張金朋，方千山

　　（華僑大學 機電工程及自動化學院，福建 廈門 361021）

　　摘  要： 交通標志的顏色特征和形狀特征是其最主要的兩個特征，為提高檢測的準確性和魯棒性，提出顏色分割和形狀特征相結合的方法。利用交通標志的顏色特征，采用基于HSV空間的顏色分割方法，獲得圖像中可能包含交通標志的區域，并提取該區域。根據交通標志的形狀特點，利用canny算子獲取提取區域的輪廓。然后，采用基于標記的形狀檢測算法判定所分割區域的形狀，利用方向梯度直方圖特征結合支持向量機（SVM）方法完成交通標志識別。經實驗測試，該方法對圖片視點變換、尺度變換以及亮度變換等情況具有很強的魯棒性。

　　關鍵詞： 交通標志檢測；顏色分割；形狀檢測；HOG特征；SVM

0 引言

　　交通標志檢測是智能交通系統的重要組成部分，對智能駕駛以及輔助駕駛都具有重要意義。經過各國研究人員的長期探索，交通標志檢測和識別技術取得了很大進展，但是仍存在許多問題，主要包括：（1）交通標志在自然條件下采集，易受光照、天氣及背景圖像等干擾；（2）交通標志種類繁多，且易受污損、變形和遮擋。

　　針對交通標志的特點和各種干擾因素，國內外學者提出許多方法和理論，黃志勇等人提出顏色分割方法[1]；Garcia-Garrido提出基于形狀的檢測方法[2]；Khan J F提出圖像分割結合形狀特征匹配的方法[3]；King Hann Lim等人提出利用顏色直方圖特征結合形狀特征，利用RBF神經網絡分類識別方法[4]。采用RGB空間的分割方法受光照影響較大，容易失真，為了抑制光照變化的影響，采用基于HSV空間的分割方法，H分量、S分量與V分量關聯性小，魯棒性強[5]。基于形狀特征的檢測方法易受外界干擾，當出現交通標志破損、變形或者被遮擋時，將會出現魯棒性差的問題。交通標志的識別方法，其基本思想是獲得目標特征，通過識別算法進行識別，目標特征主要有：SIFT（尺度不變特征變換）、HOG（梯度方向直方圖）、SURF（角點檢測）、LBP（局域二值模式），識別算法主要有：神經網絡算法、支持向量機算法、遺傳算法、模板匹配等。本文通過HSV顏色空間分割結合形狀特征檢測的方法提取出圖像中交通標志，由于HOG特征是在圖像的局部方格單元上操作得到，能夠對圖像的幾何和光學的形變保持很好的不變性，因此利用目標的HOG特征結合SVM分類器能夠實現交通標志檢測。實驗結果表明該方法具有較好的魯棒性。

1 顏色分割

　　由于顏色是交通標志的重要特征，所以通過顏色分割可以快速實現交通標志的粗分割、定位包含交通標志的區域，從而提高檢測效率。本文采用基于HSV空間的分割方法，將輸入圖像從RGB空間轉換到HSV空間。

　　根據三基色原理，設（r，g，b）分別是某一種顏色的紅、綠和藍坐標值，且是區間[0，1]內的實數，設max等于r，g和b中的最大值，min等于這些值中的最小值，RGB到HSV空間轉換公式[5]為：

　　（h，s，v）是（r，g，b）在HSV空間對應的坐標值，色相角h∈[0，360°），飽和度與亮度s，v∈[0，1]。

　　為滿足圖像分割實時性要求，本文采用閾值分割的方法[6]。首先將輸入的RGB圖像轉換為HSV圖像，提取圖像的H通道、S通道和V通道，對三個通道進行閾值分割，分割后得到二值圖像。三通道閾值范圍經實驗測試如表1所示，實驗結果表明該方法具有較好的分割效果，能夠分割出所需區域。

