自然環(huán)境下交通標(biāo)志牌的檢測(cè)與識(shí)別

關(guān)鑫

摘要：交通標(biāo)志的識(shí)別系統(tǒng)是智能交通（ITS）的重要組成部分。隨著現(xiàn)代化的進(jìn)步，汽車(chē)逐步走進(jìn)千家萬(wàn)戶(hù)，然而也帶來(lái)了交通擁堵，事故頻發(fā)等一系列亟待解決的問(wèn)題。發(fā)展具有主動(dòng)安全技術(shù)的智能車(chē)輛已經(jīng)成為各國(guó)政府、研究機(jī)構(gòu)的研究重點(diǎn)方向，交通標(biāo)志識(shí)別系統(tǒng)正是智能車(chē)輛和無(wú)人駕駛目標(biāo)實(shí)現(xiàn)的重要技術(shù)需求之一。本文進(jìn)行了交通標(biāo)志牌識(shí)別的研究，包括以下三個(gè)方面的內(nèi)容：1）交通標(biāo)志的檢測(cè)；2）交通標(biāo)志的提取；3）交通標(biāo)志的識(shí)別。

關(guān)鍵詞：交通標(biāo)志識(shí)別；顏色特征；相關(guān)系數(shù)匹配；Matlab

中圖分類(lèi)號(hào)：TP302 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）15-0190-03

1 緒論

1.1 研究的背景及意義

隨著汽車(chē)數(shù)量的急劇增長(zhǎng)，常規(guī)化的人力道路交通管理方式已經(jīng)逐漸不能滿足目前的交通道路需求，尤其是疲勞駕駛，醉駕等因駕駛員對(duì)路況的關(guān)注度太低而造成的交通事故比比皆是，這不僅給交通帶來(lái)了諸多不便，也給人們的生命安全造成了威脅，因此智能交通行業(yè)越來(lái)越得到人們的重視。至2012年以來(lái)，中國(guó)的城市智能交通市場(chǎng)一直保持著高速的增長(zhǎng)態(tài)勢(shì)。

因此我們結(jié)合智能交通技術(shù)，設(shè)計(jì)本文所述的交通標(biāo)志識(shí)別系統(tǒng)，可以及時(shí)提醒和警示駕駛員，使其了解行駛途中需要注意的交通標(biāo)志，盡量避免事故的發(fā)生。

1.2 國(guó)內(nèi)外的研究現(xiàn)狀

1.2.1 國(guó)內(nèi)研究現(xiàn)狀

中國(guó)的智能交通研究開(kāi)始于20世紀(jì)70年代末，最開(kāi)始是在上海，北京，廣州等經(jīng)濟(jì)相對(duì)發(fā)達(dá)的大城市進(jìn)行了智能交通信號(hào)控制的研發(fā)。近年來(lái)，我國(guó)的ITS研究取得了豐碩的成果。然而雖然國(guó)內(nèi)已經(jīng)有一些自主開(kāi)發(fā)的交通管路體制系統(tǒng)，但整體性能和國(guó)外同類(lèi)系統(tǒng)相比較仍然有較大差距，這是不容我們忽視和否認(rèn)的，目前許多城市在智能交通控制方面仍然采用引進(jìn)的國(guó)外系統(tǒng)，像SCOOT和SCATS系統(tǒng)。因此我們也應(yīng)該認(rèn)清到當(dāng)前的嚴(yán)峻局勢(shì)，在智能交通控制方面仍有許多進(jìn)步的空間，等待我們?nèi)パ芯亢烷_(kāi)發(fā)。

1.2.2 國(guó)外研究現(xiàn)狀[1]

1994年在巴黎召開(kāi)的智能交通大會(huì)成為發(fā)達(dá)國(guó)家正式研究和開(kāi)發(fā)智能交通的標(biāo)志性事件，經(jīng)過(guò)不斷地發(fā)展，智能交通在發(fā)達(dá)國(guó)家和發(fā)展中國(guó)家中都得到了突破性的發(fā)展。目前，國(guó)際ITS已經(jīng)形成了美國(guó)、歐洲和日本三足鼎立的局面，其他國(guó)家像新加坡、澳大利亞、韓國(guó)等國(guó)家智能交通也具備了一定的規(guī)模。

