基于徑向?qū)ΨQ性的交通標(biāo)志檢測(cè)方法

武 超，毛建國(guó)，沈 峘，繆小冬，凌 銳

(南京航空航天大學(xué)能源與動(dòng)力學(xué)院，南京 210016)

道路交通標(biāo)志中含有對(duì)車輛行駛安全十分重要的信息，因此針對(duì)交通標(biāo)志的檢測(cè)技術(shù)成為目前很熱門的一個(gè)研究領(lǐng)域［1］。各國(guó)的交通法規(guī)中對(duì)交通標(biāo)志的標(biāo)準(zhǔn)都有嚴(yán)格的限定，例如美國(guó)交通部于2003年發(fā)布統(tǒng)一的交通控制裝置手冊(cè)(MUTCD)，手冊(cè)詳細(xì)規(guī)定了交通標(biāo)志的分類、材料、顏色、形狀、尺寸、安裝位置等信息［2］。在我國(guó)交通標(biāo)志標(biāo)準(zhǔn)中也有相關(guān)的規(guī)定［3］，例如:紅色圓形表示禁止和限制標(biāo)志，黃色三角形表示警告標(biāo)志，藍(lán)色矩形(或圓形)表示指示指路標(biāo)志等。這就為利用視覺傳感器進(jìn)行交通標(biāo)志的檢測(cè)提供了可能。

目前，國(guó)內(nèi)外研究人員已經(jīng)提出了一些交通標(biāo)志檢測(cè)方法，主要基于顏色和形狀檢測(cè)。顏色檢測(cè)，通過針對(duì)特定的交通標(biāo)志顏色(紅、黃、藍(lán)、綠、黑等)進(jìn)行閾值提取來檢測(cè)交通標(biāo)志［4－5］。形狀檢測(cè)，通過對(duì)特殊形狀的圖形利用模板匹配、霍夫變換等方法提取交通標(biāo)志的輪廓特征，從而檢測(cè)交通標(biāo)志的位置［6－7］。

顏色分割通常在檢測(cè)標(biāo)志的初期是最經(jīng)常使用的方法，這主要是因?yàn)榻煌?biāo)志具有特殊的顏色特征。但由于相機(jī)在成像過程中可能會(huì)受到光照條件的影響，因此往往把圖像從RGB空間變換到HSI空間上。從這方面考慮，我們可以利用顏色信息進(jìn)行交通標(biāo)志的初期篩選，將具有特殊顏色特征的物體提取出來，這樣可以為下一步的形狀檢測(cè)減少運(yùn)算量。

相對(duì)于顏色特征受光照影響很大，交通標(biāo)志的形狀特征由于不受光照強(qiáng)度影響并且不會(huì)隨時(shí)間推移而變化，因此基于形狀的交通標(biāo)志檢測(cè)技術(shù)已經(jīng)引起了人們的重視。目前的檢測(cè)方法主要是利用霍夫變換進(jìn)行直線和圓的檢測(cè)。文獻(xiàn)［6，8］提出了一種基于霍夫變換的檢測(cè)方法，可以用于檢測(cè)圓形和三角形交通標(biāo)志。首先利用Canny算子對(duì)灰度圖像進(jìn)行邊緣檢測(cè)，得到圖像輪廓。然后利用鏈碼技術(shù)找到圖像中封閉的區(qū)域，對(duì)該區(qū)域內(nèi)的輪廓線進(jìn)行霍夫變換，通過將圖像從直角坐標(biāo)系轉(zhuǎn)換到極坐標(biāo)系，可以檢測(cè)到圓形及三角形。文獻(xiàn)［9］提出了基于Sobel相分析原理進(jìn)行矩形和三角形交通標(biāo)志的檢測(cè)方法。該方法基于Sobel邊緣和霍夫圖像來進(jìn)行形狀檢測(cè)。首先利用Sobel算子進(jìn)行濾波處理，然后通過分析Sobel邊緣的相分布來檢測(cè)每種形狀的區(qū)別性特征，不同形狀的Sobel邊緣由于具有不同的相峰值和相角分布，因此可以彼此區(qū)別開。文獻(xiàn)［10］提出了一種利用模板的方法來匹配圖像邊緣進(jìn)行檢測(cè)的方法，該方法應(yīng)用最近距離特征變換來平滑匹配空間，同時(shí)為避免使用大量模板，該方法利用分級(jí)模板，這樣可以提高算法效率。但該算法的計(jì)算量依然很大，并且不適合用于閉環(huán)系統(tǒng)。文獻(xiàn)［11］對(duì)目前已有的平面圖像的對(duì)稱性檢測(cè)進(jìn)行了綜述，根據(jù)所采用數(shù)學(xué)思想的不同，對(duì)稱性檢測(cè)方法主要可分為模板匹配法、優(yōu)化搜索法、統(tǒng)計(jì)方法、曲線微分法等，并比較了這些算法的優(yōu)缺點(diǎn)。模板匹配法只能檢測(cè)反射對(duì)稱的圖像，優(yōu)化搜索法可以同時(shí)檢測(cè)反射對(duì)稱和旋轉(zhuǎn)對(duì)稱的圖像，但這2種方法都要求對(duì)稱圖像點(diǎn)精確對(duì)稱，對(duì)噪聲比較敏感。由于物體在成像、數(shù)字化以及邊緣檢測(cè)等處理過程中會(huì)產(chǎn)生很多誤差，因此這些方法并不適用圖像的對(duì)稱性檢測(cè)。