2 連通區域標記

　　HSV閾值分割后的二值圖像中存在許多干擾噪聲，首先需要去除圖像中噪聲，采用3×3窗口進行中值濾波以去除孤立噪聲點；然后，利用形態學開運算操作（腐蝕與膨脹）可以去除大量不相關區域并且不破壞感興趣區域；最后對二值圖像進行填充并采用連通區域標記的方法把不同物體分開。

　　連通區域標記是把圖像中連接在一起的像素附上相同標記，未連接在一起的像素附上不同標記的過程[7]。本文使用八連通區域標記方法對二值圖像進行標記，并統計出各個標記區域的面積、寬度和高度。設定區域面積閾值為1 000，同時設定區域寬高比閾值范圍在之間，若標記區域像素面積大于1 000且寬高比在之間則認為包含交通標志區域。圖1是分割處理結果。

　　圖1（a）是拍攝的原始圖像，（b）圖是顏色分割后圖像，（c）圖是中值濾波和腐蝕、膨脹處理后圖像，（d）圖是將（c）圖填充并用連通區域標記算法提取出的感興趣區域圖像。可以看出，包含交通標志的區域被分割出來，并且沒有破壞其形狀與面積，使用連通域標記的方法可以獲得較好的效果。雖然經過顏色特征分割得到包含交通標志的區域，但是實際道路環境中存在許多干擾，例如廣告牌等，因此要通過形狀特征進一步判斷所得區域是否為交通標志區域。

　　3 形狀檢測

　　為判定上一步分割得到的交通標志區域的形狀，本文利用多邊形的兩個不變特征進行檢測：

　　（1）特定多邊形邊數不變；

　　（2）多邊形的圓形度。

　　交通標志的形狀主要為圓形、矩形、三角形，表2、表3、表4中分別表示圓形、三角形、矩形的特征屬性。定義多邊形的圓形度，P表示周長，A表示面積。

　　3.1 邊數計算

　　首先計算出多邊形中心點坐標并轉化為極坐標形式，用x′表示邊上各點到中心點的相對距離，x′的變化對應極坐標下角度與半徑ρ的變化。繪制ρ曲線圖，由圖中峰值個數可判斷多邊形邊的個數，如表2~表4所示。

　　具體步驟為：

　　（1）通過連通區域標記方法提取到感興趣的交通標志區域，并分割出該區域；

　　（2）填充該區域，采用canny算子提取區域圖像的邊緣，讀取并存儲邊緣坐標；

　　（3）計算出中心點坐標，利用各邊緣點坐標減去中心點坐標得到相對坐標值，轉化為極坐標形式并歸一化到[0 1]之間；

　　（4）繪制-ρ曲線圖，統計波峰個數。

　　如圖2所示，第一行表示連通標記算法分割出的可能交通標志區域，第二行表示填充后由canny算子得到的輪廓邊緣，第三行表示圖形的-ρ關系，表征邊上各點到中心點的距離，第四行表示根據-ρ關系判斷的結果。由于實際道路上的干擾較多，獲得的輪廓通常不是一個標準的圓形，本文設定在-ρ曲線圖中ρ的最小值若大于0.88，即認定形狀為圓形。

　　3.2 圓形度檢測

　　為提高檢測的魯棒性，本文結合邊數值和周長平方與面積比兩個不變性判據來判別圖形的形狀。

　　使用連通標記算法將感興趣的交通標志區域提取出來并填充后，在MATLAB中使用函數P=regionprops（L，′Perimeter′）與A=regionprops（L，′Area′）分別得到該區域的周長與面積，計算出圓形度。為得到我國交通標志形狀的圓形度，通過采集大量的交通標志圖片以及標準的交通標志庫圖片，計算圓形度。對實驗數據進行統計分析后，設定常見交通標志形狀的圓形度閾值區間，圓形閾值范圍為[12.30，12.8]，三角形閾值范圍為[17.5，18.8]，矩形閾值范圍為[14.80，16.00]。圓形標志、矩形標志、三角形標志實驗數據分別如表5、表6、表7所示。

