湯 凱,李實(shí)英,劉 娟,李仁發(fā)

(湖南大學(xué)信息科學(xué)與工程學(xué)院嵌入式系統(tǒng)與網(wǎng)絡(luò)省重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙410082)

基于多特征協(xié)同的交通標(biāo)志檢測(cè)

湯 凱,李實(shí)英,劉 娟,李仁發(fā)

(湖南大學(xué)信息科學(xué)與工程學(xué)院嵌入式系統(tǒng)與網(wǎng)絡(luò)省重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙410082)

針對(duì)交通場(chǎng)景圖像中交通標(biāo)志因顏色失真、形狀失真和尺度變化導(dǎo)致漏檢嚴(yán)重的問(wèn)題,提出一種顏色特征、形狀特征和尺度特征的多特征協(xié)同方法。從交通場(chǎng)景圖像計(jì)算顏色增強(qiáng)圖,利用多閾值分割方法和閉合輪廓曲率直方圖鏈碼表達(dá),并對(duì)提取的形狀輪廓的曲率直方圖進(jìn)行尺度歸一化處理,融合顏色特征和歸一化后的形狀特征構(gòu)成區(qū)域的特征向量,采用支持向量機(jī)分類獲得檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,該算法在較低時(shí)間復(fù)雜度下,能有效提高交通標(biāo)志檢測(cè)精度。

交通標(biāo)志;多特征協(xié)同;多閾值;曲率鏈碼;尺度歸一化;支持向量機(jī)分類

1 概述

道路交通標(biāo)志檢測(cè)識(shí)別是汽車(chē)輔助駕駛系統(tǒng)和無(wú)人駕駛汽車(chē)技術(shù)中重要的研究部分。為了保證道路暢通,預(yù)防和避免可能的交通事故,需要快速有效地檢測(cè)出車(chē)輛行使環(huán)境中不同距離的交通標(biāo)志,做出正確識(shí)別,從而讓車(chē)輛及時(shí)做出合適的決策反應(yīng)。

本文針對(duì)圖像中交通標(biāo)志的顏色失真和形狀失真,特別是同幀圖像中多個(gè)不同尺度的交通標(biāo)志同時(shí)檢測(cè)問(wèn)題,從顏色增強(qiáng)處理后的圖像中分別提取顏色特征和形狀特征,并對(duì)尺度不同的交通標(biāo)志歸一化處理,將這些單個(gè)特征分別處理的結(jié)果進(jìn)行協(xié)同計(jì)算,以提高交通標(biāo)志的檢測(cè)精度。

2 相關(guān)工作

交通標(biāo)志是根據(jù)特殊規(guī)定進(jìn)行設(shè)計(jì)、制作和設(shè)置的圖案和文字符號(hào)。按照各國(guó)的交通標(biāo)志設(shè)計(jì)規(guī)范,每個(gè)交通標(biāo)志的顏色主要采用紅、綠、黃、藍(lán)、黑和白等幾種顏色中的2種或以上容易引起視覺(jué)注意的顏色搭配;形狀采用正圓、三角形、矩形、正八邊形等易于分辨的規(guī)則形狀;交通標(biāo)志的尺寸與限制速度有關(guān),通常高速公路上的交通標(biāo)志比城市道路的

