劉萌雅,張麗艷,費(fèi)繼友

(1.大連交通大學(xué) 動(dòng)車運(yùn)用與維護(hù)工程學(xué)院,遼寧 大連 116028；2.大連交通大學(xué) 電氣信息學(xué)院,遼寧 大連 116028)

?

基于視覺(jué)的道路信息識(shí)別技術(shù)研究

劉萌雅1,張麗艷2,費(fèi)繼友1

(1.大連交通大學(xué) 動(dòng)車運(yùn)用與維護(hù)工程學(xué)院,遼寧 大連 116028；2.大連交通大學(xué) 電氣信息學(xué)院,遼寧 大連 116028)

基于開(kāi)源視覺(jué)庫(kù)OpenCV，對(duì)行車環(huán)境中的路面交通標(biāo)志的識(shí)別進(jìn)行研究.在進(jìn)行了適應(yīng)于本次實(shí)驗(yàn)圖片的預(yù)處理之后，先利用極角約束條件下的Hough變換檢測(cè)出行車方向中的車道線，然后以車道線為基準(zhǔn)進(jìn)行路面交通標(biāo)志在圖片中位置的確定，進(jìn)而提取交通標(biāo)志的HOG特征，并結(jié)合SVM實(shí)現(xiàn)了路面交通標(biāo)志的識(shí)別.實(shí)驗(yàn)結(jié)果表明，所提方法能較好識(shí)別行車中遇到的交通標(biāo)志，具有一定的準(zhǔn)確性、可靠性和魯棒性，并且該方法不僅能處理靜態(tài)圖片，還能很好的應(yīng)用于行車視頻當(dāng)中.

車道線檢測(cè)；路面交通標(biāo)志識(shí)別； 導(dǎo)向標(biāo)線

0 引言

當(dāng)下道路通行能力、交通安全性問(wèn)題日益突出.如何提高道路交通的有效性、安全性已經(jīng)成為一個(gè)亟需解決的社會(huì)性問(wèn)題.車輛安全輔助駕駛的研究是智能交通系統(tǒng)的重要組成部分，它能將駕駛員、車輛、道路信息等結(jié)合起來(lái)，輔助駕駛員感知行車環(huán)境，實(shí)現(xiàn)道路信息的檢測(cè)、識(shí)別.本文主要針對(duì)路面交通標(biāo)志的識(shí)別進(jìn)行研究，目前針對(duì)路面標(biāo)線中的車道線的研究比較多，而針對(duì)路面交通標(biāo)志檢測(cè)識(shí)別的研究還相對(duì)較少.文獻(xiàn)[1]中利用基于場(chǎng)景重建的方法對(duì)圖像中的交通標(biāo)志進(jìn)行分割，然后對(duì)分割出的交通標(biāo)志提取Hu不變矩，使用7個(gè)不變矩作為主要信息并用馬氏距離的方法進(jìn)行標(biāo)志的識(shí)別.文獻(xiàn)[2]則是以行車方向中的車道線為基準(zhǔn)建立梯形感興趣區(qū)域，進(jìn)而利用改進(jìn)了的Hu不變矩進(jìn)行標(biāo)志的特征提取，最后使用SVM分類器進(jìn)行分類.文獻(xiàn)[3]則是在整幅圖中選取0.5Height～0.86Height的部分作為感興趣區(qū)域，用基于圖像匹配的方式實(shí)現(xiàn)的交通標(biāo)志的實(shí)時(shí)識(shí)別.本文的研究是基于開(kāi)源視覺(jué)庫(kù)OpenCV進(jìn)行的.在交通標(biāo)志識(shí)別前的檢測(cè)階段，基于文獻(xiàn)[2]的思路，不搜索整個(gè)圖片信息，而是先檢測(cè)車道線，通過(guò)車道線來(lái)確定路面交通標(biāo)志的搜索范圍，這樣不僅大大降低了運(yùn)算量，縮短了檢測(cè)的時(shí)間，也排除了本車道以外無(wú)關(guān)區(qū)域中各種干擾信息對(duì)目標(biāo)檢測(cè)產(chǎn)生的不利影響，提高檢測(cè)正確率.然后以車道線為基準(zhǔn)進(jìn)行路面交通標(biāo)志在圖片中位置的確定，進(jìn)而提取交通標(biāo)志的HOG特征，并結(jié)合SVM實(shí)現(xiàn)了路面交通標(biāo)志的識(shí)別.

