吉首大學信息科學與工程學院 林巧玉 林 哲 謝 強 楊 圣 鐘宜軒

基于matlab的交通標志檢測技術研究

吉首大學信息科學與工程學院 林巧玉 林 哲 謝 強 楊 圣 鐘宜軒

交通標志檢測技術的研究，對于現(xiàn)代智能交通的發(fā)展具有重大意義。文中提出一種基于顏色檢測的算法，首先，將原彩色圖像轉(zhuǎn)化為灰度圖像，同時，利用RGB顏色模型中的閾值分割將原圖像轉(zhuǎn)化為二值圖像，然后通過Canny算子實現(xiàn)邊緣檢測，再對邊緣檢測結果進行封閉區(qū)域填充處理并再次進行邊緣檢測，從而得到目標區(qū)域的坐標范圍，進而實現(xiàn)圖像中交通標志部分的準確定位，最后通過圖像之間的算術運算去除背景，完成交通標志的檢測。實驗結果表明，該算法可以快速準確地檢測出圖像中的交通標志，準確率達到93．75%，具有速度快，準確度好，易于理解和實現(xiàn)等優(yōu)點。

交通標志檢測；RGB顏色模型；閾值分割；Canny算子

1 引言

對于交通標志來說，顏色是其檢測的最顯著的特征之一。對交通標志通常會采用顏色進行初步檢測，因為交通標志的背景顏色主要包括紅色、藍色和黃色。其中紅色邊緣表示的是禁止標志，黑色邊緣加黃色內(nèi)部表示的是警告標志，藍色底面上添加白色圖案的表示的是指示標志。

在融合交通標志圖像的顏色特征以及形狀特征的基礎上，本文實現(xiàn)了交通標志圖像的快速檢測。算法流程如圖1所示，對于交通標志的形狀的檢測首先通過Canny算子進行邊緣分割，對邊緣檢測結果進行封閉區(qū)域填充，二次邊緣檢測后可得到目標區(qū)域的坐標范圍，從而定位出目標區(qū)域，最后去除背景完成交通標志的檢測。

圖1 算法流程圖

2 顏色檢測

RGB顏色空間是圖像處理領域中最常用的顏色檢測彩色空間。通過紅、綠和藍三個顏色通道的變化和相互疊加得到各種顏色。當三基色都為最小值時，總體表現(xiàn)顏色為黑色，當三基色都為最大值時，總體表現(xiàn)顏色為白色。RGB顏色空間是最基礎的顏色空間之一，它也是由相機采集到的圖像中最原始的色彩空間，如果交通標志檢測的實時性要求比較高，RGB空間是最好的選擇，因為它不需要任何的變化就可以直接對圖像進行處理。

基于顏色的閾值分割方法中，閾值的選取是最關鍵的一步，用于交通標志顏色分割的閾值要根據(jù)交通標志的設計顏色來選取。在RGB空間中，交通標志分割方法采用紅、藍、綠三通道的差值進行區(qū)域分割。雖然各個通道易受光照影響，但是三通道的差值卻具有較強的獨立性。通過這種方法中，參照文獻[1]中的基于差值的閾值分割模型，并將其中的[0,1]范圍內(nèi)的像素值取值范圍擴充至[0,255]，多次實驗后得到修正的分割閾值，根據(jù)三通道的分量差提取相應的紅、黃、藍區(qū)域，得到閾值分割公式如公式（1）所示。

對原圖像進行顏色檢測以及轉(zhuǎn)換為灰度圖像后所得的圖像如圖2所示，在接下來的邊緣檢測之前，對顏色檢測結果中連通區(qū)域小于25*25的面積塊進行去除，以達到去噪目的。

圖2 圖像的初步處理

3 邊緣檢測

邊緣檢測算子常用的有Canny算子、Roberts算子、Prewitt算子、Sobel算子等。Roberts算子定位比較精確，但由于不包括平滑過程，對噪聲比較敏感；Prewitt算子是平均濾波，Sobel算子是加權平均濾波，兩者對灰度漸變低噪聲的圖像檢測效果較好，但對于混合多復雜噪聲圖像處理效果并不理想。綜合考慮，本文采取Canny算子進行邊緣檢測，Canny算子具有濾波、增強效果的特性，無論從視覺效果還是客觀評價來看，提取的邊緣線性連接程度也很好，對線類邊緣的提取比較完整，而且更加細膩。

3.1 Canny算子邊緣檢測原理

對于圖像的邊緣檢測需要滿足兩個條件：一是能夠有效地抑制噪聲；二是盡量精準的確定邊緣的位置。Canny算子邊緣檢測過程如下：

第一步：去除噪聲。通常的邊緣檢測算法對噪聲都非常敏感，所以去除噪聲很有必要。將原圖像與高斯平滑模板作卷積來平滑圖像，得到的圖像與原圖像相比會有些輕微的模糊。高斯函數(shù)平滑函數(shù)如公式（2）所示：