2 交通標(biāo)志識(shí)別設(shè)計(jì)思路

2.1 設(shè)計(jì)思路

通過(guò)簡(jiǎn)單的觀察總結(jié)就可以發(fā)現(xiàn)，交通標(biāo)志牌絕大多數(shù)為三種，即禁止標(biāo)志（紅色）、警告標(biāo)志（黃色）、指示標(biāo)志（藍(lán)色），因此顏色是一個(gè)很好的切入點(diǎn)，我們可以最開(kāi)始從顏色特征來(lái)出發(fā)，現(xiàn)將交通標(biāo)志牌按顏色歸類(lèi)，再在相應(yīng)的庫(kù)中匹配，這樣不僅提高了效率，而且簡(jiǎn)化了算法，根據(jù)顏色分類(lèi)以后，我們就可以進(jìn)行匹配前的處理，也就是對(duì)目標(biāo)進(jìn)行截取。最后選擇一種匹配成功最高的算法進(jìn)行匹配分析，那么交通標(biāo)志識(shí)別的任務(wù)也就基本完成了。

3 交通標(biāo)志牌檢測(cè)

3.1 常見(jiàn)的色彩模型介紹[2]

3.1.1 RGB模型[2]

我們知道我們?nèi)搜鬯芤?jiàn)到的顏色都是有紅、綠、藍(lán)三種基色按照不同的比例混合產(chǎn)生的，也就是RGB模型。三種基色的分量都是0時(shí)，為黑色，三種分量都為1時(shí)是白色，任一一種分量的改變都會(huì)使顏色產(chǎn)生變化，我們常見(jiàn)的彩色顯像管就是根據(jù)三原色的基理工作的，但不得不提的觀點(diǎn)是：它并不適合人眼的視覺(jué)特點(diǎn)。

3.1.2 HSV模型[2]

HSV模型，H-色相，S-飽和度，V-亮度

HSV顏色模型通常用一個(gè)圓錐體來(lái)形象地表示?？v軸表示亮度，用V表示，數(shù)值越大亮度越大，而半徑表示飽和度，用S表示，半徑值越大表示飽和度越高，角度表示顏色，紅色對(duì)應(yīng)于角度0°，綠色對(duì)應(yīng)于角度120°，藍(lán)色對(duì)應(yīng)于角度240°，不同的角度分別表示不同的顏色。

由于交通標(biāo)志牌位置是固定不動(dòng)的，因此常用的獲取目標(biāo)的方法。例如背景差分法在此已經(jīng)不再適用，無(wú)法通過(guò)利用背景作差來(lái)獲取交通標(biāo)志，因此我們對(duì)交通標(biāo)志的檢測(cè)運(yùn)用了顏色模型的方法，由于RGB模型不適合人的視覺(jué)特點(diǎn)，而HSV顏色空間剛好與人眼的視覺(jué)特點(diǎn)相同，因此本文使用的顏色空間是HSV模型。

3.2 色彩模型之間的轉(zhuǎn)換

3.2.1 RGB向HSV模型的轉(zhuǎn)換

前面已經(jīng)詳細(xì)介紹過(guò)RGB、HSV模型了，下面介紹RGB轉(zhuǎn)化到HSV的算法，因其他轉(zhuǎn)換算法與本文無(wú)關(guān)，因此這里不作介紹：

RGB轉(zhuǎn)化到HSV的算法

m=max（rr，gg，bb）

n=min（rr，gg，bb）

if rr = m， hh = （gg-bb）/（m-n）

if gg= m， hh = 2 + （bb-rr）/（m-n）

if bb= m， hh = 4 + （rr-gg）/（m-n）

hh = hh* 60

if hh< 0， hh= hh + 360

vv=max（rr，gg，bb）

ss=（m-n）/max

4 交通標(biāo)志的閾值分割

4.1 禁止標(biāo)志的分割

禁止標(biāo)志為都為紅色的，因此如果要識(shí)別禁止標(biāo)志，第一步就是把它從被自然景物包含的圖像中檢測(cè)并分割出來(lái)。檢測(cè)方法上一節(jié)已經(jīng)提到過(guò)了，運(yùn)用顏色模型。

將RGB模型轉(zhuǎn)換為HSV模型

核心代碼如下所示：

Hsv=rgb2hsv（I）； %將圖像由RGB顏色空間轉(zhuǎn)化為HSV顏色空間

d1=Hsv（：，：，1）； %H分量信息保存于d1

d2=Hsv（：，：，2）； %S分量信息保存于d2

經(jīng)過(guò)RGB模型轉(zhuǎn)換成HSV模型后，H分量和S分量都是0-1之間的值，而且H是實(shí)際度數(shù)除以360度得到的值，色調(diào)正是以0到360度之間的不同度數(shù)來(lái)表示不同的顏色的。

