夜間環(huán)境下交通標(biāo)志的識(shí)別技術(shù)研究

呂禾豐，陸華才，高文根

(安徽工程大學(xué) 電氣傳動(dòng)與控制安徽普通高校重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000)

在經(jīng)濟(jì)發(fā)展迅速的今天，汽車給人們帶來(lái)了巨大的便利。自動(dòng)駕駛，輔助駕駛等技術(shù)逐漸進(jìn)入人們的視野，而交通標(biāo)志在駕駛過(guò)程中有著重要的地位，它關(guān)系到了駕駛過(guò)程中的安全問(wèn)題，所以想要發(fā)展輔助駕駛等技術(shù)就必須先解決交通標(biāo)志的識(shí)別問(wèn)題。但對(duì)交通標(biāo)志的識(shí)別過(guò)程中會(huì)有多種因素的干擾[1-4]。

在對(duì)不同環(huán)境中交通標(biāo)志檢測(cè)識(shí)別的研究中舒維安[5]通過(guò)采用一種處理交通標(biāo)志顏色的概率模型，再結(jié)合最大穩(wěn)定極值區(qū)域分割算法進(jìn)行分割完成對(duì)復(fù)雜情況的交通標(biāo)志識(shí)別。黎家超[6]通過(guò)Retinex理論的去霧算法以及RGB差值法對(duì)圖像處理實(shí)現(xiàn)了對(duì)有霧情況下交通標(biāo)志的識(shí)別。孫朝陽(yáng)[7]通過(guò)研究“黑暗通道法”以及在YIQ顏色空間內(nèi)進(jìn)行色彩分割對(duì)圖像去模糊、去霧。雖然對(duì)不同環(huán)境下的交通標(biāo)志的檢測(cè)識(shí)別率有了明顯的提升，但是目前多數(shù)研究都是針對(duì)白天的交通標(biāo)志識(shí)別的研究。白天與夜晚的識(shí)別是有所不同的，夜晚因?yàn)楣饩€不足等問(wèn)題導(dǎo)致對(duì)交通標(biāo)志的檢測(cè)難度大大增加。因此針對(duì)這種情況提出一種改進(jìn)限制對(duì)比度自適應(yīng)直方圖均衡算法的夜間交通標(biāo)志檢測(cè)識(shí)別技術(shù)。圖1為提出算法的流程圖。首先使用改進(jìn)的限制對(duì)比度自適應(yīng)直方圖均衡的方法對(duì)采集到的夜間的圖像進(jìn)行預(yù)處理，提高夜間圖像的亮度和對(duì)比度，然后通過(guò)色彩空間分割對(duì)圖像中的交通標(biāo)志進(jìn)行定位，最后通過(guò)支持向量機(jī)對(duì)采集的樣本識(shí)別分類建立訓(xùn)練模型從而完成對(duì)交通標(biāo)志的識(shí)別。

圖1 本文算法流程圖

1 圖像預(yù)處理

傳統(tǒng)提升圖像對(duì)比度算法直方圖均衡化算法(HE)通過(guò)變換圖像的直方圖使其均勻分布來(lái)達(dá)到提高對(duì)比度的效果。但是HE算法使用變換函數(shù)是對(duì)圖像直方圖整體進(jìn)行調(diào)整，無(wú)法對(duì)局部對(duì)比度進(jìn)行有效提高，并且有可能使圖像中明亮部分或者較暗部分的細(xì)節(jié)丟失，因此HE算法只適用于少量場(chǎng)合。改進(jìn)后的自適應(yīng)直方圖均衡化算法先將圖像平均分成多個(gè)部分，再對(duì)每個(gè)部分進(jìn)行直方圖均衡化。這種方法雖然可以對(duì)圖像局部的對(duì)比度進(jìn)行調(diào)整，但是可能會(huì)使圖像某些部分的對(duì)比度增加過(guò)大從而放大噪音。所以采用限制對(duì)比度自適應(yīng)直方圖均衡(CLAHE)算法[8-10]來(lái)提升圖像的對(duì)比度。但CLAHE算法只能有效提升圖像的對(duì)比度，在調(diào)整圖像亮度方面效果并不理想。所以采用在CLAHE算法中加入伽馬校正的方法對(duì)CLAHE算法進(jìn)行改進(jìn)。