尺寸大。根據(jù)這樣的規(guī)定,理論上只要基于顏色或形狀中的一種特征,或者將這2種特征結(jié)合就能正確檢測(cè)交通標(biāo)志。然而,在實(shí)際的交通環(huán)境中,通過(guò)車(chē)載攝像機(jī)獲取的視頻圖像存在以下3個(gè)主要問(wèn)題:(1)由于陰晴天氣和早晚光照的變化、交通標(biāo)志的老化褪色,以及與車(chē)行方向的相對(duì)位置偏移引起高光或背光,圖像中交通標(biāo)志的顏色不再是標(biāo)準(zhǔn)顏色,即顏色失真;(2)交通標(biāo)志可能損壞變形,與車(chē)行方向形成非垂直的位置關(guān)系,或從車(chē)載攝像機(jī)的角度被建筑物或樹(shù)木等障礙物造成不同程度的遮擋,圖像中交通標(biāo)志不再是標(biāo)準(zhǔn)的規(guī)則形狀,甚至顯示成完全不同的形狀,比如正圓變成橢圓,三角形變成四邊形。這種情形本文統(tǒng)稱為形狀失真;(3)道路上的交通標(biāo)志與車(chē)載攝像機(jī)的距離不同,同一幀圖像中顯示的交通標(biāo)志大小不一,近距離大遠(yuǎn)距離小。由于車(chē)行速度快,需要快速檢測(cè)和識(shí)別近距離的交通標(biāo)志,同時(shí)盡早檢測(cè)出較遠(yuǎn)距離的交通標(biāo)志。也就是要應(yīng)對(duì)同一圖像中不同尺度的交通標(biāo)志,即尺度不一致問(wèn)題。

針對(duì)顏色失真、形狀以及尺度不一致問(wèn)題,現(xiàn)有的研究主要分為特征串行和協(xié)同檢測(cè)2類方法。常見(jiàn)的串行算法利用顏色分割交通標(biāo)志區(qū)域,然后進(jìn)行形狀識(shí)別。這類算法的檢測(cè)精度主要依賴顏色分割結(jié)果。為克服光照變化等因素,有些算法選擇采用具有光照不變性的顏色空間,如HSV［1］、CIECAM［2］等。文獻(xiàn)［3］通過(guò)統(tǒng)計(jì)大量交通標(biāo)志樣本的色相-飽和度(H-S)分布確定分割閾值,然后提取區(qū)域邊緣到外接矩形距離的DtB向量,采用支持向量機(jī)(Support Vector Machine,SVM)分類。H和S分量在光照變化情形下相對(duì)穩(wěn)定,然而當(dāng)存在陰影覆蓋或標(biāo)志老化褪色時(shí),H分量的適應(yīng)性降低,導(dǎo)致檢測(cè)精度下降。文獻(xiàn)［4］在CIELab空間中使用Gabor算子提取紋理相近的區(qū)域進(jìn)行聚類,然后利用規(guī)則形狀的緊湊性約束和輪廓點(diǎn)距中心的距離分布進(jìn)行形狀識(shí)別,能有效降低局部陰影、褪色情形下的漏檢率。當(dāng)場(chǎng)景較暗或前景和背景對(duì)比度較低時(shí),容易導(dǎo)致聚類錯(cuò)誤。另一些串行算法選擇先進(jìn)行形狀檢測(cè),再利用顏色特征過(guò)濾交通標(biāo)志。當(dāng)形狀失真時(shí),形狀檢測(cè)性能直接影響檢測(cè)結(jié)果。文獻(xiàn)［5］利用徑向?qū)ΨQ變換快速定位圓形區(qū)域,然后在改進(jìn)的RGB空間中學(xué)習(xí)像素的分類概率,以區(qū)域顏色的累計(jì)概率判斷是否為交通標(biāo)志。該算法時(shí)間復(fù)雜度較低,然而當(dāng)存在形狀失真時(shí)投票中心峰值不明顯,容易導(dǎo)致漏檢或定位不準(zhǔn)確。