第二步：計算圖像梯度的幅度和方向。圖像中的邊緣可能會指向不同的方向，所以Canny算子使用2個掩模分別檢測水平、垂直方向的邊緣，兩個方向上的掩模模板如圖3所示。

圖3 方向掩模模板

其梯度幅值及方向的表達式分別如公式（3）、（4）所示：

當我們知道了梯度方向后，可以以45度角劃分邊緣方向為8個方向，得到如圖4所示的邊緣梯度方向示意圖。

圖4 邊緣梯度方向示意圖

3.2 目標區(qū)域的檢測

首先對完成顏色檢測的圖像進行第一次Canny邊緣檢測，檢測結果如圖5(a)所示，然后對邊緣檢測結果進行孔洞填充，如圖5(b)所示，再對填充圖像進行二次Canny邊緣檢測，得到待檢測標志的外邊緣，結果如圖5(c)所示。

圖5 Canny算子邊緣檢測結果圖示

圖6 交通標志部分初步提取

圖7 最終檢測結果圖示

為得到更好的檢測結果圖示，我們結果6（c）進行去除背景的處理。首先，對圖6(b)取反得到圖7(a)，將圖6(c)與圖7(a)相加得到最終輸出的檢測圖像，如圖7(b)所示。

4 實驗結果及分析

實驗在Inter Pentium5的處理器，CPU2.4GHz和內(nèi)存為4GB的條件下進行，利用Matlab7.0編程仿真實現(xiàn)對交通標志的檢測。實驗中對80個交通標志進行檢測，正確檢測到的標志的數(shù)目為75個，正確率達到93.75%。

通過實驗發(fā)現(xiàn)，在顏色的檢測過程中，對于黑色邊緣黃色內(nèi)部表示的警告標志，以及藍色底面白色圖案的指示標志的檢測可以達到較好效果，尤其是藍底白案的指示標志，由于其只有兩種顏色，檢測既準確又快速，如圖8所示；而紅色邊緣表示的禁止標志，尤其有些交通標志內(nèi)部是黑色的指示圖案，可能在RGB模型將圖像轉(zhuǎn)換為二值圖像后造成較大干擾，這時再利用Canny算子邊緣檢測可以準確檢測出交通標志圖像，如圖9所示。

實驗結果表明,采用本文的算法對交通標志圖像進行檢測,該檢測算法可以準確快速地識別出交通標志圖像，滿足準確性、實時性要求，并能達到較好的效果。部分檢測結果圖如圖8——圖10所示，圖中(a)表示原彩色圖像、(b)表示顏色檢測后得到的二值圖像、(c)表示Canny算子邊緣檢測后圖像、(d)表示圖像中提取的目標區(qū)域、(e)表示最后的輸出檢測結果圖像。

圖8 指示標志檢測結果

圖9 禁止檢測結果

圖10 限速標志檢測結果

5 總結

隨著物聯(lián)網(wǎng)的發(fā)展，智能交通這一概念也相應被提出，交通標志的有效檢測是智能交通發(fā)展的必然要求。本文通過分析圖像的顏色信息，完成了對交通標志的檢測，針對不同的圖像，用Matlab軟件進行了檢測，且效果較好。通過實驗也可以發(fā)現(xiàn)，基于顏色的檢測，也存在著一些不足之處。由于我們所實現(xiàn)的檢測均是用相機所拍攝的靜止的圖像，若輸入的為動態(tài)的圖像，則有運動模糊、陰影或高光等的因素都需要被考慮，在今后的研究中還應對這些方面進行更深入研究。

[1]張潘潘．道路交通標志檢測與識別算法的研究[D]．山東大學,2012．

[2]張偉,何金國．Hu不變矩的構造與推廣[J]．計算機應用,2010,09:2449-2452．

[3]周廣波．基于顏色和形狀特征的交通標志檢測[D]．大連理工大學,2013．

[4]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,2004,10:147-148+152．

[5]張瑞,張朋．基于顏色和形狀的交通標志檢測與分類[J]．微計算機信息,2010,35:226-228．

[6]陳宏希．基于邊緣保持平滑濾波的Canny算子邊緣檢測[J]．蘭州交通大學學報,2006,01:86-90．

[7]王貴彬．基于Canny算子與形態(tài)學融合的邊緣檢測算法[D]．哈爾濱理工大學,2014．

宋海龍。

吉首大學2014年大學生研究性學習與創(chuàng)新性實驗計劃項目。