一種新的箭頭形交通信號燈識別方法

田 謹(jǐn)，應(yīng) 捷，朱丹丹

(上海理工大學(xué) 光電信息與計算機(jī)工程學(xué)院，上海 200093)

近年來交通信號燈的檢測與識別在汽車輔助駕駛中發(fā)揮著重要。國內(nèi)外許多研究者已提出了一些算法。佀君淑等［1］提出了一種基于亮度分割、K 均值聚類以及前景直方圖相結(jié)合的交通信號燈識別方法，但該算法在信號燈發(fā)生變形時，識別率低。徐成等［2］提出了一種先對圖像進(jìn)行頂帽變換，接著在Lab 色彩空間查找候選區(qū)域，然后利用模板匹配確認(rèn)候選區(qū)域，并使用統(tǒng)計學(xué)方法對結(jié)果進(jìn)行驗證的方法。此方法的缺點在于過于依賴黑色矩形框，晚上基本無法識別。武瑩等［3］提出了一種在HIS 空間進(jìn)行交通燈顏色分割，并結(jié)合分割區(qū)域與矩形區(qū)域的相對位置進(jìn)行交通燈定位，最終利用模板匹配的方法識別交通燈。但是模板是人為生成的，匹配結(jié)果受到光照、拍攝角度的影響較大，匹配程度不高且需多次測試才能找到合適的閾值。Jin－Hyung Park 等［4］利用顏色信息，提取可能是交通信號燈的像素，利用K 均值聚類法進(jìn)行聚類。并采用了幀序列操作，利用以往的幀序列信息將誤檢和漏檢的幀更正或補上。最后利用優(yōu)先級策略優(yōu)先輸出概率最大的結(jié)果。此算法處理一幀圖像僅需7 ms，但魯棒性較低，無法適應(yīng)天氣變化，誤檢率較高。

上述算法主要是檢測和識別圓形交通信號燈，且識別率較低。本文針對箭頭形交通信號燈，提出了一種結(jié)合Gabor 小波變換和PCA、ICA 算法的特征提取算法。

1 特征提取算法分析

1.1 Gabor 小波特征分析

二維Gabor 函數(shù)［5－8］是經(jīng)高斯函數(shù)調(diào)制的正弦柵格，在頻域上表現(xiàn)為一種主頻和方向可調(diào)的帶通濾波器。Gabor 濾波器在消除空域和頻域二維聯(lián)合部確定性方面是最優(yōu)的，且方向和尺度可調(diào)，因此成為了一種重要的特征提取方法。

二維Gabor 小波函數(shù)可表示為

其中，σx，σy是其在x 軸和y 軸上的標(biāo)準(zhǔn)方差;是高斯函數(shù)的復(fù)調(diào)制頻率。將灰度圖像I(x，y)與Gabor 函數(shù)的卷積結(jié)果如式(2)所示，作為Gabor 濾波結(jié)果如式(3)所示

其中，m=0，…，S－1;n=0，…，K－1，S 和K 是濾波器的尺度和方向個數(shù)。

1.2 主成分分析

PCA［9］(主成分分析)是對由一系列觀察數(shù)據(jù)組成的向量組，找到其最能表達(dá)該數(shù)組數(shù)據(jù)特征的正交基，即主元?？筛鶕?jù)選取的主元個數(shù)對數(shù)據(jù)進(jìn)行相應(yīng)的壓縮，假如有訓(xùn)練樣本如式(4)所示

將各個樣本減去樣本均值如式(5)所示

選擇前M 個最大的特征值對應(yīng)的特征向量UM作為特征空間。M 的選取可以通過累積貢獻(xiàn)率確定，如式(7)所示

1.3 獨立成分分析

假設(shè)輸入信號X∈Rm作為ICA［9－10］分析的測量矢量，并假設(shè)X 為n 個未知的獨立成分S=［s1，s2，…，sn］的線性組合，則這種線性關(guān)系即為ICA 的基本模型如式(8)

其中，A 是未知的m×n 混合滿秩矩陣。ICA 的目的就是找到一個分離矩陣W，使得輸出如式(9)所示

近似獨立成分S，當(dāng)分離矩陣W 是混合矩陣A 的逆時，獨立成分S 便被提取出來了。

固定點算法(FastICA)作為一種速度較快的ICA算法經(jīng)常被用于特征提取。其迭代公式如(10)所示其中，W 和W*分別表示當(dāng)前值和迭代得到的新值，g為比函數(shù)。

