一種基于PHOG特征的SVM的交通標(biāo)志識(shí)別方法

張麗艷　張偉　龍美芳

摘要：本文針對(duì)三種不同的交通標(biāo)識(shí)（直行、右拐和直行左拐）給出了一種基于SVM識(shí)別方法。該方法首先在分析訓(xùn)練集交通標(biāo)識(shí)圖片特點(diǎn)的基礎(chǔ)上，提取它們的PHOG特征向量并形成矩陣形式；然后提取測(cè)試集交通標(biāo)識(shí)的PHOG特征向量，最后對(duì)測(cè)試集利用SVM根據(jù)PHOG特征對(duì)圖像進(jìn)行識(shí)別；仿真結(jié)果驗(yàn)證了算法的有效性。

關(guān)鍵詞：交通標(biāo)識(shí)；塔式梯度直方圖； 支持向量機(jī)； 圖像分類

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）27-0230-02

1 概述

交通標(biāo)識(shí)識(shí)別技術(shù)是智能交通系統(tǒng)一個(gè)重要方面，而且對(duì)無人駕駛以及智能車輛的輔助駕駛系統(tǒng)發(fā)展有積極推動(dòng)作用[1]。常用的交通標(biāo)識(shí)識(shí)別方法主要有兩類：基于顏色方法和基于模板匹配的方法[2]?；陬伾姆椒▽?duì)交通標(biāo)志所處的外部環(huán)境要求高，且容易受噪聲影響；基于模板匹配的方法對(duì)惡劣環(huán)境下的識(shí)別有較好的效果，但是其魯棒性差[2]。機(jī)器學(xué)習(xí)則是利用從已知的數(shù)據(jù)樣本學(xué)習(xí)，根據(jù)某些特征通過某些特定的方法，來對(duì)未知的樣本數(shù)據(jù)進(jìn)行識(shí)別，做出正確判斷[3]?；谒教荻戎狈綀D（Pyramid Histogram of Oriented Gradients， PHOG）特征及支持向量機(jī)（Support Vector Machine，SVM）的交通標(biāo)識(shí)自動(dòng)識(shí)別方法就是一種機(jī)器學(xué)習(xí)方法，不同于基于顏色和模板匹配的方法，此方法[4]只需對(duì)圖像進(jìn)行特征提取，然后利用支持向量機(jī)對(duì)提取的特征進(jìn)行學(xué)習(xí)形成分類模型，再利用該模型對(duì)交通標(biāo)識(shí)圖像進(jìn)行識(shí)別判斷。

2 PHOG特征的SVM分類原理

本文的交通標(biāo)志識(shí)別分類算法主要包括訓(xùn)練和測(cè)試兩個(gè)過程。首先，根據(jù)要分類的交通標(biāo)識(shí)，建立訓(xùn)練圖像集合，然后對(duì)訓(xùn)練圖像集合的PHOG特征進(jìn)行提取。接著使用SVM對(duì)提取到訓(xùn)練圖像的PHOG特征做訓(xùn)練，構(gòu)成分類模型。最后輸入測(cè)試交通標(biāo)識(shí)圖像進(jìn)行測(cè)試，對(duì)測(cè)試圖像集合提取圖像的PHOG特征，使用訓(xùn)練過程中得到的分類模型提取得到的測(cè)試圖像PHOG特征對(duì)交通標(biāo)志圖像來去識(shí)別分類。

2.1 PHOG特征提取

對(duì)于PHOG來說，它其實(shí)是一個(gè)向量，這個(gè)向量是用來空間形狀的，使用PHOG的第一步就是要把圖像的邊緣輪廓提取出來，接下來就是把提取的圖像輪廓處理分層，在分層時(shí)，各個(gè)層都會(huì)把上一層的每一個(gè)小塊依照高和寬再等分成更小的塊，然后分別提取每一塊輪廓點(diǎn)的梯度方向直方圖，其圖像的形狀特征為金子塔[5-6]。正是因?yàn)镻HOG的分層提取和金字塔形狀特征的這些特點(diǎn)使得它抵抗旋轉(zhuǎn)和抵抗噪聲的性能都很強(qiáng)，基于PHOG的這些優(yōu)良的特性，現(xiàn)在已經(jīng)廣泛應(yīng)用于圖像的查詢檢索還有模式識(shí)別等[7]，而且效果比較優(yōu)秀和穩(wěn)固。當(dāng)圖像尺寸固定時(shí)，PHOG要計(jì)算的是不一樣尺度情況下的特征，然后把這些特征給拼連在一塊就得到了PHOG特征。