1.1 伽馬校正

理想的顯示系統(tǒng)、采像設(shè)備與輸入的視頻信號(hào)(真實(shí)的圖像信息)成正比，但顯示系統(tǒng)或采像設(shè)備存在一個(gè)硬件特性指數(shù)，這個(gè)硬件特性指數(shù)會(huì)讓輸出圖像與原圖像之間產(chǎn)生非線性失真。所以為了使輸出圖像有更合適的亮度且更加真實(shí)，通?？梢詫?duì)原始圖像進(jìn)行一次預(yù)補(bǔ)償，讓原始真實(shí)圖像產(chǎn)生與硬件特性指數(shù)相反的反向失真，將產(chǎn)生反向失真后的圖像再輸出到顯示系統(tǒng)顯示則可以達(dá)到線性輸出的目的，這一過(guò)程稱為伽馬矯正[11-12]。伽馬校正的公式如式(1)所示。

f=Iγ

(1)

式中γ為硬件特征指數(shù)。當(dāng)γ<1時(shí)灰度值較低的部分圖像對(duì)比度增加，在灰度值較高部分圖像對(duì)比度降低，同時(shí)整個(gè)圖像的灰度值會(huì)增大。所以對(duì)γ<1的情況適用于調(diào)整偏暗圖像的亮度。當(dāng)γ>1時(shí)圖像灰度值較低的部分對(duì)比度降低，灰度值較高部分對(duì)比度增加，與此同時(shí)整個(gè)圖像的灰度值減小，圖像的各個(gè)部分亮度降低。所以對(duì)于γ>1的情況適用于光照過(guò)強(qiáng)時(shí)降低圖像的亮度。

綜上所述本文選擇γ=0.5調(diào)整夜間的交通標(biāo)志圖像的亮度，通過(guò)伽馬校正的圖像如圖2所示。

(a)原圖 (b)伽馬校正圖2 原圖與伽馬校正圖像

從圖2中可以看出使用伽馬校正提高了圖像的亮度。

1.2 改進(jìn)CLAHE算法

CLAHE算法通過(guò)限制圖像灰度直方圖的幅度達(dá)到限制對(duì)比度的目的，再通過(guò)引入線性插值的方法降低了算法的計(jì)算量，減少了算法的耗時(shí)。經(jīng)過(guò)伽馬校正調(diào)整之后的圖像明顯提高了較暗區(qū)域的亮度。所以在CLAHE算法中加入伽馬校正后再進(jìn)行圖像預(yù)處理可以有效減輕夜間光照不足而造成的影響。進(jìn)一步提高對(duì)夜間交通標(biāo)志的檢測(cè)與識(shí)別的準(zhǔn)確率及精度，圖3是改進(jìn)CLAHE算法處理后的夜間交通標(biāo)志的圖像?？梢钥闯鰣D像整體的亮度以及對(duì)比度明顯提高，適合進(jìn)行下一步的交通標(biāo)志檢測(cè)定位處理。

圖3 改進(jìn)CLAHE處理后圖像

2 HSV色彩空間分割定位

為了能更好的對(duì)交通標(biāo)志進(jìn)行識(shí)別需要先對(duì)圖像中的交通標(biāo)志進(jìn)行定位。交通標(biāo)志作為交通警示提示標(biāo)志具有較為統(tǒng)一的顏色。根據(jù)交通標(biāo)志的分類大致分為黃色的警告標(biāo)志，紅色的禁令標(biāo)志和藍(lán)色的指示標(biāo)志。因此可以采用色彩空間的方法對(duì)交通標(biāo)志進(jìn)行分割，去除不感興趣的部分，提高對(duì)圖像中的交通標(biāo)志的定位，從而提高識(shí)別的精度。