2 一種新箭頭形交通信號燈識別方法

2.1 箭頭形交通信號燈檢測

由于光照、天氣條件以及交通信號燈自身的發(fā)光性，使得交通信號燈的檢測和識別更為困難。本文提出了如圖1 所示的框架來識別城市環(huán)境中的箭頭形交通信號燈。

圖1 箭頭形交通信號燈識別框架

圖1 中交通信號燈的定位是將采集到的交通信號燈圖像用OTSU 閾值分割方法進(jìn)行閾值分割。再根據(jù)交通信號燈的背板特性檢測出符合條件的矩形區(qū)域，結(jié)合以上兩點對交通信號燈進(jìn)行定位。

圖1 中交通信號燈顏色的判定是在完成對交通信號燈的定位后，將交通信號燈區(qū)域的彩色圖像轉(zhuǎn)換到HIS 空間進(jìn)行顏色分割，結(jié)合顏色分割結(jié)果與交通燈在交通燈背板上的相對位置來判定交通信號燈的顏色。

2.2 箭頭形交通信號燈識別

為提取箭頭形交通信號燈的特征，本文提出了一種結(jié)合Gabor 小波變換、PCA(主成分分析)和ICA(獨立成分分析)的特征提取算法。

文中采用二維Gabor 小波變換提取交通信號燈的特征。將候選區(qū)域的灰度圖像與Gabor 函數(shù)的卷積結(jié)果作為Gabor 濾波后的圖像。對于Gabor 濾波器，本實驗通過對不同方向和不同尺度進(jìn)行反復(fù)試驗，發(fā)現(xiàn)當(dāng)S=4，K=6 時基本可表達(dá)圖像的特征。中心頻率取，卷積模板取5×5 時濾波結(jié)果較為理想。對于Gabor 特征，實驗采用Gabor 濾波器的幅值特征。故本實驗采用6 個方向和4 種尺度，中心頻率為6，卷積模板為5×5 的Gabor 濾波器對圖像進(jìn)行濾波，提取交通信號燈的幅值特征。圖2 為箭頭形交通信號燈的Gabor 描述。

圖2 箭頭形交通信號燈的Gabor 描述

由圖2 可知，每幅圖像經(jīng)過Gabor 濾波后會生成幅維數(shù)相同的圖像，本實驗用60 幅圖像進(jìn)行訓(xùn)練，采用6 個方向和4 種尺度，Gabor 濾波后就會產(chǎn)生1 440幅圖像，數(shù)據(jù)量過大，后續(xù)處理比較困難。所以本文對每幅圖像進(jìn)行Gabor 濾波后，通過觀察選取適合的系數(shù)對生成的24 幅圖像進(jìn)行加權(quán)平均處理，使濾波的結(jié)果還原為一幅圖像。

本實驗的訓(xùn)練樣本維數(shù)為625×60，數(shù)據(jù)量較大，故本文繼Gabor 小波濾波后采用主成分分析法(PCA)對圖像進(jìn)行壓縮。根據(jù)選取的主元個數(shù)求得對應(yīng)的特征空間U。

為提高本算法的準(zhǔn)確率，本文將用ICA 算法對PCA 壓縮后得到的特征空間做進(jìn)一步的提取，從而得到PCA 特征空間中的獨立成分。即將PCA 的輸出U作為ICA 分析的測量矢量，求出其的獨立成分。對比函數(shù)實驗選擇g=tanh(a1y)。將ICA 提取的獨立分量Ω 作為新的特征空間，將訓(xùn)練圖像和測試圖像分別在此空間進(jìn)行投影。

最后用模板匹配對交通信號燈候選區(qū)域的圖像進(jìn)行分類，從而判定交通信號燈的方向。為便于模板匹配，本文在預(yù)處理時統(tǒng)一將圖像歸一化處理為25×25大小的灰度圖像。為了識別箭頭的方向，本實驗將訓(xùn)練樣本中的各個樣本與樣本均值的差，如式(5)所示。按式(11)進(jìn)行投影，便可得到樣本在此特征空間的投影

將待識別的圖像數(shù)據(jù)f 與樣本均值的差值在特征空間Ω 上進(jìn)行投影如式(13)所示，將得到的投影系數(shù)與訓(xùn)練樣本的投影系數(shù)進(jìn)行匹配

