基于Gabor特征提取和SVM交通標(biāo)志識(shí)別方法研究

張傳偉 崔萬(wàn)豪

摘 要： 交通標(biāo)志識(shí)別是智能車(chē)輛基于視覺(jué)傳感感知道路信息的關(guān)鍵技術(shù)，針對(duì)傳統(tǒng)識(shí)別技術(shù)不能滿足實(shí)時(shí)性和準(zhǔn)確性的要求，采用一種基于Gabor特征提取和支持向量機(jī)（SVM）交通標(biāo)志識(shí)別方法。首先選定交通標(biāo)志圖像進(jìn)行灰度化、圖像增強(qiáng)處理，采用Gabor濾波技術(shù)進(jìn)行特征提取，針對(duì)大量的特征信息采用主成分分析（PCA）降維，并用支持向量機(jī)分類(lèi)識(shí)別。最后在Matlab平臺(tái)上進(jìn)行實(shí)驗(yàn)，驗(yàn)證該方法的識(shí)別率和識(shí)別時(shí)間。實(shí)驗(yàn)結(jié)果表明，該方法較傳統(tǒng)方法識(shí)別精度高，實(shí)時(shí)性好。

關(guān)鍵詞： 交通標(biāo)志識(shí)別； 圖像灰度化； 圖像增強(qiáng)； Gabor特征提??； 主成分分析； 支持向量機(jī)

中圖分類(lèi)號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）17?0136?05

Abstract： The traffic sign recognition is the key technology based on vision sensing of intelligent vehicle to sense the road information. Since the traditional identification technology can′t satisfy the requirements of real?time performance and accuracy， a traffic sign recognition method based on Gabor feature extraction and support vector machine （SVM） is proposed. The traffic sign image is selected for graying and image enhancement. The Gabor filtering technology is used to extract the feature of the image. The principal component analysis （PCA） is used to reduce the dimensions of the massive feature information， and the SVM is used to classify and recognize the traffic signs. The experiments are carried out with Matlab platform to verify the recognition rate and recognition time of this method. The experiment results show this method has higher recognition accuracy and better real?time performance than the traditional methods.

Keywords： traffic sign recognition； image graying； image enhancement； Gabor feature extraction； principal component analysis； support vector machine

0 引 言

交通標(biāo)志識(shí)別是智能車(chē)輛道路環(huán)境信息感知的關(guān)鍵技術(shù)[1?2]，它涉及靜態(tài)和動(dòng)態(tài)的交通標(biāo)志識(shí)別，且包含圖像采集、圖像預(yù)處理、圖像特征提取、分類(lèi)識(shí)別等關(guān)鍵技術(shù)。隨著智能車(chē)輛技術(shù)的發(fā)展，基于視覺(jué)傳感的交通標(biāo)志識(shí)別技術(shù)越來(lái)越受到國(guó)內(nèi)外學(xué)者的追捧[3]。

目前，國(guó)內(nèi)外學(xué)者對(duì)交通標(biāo)志識(shí)別研究已經(jīng)取得一些成果，主要采用的方法有以下幾種：采用模板匹配交通標(biāo)志識(shí)別方法[4?5]，用兩幅圖相匹配尋找相似度進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率高，但兩幅圖像必須尺寸大小相同，且需要存儲(chǔ)的樣本圖像較多，計(jì)算量大，不能保證實(shí)時(shí)性要求；BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法[6]具有好的容錯(cuò)性及學(xué)習(xí)能力，但需要人為確定網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)初始權(quán)值和閾值、迭代次數(shù)，易造成過(guò)學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別算法[7?8]能識(shí)別旋轉(zhuǎn)、不同光照條件下的圖像，且準(zhǔn)確率高，但需要大量的訓(xùn)練樣本，需設(shè)置網(wǎng)絡(luò)層數(shù)、迭代次數(shù)，且訓(xùn)練網(wǎng)絡(luò)模型的時(shí)間較長(zhǎng)，不能保證實(shí)時(shí)性；HOG和支持向量機(jī)識(shí)別算法[9]能提高交通標(biāo)志識(shí)別準(zhǔn)確性，但實(shí)時(shí)性有待提升。

本文提出基于Gabor特征的PCA?SVM交通標(biāo)志識(shí)別方法，該方法首先采用Gabor濾波器提取交通標(biāo)志圖像特征向量，Gabor小波對(duì)圖像的邊緣敏感，對(duì)不同光照條件下的圖像有好的適應(yīng)性，采用PCA降維把高維特征向量投影到低維子空間中，降低矩陣維度，用支持向量機(jī)分類(lèi)識(shí)別。通過(guò)不同識(shí)別算法的對(duì)比試驗(yàn)，有效地驗(yàn)證本文算法的實(shí)時(shí)性和準(zhǔn)確率。