所謂色彩空間就是一種數(shù)字化的立體模型，通過(guò)數(shù)學(xué)的方法去描述一個(gè)顏色。傳統(tǒng)的RGB色彩空間以紅黃藍(lán)三種原色為基礎(chǔ)，進(jìn)行相互疊加就可以產(chǎn)生其他各種顏色[13]。而在圖像分割時(shí)RGB空間會(huì)丟失圖像的色彩信息，HSV空間則可以充分利用圖像顏色的特點(diǎn)。HSV三個(gè)字母中H代表色調(diào)，S代表飽和度，V代表亮度。HSV色彩空間模型通常表示為一種六角的錐體形狀，HSV中色調(diào)是通過(guò)角度來(lái)表示，它描述的是色彩的信息，代表了色彩在光譜中所處的位置，可以更加直觀的對(duì)顏色進(jìn)行描述。所以在使用色彩空間對(duì)夜間交通標(biāo)志圖像定位時(shí)先將RGB空間轉(zhuǎn)換為HSV空間，再完成對(duì)交通標(biāo)志的顏色分割。RGB空間轉(zhuǎn)換為HSV空間的公式如式(2)、式(3)、式(4)所示。

V=max(R,G,B)

(2)

(3)

(4)

根據(jù)HSV色彩空間的顏色閾值分布，交通標(biāo)志對(duì)應(yīng)的黃、紅、藍(lán)三色對(duì)應(yīng)的區(qū)間如下所示。

黃：min[26,43,46]，max[34,255,255]；

紅：min1[156,43,46]，max1[180,255,255]，

min2[0,43,46]，max2[10,255,255]；

藍(lán)：min[100,43,46]，max[124,255,255]

圖4為經(jīng)過(guò)HSV空間分割的圖像。

圖4 HSV色彩空間分割圖像

經(jīng)過(guò)HSV色彩空間分割后的二值圖像中已經(jīng)可以看出交通標(biāo)志的輪廓，但是圖像中仍有噪點(diǎn)會(huì)影響對(duì)交通標(biāo)志的定位，因此需要對(duì)圖像進(jìn)行形態(tài)學(xué)操作處理[14]。先對(duì)圖像進(jìn)行開(kāi)操作去除圖像中的小的干擾塊，再對(duì)圖像進(jìn)行閉操作填充圖像中閉合區(qū)域。經(jīng)過(guò)開(kāi)閉操作的圖像如圖5所示。

圖5 開(kāi)閉操作圖像

開(kāi)閉操作之后的圖像已經(jīng)可以看出交通標(biāo)志的輪廓，而且噪音也被很好的去除了。再對(duì)圖像中感興趣的區(qū)域進(jìn)行選擇完成對(duì)交通標(biāo)志的定位[16-17]，如圖6所示。

圖6 交通標(biāo)志檢測(cè)結(jié)果

3 SVM支持向量機(jī)

本文采用HOG+SVM支持向量機(jī)對(duì)交通標(biāo)志進(jìn)行分類識(shí)別[18-20]。通過(guò)SVM對(duì)訓(xùn)練集樣本中利用HOG提取的特征進(jìn)行訓(xùn)練分類得到模型與測(cè)試集匹配完成交通標(biāo)志的識(shí)別過(guò)程。

SVM本質(zhì)上是在空間中求出一個(gè)最優(yōu)解作為界限將樣本分類隔開(kāi)，從而使測(cè)試樣本與訓(xùn)練樣本之間的誤差達(dá)到最小，得到最優(yōu)分類。

式(5)為計(jì)算虛線之間最大幾何分類間隙公式。

(5)

在實(shí)際情況下幾乎不存在完全線性可分的數(shù)據(jù)。所以就需要允許某些點(diǎn)的不滿足條件在分類器中加入松弛變量。引入表示樣本不滿足約束的程度的松弛變量，相應(yīng)的需要增加一個(gè)懲罰因子C，C值越大對(duì)分類的懲罰越大。式(6)為用拉格朗日乘子法得到的拉格朗日函數(shù)。

(6)

(7)

式(7)為化簡(jiǎn)后的函數(shù)由此可得最優(yōu)解。當(dāng)輸入為非線性時(shí)需要對(duì)新的空間進(jìn)行映射，此時(shí)引入核函數(shù)如式(8)所示。

k(a,b)=(a·b+1)2=φ(a)·φ(b)

(8)

用核函數(shù)代替內(nèi)積，可以得到分類函數(shù)如式(9)所示。

(9)

