陳興華，萬幼川，王曉華

（1. 武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079；2. 天津市測繪院 地理信息中心，天津 300381）

基于街景影像的交通標(biāo)志識別

陳興華1，萬幼川1，王曉華2

（1. 武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079；2. 天津市測繪院 地理信息中心，天津 300381）

針對街景影像中交通標(biāo)志識別存在的問題，結(jié)合交通標(biāo)志的對稱性特點和Hough變換對圖形檢測的抗殘缺能力，提出一種基于Hough變換搜索交通標(biāo)志中心點的交通標(biāo)志檢測方法。在識別過程中，利用SIFT算法將提取的目標(biāo)區(qū)域依次與對應(yīng)模板庫中的模板影像匹配進(jìn)行交通標(biāo)志的識別。

交通標(biāo)志識別；Hough 變換；SIFT算法；PM算法

交通標(biāo)志識別包括兩個階段：交通標(biāo)志的檢測和交通標(biāo)志的識別[1-3]?；诓噬臻g的閾值分割方法具有操作簡單、速度快等特點，但光照變化會對影像分割造成干擾，導(dǎo)致漏檢測和誤檢測現(xiàn)象。楊恒等[4]利用波段差值及歸一化操作對特定顏色進(jìn)行放大，判斷是否存在交通標(biāo)志，但未提及交通標(biāo)志分割不完整時的處理方法。本文基于交通標(biāo)志的對稱性，利用Hough變換檢測其中心點，以改善由于分割不完整而帶來的錯誤檢測。對于同時存在多個交通標(biāo)志的影像來說，該方法無論在速度、準(zhǔn)確度上都達(dá)到了不錯的效果。同時，我們行駛過程中拍攝的交通標(biāo)志圖像相對于標(biāo)準(zhǔn)的交通標(biāo)志圖像來說，絕大多數(shù)存在旋轉(zhuǎn)、扭曲或變形。本文采用SIFT算法對檢測后的目標(biāo)區(qū)域進(jìn)行識別，可以有針對性地緩解該問題[5-7]。

1 交通標(biāo)志檢測

1.1 顏色特征檢測

對于街景影像來說，光照條件是一個重要的干擾因素，會直接影響圖像的亮度和色度分量。攝像機(jī)拍攝到的彩色圖像是基于RGB彩色空間的，受光照影響較大，且R、G、B三個分量間存在高度的相關(guān)性，而HSV彩色空間以波段方式將亮度與色度分量區(qū)分開。采用了H、S分量進(jìn)行閾值分割，通過對不同光照條件下不同種類交通標(biāo)志影像進(jìn)行反復(fù)實驗，本著最大可能分割目標(biāo)、最小可能摻入干擾背景的原則，選取閾值如表1。

表1 HSV彩色空間顏色分割閾值

在檢測階段，影像中交通標(biāo)志的存在性、屬性和個數(shù)是未知的。采用顏色分割和融合處理相結(jié)合的方法，具有很強(qiáng)的適用性。將圖像轉(zhuǎn)換到HSV彩色空間，然后依據(jù)紅、黃、藍(lán)分割閾值對影像進(jìn)行顏色分割，將生成的3張二值影像進(jìn)行融合處理,再對新的融合影像進(jìn)行下一步的去噪處理以及形狀檢測，不但簡化了算法的復(fù)雜度，而且便于利用不同種類交通標(biāo)志間的相對位置進(jìn)行約束，實現(xiàn)3類交通標(biāo)志的并行計算。然而，經(jīng)過分割處理的影像存在噪聲點，需要對融合產(chǎn)生的新影像進(jìn)行去噪處理。

各向異性擴(kuò)散算法[8]（簡稱PM 算法）的基本原理是借助梯度算子來辨別由邊緣引起的圖像梯度變化與由噪聲引起的圖像梯度變化,采用鄰域加權(quán)平均的方法去除由噪聲引起的小梯度變化,同時保留由邊緣引起的大梯度變化。這個過程反復(fù)迭代進(jìn)行,直到圖像中的噪聲被去除。各向異性擴(kuò)散算法計算公式[9]如下：