1 系統(tǒng)的整體框架

根據(jù)交通標(biāo)志顏色和形狀特征，以及每張圖像所包含的標(biāo)志字符，首先對(duì)樣本圖像進(jìn)行圖像預(yù)處理，消除外界環(huán)節(jié)因素及拍攝角度距離的影響；對(duì)預(yù)處理的圖像歸一化操作，統(tǒng)一圖像尺寸大小，方便特征提取和分類(lèi)識(shí)別；利用Gabor特征提取有效地提取交通標(biāo)志信息；采用主成分分析法（PCA）降維，生成的特征向量用支持向量機(jī)分類(lèi)和識(shí)別。系統(tǒng)流程如圖1所示。

2 交通標(biāo)志識(shí)別

2.1 圖像預(yù)處理

2.1.1 圖像灰度化

真彩色圖像灰度化處理能夠有效減少外界環(huán)境的影響，也利用了交通標(biāo)志的顏色特殊性，通過(guò)灰度化處理使圖像維度降低，方便了特征提取，其主要是針對(duì)R，G，B三顏色通道各分量進(jìn)行加權(quán)平均[10]得到最終的灰度值。其加權(quán)法公式為：

2.1.2 圖像增強(qiáng)

采用直方圖均衡化[11]進(jìn)行圖像增強(qiáng)，改變灰度圖像的像素為均勻分布，使圖像細(xì)節(jié)更為清晰，達(dá)到改善圖像對(duì)比度的目的。

2.1.3 尺寸歸一化

采集的交通標(biāo)志圖片易受拍攝角度、拍攝距離等因素影響，造成尺寸大小不一，嚴(yán)重影響了特征提取和分類(lèi)識(shí)別。采用雙線性插補(bǔ)運(yùn)算把交通標(biāo)志圖像大小統(tǒng)一調(diào)到36×36，再進(jìn)行特征提取和分類(lèi)識(shí)別。

2.2 特征提取

2.2.1 Gabor變換

Gabor變換在圖像處理、模式識(shí)別領(lǐng)域有廣泛應(yīng)用，在特征提取方面特別是局部空間和頻率域信息過(guò)程中都具有良好的特性。Gabor小波[12]對(duì)圖像的邊緣敏感，因此能提供良好的方向選擇和尺度選擇特性，另外對(duì)光照變化不敏感，對(duì)光照變化有好的適應(yīng)性。在空域，二維Gabor濾波器是一個(gè)帶通濾波器，其脈沖響應(yīng)函數(shù)為：

2.2.2 Gabor小波特征提取

根據(jù)Gabor小波變換原理對(duì)訓(xùn)練和測(cè)試樣本交通標(biāo)志圖像進(jìn)行特征提取，需要提取的特征圖片[Ix，y∈Rw×h]（其中[w，h]依次表示圖像像素的寬和高），將圖像5尺度8方向的Gabor濾波器進(jìn)行卷積，得到圖像的Gabor特征圖譜，根據(jù)實(shí)驗(yàn)用幅值作為Gabor特征向量。則：

式中[H（x，y）]表示卷積后的特征圖。將幅值圖譜劃分為4×4個(gè)互有重疊的區(qū)域塊，把采樣出來(lái)的區(qū)域塊的幅值通過(guò)加權(quán)后的平均值作為該區(qū)域塊輸出的特征向量，并把區(qū)域塊幅值串聯(lián)起來(lái)，作為Gabor濾波器的輸出向量。

2.3 主成分分析

PCA（Principal Components Analysis，主成分分析）[13]，核心思想是從交通標(biāo)志圖像大量的數(shù)據(jù)中提取出有效的數(shù)據(jù)信息，減少計(jì)算量，加快識(shí)別的速度，保證實(shí)時(shí)性要求。其實(shí)質(zhì)是能盡可能好地代表原特征的情況下，將原特征進(jìn)行線性變換，映射至低維空間中。其方法主要是求解協(xié)方差矩陣的特征向量與特征值，在生成的新坐標(biāo)系下，求樣本的一個(gè)最大線性無(wú)關(guān)組的特征值對(duì)應(yīng)的空間坐標(biāo)即可，保留主要成分，去除次要成分，以此降低數(shù)據(jù)維度，可用較少的數(shù)據(jù)擬合原數(shù)據(jù)。假設(shè)有[N]個(gè)樣本：[X=X1，X2，…，XN]，每個(gè)樣本維度為[d]維，[xi=xi1，xi2，…，xid∈Rd]，[i=1，2，…，N]，將每個(gè)樣本作為行向量，組成[N?d]矩陣[E]。