由于串行方法過(guò)分依賴單一特征的檢測(cè)性能,顏色和形狀特征協(xié)同方法可以提高檢測(cè)精度。有些算法采用特征加權(quán)策略,如文獻(xiàn)［6］將SVM預(yù)測(cè)的前景概率圖與形狀模板進(jìn)行卷積,利用卷積響應(yīng)來(lái)分割交通標(biāo)志區(qū)域。盡管能夠降低局部顏色失真情形下的漏檢率,然而以多尺度和旋轉(zhuǎn)模板卷積來(lái)克服尺度和旋轉(zhuǎn)變化使算法的運(yùn)行效率和尺度適應(yīng)范圍受到限制。文獻(xiàn)［7］比較不同的顏色特征和邊緣,通過(guò)投票組合策略,提出先利用樣本學(xué)習(xí)交通標(biāo)志的梯度先驗(yàn)概率,然后對(duì)n元組邊緣投票。這種加權(quán)策略具有更高的檢測(cè)精度,對(duì)背景邊緣噪聲較嚴(yán)重的情形具有魯棒性?；谔卣魅诤系臋C(jī)器學(xué)習(xí)策略則更注重局部特征模式的學(xué)習(xí)。文獻(xiàn)［8］在不同顏色通道中訓(xùn)練Haar小波特征,保留鑒別能力較強(qiáng)的Haar特征,然后采用Adaboost算法提高分類器的準(zhǔn)確率。該算法對(duì)樣本訓(xùn)練的質(zhì)量要求較高。文獻(xiàn)［9］在CIELab空間中,級(jí)聯(lián)不同顏色通道的HOG進(jìn)行分類學(xué)習(xí)。相比普通RGB空間或直接在灰度圖中提取HOG特征,具有更高的檢測(cè)精度。然而高維HOG特征增大了分類器訓(xùn)練的時(shí)間復(fù)雜度。

基于多特征協(xié)同的方法通過(guò)增加額外約束或冗余信息降低交通標(biāo)志的誤檢和漏檢,如利用雙目立體視覺(jué)中的極線約束［10-11］檢測(cè)交通標(biāo)志。文獻(xiàn)［12］使用顏色、形狀特征獲取交通標(biāo)志區(qū)域后,由局部SIFT特征匹配點(diǎn)對(duì)計(jì)算區(qū)域的3D平面參數(shù),能夠緩解交通標(biāo)志與投射方向非垂直時(shí)導(dǎo)致的形狀失真,降低形狀失真下的漏檢率。然而當(dāng)交通標(biāo)志尺度較小時(shí),稀少的SIFT特征點(diǎn)對(duì)降低3D平面估計(jì)的可靠性。文獻(xiàn)［13］利用多閾值分割和基于模糊模板的廣義霍夫變換獲取初始分割區(qū)域,然后利用多視圖冗余信息和視覺(jué)一致性約束獲取交通標(biāo)志的三維假設(shè)支持,具有較低的漏檢率和誤檢率。

針對(duì)因交通標(biāo)志尺度小而難以檢測(cè)的問(wèn)題,提出了一些具有尺度不變性的形狀特征,如邊緣轉(zhuǎn)向角［14］、正切函數(shù)空間［15］等。文獻(xiàn)［16］將中心到輪廓點(diǎn)距離的抽樣序列進(jìn)行離散傅里葉變換,這樣特征響應(yīng)的循環(huán)移位和線性性質(zhì)使算法具有旋轉(zhuǎn)和尺度不變性。文獻(xiàn)［17］首先利用小尺度HOG特征聚類獲取盡可能多的興趣區(qū)域,然后將區(qū)域縮放到同一尺度下,提取大尺度HOG特征進(jìn)行分類。對(duì)尺度較小的交通標(biāo)志也有較低的漏檢率和誤檢率。

3 多特征協(xié)同算法

利用交通場(chǎng)景圖像的RGB通道差異生成顏色增強(qiáng)圖。對(duì)增強(qiáng)圖采用多閾值分割,提取顏色特征。同時(shí)利用增強(qiáng)圖的梯度信息提取閉合輪廓,計(jì)算曲率直方圖的鏈碼表達(dá),然后與模板匹配獲取形狀特征值。采用SVM分類方法［18］對(duì)顏色和形狀的融合特征進(jìn)行分類,獲得最終的檢測(cè)結(jié)果。實(shí)現(xiàn)過(guò)程如圖1所示。

圖1 多特征協(xié)同算法實(shí)現(xiàn)流程

3.1 顏色特征提取

利用RGB顏色通道間的歸一化差異獲取紅-綠、黃-藍(lán)4類增強(qiáng)圖,計(jì)算方法如式(1)所示:

(IR,IG,IB)為像素x在RGB空間對(duì)應(yīng)的各個(gè)顏色值,歸一化因子s=(IR+IG+IB)/3為x的亮度值。

由于圖像中存在大部分非交通標(biāo)志的背景像素,利用閾值分割方法獲取初始交通標(biāo)志區(qū)域,降低交通標(biāo)志搜索范圍。Otsu算法［19］利用分割的前景和背景的類間方差最大化來(lái)確定閾值λmid,如式(2)所示:

其中,pi表示亮度值為i的像素個(gè)數(shù)占圖像總像素的比例;w0(T),w1(T)分別表示當(dāng)分割閾值為T(mén)時(shí)的背景和前景像素概率;μ0(T),μ1(T)分別為相應(yīng)背景和前景的亮度均值。由于單閾值分割方法容易漏檢顏色失真或尺度較小的交通標(biāo)志,本文采用Otsu多閾值分割方法［19］。增強(qiáng)圖首先由λmid分割為前景和背景區(qū)域,然后分別在［1,λmid］,［λmid, 255］進(jìn)行二次分割。為降低計(jì)算復(fù)雜度,閾值采用前景和背景的期望均值迭代求解,如式(3)所示:

其中,［a,b］為亮度值范圍,當(dāng)亮度值范圍為［1,λmid］時(shí),迭代初始值為λ0=λmid。亮度值范圍為［λmid,255］時(shí),λ0=255。

首先提取分割結(jié)果中的連通域,然后利用長(zhǎng)寬比、規(guī)則形狀的緊湊性約束進(jìn)行過(guò)濾,得到顏色特征區(qū)域。為提取區(qū)域的顏色特征,本文將增強(qiáng)圖灰度級(jí)分為10個(gè)區(qū)間,統(tǒng)計(jì)像素的概率分布作為該區(qū)域的顏色特征,記為vc。

3.2 形狀特征提取

以式(1)定義的顏色增強(qiáng)圖為基礎(chǔ),采用Sobel算子獲得邊緣信息,提取閉合輪廓并計(jì)算相應(yīng)的曲率直方圖的鏈碼。

在連續(xù)空間中,曲率表示點(diǎn)在該曲線上的切線變化速率。而在離散空間中,曲率由輪廓點(diǎn)的k階位移方向差分來(lái)度量。如圖2所示,規(guī)定逆時(shí)針為正方向,輪廓點(diǎn)pf的離散曲率看作是向量pf-kpf到向量pfpf+k的到角θf(wàn),計(jì)算如下:

其中,pf-kpf=(x1,y1);pfpf+k=(x2,y2)。

圖2 k階離散曲率定義

為方便提取曲率特征,將輪廓Ci的曲率序列{θf(wàn)}采用式(5)量化為(LCi/k)進(jìn)制的曲率直方圖鏈碼{df}。

其中,j∈{0,1,…,(LCi/k)-1},f∈{0,1,…,LCi-1};LCi為Ci的長(zhǎng)度。

自然場(chǎng)景中由于交通標(biāo)志設(shè)置或攝像機(jī)姿態(tài)等

3.3 尺度歸一化

輪廓的曲率直方圖與k值密切相關(guān)。圖3表示正三角形輪廓分別取k=4,8,12,20對(duì)應(yīng)的曲率直方圖。當(dāng)k值增大,曲率直方圖噪聲降低,峰值和周期性也越明顯。因此高階離散曲率更適用于形狀識(shí)別。

圖3 不同k值對(duì)應(yīng)的三角形曲率直方圖

k值可以作為輪廓曲率直方圖鏈碼的尺度控制變量,固定的k值使尺度不同的相似形狀對(duì)應(yīng)的曲率直方圖差異較大。因此,本文采用與輪廓長(zhǎng)度LCi成正比的自適應(yīng)k值計(jì)算曲率直方圖的鏈碼。如圖4所示,尺度不同的相似輪廓均分為(LCi/k)等分,由相似性可知對(duì)應(yīng)的輪廓點(diǎn)具有相同的曲率值。