本文采用歐式距離計算投影系數(shù)之間的距離如式(14)所示

若滿足

則Y∈Yi。

3 實驗結(jié)果與分析

PCA 圖像壓縮實驗中共用了60 幅圖像作為訓(xùn)練樣本進(jìn)行壓縮，其中向左、向右、向前各20 幅。主元個數(shù)分別取5、10、15、20、25、30、35、40、45、50、55，PCA 對訓(xùn)練圖像的壓縮結(jié)果如圖3 所示，圖中只展示了向右箭頭的壓縮結(jié)果圖。壓縮順序是按主元個數(shù)取55、50、45、40、35、30、25、20、15、10、5 進(jìn)行壓縮。

圖3 壓縮圖像

由圖3 可知，隨著主元個數(shù)逐漸減小，壓縮圖像也逐漸變得模糊。PCA 對圖像進(jìn)行壓縮的壓縮比和峰值信噪比如表1 所示。

表1 壓縮結(jié)果

由表1 可知，隨著主元個數(shù)的增加，從壓縮比來看壓縮效果越來越不明顯，但從峰值信噪比來看，壓縮效果越來越好。

本實驗共120 幅圖像，其中60 幅箭頭形交通信號燈圖像作為訓(xùn)練樣本，用剩下的60 幅圖像進(jìn)行測試。從圖4 和表1 可看出，當(dāng)主元個數(shù)取45、50、55 時壓縮圖像與原圖像差別不大，壓縮效果不明顯，故后續(xù)實驗中主元個數(shù)只取5、10、15、20、25、30、35、40。

實驗分別將左、右、前3 個方向的各20 幅訓(xùn)練圖像在特征空間進(jìn)行投影，投影系數(shù)取平均值。3 個方向投影系數(shù)的平均值作為匹配模板，將測試圖像的投影系數(shù)與其進(jìn)行匹配，匹配結(jié)果如表2 所示。

表2 實驗結(jié)果

由表2 可知，隨著主元個數(shù)的增加，正確識別率越來越高，在主元個數(shù)pnum=40 時，識別率達(dá)到96.7%。此時累積貢獻(xiàn)率為99.18%，特征空間的維數(shù)為625×40，投影系數(shù)的數(shù)為40 個。

4 結(jié)束語

本文嘗試將二維Gabor 濾波器和PCA、ICA 技術(shù)相結(jié)合來提取箭頭形交通信號燈的特征。經(jīng)PCA 壓縮得到的特征空間再用ICA 提取特征的獨立分量，樣本在特征空間的投影作為模板匹配的模板，將測試圖像在特征空間的投影與其進(jìn)行匹配。實驗結(jié)果表明，本文方法的正確識別率較高，是一種較好的箭頭形交通信號燈識別方法。但由于PCA 及ICA 處理過程中耗時較多，該算法的實時性仍有待提高。

［1］ 佀君淑，朱文興，沙永賀.復(fù)雜背景下的交通信號燈綜合識別方法［J］.山東大學(xué)學(xué)報:工學(xué)版，2014，44(2):64－68.

［2］ 徐成，譚乃強，劉彥.基于Lab 色彩空間和模板匹配的實時交通燈識別算法［J］.計算機(jī)應(yīng)用，2010，30(5):1251－1254.

［3］ 武瑩，張小寧，何斌.基于圖像處理的交通信號燈識別方法［J］.交通信息與安全，2011，29(3):51－54.

［4］ Jinhyung Park，Changsung J.Real－time signal light detection［C］.Hainan，China:International Conference on Future Generation Communication and Networking Symposia，2008.

［5］ 谷明琴，蔡自興，黃振威，等.城市環(huán)境中箭頭型交通信號燈的實時識別算法［J］.中南大學(xué)學(xué)報:自然科學(xué)版，2013，44(4):1404－1408.

［6］ 張剛，馬宗民.一種采用Gabor 小波的紋理特征提取方法［J］.中國圖象圖形學(xué)報，2010，15(2):247－254.

［7］ 孔銳，張冰.Gabor 濾波器參數(shù)設(shè)置［J］.控制與決策，2012，27(8):1277－1280.

［8］ 薛玉利.基于Gabor 變換的特征提取及其應(yīng)用［D］.濟(jì)南:山東大學(xué)，2007.

［9］ 劉直芳，游志勝，王運瓊.基于PCA 和ICA 的人臉識別［J］.激光技術(shù)，2004，28(1):78－81.

［10］劉小雙，王展青.ICA 及其在數(shù)字圖像處理中的應(yīng)用［D］.武漢:武漢理工大學(xué)，2007.