2.2 支持向量機(jī)

Vapnik等人在20世紀(jì)60年代提出了支持向量機(jī)的方法[8]，該方法能夠在樣本的數(shù)目不是很多的情況下達(dá)到比較滿意的分類效果。支持向量機(jī)方法是已經(jīng)知道了訓(xùn)練點(diǎn)的類別，進(jìn)而來求訓(xùn)練點(diǎn)和類別它們兩個(gè)之間相應(yīng)的聯(lián)系，可以把訓(xùn)練集按照類別區(qū)別開來，或者是預(yù)先估計(jì)新的訓(xùn)練點(diǎn)的相對(duì)應(yīng)類別[9]?？傮w上說可以把訓(xùn)練集區(qū)別為線性可分和非線性可分兩種。而支持向量機(jī)的主要作用，就是解決這些分類問題。

若支持向量機(jī)要解決的問題為非線性問題，可以把非線性問題簡(jiǎn)化成線性問題，該方法分兩步實(shí)現(xiàn)：第一步選用合適的函數(shù)把訓(xùn)練集進(jìn)行某種非線性變換，把非線性問題映射到高維的特征空間中去。第二步，對(duì)于高維特征空間，要在其中找出最優(yōu)的分類超平面，這個(gè)分類超平面其實(shí)是和最初的模式空間中的非線性分類面是相對(duì)應(yīng)的。

支持向量機(jī)在處理非線性問題時(shí)的非線性空間的映射步驟如下。假設(shè)該非線性映射如式（1）所示。

公式（2）的作用就是把問題從高維的非線性轉(zhuǎn)化為低維的線性。而這個(gè)轉(zhuǎn)化是經(jīng)過原來空間的函數(shù)內(nèi)積的運(yùn)算完成。所以依據(jù)泛函數(shù)的相關(guān)性理論來說，若要有某一空間的內(nèi)積與內(nèi)積函數(shù)相對(duì)應(yīng)，我們只需找出一種內(nèi)積函數(shù)[Kxi，xj]滿足Mercer定理就能夠在不增加計(jì)算難度的基礎(chǔ)上來實(shí)現(xiàn)。

總結(jié)來說，支持向量機(jī)其實(shí)就是一種求最優(yōu)分類面的算法，只不過是在經(jīng)過非線性空間變換之后，在變換之后的空間中去求這個(gè)最優(yōu)分類面。

3 本文算法仿真及結(jié)果分析

3.1 算法實(shí)現(xiàn)步驟

（1） 首先第一步要讀入交通標(biāo)識(shí)圖像樣本庫(kù)中用來訓(xùn)練的交通標(biāo)識(shí)圖像，即讀入每種交通標(biāo)識(shí)前5個(gè)圖像，接下來對(duì)讀入的交通標(biāo)識(shí)訓(xùn)練圖像進(jìn)行處理，也即提取訓(xùn)練圖像的PHOG特征。

（2） 接下來在上一步提取交通標(biāo)識(shí)訓(xùn)練圖像的PHOG特征后，要對(duì)這些訓(xùn)練圖像進(jìn)行設(shè)置圖像訓(xùn)練標(biāo)簽，設(shè)置完訓(xùn)練標(biāo)簽后，再對(duì)訓(xùn)練集圖像進(jìn)行訓(xùn)練。

（3） 在對(duì)訓(xùn)練集訓(xùn)練完之后，就要讀入交通標(biāo)識(shí)圖像樣本庫(kù)中用來測(cè)試的交通標(biāo)識(shí)圖像，即讀入每種交通標(biāo)識(shí)后10個(gè)圖像，接下來對(duì)讀入的交通標(biāo)識(shí)測(cè)試圖像進(jìn)行處理，也即提取測(cè)試圖像的PHOG特征。

（4） 這一步要對(duì)讀入的交通標(biāo)識(shí)測(cè)試圖像進(jìn)行設(shè)置圖像標(biāo)簽，設(shè)置完標(biāo)簽后再對(duì)測(cè)試圖像進(jìn)行測(cè)試。

