割,且其形状和面积没有受损,因此使用连通区域标志的方法可以得到很好的效果。 的特征分割得到包含交通标志的区域,但由于实际的道路环境中存在很多招牌等干扰,有必要根据形状特征进一步判断是否是交通标志区域。
3形状检查
为了判定在前一步分割得到的交通标识区域的形状,利用多边形的两个不变特征进行检测:
(1)特定多边形的边数不变;
)多边形的圆度。
交通标志的形状主要为圆形、矩形、三角形,表2、表3、表4分别表示圆形、三角形、矩形的特征属性。 定义多边形的圆度
p表示周长,a表示面积。
3.1边数的计算
首先计算多边形中心点坐标,变换为极坐标
标形式,用x′表示边上各点到中心点的相对距离,x′的变化对应极坐标下角度与半径ρ的变化。绘制ρ曲线图,由图中峰值个数可判断多边形边的个数,如表2~表4所示。
具体步骤为:
(1)通过连通区域标记方法提取到感兴趣的交通标志区域,并分割出该区域;
(2)填充该区域,采用canny算子提取区域图像的边缘,读取并存储边缘坐标;
(3)计算出中心点坐标,利用各边缘点坐标减去中心点坐标得到相对坐标值,转化为极坐标形式并归一化到[0 1]之间;
(4)绘制
-ρ曲线图,统计波峰个数。
如图2所示,第一行表示连通标记算法分割出的可能交通标志区域,第二行表示填充后由canny算子得到的轮廓边缘,第三行表示图形的
-ρ关系,表征边上各点到中心点的距离,第四行表示根据
-ρ关系判断的结果。由于实际道路上的干扰较多,获得的轮廓通常不是一个标准的圆形,本文设定在
-ρ曲线图中ρ的最小值若大于0.88,即认定形状为圆形。
3.2 圆形度检测
为提高检测的鲁棒性,本文结合边数值和周长平方与面积比两个不变性判据来判别图形的形状。
使用连通标记算法将感兴趣的交通标志区域提取出来并填充后,在MATLAB中使用函数P=regionprops(L,′Perimeter′)与A=regionprops(L,′Area′)分别得到该区域的周长与面积,计算出圆形度。为得到我国交通标志形状的圆形度,通过采集大量的交通标志图片以及标准的交通标志库图片,计算圆形度。对实验数据进行统计分析后,设定常见交通标志形状的圆形度阈值区间,圆形阈值范围为[12.30,12.8],三角形阈值范围为[17.5,18.8],矩形阈值范围为[14.80,16.00]。圆形标志、矩形标志、三角形标志实验数据分别如表5、表6、表7所示。
图2中圆形交通标志图像区域C=12.33,三角形图像C=17.78,矩形图像C=14.97,均在阈值范围内。
4 特征提取与识别
通过HSV颜色空间分割与形状检测,将满足条件的交通标志区域提取出来并标准化为86×86,提取该区域的方向梯度直方图特征(Histogram of Oriented Gradient,HOG),输入到支持向量机(Support Vector Machinc,SVM)分类器中,由SVM分类器判定该区域是否为交通标志区域。当SVM判定该区域为交通标志区域后,在原图像中标记出来,否则舍弃,进入新一轮的识别过程。
HOG特征是一种类似于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)的局域描述符,HOG特征结合SVM分类器广泛应用于图像识别[8]。HOG通过计算和统计图像局部区域的梯度方向直方图来构成特征,可以准确地表示图像的形状信息。图3为提取到的交通标志HOG特征。在街面拍摄大量上文中交通标志图像作为训练的正样本,以类似交通标志颜色和形状的广告标牌作为负样本,构建SVM分类器。
检测流程:首先对输入的图像转换为HSV图像并进行基于HSV空间的颜色分割,其次采用连通区域标记方法选择出可能的交通标志区域,之后对其进行形状检测,将满足交通标志颜色特征和形状特征的区域提取出来,并提取该区域的HOG特征,最后将HOG特征作为SVM分类器的输入量进行识别和标记。
本文方法对于光线良好的白天拍摄的图像处理效果较好,而且对于树荫下的交通标志也具有较好的处理效果。实验结果如图4。
5 结论
本文采用颜色分割与形状检测相结合的方法,实现交通标志的分割,利用HOG特征结合SVM分类器进行交通标志的识别。首先在HSV颜色空间对图像进行颜色分割,用连通域标记的方法标记与选择交通标志区域,能够快速定位,减少后续操作的计算量。对感兴趣区域采用基于形状特征的检测方法,能够提高检测的准确度。最后采用目标的HOG特征结合SVM分类器的方法,完成交通标志的识别。实验结果表明该算法具有较好的鲁棒性,为以后的研究工作提供了良好的基础。
参考文献
[1] wsdyj,风趣的学姐,冷傲的抽屉.基于RGB视觉模型的交通标志分割[J].微电子学与计算机,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] 活力的小松鼠 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] sddjzg,gxdjzg,爱撒娇的面包,等.一种新的连通区域标记算法[J].计算机应用研究,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.