4.1.1 利用顏色閾值將紅色顯示為白色

1）核心代碼：

BW=roicolor（d1，0.1，0.8）；

BW1=～BW；

BW2=roicolor（d2，0.4，1）；

BW=BW1&BW2；

因?yàn)榇蠹t色部分在HSV模型中，參數(shù)范圍基本為：H為0～0.1，0.8～1，S為0.4～1，因此我們要運(yùn)用roicolor函數(shù)將符合這一參數(shù)要求的像素區(qū)域都標(biāo)志為白色，其他區(qū)域均為黑色。經(jīng)過(guò)上述代碼之后，色調(diào)范圍在0～0.1，0.8～1，飽和度范圍在0.4～1的像素區(qū)域值均被置為1，其他為0，完成了對(duì)要識(shí)別圖像的二值化。

2）roicolor函數(shù)簡(jiǎn)要介紹

功能：可以根據(jù)顏色選定區(qū)域。

用法：BW = roicolor（A，a，b）

A 中的像素值如果在[a，b]范圍內(nèi)，則像素值全返回1，否則返回0.且BW的大小和A相同，得到的是一個(gè)二值圖像。

4.1.2 標(biāo)注二值圖的連通區(qū)域，求出最大值

核心代碼

L=bwlabeln（BW）；

s=regionprops（L，'Area'，'BoundingBox'）；

save0=cat（1，s.BoundingBox）；

save1=cat（2，s.Area）；len=length（s）；

max=0；

for i=1：len

if（save1（1，i）>max）

max=save1（1，i）；

ii=i；

end

end

該段代碼首先要對(duì)連通對(duì)象的各個(gè)分離部分進(jìn)行標(biāo)注，bwlabeln函數(shù)可以完成這個(gè)功能，然后再獲取標(biāo)記圖像中所有區(qū)域的面積和最小包圍矩陣，最后求出連通區(qū)域的最大值，也就是我們所要的禁止標(biāo)志所在位置。

3）Regionprops是用來(lái)度量圖像區(qū)域?qū)傩缘暮瘮?shù)。

①'Area'：即面積，簡(jiǎn)單地說(shuō)就是對(duì)不同的連通區(qū)域都記錄下它的區(qū)域中像素的總個(gè)數(shù)。

②'BoundingBox'：記錄的是包含連通區(qū)域的最小矩形的相關(guān)信息：左上角橫坐標(biāo)、縱坐標(biāo)以及長(zhǎng)和寬。

對(duì)警告和指示標(biāo)志牌的分割道理相同，在此不作重復(fù)敘述。

5 交通標(biāo)志的識(shí)別

5.1 顏色特征[4]

對(duì)計(jì)算機(jī)視覺(jué)來(lái)說(shuō)，特征提取的算法尤其重要，只有能夠提取圖像中的特征信息，計(jì)算機(jī)才能進(jìn)行識(shí)別，從而做出人們要求的反應(yīng)。然而，通常的特征提取算法都要大量的數(shù)據(jù)來(lái)?yè)Q得更好的效果，而顏色特征卻只需要根據(jù)像素值進(jìn)行轉(zhuǎn)換，計(jì)算量比較低，因此是一個(gè)較好的特征。

5.2 顏色直方圖

顏色直方圖反映的是圖像顏色的分布情況，從直方圖可以直觀地看到各個(gè)顏色在圖片中所占的比例。常常提取顏色特征，利用兩幅圖的顏色直方圖來(lái)比較兩幅圖像的差異。而且如果背景顏色和前景顏色有較大的差異的話，顏色直方圖會(huì)呈現(xiàn)出雙峰的形狀。

但顏色直方圖的缺點(diǎn)也很明顯，那就是它只能反映圖像的顏色分布情況，卻完全丟失了圖像中各像素點(diǎn)之間的位置關(guān)系，因此可能會(huì)造成錯(cuò)誤識(shí)別的情況，即兩幅圖像的顏色直方圖分布十分相近，但它們的像素點(diǎn)之間的位置關(guān)系卻截然不同，這樣的話，若是利用顏色直方圖去識(shí)別圖像，就有可能判斷錯(cuò)誤，誤以為是相匹配的圖像。

5.3 Pearson相關(guān)系數(shù)

相關(guān)表和相關(guān)圖可反映兩個(gè)變量之間的相互關(guān)系及其相關(guān)方向，但無(wú)法確切地表明兩個(gè)變量之間相關(guān)的程度。于是，著名統(tǒng)計(jì)學(xué)家卡爾·皮爾遜設(shè)計(jì)了統(tǒng)計(jì)指標(biāo)——相關(guān)系數(shù)（Correlation coefficient）。相關(guān)系數(shù)是用以反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)。相關(guān)系數(shù)是按積差方法計(jì)算，同樣以?xún)勺兞颗c各自平均值的離差為基礎(chǔ)，通過(guò)兩個(gè)離差相乘來(lái)反映兩變量之間相關(guān)程度；著重研究線性的單相關(guān)系數(shù)。