1） 樣本中心化

2） 協(xié)方差計(jì)算

3） 構(gòu)建模式矢量

2.4 SVM分類(lèi)

SVM根據(jù)統(tǒng)計(jì)學(xué)習(xí)提出新的機(jī)器學(xué)習(xí)方法，它是以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為基礎(chǔ)，通過(guò)選定一定的判別函數(shù)使機(jī)器學(xué)習(xí)的風(fēng)險(xiǎn)達(dá)到最小，保證選定訓(xùn)練樣本和測(cè)試樣本得到最小誤差的分類(lèi)器，尋找輸入變量和輸出變量的關(guān)系的一種近似估計(jì)，以較高的準(zhǔn)確率預(yù)測(cè)輸出變量的結(jié)果[14?15]。

輸入樣本的特征向量在SVM特征空間通過(guò)最優(yōu)分類(lèi)超平面，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，使不同類(lèi)樣本在特征空間間距最大，誤差最小，其訓(xùn)練流程如圖 2所示。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)采用GTSRB標(biāo)志庫(kù)的交通標(biāo)志圖片，共選定43類(lèi)3 500幅圖片，將樣本圖像灰度化，直方圖均衡化增強(qiáng)處理，并進(jìn)行歸一化。通過(guò)大量的實(shí)驗(yàn)表明，標(biāo)志圖像取36×36像素效果很好，將樣本集中的2 500幅交通標(biāo)志圖像作為訓(xùn)練集，用SVM分類(lèi)器訓(xùn)練它的模型，采用1 000幅交通標(biāo)志圖像作為測(cè)試集，測(cè)試SVM分類(lèi)器的識(shí)別率，原灰度圖像采用直方圖均衡化處理如圖4所示。

3.2 系統(tǒng)主界面

交通標(biāo)志識(shí)別系統(tǒng)的主界面是基于Matlab編譯下的GUI界面，主要包含輸入的原圖像、提取檢測(cè)的圖像和根據(jù)訓(xùn)練好的SVM分類(lèi)器進(jìn)行識(shí)別的圖像。通過(guò)輸入不同天氣條件下不同顏色、形狀的交通標(biāo)志圖像進(jìn)行實(shí)驗(yàn)研究，其實(shí)驗(yàn)結(jié)果如圖5，圖6所示。

由圖5和圖6的實(shí)驗(yàn)可知，輸入不同光照強(qiáng)度的紅色禁止和藍(lán)色指示交通標(biāo)志，通過(guò)檢測(cè)提取標(biāo)志區(qū)域，用該算法能準(zhǔn)確識(shí)別檢測(cè)出標(biāo)志并且在保證實(shí)時(shí)性的前提下，準(zhǔn)確率較高。

3.3 算法對(duì)比及分析

將本文提出的算法與文獻(xiàn)中的算法做對(duì)比，檢驗(yàn)算法的性能。文獻(xiàn)[6]提出HOG+SVM識(shí)別算法，文獻(xiàn)[4]提出BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法，分別基于Matlab平臺(tái)實(shí)驗(yàn)仿真驗(yàn)證其實(shí)驗(yàn)結(jié)果。各種算法的結(jié)果如表1所示。

綜合對(duì)比分析可知，在相同樣本集的測(cè)試下，本文算法對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分別進(jìn)行了主成分分析（PCA）降維處理，簡(jiǎn)化了模型的復(fù)雜度，從而有效縮減了識(shí)別時(shí)間，同時(shí)提高了識(shí)別準(zhǔn)確率。

4 結(jié) 論

本文提出一種基于Gabor和SVM的交通標(biāo)志識(shí)別方法，一方面針對(duì)不同環(huán)境條件下的交通標(biāo)志圖像采用灰度化、圖像增強(qiáng)、歸一化處理；另一方面為克服外界干擾，有效地提取交通標(biāo)志的輪廓特征，采用Gabor特征提取方法；為提高識(shí)別的實(shí)時(shí)性采用主成份分析法提取特征向量的關(guān)鍵信息，同時(shí)減小特征向量的維度，極大地縮減計(jì)算量，有效提高了識(shí)別速率；最后對(duì)樣本圖像采用SVM分類(lèi)器分類(lèi)識(shí)別，建立訓(xùn)練模型，輸入檢測(cè)后的圖像進(jìn)行識(shí)別。識(shí)別率明顯高于HOG和SVM的交通標(biāo)志識(shí)別方法。綜合分析可知，該方法具有實(shí)時(shí)性好、準(zhǔn)確率高的優(yōu)勢(shì)。因此，本文方法在今后還有很大的研究?jī)r(jià)值。

參考文獻(xiàn)

[1] MOGELMOSE A， TRIVEDI M M， MOESLUND T B. Vision?based traffic signs detection and analysis for intelligent driver assistance systems： perspectives and survey [J]. IEEE transactions on intelligent transportation systems， 2012， 13（4）： 1484?1497.