本文針對(duì)現(xiàn)有的交通標(biāo)志檢測(cè)方法進(jìn)行分析，提出了一種新的基于徑向?qū)ΨQ性的交通標(biāo)志檢測(cè)方法，它可以顯著地減少運(yùn)算復(fù)雜度，提高交通標(biāo)志檢測(cè)的準(zhǔn)確率和實(shí)時(shí)性。

1 徑向?qū)ΨQ性

形狀是描述圖像的一個(gè)重要特征。很多待檢測(cè)目標(biāo)由于具有特殊的形狀而區(qū)別于其他物體。因此形狀特征在某種程度上要比顏色特征高一個(gè)層次，特殊的形狀往往具有特殊的語義含義。本文就利用形狀中的對(duì)稱性這一特征對(duì)交通標(biāo)志進(jìn)行檢查。對(duì)稱性是很多人造物體區(qū)別于自然物體的特征，在計(jì)算機(jī)視覺等領(lǐng)域是一個(gè)重要的研究課題。通過對(duì)稱性檢測(cè)可以排除自然場(chǎng)景中很多非對(duì)稱性物體的干擾，例如樹木、藍(lán)天、雜草等。因而根據(jù)物體的對(duì)稱性可以快速確定物體的相對(duì)位置關(guān)系，從而顯著提高算法實(shí)時(shí)性，將注意力集中于人造物體上。

從對(duì)于人的視覺機(jī)理研究可知，人類總會(huì)優(yōu)先注意具有對(duì)稱性的物體［12－13］。因此研究對(duì)稱性可以為人類視覺感知目標(biāo)提供線索，從而指導(dǎo)后期視覺的目標(biāo)檢測(cè)、特征提取和目標(biāo)識(shí)別等環(huán)節(jié)。根據(jù)幾何變換理論，對(duì)稱性可分為基本對(duì)稱和廣義對(duì)稱2類?；緦?duì)稱包括反射對(duì)稱和旋轉(zhuǎn)對(duì)稱，它可以通過它的直線對(duì)稱軸來表征;廣義對(duì)稱包括扭對(duì)稱和點(diǎn)對(duì)稱，扭對(duì)稱是基本對(duì)稱在某種扭曲變形下的狀態(tài)，點(diǎn)對(duì)稱是基本對(duì)稱在目標(biāo)局部的表現(xiàn)。

1.1 反射對(duì)稱

若某圖形關(guān)于若干條直線具有反射不變性，則稱該目標(biāo)是反射對(duì)稱的，這些直線稱為反射對(duì)稱軸。若用極坐標(biāo)f(ρ，α)來表示圖像，并且假設(shè)圖像中心位于坐標(biāo)原點(diǎn)處。存在一條直線l，它經(jīng)過原點(diǎn)并且和x軸夾角為φ，使得對(duì)某一個(gè)角α，有:

則稱該圖形關(guān)于直線l為反射對(duì)稱，其中直線l為對(duì)稱軸。常見的等腰三角形、人臉等都屬于反射對(duì)稱。

1.2 旋轉(zhuǎn)對(duì)稱

若某圖形關(guān)于繞其質(zhì)心旋轉(zhuǎn)一定的角度之后，與原圖形重合，則稱該目標(biāo)是旋轉(zhuǎn)對(duì)稱的。同樣用極坐標(biāo)f(ρ，α)來表示圖像，并且假設(shè)圖像中心位于坐標(biāo)原點(diǎn)處，如果有:

其中 i=0，1，2，…，k －1，則稱該圖像為 k 次旋轉(zhuǎn)對(duì)稱圖像，過原點(diǎn)并且和x軸夾角為的直線稱為旋轉(zhuǎn)對(duì)稱軸。常見的旋轉(zhuǎn)對(duì)稱圖形如圓形(有無數(shù)條旋轉(zhuǎn)對(duì)稱軸)、橢圓(有2條旋轉(zhuǎn)對(duì)稱軸)等。

1.3 點(diǎn)對(duì)稱

點(diǎn)對(duì)稱是基本對(duì)稱圖形在目標(biāo)局部的表現(xiàn)，此時(shí)圖形不是關(guān)于直線對(duì)稱，而是關(guān)于某一點(diǎn)對(duì)稱，即對(duì)稱軸是點(diǎn)。當(dāng)目標(biāo)輪廓上存在至少2個(gè)點(diǎn)到目標(biāo)內(nèi)部的一個(gè)點(diǎn)的距離相等時(shí)，則目標(biāo)在該內(nèi)部點(diǎn)處具有點(diǎn)反射對(duì)稱，所有這樣的內(nèi)部點(diǎn)的集合就構(gòu)成了目標(biāo)的骨架。

本文主要關(guān)注基本旋轉(zhuǎn)對(duì)稱和點(diǎn)對(duì)稱。由于對(duì)稱性的圖形具有中心，因此可以通過求出圖形邊緣點(diǎn)的梯度來尋找圖形的中心。本文將這種可以通過邊緣點(diǎn)的梯度乘以某一尺度半徑值來尋找中心的圖形稱為徑向?qū)ΨQ性圖形。

2 基于徑向?qū)ΨQ性的交通標(biāo)志檢測(cè)

徑向?qū)ΨQ是在圖形具有中心的前提下，通過求圖形邊緣的梯度方向和大小來尋找圖形的中心，從而找到具有徑向?qū)ΨQ的圖形。對(duì)于一個(gè)給定的具有中心的圖像f(x，y)，其邊緣上各點(diǎn)(x，y)的梯度由式(3)決定。

從式(3)可以看出，梯度向量指向坐標(biāo)(x，y)的f的最大變化率方向。該梯度向量的大小為

這個(gè)量給出了在梯度方向上每增加單位距離后f(x，y)值增大的最大變化率。

梯度向量的方向也是一個(gè)很重要的量，令α(x，y)表示向量▽f位于坐標(biāo)(x，y)處的方向角，則可以得到:

該角度是以x軸為基準(zhǔn)度量的，由其定義可知邊緣在(x，y)處的方向與此點(diǎn)的梯度向量的方向是垂直的。

本文提出的基于徑向?qū)ΨQ性的交通標(biāo)志檢測(cè)方法簡(jiǎn)述如下:首先將彩色圖像轉(zhuǎn)換為灰度圖像，利用Sobel算子對(duì)待檢測(cè)的圖像進(jìn)行邊緣檢測(cè)，提取圖像中的邊緣信息。然后在灰度圖像上求出邊緣上各點(diǎn)的梯度方向和大小。按照所需檢測(cè)的圖形的尺度不同，在邊緣上各點(diǎn)的梯度方向上乘以固定的半徑即可將潛在的中心位置進(jìn)行加權(quán)。最后，找到權(quán)值最高的點(diǎn)即為圖形的中心。由于針對(duì)不同的半徑會(huì)有不同的檢測(cè)結(jié)果，因此需要在不同的半徑下檢測(cè)不同尺度形狀的交通標(biāo)志。

2.1 預(yù)處理

徑向?qū)ΨQ性檢測(cè)的主要目的是找到圖形的中心，由于利用梯度方向和大小對(duì)中心進(jìn)行加權(quán)，可以通過檢測(cè)圖像的邊緣減少計(jì)算量。首先將彩色圖像(如圖1)變換為灰度圖像。然后，在灰度圖像中對(duì)那些幅值小于閾值(通常取圖像最大梯度幅值的5%)的像素，可以設(shè)置為零，同時(shí)將其他非零像素正規(guī)化。

圖1 待檢測(cè)圖像

2.2 邊緣檢測(cè)