設(shè)（X，Y）是二維隨機(jī)變量，則稱(chēng)

為X與Y的相關(guān)系數(shù)。

5.4 基于計(jì)算圖像在兩個(gè)方向上的相關(guān)系數(shù)的交通識(shí)別

本設(shè)計(jì)的識(shí)別方法是通過(guò)提取標(biāo)準(zhǔn)圖片和待識(shí)別圖片的水平、垂直方向的灰度分布，進(jìn)行Pearson相關(guān)系數(shù)的計(jì)算，并設(shè)定一定的閾值，在待識(shí)別圖片與所有標(biāo)準(zhǔn)圖片都進(jìn)行過(guò)Pearson相關(guān)系數(shù)計(jì)算后，相關(guān)系數(shù)取得最大且大于所給閾值的則視為匹配成功。

1） 核心代碼如下所示：

%求垂直相關(guān)系數(shù)

for i=1：300

z（1：2，2*i-1：2*i）=corrcoef（double（M（：，i）），double（N（：，i）））；end

sum=0；

for i=2：2：600

sum=sum+z（1，i）；

end

%求水平相關(guān)系數(shù)

for i=1：300

z（1：2，2*i-1：2*i）=corrcoef（double（M（i，：）），double（N（i，：）））；

end

sum1=0；

for i=2：2：600

sum1=sum+z（1，i）；

end

b=max（sum，sum1）；%求出垂直和水平相關(guān)系數(shù)中最大的

End

2）MATLAB中相關(guān)函數(shù)corrcoef的用法

corrcoef（x，y）表示序列x和序列y的相關(guān)系數(shù)，得到的結(jié)果是一個(gè)2*2矩陣，其中對(duì)角線上的元素分別表示x和y的自相關(guān)，非對(duì)角線上的元素分別表示x與y的相關(guān)系數(shù)和y與x的相關(guān)系數(shù)，兩個(gè)是相等的。

對(duì)于核心代碼的運(yùn)行結(jié)果，我們可以從matlab中查看：

for i=1：300

z（1：2，2*i-1：2*i）=corrcoef（double（M（：，i）），double（N（：，i）））；end

遍歷每一行，比較目標(biāo)圖和標(biāo)準(zhǔn)圖的每一行，得出一個(gè)相關(guān)系數(shù)值，正相關(guān)是正值，負(fù)相關(guān)是負(fù)值，相關(guān)程度越大，絕對(duì)值也越大。

for i=2：2：600

sum=sum+z（1，i）；

這兩句代碼是把相關(guān)系數(shù)值都累加起來(lái)，且不加自相關(guān)的系數(shù)1，通過(guò)比較得到相關(guān)系數(shù)的最大值的那個(gè)標(biāo)準(zhǔn)圖片作為識(shí)別的結(jié)果（累加的相關(guān)系數(shù)值必須大于指定閾值可以）

6 結(jié)論

本文先是對(duì)交通標(biāo)志識(shí)別的背景和歷史意義進(jìn)行了闡述，接著又分析了國(guó)內(nèi)外的研究現(xiàn)狀，本設(shè)計(jì)的設(shè)計(jì)流程圖，還有交通標(biāo)志的檢測(cè)、截取、識(shí)別，詳細(xì)說(shuō)明了在設(shè)計(jì)這個(gè)交通標(biāo)志識(shí)別系統(tǒng)的詳細(xì)過(guò)程。整個(gè)交通識(shí)別系統(tǒng)做起來(lái)并不容易，尤其對(duì)截取目標(biāo)圖像的方式和識(shí)別算法的選擇最為重要，需要不斷地進(jìn)行嘗試，才能知道正確率如何，可實(shí)施性如何，但這個(gè)系統(tǒng)仍是不成熟的，許多方面需要進(jìn)行改進(jìn)。

參考文獻(xiàn)：

[1] 國(guó)外智能交通系統(tǒng)的發(fā)展情況http：//www.docin.com/p-545672525.html

[2] RGB和HSV顏色模型 - 知行知的專(zhuān)欄 - 博客頻道.CSDN.NEThttp：//blog.csdn.net/liuying_1001/article/details/7363353

[3] HSI顏色模型_360百科.http：//baike.so.com/doc/1607662-1699477.html

[4] 顏色特征提取方法 - Rachel Zhang的專(zhuān)欄 - 博客頻道 - CSDN.NET.http：//blog.csdn.net/abcjennifer/article/details/7424971