[2] 宋超，陳偉華.一種基于機(jī)器視覺(jué)的交通標(biāo)識(shí)符自動(dòng)識(shí)別方法[J].襄樊職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2011，10（2）：25?28.

SONG Chao， CHEN Weihua. An automatic identification method of traffic identifier based on machine vision [J]. Journal of Xiangfan Vocational and Technical College， 2011， 10（2）： 25?28.

[3] 宋文杰，付夢(mèng)印，楊毅.一種面向無(wú)人駕駛汽車(chē)的高效交通標(biāo)志識(shí)別方法[J].機(jī)器人，2015，37（1）：102?111.

SONG Wenjie， FU Mengyin， YANG Yi. An efficient traffic sign recognition method for driverless vehicles [J]. Robot， 2015， 37（1）： 102?111.

[4] 郝博聞，梁宇峰，李文強(qiáng)，等.基于顏色空間和模板匹配的交通標(biāo)志檢測(cè)方法[J].智能計(jì)算機(jī)與應(yīng)用，2016，6（4）：20?22.

HAO Bowen， LIANG Yufeng， LI Wenqiang， et al. Traffic sign detection methods based on color space and template matching [J]. Intelligent computer and application， 2016， 6（4）： 20?22.

[5] 馮春貴，祝詩(shī)平，王海軍，等.基于改進(jìn)模板匹配的限速標(biāo)志識(shí)別方法研究[J].西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，35（4）：167?172.

FENG Chungui， ZHU Shiping， WANG Haijun， et al. Identification methods of speed limiting markers based on improved template matching [J]. Journal of Southwest University （nature science）， 2013， 35（4）： 167?172.

[6] 楊斐，王坤明，馬欣，等.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器識(shí)別交通標(biāo)志[J].計(jì)算機(jī)工程，2003，29（10）：120?121.

YANG Fei， WANG Kunming， MA Xin， et al. Identification of traffic signs using BP neural network classifier [J]. Computer engineering， 2003， 29（10）： 120?121.

[7] KUMARSAHA S， CHAKRABORTY D， ALAMIN B. Neural network based sign recognition [J]. International journal of computer applications， 2013， 50（10）： 35?41.

[8] CIRESAN D， MEIER U， MASCI J， et al. Multicolumn deep neural network for traffic sign classification [J]. Neural networks， 2012， 32（2）： 333?338.

[9] 王雁，穆春陽(yáng)，馬行.基于顏色標(biāo)準(zhǔn)化模型和HOG特征的交通標(biāo)志檢測(cè)[J].軟件導(dǎo)刊，2015，14（3）：142?144.

WANG Yan， MU Chunyang， MA Xing. Traffic sign detection based on color standardization model and HOG feature [J]. Software guide， 2015， 14（3）： 142?144.

[10] SONG M L， TAO D P， CHEN C， et al. Color to gray： visual cue preservation [J]. IEEE transactions on pattern analysis and machine intelligence， 2010， 32（9）： 1537?1552.

[11] GONZALEZ R C. Digital image processing [M]. 2nd ed. Beijing： Publishing House of Electronics Industry， 2006.

[12] LIN Kezheng， XU Ying， ZHONG Yuan. Using 2DGabor va?lues and kernel fisher discriminant analysis for face recognition [C]// Proceedings of the 2nd International Conference on Information Science and Engineering. Hangzhou， China： IEEE， 2010： 7624?7627.

[13] WANG Xiaojie. Modular PCA based on within?class median for face recognition [C]// Proceedings of the 3rd IEEE International Conference on Computer Science and Information Technology. Chengdu， China： IEEE， 2010： 52?56.

[14] 何耀平，徐麗珍.自然場(chǎng)景下交通標(biāo)志的自動(dòng)識(shí)別算法[J].微計(jì)算機(jī)信息，2010，26（4）：161?163.

HE Yaoping， XU Lizhen. Automatic recognition algorithm of traffic signs in natural scenes [J]. Microcomputer information， 2010， 26（4）： 161?163.

[15] 陳興，賈銀山.基于支持向量機(jī)的交通標(biāo)志識(shí)別方法研究[J].科學(xué)技術(shù)與工程，2011，11（8）：1751?1754.

CHEN Xing， JIA Yinshan. Research on traffic sign recognition methods based on support vector machines [J]. Science， technology and engineering， 2011， 11（8）： 1751?1754.