式中，c（║?I║）為擴(kuò)散方程；t為引入的時間算子，表示降噪過程與擴(kuò)散持續(xù)時間相關(guān)；║║表示幅度；div為散度算子； ?為梯度算子。在PM模型中,c（║?I║）是關(guān)于梯度的函數(shù),平坦區(qū)域的梯度較低會得到較強(qiáng)的平滑效果，接近邊緣區(qū)域的梯度較高，對此PM模型盡可能地減少平滑甚至不平滑，從而保留了圖像的邊緣。

1.2 基于Hough變換搜索交通標(biāo)志中心點

Hough變換[10]是將原圖像從空間域變換到參數(shù)域，用大多數(shù)邊界點滿足的某種參數(shù)形式來描述圖像中的曲線，通過設(shè)計累加器求得峰值，那么峰值所對應(yīng)的點就是所求的信息，從而將圖像中較為困難的全局檢測問題轉(zhuǎn)換為參數(shù)空間中相對容易解決的局部峰值檢測問題。

本研究涉及的交通標(biāo)志形狀主要有正三角形、正方形、圓形，其中正三角形與正方形的中心即其外接圓心。對于改進(jìn)的Hough變換圓心檢測算法來說，它對圖形的殘缺有一定的抗干擾能力，同時結(jié)合隨機(jī)Hough變換只利用影像中的3個點就可以進(jìn)行圓心搜索[11]，再參考正三角形、正方形與圓的關(guān)系，就可以推算出基于Hough變換搜索正三角形與正方形的中心。

算法的流程為[12]：

1）將去噪后的影像梯度化，進(jìn)行閾值處理，對滿足閾值的點進(jìn)行下一步處理。

2）根據(jù)極坐標(biāo)公式a =x-r·cosθ，b = y-r·sinθ，計算在半徑范圍內(nèi)潛在的圓心坐標(biāo)。其中x、y為當(dāng)前像素的坐標(biāo)值，r為圓的半徑，θ為求得的梯度方向角。

3）使用梯度作為權(quán)重因子，將上一步計算的圓心坐標(biāo)值與其相對應(yīng)的權(quán)重因子作運算，計算二維累加數(shù)組。累加值滿足閾值的元素所對應(yīng)的a和b就是被檢測圓的圓心坐標(biāo)，也就是所求得的交通標(biāo)志中心點。

2 SIFT識別

SIFT 算法[13]是一種尺度不變性算法，對于圖像經(jīng)度與緯度傾斜變化以及噪聲也具有一定的穩(wěn)定性，在場景匹配、目標(biāo)識別等領(lǐng)域有很大的利用價值。SIFT算法主要包括以下幾個部分：檢測尺度空間關(guān)鍵點、確定極值點位置、提取極值點主方向、生成SIFT特征描述符。

1）檢測尺度空間關(guān)鍵點。首先構(gòu)建圖像金字塔，利用DOG差分算子求得圖像的特征點,然后檢測DOG空間的局部極值點，形成尺度空間的關(guān)鍵點。

2）確定極值點位置。通過擬合三維二次函數(shù)去除對比度較低的特征點以及不穩(wěn)定的邊緣響應(yīng)點，從而精確定位極值點的位置,進(jìn)而增強(qiáng)匹配的穩(wěn)定性，提高抗噪聲能力。

3）提取極值點主方向。通過尺度不變性求極值點，可以使其具有縮放不變的性質(zhì)，利用關(guān)鍵點鄰域像素的梯度方向分布特性來確定關(guān)鍵點的主方向，從而使SIFT算子具有旋轉(zhuǎn)不變性。

