Hu和PHOG特征融合的路面標(biāo)志識別方法

張麗艷，張偉，龍美芳,劉鑫

(大連交通大學(xué) 電氣信息工程學(xué)院，遼寧 大連 116028)*

交通標(biāo)志識別是無人駕駛領(lǐng)域的關(guān)鍵技術(shù)之一.如何及時(shí)準(zhǔn)確的識別出路面標(biāo)志是該領(lǐng)域研究的重點(diǎn).Huang[1]等人提取交通標(biāo)志的HOG特征，使用機(jī)器學(xué)習(xí)算法識別交通標(biāo)志，縮短了識別的時(shí)間.Keren Fu[2]將交通標(biāo)志形狀特征和超像素的距離圖相融合的方式識別交通標(biāo)志，識別的效果得到了改善.Yuan[3]等提取交通標(biāo)志的全局顏色特征和局部邊緣特征，再選取SVM分類器識別，識別效果較好.M.K.Hu[4]在1961年提出了不變矩的概念，是一種提取灰度圖像特征的方法，后來在交通標(biāo)志識別方面得到了較好的應(yīng)用.本文將HOG特征與不變矩特征相互結(jié)合給出了一種路面標(biāo)志識別的方法.

1 交通標(biāo)志識別原理

路面交通標(biāo)志的分類識別流程[5-10]分為兩大部分，即訓(xùn)練部分及測試部分.訓(xùn)練樣本是訓(xùn)練圖像的特征數(shù)據(jù)，對圖像特征提取時(shí)通過實(shí)驗(yàn)來選擇特征提取的算法.通過使用測試集對訓(xùn)練的識別模型進(jìn)行測試來調(diào)整分類器的參數(shù)，構(gòu)建優(yōu)良的分類器系統(tǒng).路面交通標(biāo)志識別原理框圖如圖1所示.

圖1 基于支持向量機(jī)的路面交通標(biāo)志識別原理框圖

2 Hu不變矩與PHOG融合的特征提取

2.1 Hu不變矩

M.K.Hu[4]在1961年提出了不變矩的概念，并在此不變矩的基礎(chǔ)上構(gòu)造了7個(gè)不變矩，被稱為Hu不變矩，主要是利用二階和三階的歸一化中心矩導(dǎo)出了如式(1)～式(7)的七個(gè)不變矩組(Φ1～Φ7)，它們在圖像平移、旋轉(zhuǎn)和比例變化時(shí)保持不變.

Φ1=η20+η02

(1)

Φ2=(η20-η02)2+4η112

(2)

Φ3=(η20-3η12)2+3(η21-η03)2

(3)

Φ4=(η30+η12)2+(η21+η03)2

(4)

(5)

(6)

(7)

Hu不變矩具有平移、灰度、尺度、旋轉(zhuǎn)不變性，是一種高度濃縮的圖像特征.但由于七個(gè)不變矩的變化范圍很大且可能出現(xiàn)負(fù)值的情況，所以本文選擇對七個(gè)Hu不變矩進(jìn)行取對數(shù)運(yùn)算，如式(8)所示.

Hk=lg10|Φk|(k=1,2,…,7)

(8)

提取路面交通標(biāo)志圖像的H1～H7作為路面交通標(biāo)志的Hu不變矩特征值.

2.2 PHOG特征

PHOG是分層的梯度方向直方圖(Pyramid Histogram of Oriented Gradients,PHOG)，也稱為金字塔方向梯度直方圖，是在HOG特征的基礎(chǔ)上發(fā)展起來的，對圖像局部區(qū)域的梯度方向的一種描述.HOG相較于其他的特征描述方式有很多優(yōu)越性.首先，HOG操作的部位為圖像的局部方格單元，所以圖像光學(xué)形變和幾何形變不變性保持良好.其次，在方向較精細(xì)的抽樣和較強(qiáng)的局部光學(xué)歸一化等條件下對圖像特征的檢測效果較優(yōu)良.HOG特征提取算法的實(shí)現(xiàn)流程和示例如圖2所示.

特征向量f={x1,x2,……,xn}

PHOG特征[10-11]的提取是在HOG特征基礎(chǔ)上將圖像尺寸固定，對圖片進(jìn)行不同尺度的劃分：第一層，只有1個(gè)區(qū)域；第二層：分為2*2個(gè)區(qū)域；第三層：分為4*4個(gè)區(qū)域;……在同一劃分尺度圖里面，每個(gè)區(qū)域算出一個(gè)HOG特征，按順序進(jìn)行拼接，得到當(dāng)前尺度圖的HOG特征.把所有尺度圖的HOG特征進(jìn)行拼接，就得到整個(gè)圖像空間尺度金字塔的PHOG特征.當(dāng)把不同尺度上得到的HOG連接起來時(shí)，要把其歸一化.因?yàn)樾〕叨戎械腍OG任意一維的數(shù)值很可能比大尺度中任意一維的數(shù)值大很多.PHOG相對于HOG可以檢測到圖像不同尺度的特征，表達(dá)能力更強(qiáng)，有較強(qiáng)的抗噪性能和一定的抗旋轉(zhuǎn)能力.