1 圖像預(yù)處理

在采集到的圖像當(dāng)中，一方面受到噪聲、障礙物遮擋、攝像頭抖動(dòng)等的影響，圖像的質(zhì)量有一定程度的降低；另一方面對(duì)于車道線檢測(cè)來(lái)說(shuō)，圖像中包含的行人、車輛、樹(shù)木、建筑等都會(huì)降低對(duì)車道線的檢測(cè)效率.為了減少圖像中的干擾信息、無(wú)關(guān)信息的含量，增強(qiáng)或突出車道線特征，減少不必要的運(yùn)算，提高程序運(yùn)行效率，在進(jìn)行車道線檢測(cè)之前首先要進(jìn)行圖像的預(yù)處理.

在圖像的預(yù)處理方法中，每一種算法都有其適用環(huán)境和局限性.因此在實(shí)際應(yīng)用中，需要結(jié)合外界環(huán)境因素，做大量實(shí)驗(yàn)，并結(jié)合實(shí)際系統(tǒng)的需要，選取適合該系統(tǒng)的算法.根據(jù)車道線的特征，預(yù)處理包括以下內(nèi)容：圖像采集、縮放圖像尺度、圖像灰度化、濾波、二值化等.圖像預(yù)處理具體的流程如圖1所示.

圖1 圖像預(yù)處理流程圖

根據(jù)機(jī)器視覺(jué)的原理，當(dāng)攝像機(jī)光軸處于水平狀態(tài)時(shí)，其采集到的圖像上方一般含有天空、樹(shù)木等信息，而道路一般在圖像的下方，因此圖像的下半部分才是真正要研究的感興趣區(qū)域，車道線檢測(cè)只在這一區(qū)域內(nèi)進(jìn)行.將圖像進(jìn)行尺度縮放并取下方的 2/3為感興趣區(qū)域，能加快檢測(cè)出車道線的速度.濾波能消除一定量的噪聲影響，邊緣檢測(cè)是為了反映出目標(biāo)的邊緣輪廓，為后續(xù)的車道線檢測(cè)和交通標(biāo)志檢測(cè)做準(zhǔn)備.圖2為對(duì)圖像進(jìn)行預(yù)處理后的結(jié)果.可見(jiàn)，處理后的車道線邊界明顯.

(a)原圖像

(b)輸出的二值圖像

2 路面交通標(biāo)志檢測(cè)

對(duì)圖像進(jìn)行預(yù)處理之后，再進(jìn)行車道線的檢測(cè).基于車道線的路面交通標(biāo)志檢測(cè)，就是先檢測(cè)車道線，然后設(shè)置感興趣區(qū)域(Region of Interest，ROI)，從而限定路面交通標(biāo)志的檢測(cè)范圍，最后在ROI內(nèi)提取相關(guān)特征來(lái)搜索前方標(biāo)志，提高算法的實(shí)時(shí)性.

2.1 車道線檢測(cè)

目前能實(shí)現(xiàn)的車道線檢測(cè)方法很多，而基于視覺(jué)的車道線檢測(cè)方法主要利用了道路的顏色、紋理、形狀等信息，根據(jù)算法依賴的主要特征信息，大體分為基于顏色特征的檢測(cè)方法[4-5]、基于模型特征的檢測(cè)方法[6-7]、基于邊緣特征的檢測(cè)方法[8]三類，其中基于霍夫變換的車道線檢測(cè)就是一種基于邊緣特征的檢測(cè)方法.

Hough 變換的車道線檢測(cè)是目前應(yīng)用最為廣泛的車道識(shí)別方法之一，它首先檢測(cè)出圖像的邊緣，然后在邊緣點(diǎn)上搜索車道線.霍夫變換能很好的檢測(cè)出圖像中的直線，其最大優(yōu)點(diǎn)是抗噪聲能力強(qiáng)，但傳統(tǒng)的Hough變換計(jì)算量大，難以滿足實(shí)時(shí)要求.本文根據(jù)車載視頻圖像的道路結(jié)構(gòu)特點(diǎn)，建立車道線檢測(cè)的極角約束條件，對(duì)Hough變換進(jìn)行改進(jìn)，可以縮小車道線的檢測(cè)范圍.