進(jìn)而實(shí)現(xiàn)在輸入為非線性時(shí)對(duì)輸入的分類。

4 實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證本文提出的夜間交通標(biāo)志識(shí)別技術(shù)的效果還需進(jìn)行實(shí)驗(yàn)驗(yàn)證。本次實(shí)驗(yàn)使用的硬件設(shè)備是2.9GHz的Intel i5-9400CPU計(jì)算機(jī)，程序調(diào)試環(huán)境為Windows10操作系統(tǒng)下的Pycharm平臺(tái)，使用Python語(yǔ)言完成。

實(shí)驗(yàn)將采集到的1200張樣本圖片裁剪出目標(biāo)區(qū)域作為SVM分類的正樣本，同時(shí)裁剪出其他的區(qū)域作為負(fù)樣本。為避免訓(xùn)練樣本不足，通過(guò)將樣本圖片翻轉(zhuǎn)、鏡像、剪裁等方法擴(kuò)充數(shù)據(jù)集，通過(guò)SVM訓(xùn)練出模型。再采集400張夜間圖片作為測(cè)試集，用來(lái)測(cè)試本文算法對(duì)于夜間圖片的識(shí)別率。實(shí)驗(yàn)的最終結(jié)果如圖7所示。

(a)原圖 (b)識(shí)別結(jié)果圖7 交通標(biāo)志識(shí)別結(jié)果

對(duì)比原圖不難看出本文設(shè)計(jì)夜間交通標(biāo)志識(shí)別技術(shù)對(duì)交通標(biāo)志的識(shí)別效果很好。

經(jīng)試驗(yàn)對(duì)算法測(cè)試情況如表1所示，本次實(shí)驗(yàn)的訓(xùn)練集中總共有五類交通標(biāo)志，分別是人行橫道，禁停標(biāo)志，禁止鳴笛，限速標(biāo)志和前方慢行。同樣測(cè)試集也由這五類構(gòu)成。

表1中檢測(cè)率為檢測(cè)出圖像中含有交通標(biāo)志的概率，識(shí)別率為識(shí)別檢測(cè)出的交通標(biāo)志的成功率?？梢钥闯霰疚乃惴▽?duì)夜間交通標(biāo)志的識(shí)別有著較高的準(zhǔn)確率，在光線不足的情況下仍然可以較為準(zhǔn)確的識(shí)別出圖像中的交通標(biāo)志。

表1 本文算法測(cè)試結(jié)果

5 結(jié)論

本文提出了通過(guò)改進(jìn)CLAHE算法來(lái)對(duì)夜間交通標(biāo)志的識(shí)別方法。首先對(duì)夜間交通標(biāo)志圖像進(jìn)行預(yù)處理，通過(guò)在CLAHE算法中加入伽馬校正的方法對(duì)夜間圖像中的深色部分以及淺色部分進(jìn)行檢測(cè)，使兩部分的比例增大提高夜間圖像的亮度以及對(duì)比度，減少夜間光照不足對(duì)交通標(biāo)志檢測(cè)識(shí)別帶來(lái)的影響。然后對(duì)經(jīng)過(guò)預(yù)處理后的圖像進(jìn)行HSV色彩空間分割，提取出感興趣的區(qū)域完成交通標(biāo)志的檢測(cè)。最后通過(guò)與支持向量機(jī)訓(xùn)練得到的模型進(jìn)行匹配，完成對(duì)檢測(cè)出的交通標(biāo)志的識(shí)別。實(shí)驗(yàn)結(jié)果表明經(jīng)過(guò)改進(jìn)CLAHE算法處理的夜間交通標(biāo)志圖像大大減少了夜間光照不足因素的干擾并且可以很好被檢測(cè)識(shí)別出，因此，本文方法對(duì)以后夜間的交通標(biāo)志檢測(cè)識(shí)別有著一定的研究?jī)r(jià)值。但是由于本文采用的是傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)交通標(biāo)志進(jìn)行識(shí)別，所以可識(shí)別的交通標(biāo)志類別較少，在后續(xù)的試驗(yàn)中可使用深度學(xué)習(xí)的算法訓(xùn)練更龐大的數(shù)據(jù)集，完成更多類別的交通標(biāo)志識(shí)別。