4）生成SIFT特征描述符。通過對關(guān)鍵點使用SIFT特征描述符，可以使得關(guān)鍵點獲得更多的不變特性。

在利用SIFT算法進(jìn)行匹配之前，首先要建立交通標(biāo)志模板庫。模板影像一部分來自GB5667-1999[14]的樣例圖片，一部分依據(jù)相關(guān)標(biāo)準(zhǔn)設(shè)計。為了加快匹配速度，將交通標(biāo)志模板庫中的影像按照顏色、形狀進(jìn)行分類，并統(tǒng)一分辨率為80像素×80像素。禁令標(biāo)志模板庫共有47個交通標(biāo)志,包括國標(biāo)中的38個交通標(biāo)志和9個衍生標(biāo)志；警告標(biāo)志模板庫包括國標(biāo)中的30個交通標(biāo)志；指示標(biāo)志模板庫包括國標(biāo)中的20個交通標(biāo)志。

3 實驗與分析

以天津6條道路的部分序列影像和郁江道的全部序列影像作為實驗對象，所要識別的交通標(biāo)志面積相當(dāng)于影像的2．47‰～10．44‰。影像分辨率為1 024×512。實驗環(huán)境為Intel處理器，2 GB內(nèi)存，實現(xiàn)軟件為Matlab2010。

將影像轉(zhuǎn)換到HSV彩色空間，按照表1所設(shè)定的閾值，分別對影像進(jìn)行分割，將生成的3張二值影像融合，形成新的目標(biāo)影像，如圖1a。融合影像去除了背景影像，保留了交通標(biāo)志區(qū)域，但存在噪聲。利用PM去噪算法對影像進(jìn)行處理，如圖1b。從圖中可以看出，經(jīng)過PM算法處理的影像，交通標(biāo)志內(nèi)部區(qū)域更加完整，邊緣更加清晰，同時也減少和淡化了影像中的部分雜質(zhì)點。

對經(jīng)過去噪處理的影像，利用Hough變換搜索3類交通標(biāo)志中心點，取中心點附近區(qū)域，按照顏色、面積以及對稱性原則進(jìn)行分析，判讀是否存在交通標(biāo)志以及存在交通標(biāo)志的類別，對目標(biāo)區(qū)域進(jìn)行提取。圖1c中黑色十字為搜索到的交通標(biāo)志的中心點。

對中心點附近區(qū)域利用Hough變換進(jìn)行形狀檢測。對于禁令標(biāo)志來說，在檢測中心點的時候，就已經(jīng)記錄下其半徑范圍，可以直接提取圓形區(qū)域。對于警告標(biāo)志與指示標(biāo)志來說，取其中心點附近區(qū)域利用Hough線檢測算法進(jìn)行直線檢測，分別提取三角形與正方形區(qū)域。經(jīng)檢測如果警告標(biāo)志區(qū)域不存在三角形，則認(rèn)為該中心點不是交通標(biāo)志中心點；經(jīng)檢測如果指示標(biāo)志區(qū)域不存在正方形，則進(jìn)一步分析是否存在圓形，如果存在，則提取圓形區(qū)域；如果不存在，則認(rèn)為該中心點不是交通標(biāo)志中心點。圖1d中黑色十字為搜索的交通標(biāo)志中心點，黑色線段代表檢測到的交通標(biāo)志形狀。

圖1 交通標(biāo)志檢測

將上一步提取的目標(biāo)區(qū)域分別與對應(yīng)模板庫中的影像相匹配，獲得匹配點最多的庫影像即為該目標(biāo)區(qū)域的屬性。如果所有模板影像的匹配點數(shù)均小于4個，則判定該目標(biāo)區(qū)域不是交通標(biāo)志。圖2為禁令標(biāo)志識別示意圖，可以看出，目標(biāo)區(qū)域與限制高度3．5 m的庫影像匹配點數(shù)最多為14個，可判定為限制高度3．5 m的交通標(biāo)志。圖3為指示標(biāo)志識別示意圖，可以看出，目標(biāo)區(qū)域與允許掉頭的庫影像匹配點數(shù)最多為7個，可判定為允許掉頭的交通標(biāo)志。