邊緣是圖像中亮度變化的地方，基于圖像亮度值的不連續(xù)性可以分割出圖像的邊緣信息。本文利用Sobel算子進(jìn)行邊緣檢測(cè)，所使用的Sobel算子為

提取圖像中的邊緣信息如圖2所示。

圖2 邊緣檢測(cè)后圖像

2.3 求梯度方向和大小

將第2步中所檢測(cè)到的圖像邊緣點(diǎn)坐標(biāo)標(biāo)記于灰度圖像中。求出灰度圖像邊緣中對(duì)應(yīng)的每一點(diǎn)的梯度大小和方向。然后根據(jù)檢測(cè)任務(wù)的不同，選取不同的尺度半徑R。尺度半徑R表示每一個(gè)點(diǎn)對(duì)自己梯度方向上距離為R處的權(quán)值。注意到由于徑向?qū)ΨQ性的圖形，其邊緣點(diǎn)在乘以某一固定的半徑以后都可以將該圖形的中心進(jìn)行加強(qiáng)，因此可以找出圖形的中心。而對(duì)于非徑向?qū)ΨQ的其他邊緣點(diǎn)，由于其梯度方向雜亂無章，因此乘以該半徑以后并不會(huì)對(duì)某一固定點(diǎn)進(jìn)行加強(qiáng)，如圖3所示。圖中較亮的區(qū)域即為檢測(cè)到的具有徑向?qū)ΨQ性的區(qū)域，下一步可以在該區(qū)域中尋找圖形的中心。

圖3 梯度大小和方向(R=60)

由于不同的尺度半徑會(huì)有不同的檢測(cè)結(jié)果，因此可以設(shè)定交通標(biāo)志在某一尺度半徑內(nèi)。如圖4所示，在不同的尺度半徑下所檢測(cè)到的不同結(jié)果。

圖4 不同尺度半徑下的檢測(cè)結(jié)果

2.4 找到圖形的中心

在上一步中已經(jīng)找到具有徑向?qū)ΨQ性的圖形區(qū)域，對(duì)該區(qū)域內(nèi)的點(diǎn)進(jìn)行統(tǒng)計(jì)，找到權(quán)值最大的點(diǎn)(如圖5)作為圖形的中心。由于該中心是在尺度半徑為R的尺度下找到的，因此將該中心按照距離為R的點(diǎn)進(jìn)行擴(kuò)展即可找到具有徑向?qū)ΨQ性的圖形區(qū)域，如圖6所示。

3 實(shí)驗(yàn)結(jié)果

圖7是本算法在不同環(huán)境下的實(shí)驗(yàn)結(jié)果。包括在城市、高速、鄉(xiāng)村道路環(huán)境上，不同的光照條件下所檢測(cè)到的交通標(biāo)志的結(jié)果。

通過對(duì)不同環(huán)境下的實(shí)驗(yàn)結(jié)果的分析可以看出，該算法在各種環(huán)境下均有較好的準(zhǔn)確率。值得注意的是在高速公路環(huán)境下(圖7(b))，由于同時(shí)存在2個(gè)交通標(biāo)志，因此需通過不同的尺度半徑來檢測(cè)不同大小的交通標(biāo)志(可參考圖4)。

根據(jù)本文提出的方法，對(duì)300幅真實(shí)道路圖像進(jìn)行了測(cè)試(包含431個(gè)交通標(biāo)志)，測(cè)試結(jié)果如表1所示。根據(jù)對(duì)結(jié)果的統(tǒng)計(jì)分析，可分為已識(shí)別類和未識(shí)別類。前者代表圖像中能夠被算法檢測(cè)出來的交通標(biāo)志，后者表示圖像中未能被算法檢測(cè)出來的交通標(biāo)志。并對(duì)已識(shí)別的類分為正確和虛報(bào)2類，即檢測(cè)出來的為交通標(biāo)志的為正確類，檢測(cè)出來的并非交通標(biāo)志的為錯(cuò)誤類。未識(shí)別的類中對(duì)汽車行駛有影響而沒被檢測(cè)出來的稱為漏檢類，沒有影響并且沒被檢測(cè)出來的歸為其他類。

圖7 不同環(huán)境下的實(shí)驗(yàn)結(jié)果

通過表1的數(shù)據(jù)統(tǒng)計(jì)可以看出，該算法檢測(cè)率為84.0%，具有較高的正確識(shí)別率，能夠滿足實(shí)際要求。但同時(shí)也應(yīng)該注意由于道路場(chǎng)景的復(fù)雜性，算法也出現(xiàn)了一部分漏檢(4.2%)和虛報(bào)(3.2%)的情況，因此仍需要對(duì)算法進(jìn)行優(yōu)化。