　　圖2中圓形交通標志圖像區域C=12.33，三角形圖像C=17.78，矩形圖像C=14.97，均在閾值范圍內。

4 特征提取與識別

　　通過HSV顏色空間分割與形狀檢測，將滿足條件的交通標志區域提取出來并標準化為86×86，提取該區域的方向梯度直方圖特征（Histogram of Oriented Gradient，HOG），輸入到支持向量機（Support Vector Machinc，SVM）分類器中，由SVM分類器判定該區域是否為交通標志區域。當SVM判定該區域為交通標志區域后，在原圖像中標記出來，否則舍棄，進入新一輪的識別過程。

　　HOG特征是一種類似于尺度不變特征變換（Scale Invariant Feature Transform，SIFT）的局域描述符，HOG特征結合SVM分類器廣泛應用于圖像識別[8]。HOG通過計算和統計圖像局部區域的梯度方向直方圖來構成特征，可以準確地表示圖像的形狀信息。圖3為提取到的交通標志HOG特征。在街面拍攝大量上文中交通標志圖像作為訓練的正樣本，以類似交通標志顏色和形狀的廣告標牌作為負樣本，構建SVM分類器。

　　檢測流程：首先對輸入的圖像轉換為HSV圖像并進行基于HSV空間的顏色分割，其次采用連通區域標記方法選擇出可能的交通標志區域，之后對其進行形狀檢測，將滿足交通標志顏色特征和形狀特征的區域提取出來，并提取該區域的HOG特征，最后將HOG特征作為SVM分類器的輸入量進行識別和標記。

　　本文方法對于光線良好的白天拍攝的圖像處理效果較好，而且對于樹蔭下的交通標志也具有較好的處理效果。實驗結果如圖4。

5 結論

　　本文采用顏色分割與形狀檢測相結合的方法，實現交通標志的分割，利用HOG特征結合SVM分類器進行交通標志的識別。首先在HSV顏色空間對圖像進行顏色分割，用連通域標記的方法標記與選擇交通標志區域，能夠快速定位，減少后續操作的計算量。對感興趣區域采用基于形狀特征的檢測方法，能夠提高檢測的準確度。最后采用目標的HOG特征結合SVM分類器的方法，完成交通標志的識別。實驗結果表明該算法具有較好的魯棒性，為以后的研究工作提供了良好的基礎。

參考文獻

　　[1] 黃志勇，孫光民，李芳.基于RGB視覺模型的交通標志分割[J].微電子學與計算機，2004，21（10）：147-148.

　　[2] GARCIA-GARRIDO M A， SOTELO M A， MARTIN-GOROSTIZA E. Fast road sign detection using hough transform for assisted driving of road vehicles[C]. Proceedings of the 10th International Conference on Computer Aided Systems Theory， 2005：543-548.

　　[3] KHAN J F， BHUIYAN S M A， ADHAMI R R. Image segmentation and shape analysis for road-sign detection[J].IEEE Transactions on Intelligent Transportation Systems， 2011，12（1）： 83-96.

　　[4] LIM K H， SENG K P， ANG L M. Intra color-shape classification for traffic sign recognition[C]. Proceedings of 2010 International Conference of Computer Symposium， Tainan， 2010， 642–647.

　　[5] SHI M，WU H AND FLEYEH H. A robust model for traffic signs recognition based on Support Vector Machines[J]. Image and Signal Processing， CISP，2008（8）：516-524.

　　[6] Chen Yixin， Xie Yi， Wang Yulin. Detection and recognition of traffic signs based on HSV vision model and shape features[J]. Journal of Computers，2013，8（5）：1366-1370.

　　[7] 張云哲，趙海，宋純賀，等.一種新的連通區域標記算法[J].計算機應用研究，2010，27（11）：4336-4340.

　　[8] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]. International Conference on Computer Vision and Pattern Recognition，2005：886-893.