圖2 禁令標(biāo)志識別示意圖

圖3 指示標(biāo)志識別示意圖

對于交通標(biāo)志識別系統(tǒng)來說，檢測和識別的準(zhǔn)確度與時效性都是至關(guān)重要的，表2和表3為本算法的統(tǒng)計數(shù)據(jù)。從中可以看出，無論是準(zhǔn)確度還是時效性，都獲得了不錯的效果。

表2 交通標(biāo)志檢測和識別情況統(tǒng)計表

表3 郁江道檢測和識別情況統(tǒng)計表

未能正確檢測和識別的原因主要有兩點：①交通標(biāo)志區(qū)域被陰影遮擋嚴(yán)重或拍攝天氣惡劣，存在過度曝光或光線不足等情況，使得亮度和色度嚴(yán)重偏離交通標(biāo)志區(qū)域的正常數(shù)值范圍，利用HSV進(jìn)行彩色閾值分割無法將其與背景分開；②交通標(biāo)志面積過小，使得經(jīng)過彩色閾值分割獲得的顏色特征總數(shù)達(dá)不到要求，被當(dāng)成噪聲點忽略了。

[1] 劉紅．自然場景下交通標(biāo)志圖像識別方法研究[D]．鄭州:鄭州大學(xué),2011

[2] 胡曉光,朱欣焰,柳林,等．基于字袋模型的交通標(biāo)志識別方法研究[J]．測繪科學(xué), 2012(6):107-110

[3] 徐迪紅,唐爐亮．基于顏色和標(biāo)志邊緣特征的交通標(biāo)志檢測[J]．武漢大學(xué)學(xué)報：信息科學(xué)版, 2008(4):433-436

[4] 楊恒,劉肖琳．基于SURF的車載實時交通標(biāo)志識別系統(tǒng)[J]．微計算機(jī)信息,2011(6):101-102

[5] 胡錦城,李實英,李仁發(fā)．基于高穩(wěn)定SURF特征的交通標(biāo)志識別[J]．計算機(jī)應(yīng)用研究, 2012(8):3 179-3 181

[6] 肖楠．基于局部特征的交通標(biāo)志識別[D]．大連:大連交通大學(xué),2012

[7] Vitabile S, Pollaccia G, Pilato G,et al． Road Signs Recognition Using a Dynamic Pixel Aggregation Technique in the HSV Color Space[C]．11th International Conference on Image Analysis and Processing,2001

[8] Perona P,Malik J． Scale-space and Edge Detection Using Anisotropic Diffusion[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(7):629-639

[9] 余錦華,汪源源．基于各向異性擴(kuò)散的圖像降噪算法綜述[J]．電子測量與儀器學(xué)報,2011(2):105-116

[10] Hough P V C． Method and Means for Recognizing Complex Patterns[P]．US:3069654,1962

[11] 朱桂英,張瑞林．基于Hough變換的圓檢測方法[J]．計算機(jī)工程與設(shè)計,2009(6):1 462-1 464

[12] 瞿鈞,甘嵐．梯度Hough變換在圓檢測中的應(yīng)用[J]．華東交通大學(xué)學(xué)報,2007(1):101-104

[13] Lowe D．Distinctive Image Features from Scale-Invariant Keypoints[J]．International Journal of Computer Vision , 2004,60(2): 91-110

[14] GB5768-1999．道路交通標(biāo)志和標(biāo)線[S]．

P237.3

B

1672-4623（2014）05-0075-03

10.3969/j.issn.1672-4623.2014.05.027

陳興華，碩士，主要研究方向為圖像處理、機(jī)器視覺、智能車和智能交通系統(tǒng)。

2013-11-08。

項目來源：國家科技支撐計劃資助項目（2012BAH34B02，2012BAJ15B04）。