圖4 尺度不同(大小圓)的曲率

其中,r∈{0,1,…,L0-1};f∈{0,1,…,LCi-1}。圖5為場(chǎng)景中交通標(biāo)志形狀歸一化前和后的曲率直方圖。其中,圖5(b)～圖5(d)各圖的上下圖像對(duì)應(yīng)交通標(biāo)志外輪廓?dú)w一化前、后的曲率直方圖。

圖5 曲率直方圖的尺度歸一化

待檢測(cè)形狀主要有三角形、正方形、正八邊形和圓,本文采用能區(qū)分這4類形狀的鏈碼的最大階值k=Lci/16,相應(yīng)的量化規(guī)格為16進(jìn)制。圖6為交通標(biāo)志模板形狀的曲率直方圖。將檢測(cè)到的輪廓的曲率直方圖鏈碼{Dr}與交通標(biāo)志模板的鏈碼{Mr}匹配,最大相似度記為{Dr}的特征值vs:

圖6模板曲率直方圖

3.4 特征融合

結(jié)合顏色和輪廓分別得到的興趣區(qū)域,按3.1節(jié)方法獲得興趣區(qū)域的顏色特征vc,與按3.2節(jié)和3.3節(jié)方法計(jì)算相應(yīng)輪廓的曲率直方圖鏈碼,并進(jìn)行尺度歸一化處理后的形狀特征vs構(gòu)成融合特征向量v=(vc,vs)。

在此基礎(chǔ)上,將交通場(chǎng)景圖像集分成包含通常情形、顏色失真、形狀失真、尺度變化等4種情形下的交通標(biāo)志特征作為正樣本,同時(shí)從中得到偽交通標(biāo)志和不存在交通標(biāo)志的隨機(jī)分割區(qū)域特征作為負(fù)樣本。正負(fù)樣本共同構(gòu)成訓(xùn)練樣本集{(xi,yi)}。

利用SVM對(duì)樣本集進(jìn)行訓(xùn)練,獲得最優(yōu)分類超平面系數(shù)(αi,b)。采用式(9)對(duì)融合特征向量v進(jìn)行分類預(yù)測(cè):

其中,xi為支持向量;yi∈{-1,1}為相應(yīng)樣本標(biāo)簽。當(dāng)g(v)＞0,特征v對(duì)應(yīng)區(qū)域分類為交通標(biāo)志,否則視為非交通標(biāo)志進(jìn)行濾除。然后將訓(xùn)練得到的分類超平面系數(shù)應(yīng)用于不同的交通場(chǎng)景圖像集。

4 實(shí)驗(yàn)結(jié)果與分析

由于交通環(huán)境中交通標(biāo)志的漏檢容易造成重大的安全事故,本文采用召回率評(píng)價(jià)交通標(biāo)志檢測(cè)的效果,它是實(shí)際檢測(cè)到的交通標(biāo)志占數(shù)據(jù)集中交通標(biāo)志總數(shù)的百分比。為驗(yàn)證算法的有效性,采用數(shù)據(jù)集Traffic Signs UAH［20］和GTSDB［21］數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。將UAH數(shù)據(jù)集中的交通場(chǎng)景圖像分成通常情形、顏色失真、形狀失真以及尺度變化4種情形,得到交通標(biāo)志特征的正樣本共計(jì)614個(gè),負(fù)樣本共計(jì)1 107個(gè),然后利用樣本訓(xùn)練SVM分類器。訓(xùn)練尺度變化數(shù)據(jù)集選擇的是交通場(chǎng)景圖像中有交通標(biāo)志特征的20×20～40×40大小的圖像區(qū)域。圖7～圖10顯示部分實(shí)驗(yàn)結(jié)果,這些圖的(c)和(d)分別為檢測(cè)到的顏色特征和形狀輪廓,(e)為對(duì)形狀輪廓進(jìn)行尺度歸一化處理后的曲率直方圖。

在圖7所示的通常情形下,單獨(dú)利用顏色特征或形狀特征大致能正確檢測(cè)出交通標(biāo)志,如圖7(c)和圖7(d)。圖7(e)中計(jì)算的形狀特征值分別為0.98,1.00,0.87,表明曲率直方圖鏈碼具有較高的匹配置信度。