算法的效率方面，在Intel雙核CPU平臺(tái)上，利用Matlab軟件編程實(shí)現(xiàn)該算法。對(duì)于320×240的圖片處理的時(shí)間大約為101 ms，即平均每秒10幀左右。

表1 檢測(cè)結(jié)果的統(tǒng)計(jì)數(shù)據(jù)

4 結(jié)束語

提出了一種基于徑向?qū)ΨQ性的交通標(biāo)志檢測(cè)方法。該方法以尋找徑向?qū)ΨQ性的交通標(biāo)志為目的，通過圖像預(yù)處理、邊緣檢測(cè)、求圖像邊緣的梯度大小和方向，將梯度沿梯度方向乘以某一尺度半徑等步驟，以將邊緣點(diǎn)對(duì)物體中心的權(quán)值進(jìn)行加強(qiáng)，從而找到物體中心。通過Matlab軟件實(shí)現(xiàn)算法，驗(yàn)證了在不同場(chǎng)景下算法具有較高的準(zhǔn)確性和實(shí)時(shí)性。本文提出的算法僅僅關(guān)注于交通標(biāo)志的檢測(cè)階段，并未考慮之后的識(shí)別過程。通過形狀檢測(cè)對(duì)交通標(biāo)志進(jìn)行初步分類，可以篩選掉絕對(duì)大多數(shù)的非人造物體，下一步可以考慮和物體的顏色特征進(jìn)行結(jié)合，從而更好地檢測(cè)交通標(biāo)志。目前該算法的計(jì)算速度仍有待提高，需要進(jìn)一步對(duì)算法進(jìn)行優(yōu)化。

［1］李舜酩，沈峘，毛建國(guó)，等.智能車輛發(fā)展及其關(guān)鍵技術(shù)研究現(xiàn)狀［J］.傳感器與微系統(tǒng)，2009，1(4):1 －4.

［2］DOT U S.Manual on uniform traffic control devices(MUTCD)［Z］.Washington:D.C，2003.

［3］中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局.中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).GB5768.2－2009道路交通標(biāo)志［S］.北京:中國(guó)標(biāo)準(zhǔn)出版社，2009.

［4］Broggi A，Cerri P，Medici P，et al.Real Time Road Signs Recognition［C］//IEEE Intelligent Vehicles Symposium.［S.l.］:［s.n.］，2007:981 －986.

［5］Gao X W L，Podladchikova D S.Recognition of traffic signs based on their colour and shape features extracted using human vision models［J］.Journal of Visual Communication and Image Representation，2006，14:675 －685.

［6］Garcia-Garrido M A，Sotelo M A，Martm-Gorostiza E.Fast Traffic Sign Detection and Recognition Under Changing Lighting Conditions［C］//IEEE Intelligent Transportation Systems Conference.［S.l.］:ITSC，2006:811 －816.

［7］Moutarde F，Bargeton A，Herbin A，et al.Robust on-vehicle real-time visual detection of American and European speed limit signs with a modular Traffic Signs Recognition system［C］//IEEE Intelligent Vehicles Symposium.［S.l.］:［s.n.］，2007:1122 －1126.

［8］張靜，何明一，戴玉超，等.綜合顏色和形狀的圓形交通標(biāo)志檢測(cè)方法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47(2):233－236.

［9］Cardarelli E，Medici P，Porta P，et al.Road signs shapes detection based on Sobel phase analysis［C］//IEEE Intelligent Vehicles Symposium.［S.l.］:［s.n.］，2009:376－381.

［10］Gavrila D M.A road sign recognition system based on dynamic visual model［C］//Proc 14th Int.Conf.on Pattern Recognition.［S.l.］:［s.n.］，1998:16 －20.

［11］吳剛，楊敬安，李道倫，等.平面圖像的對(duì)稱性檢測(cè)方法研究［J］.計(jì)算機(jī)科學(xué)，2001，28(5):101 －106.

［12］Locher P，Nodine C.Symmetry catches the eye［Z］.Eye Movements:from physiology to cognition.Elsevier，1987.

［13］Gal Sela，Martin D.Levine.Real-time attention for robotic vision［J］.Real-Time Imaging，1997(3):173 －194.