2.3 Hu不變矩與PHOG融合的特征

Hu不變矩特征是對圖像的高度濃縮，所以Hu不變矩可以快速的獲取目標(biāo)的大致輪廓特征，但是對圖像局部的，細(xì)節(jié)的地方描述的不夠好.PHOG是對圖像局部區(qū)域的梯度方向的一種描述，是方向較精細(xì)的抽樣.由此可以看出可以把兩種特征提取算法進(jìn)行組合，從而利用組合的特征對圖像的特征進(jìn)行描述.因PHOG提取到的特征向量維數(shù)越大，對圖像的描述性越好，但圖像特征的提取時(shí)間也增加了，且提取的特征向量維數(shù)越大圖像信息會有冗余，識別準(zhǔn)確率反而降低.所以本文提出將Hu不變矩特征和低維的PHOG特征相融合的特征提取算法，融合后的特征中的Hu不變特征可以快速的提取圖像的大致形狀特征，然后用低維的PHOG特征用來對圖像細(xì)節(jié)特征進(jìn)行補(bǔ)充.期望用得到的融合特征[Hu+PHOG]提取圖像特征時(shí)，既能很好的對圖像進(jìn)行描述，又能保證特征提取的實(shí)時(shí)性.

3 本文算法仿真

本文算法仿真的軟件環(huán)境是Matlab R2014a, 電腦配置為：Inter(R)Core(TM)i5-2450M CPU 2.50 GHz,內(nèi)存為4.00 GB.對融合特征[Hu+PHOG]進(jìn)行路面標(biāo)識識別，采用的的多分類支持向量機(jī)的核函數(shù)是LibSVM中高斯核函數(shù)，懲罰因子C為1進(jìn)行仿真.仿真的實(shí)驗(yàn)樣本采用正常光照下車載攝像頭拍攝的視頻幀中獲得的的交通標(biāo)志為750幅目標(biāo)圖像，其中有菱形減速標(biāo)志、人行橫道標(biāo)志、右拐標(biāo)志、直行及右拐標(biāo)志和直行標(biāo)志5種，每種圖像各150幅，其中100張用來訓(xùn)練，另外50幅用來測試.本文采用不同維數(shù)的Hu不變矩特征和不同維數(shù)的PHOG特征串聯(lián)成融合特征[Hu+PHOG]維數(shù)據(jù).為了對融合特征對路面交通標(biāo)志目標(biāo)圖像的提取效果進(jìn)行衡量，引入測試集樣本識別準(zhǔn)確率R和識別時(shí)間T.其中測試集樣本識別準(zhǔn)確率R的表達(dá)式(9)所示.

(9)

式中，m表示測試集樣本中五種路面交通標(biāo)志中被正確識別數(shù)量，M為總的測試樣本數(shù)量，本實(shí)驗(yàn)中M值為250.識別時(shí)間T為從750幅樣本集中第一幅圖像輸入開始，到得到識別準(zhǔn)確率為止.

仿真結(jié)果如表1所示.

表1 三種特征提取路面交通標(biāo)識識別結(jié)果

由表1可知，隨著支持向量機(jī)中的特征維數(shù)變大，識別時(shí)間增加，表中的識別時(shí)間是識別250幅圖像的時(shí)間和.而識別率逐漸提高，但是當(dāng)維數(shù)過大時(shí)又出現(xiàn)了識別率的下降，因?yàn)閷τ谔卣骶S數(shù)本文考慮識別率和識別時(shí)間選取了22維，即7維的Hu不變矩和15維的PHOG特征.因?yàn)橹С窒蛄繑?shù)目即特征維數(shù)越小，算法復(fù)雜程度越小，進(jìn)行訓(xùn)練和檢測的運(yùn)算量越小，反之亦然.所以在本文算法中將支持向量的數(shù)目作為SVM的性能指標(biāo)來衡量特征維數(shù)對識別效果的影響.識別錯(cuò)誤的標(biāo)志主要是因?yàn)橛捎谀p導(dǎo)致路面交通標(biāo)志模糊所致.對于這種標(biāo)志可以采用預(yù)處理的方式提高標(biāo)志邊緣特征，從而提高整體算法的識別率.

4 結(jié)論

本文給出了一種融合特征的路面交通標(biāo)志識別方法，該方法的識別率可以滿足實(shí)際應(yīng)用需要，此外，該方法的識別時(shí)間也可以滿足實(shí)時(shí)識別的性能要求.因此本文方法具有實(shí)際應(yīng)用的價(jià)值.