圖7 尺度變化

圖8～圖10分別顯示顏色失真、形狀失真和有尺度變化的情形。當(dāng)交通標(biāo)志平面與車(chē)行方向非垂直時(shí)形狀發(fā)生變化,圖8(e)中橢圓的形狀特征值為0.85。當(dāng)df≤(LCi/2k),記為凸曲率,反之為凹曲率。當(dāng)交通標(biāo)志存在部分遮擋時(shí),受損的輪廓具有凹曲率值。本文提取輪廓中的最長(zhǎng)連續(xù)凸曲率直方圖鏈碼,將該部分與模板匹配得分作為輪廓的形狀特征值。圖9(e)所示的受遮擋圓的形狀特征值為0.80。另外,曲率直方圖隨尺度減小而噪聲增加,相應(yīng)形狀特征值減小。這是由于小尺度的輪廓曲率相比大尺度更容易受到邊緣噪聲的影響。

圖8 顏色失真和形狀失真

圖9 形狀失真和尺度變化

圖10 顏色失真、形狀失真和尺度變化

圖8～圖10表明,融合這些顏色特征和尺度歸一化后的形狀特征能夠提高交通標(biāo)志的檢測(cè)精度。

文獻(xiàn)［6］方法利用SVM方法估計(jì)像素的顏色分類概率,然后與模板卷積提取交通標(biāo)志,本文方法策略與之類似。因此,實(shí)驗(yàn)分別在UAH和GTSDB數(shù)據(jù)集上與文獻(xiàn)［6］方法比較。本文對(duì)GTSDB數(shù)據(jù)集與UAH同樣進(jìn)行4種情形下的分類設(shè)置,由于GTSDB中形狀失真數(shù)據(jù)較少,補(bǔ)充53幀交通標(biāo)志存在形狀失真的圖像作為GTSDB+據(jù)集。在UAH和GTSDB+2個(gè)測(cè)試數(shù)據(jù)集中4類情形下的各個(gè)子數(shù)據(jù)集,以及對(duì)總數(shù)據(jù)集進(jìn)行的綜合情形進(jìn)行實(shí)驗(yàn),結(jié)果如表1所示。在UAH數(shù)據(jù)集中,綜合情形、形狀失真和尺度變化情形下的召回率都明顯高于文獻(xiàn)［6］方法。在GTSDB+數(shù)據(jù)集中通常情形和顏色失真情形下的召回率比文獻(xiàn)［6］方法略低,然而在形狀失真和尺度變化情形下,本文方法比文獻(xiàn)［6］方法均高出15%以上。以上實(shí)驗(yàn)結(jié)果表明,尺度歸一化的形狀特征能夠明顯提高交通標(biāo)志的正確檢測(cè)。

表1 不同情形下的召回率統(tǒng)計(jì)

表2顯示的是對(duì)數(shù)據(jù)集UAH和GTSDB+利用顏色特征、形狀特征這2個(gè)特征單獨(dú)進(jìn)行交通標(biāo)志檢測(cè)以及2種特征協(xié)同算法進(jìn)行檢測(cè)的結(jié)果。從表中可以看出,協(xié)同算法比單個(gè)特征的檢測(cè)效果有明顯提高。

表2 單一特征與多特征協(xié)同的檢測(cè)結(jié)果對(duì)比

文獻(xiàn)［6］方法通過(guò)增加模板數(shù)量來(lái)克服尺度和旋轉(zhuǎn)變化,而本文方法僅需在線性時(shí)間內(nèi)對(duì)曲率鏈碼進(jìn)行尺度歸一化。因此,本文方法的時(shí)間復(fù)雜度低于文獻(xiàn)［6］方法。采用C++語(yǔ)言,在Inter雙核、主頻為2.7 GHz、內(nèi)存為2 GB的機(jī)器上進(jìn)行實(shí)驗(yàn), 2種方法處理的時(shí)間如表3所示。在這2個(gè)數(shù)據(jù)集上,本文方法平均每幀運(yùn)行時(shí)間低于1.0 s,而文獻(xiàn)［6］方法則高于20.0 s。