（5） 在完成了測(cè)試圖像測(cè)試之后就可以得到分類準(zhǔn)確率。

3.2 仿真和結(jié)果分析

本文采用MATLAB對(duì)算法進(jìn)行仿真，同時(shí)要使用MATLAB的libsvm工具，實(shí)現(xiàn)圖像的分類，因此，首先要對(duì)MATLAB進(jìn)行l(wèi)ibsvm工具的配置。采用mex —setup語(yǔ)句實(shí)現(xiàn)配置操作。在MATLAB命令窗口鍵入mex —setup 命令后選擇合適的編譯環(huán)境后就可以對(duì)算法進(jìn)行仿真。

本文主要以直行左拐，直行和右拐的交通標(biāo)識(shí)圖像進(jìn)行仿真，使用的樣本庫(kù)如圖1所示。本文方法利提取phog特征向量，并利用SVM進(jìn)行分類實(shí)現(xiàn)不同交通標(biāo)識(shí)類別的區(qū)分。仿真結(jié)果如圖2所示。觀察仿真結(jié)果可以看出，所有的圖片全部分類準(zhǔn)確。

在仿真過程中，分別改變其中直方圖塊數(shù)，金字塔級(jí)數(shù)，感興趣區(qū)域，來測(cè)試參數(shù)對(duì)本文方法分類準(zhǔn)確性的影響。（1）只改變直方圖塊數(shù)。金字塔級(jí)數(shù)為1圖像像素為100*100。結(jié)果如表1所示。（2）只改變金字塔級(jí)數(shù)。直方圖塊數(shù)為20圖像像素為100*100。結(jié)果如表1所示。（3）只改變感興趣區(qū)域大小。直方圖塊數(shù)為20，金字塔級(jí)數(shù)為1。結(jié)果如表1所示。從表1可以看出，仿真條件直方圖塊數(shù)對(duì)分類影響不大。但總體來說直方圖的方向個(gè)數(shù)越多，分類越準(zhǔn)確。從金字塔級(jí)數(shù)的變化能夠發(fā)現(xiàn)，在對(duì)圖像特征提取的時(shí)候，進(jìn)行提取的圖像層數(shù)越多，其分類準(zhǔn)確率并不是越高。由圖像像素的改變可以看出，當(dāng)以中心部分圖像做特征提取時(shí)，分類準(zhǔn)確度更高一些。

4 總結(jié)

本文方法成功對(duì)直行左拐、直行和右拐三種交通標(biāo)識(shí)進(jìn)行了分類，同時(shí)也給出了不同仿真條件對(duì)圖像分類準(zhǔn)確性的影響。仿真結(jié)果驗(yàn)證了本文算法的有效性。

參考文獻(xiàn)：

[1] 常盧峰.車載輔助系統(tǒng)中交通標(biāo)志檢測(cè)與識(shí)別技術(shù)研究[D].湖南：中南大學(xué)，2010.

[2] 李海峰.交通標(biāo)志檢測(cè)與識(shí)別算法研究[D].上海：應(yīng)用技術(shù)大學(xué)，2016.

[3] 敬斌.基于機(jī)器視覺的交通標(biāo)志檢測(cè)與識(shí)別算法研究[D].浙江：電子科技大學(xué)，2015.

[4] 劉華煜.基于支持向量機(jī)的機(jī)器學(xué)習(xí)研究[D].黑龍：大慶石油學(xué)院，2005.

[5] 魯寒凝.基于HOG特征的交通標(biāo)志檢測(cè)與識(shí)別算法研究[D].陜西：長(zhǎng)安大學(xué)，2015.

[6] 賈世杰，郜瑞芹.基于PHOG特征及支持向量機(jī)的彎道自動(dòng)檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì).2014（7）：2531-2535.

[7] 劉芳宇.自主車交通標(biāo)志檢測(cè)與識(shí)別方法研究[D].北京：北京理工大學(xué)，2015.

[8] Vapnik V， Chervonenkis A. The Necessary and Sufficient Conditions for Consistency in the Empirical Risk Minimization Methon[J].Pattern Recognition and Image Analysis，1991，1（3）：283-305.

[9] 黃翠.交通標(biāo)志檢測(cè)與識(shí)別算法研究[D].山東：山東大學(xué)，2014. [通聯(lián)編輯：光文玲]