表3 平均運(yùn)行時(shí)間對(duì)比

5 結(jié)束語(yǔ)

本文基于交通場(chǎng)景圖像的顏色增強(qiáng)圖,利用多閾值顏色分割方法和輪廓曲率直方圖鏈碼表達(dá)分別得到交通標(biāo)志的興趣區(qū)域,并對(duì)提取的形狀輪廓的曲率直方圖進(jìn)行尺度歸一化處理,融合顏色特征和歸一化處理后的形狀特征進(jìn)行分類,能夠有效提高通常情形、顏色失真、形狀失真以及尺度變化這4種情形下的交通標(biāo)志檢測(cè)率。在行駛環(huán)境中首先需要盡早正確檢測(cè)到交通標(biāo)志,其次對(duì)于檢測(cè)的交通標(biāo)志要進(jìn)行正確的語(yǔ)義識(shí)別,后者將是下一步的主要工作。

［1]Chen Long,Li Qingquan,Li Ming,et al.Traffic Sign Detection and Recognition for Intelligent Vehicle［C］// ProceedingsofIntelligentVehiclesSymposium.Washington D.C.,USA:IEEE Press,2011:908-913.

［2]Gao Xiaohong,Hong Kunbin,Peter P,et al.Colour VisionModel-basedApproachforSegmentationof Traffic Signs［J］.EURASIP Journal on Image and Video Processing,2008,(1):1-7.

［3]Maldonado B S,Lafuente A S,Gil J P,et al.Road-sign Detection and Recognition Based on Support Vector Machines［J］.IEEE Transactions on Intelligent Transportation Systems,2007,8(2):264-278.

［4]Khan J F,BhuiyanSMA,AdhamiRR.Image SegmentationandShapeAnalysisforRoad-sign

Detection［J］.IEEE Transactions on Intelligent Transportation Systems,2011,12(1):83-96.

［5]Gu Yanlei,Yendo T,Tehrani M P,et al.Traffic Sign Detection in Dual-focal Active Camera System［C］// ProceedingsofIntelligentVehiclesSymposium.Washington D.C.,USA:IEEE Press,2011:1054-1059.

［6]Liang Ming,Yuan Mingyi,Hu Xiaolin,et al.Traffic SignDetectionbyROIExtractionandHistogram Features-basedRecognition［C］//Proceedingsof International Joint Conference on Neural Networks.Washington D.C.,USA:IEEE Press,2013:1-8.

［7]Houben S.A Single Target Voting Scheme for Traffic Sign Detection［C］//Proceedings of Intelligent Vehicles Symposium.Washington D.C.,USA:IEEE Press,2011: 124-129.

［8]Bahlmann C,Zhu Y,Ramesh V,et al.A System for Traffic Sign Detection,Tracking,and Recognition Using Color,Shape,and Motion Information［C］//Proceedings of Intelligent Vehicles Symposium.Washington D.C., USA:IEEE Press,2005:255-260.

［9]Creusen I M,Wijnhoven R G J,Herbschleb E,et al.Color Exploitation in Hog-based Traffic Sign Detection［C］//Proceedings of the 17th IEEE International Conference on Image Processing.Washington D.C., USA:IEEE Press,2010:2669-2672.

［10]Garcia G M A,Ocana M,Llorca D F,et al.Robust Traffic Signs Detection by Means of Vision and V2I Communications［C］//Proceedingsofthe14thIEEE InternationalConferenceonIntelligentTransportation Systems.Washington D.C.,USA:IEEE Press,2011: 1003-1008.

［11]Baro X,Escalera S,Vitria J,et al.Traffic Sign Recognition Using Evolutionary Adaboost Detection and Forest-ECOC Classification［J］.IEEETransactionsonIntelligent Transportation Systems,2009,10(1):113-126.

［12]Marinas J,Salgado L,Arrospide J,et al.Efficient Hybrid Monocular-stereo Approach to Onboard Video-based Traffic Sign Detection and Tracking［C］//Proceedings of International Society for Electronic Imaging,Optics and Photonics.Washington D.C.,USA:IEEE Press, 2012:106-120.

［13]Timofte R,ZimmermannK,VanGL.Multi-view Traffic Sign Detection,Recognition,and 3d Localization［C］//Proceedings of Workshop on Applications of Computer Vision.Washington D.C.,USA:IEEE Press,2009:1-8.

［14]谷明琴,蔡自興.基于無(wú)參數(shù)形狀檢測(cè)子和DT-CWT的交通標(biāo)志識(shí)別［J］.計(jì)算機(jī)研究與發(fā)展,2013, 50(9):1893-1901.

［15]許少秋.戶外交通標(biāo)志檢測(cè)和形狀識(shí)別［J］.中國(guó)圖象圖形學(xué)報(bào),2009,14(4):707-711

［16]Gomez M H,Maldonado B S,Gil J P,et al.Goal Evaluation of Segmentation Algorithms for Traffic Sign Recognition［J］.IEEETransactionsonIntelligent Transportation Systems,2010,11(4):917-930.

［17]Wang Gangyi,Ren Guanghui,Wu Zhilu,et al.A Robust, Coarse-to-FineTrafficSignDetectionMethod［C］// Proceedings of International Joint Conference on Neural Networks.Washington D.C.,USA:IEEE Press,2013:1-5.

［18]Vapnik V.The Nature of Statistical Learning Theory［M］.New York,USA:Springer,2000.

［19]Otsu N.A Threshold Selection Method from Gray-level Histograms［J］.IEEE Transactions on Systems,Man and Cybernetics,1979,9(1):62-66.

［20]GRAM.Traffic Sign UAH Dataset［EB/OL］.(2014-02-27).http://agamenon.tsc.uah.es/Investigacion/gram/ traffic_signs.html.

［21]Houben S,Stallkamp J,Salmen J,et al.Detection of Traffic Signs in Real-world Images:The German Traffic SignDetectionBenchmark［C］//Proceedingsof International Joint Conference on Neural Networks.Washington D.C.,USA:IEEE Press,2013:1-8.

編輯 顧逸斐

Traffic Sign Detection Based on Multiple Features Cooperation

TANG Kai,LI Shiying,LIU Juan,LI Renfa
(Provincial Key Laboratory of Embedded Systems and Networking, School of Information Science and Engineering,Hunan University,Changsha 410082,China)

A new method is presented to improve traffic sign detection with cooperation of color,shape and scale features,especially under conditions of color distortion,shape deformation and scale variance.Color enhancement maps are generated from traffic scene images.Regions of interest are then extracted from the color enhancement maps using multiple thresholds of color,chain codes of the curvature histograms of closed contours are calculated and scale normalized for the contours.The Support Vector Machine(SVM)classifier is applied to classify the chain codes of the extracted traffic signs and the template signs.Experimental results demonstrate that this method is capable of improving traffic sign detection,with low time complexity.

traffic sign;multiple features cooperation;multiple thresholds;curvature chain code;scale normalization; Support Vector Machine(SVM)classification

湯 凱,李實(shí)英,劉 娟,等.基于多特征協(xié)同的交通標(biāo)志檢測(cè)［J］.計(jì)算機(jī)工程,2015,41(3):211-217.

英文引用格式:Tang Kai,Li Shiying,Liu Juan,et al.Traffic Sign Detection Based on Multiple Features Cooperation［J］.Computer Engineering,2015,41(3):211-217.

1000-3428(2015)03-0211-07

:A

:TP391

10.3969/j.issn.1000-3428.2015.03.040

國(guó)家自然科學(xué)基金資助項(xiàng)目(61272396)。

湯 凱(1989-),男,碩士研究生,主研方向:計(jì)算機(jī)視覺(jué);李實(shí)英,副教授、博士、CCF會(huì)員;劉 娟,碩士研究生;李仁發(fā),教授、博士、博士生導(dǎo)師、CCF會(huì)員。

2014-04-21

:2014-05-13E-mail:lishiying66@gmail.com