在采集到的道路圖像中，車道線一般分布在圖像的左右兩側(cè)， 經(jīng)過(guò)大量實(shí)驗(yàn)測(cè)試得出，車道線的角度都是在一定的區(qū)域內(nèi)變化，我們稱這一區(qū)域?yàn)闃O角約束區(qū)域.如圖3所示為車道線圖像的極角約束區(qū)域：對(duì)于模型(a)和模型(b)，θ1的取值范圍均為30°～70°.而對(duì)于模型(a)，θ2的取值為 -20°～-70°；對(duì)于模型(b)，θ2的取值為110°～160°，可將θ2的取值統(tǒng)一為110°～160°.

圖3 極角約束區(qū)域

傳統(tǒng)的Hough變換對(duì)圖像空間中的邊緣點(diǎn)在0°～180°內(nèi)進(jìn)行變換，然后在參數(shù)空間對(duì)應(yīng)的直線投票累加，參數(shù)空間累加的峰值點(diǎn)即為車道線的直線方程.通過(guò)設(shè)置極角約束條件，減小了邊緣點(diǎn)個(gè)數(shù)、θ變換的范圍，Hough變換檢測(cè)直線的計(jì)算量?jī)H為之前的一半，極大的提高了算法的運(yùn)行速度，還減少了直線噪聲信號(hào)的影響，一定程度上增加了車道線檢測(cè)的準(zhǔn)確率.

2.2 路面交通標(biāo)志檢測(cè)

路面交通標(biāo)志一般出現(xiàn)在車道線中間的固定位置，每種標(biāo)志的形狀固定.利用上文檢測(cè)出的車道線的位置，將行車方向上交通標(biāo)志最可能出現(xiàn)在圖像中的位置作為檢測(cè)的感興趣區(qū)域.進(jìn)行感興趣區(qū)域的確定能縮小待檢測(cè)的交通標(biāo)志所在的范圍，減少來(lái)自無(wú)關(guān)區(qū)域的干擾，進(jìn)而加快對(duì)交通標(biāo)志的識(shí)別速度.

根據(jù)上文檢測(cè)出的車道線的位置，圖像左上角坐標(biāo)為(0, 0)，水平向左為x軸正方向，垂直向下y軸正方向，行車方向上左右車道線在圖像中的交點(diǎn)(x0, y0)為，根據(jù)采集到的圖像特點(diǎn)，經(jīng)過(guò)數(shù)次驗(yàn)證，采取以(x0-60, y0+40)為左上角坐標(biāo)點(diǎn)做一個(gè)100×100的矩形，此區(qū)域即為檢測(cè)的感興趣區(qū)域.感興趣區(qū)域選取的優(yōu)劣對(duì)車道線的檢測(cè)有很大的依賴性，雖然上文已經(jīng)對(duì)傳統(tǒng)的Hough變換進(jìn)行了改進(jìn)，但還是不能做到完全的正確.接下來(lái)對(duì)標(biāo)志區(qū)域進(jìn)行二值化，目的是突出檢測(cè)對(duì)象，二值化效果的好壞主要依靠閾值設(shè)定的合適與否.過(guò)高則丟失一些實(shí)際的邊緣，過(guò)低則會(huì)產(chǎn)生虛假邊緣.圖4是以本文所述的方法進(jìn)行路面交通標(biāo)志檢測(cè)的結(jié)果示例.

(a)正確情況示例

3 路面交通標(biāo)志識(shí)別

在交通標(biāo)志檢測(cè)出來(lái)之后，就進(jìn)入了對(duì)其類別的判別階段，進(jìn)而才能夠感知標(biāo)志的意義.圖像識(shí)別過(guò)程主要分為圖像特征提取和分類識(shí)別算法，這兩項(xiàng)都關(guān)系著整個(gè)識(shí)別系統(tǒng)的識(shí)別效率.本文提取的是路面交通標(biāo)志的HOG特征，然后結(jié)合SVM對(duì)交通標(biāo)志的特征進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)分類.

3.1 交通標(biāo)志特征提取

HOG是一種對(duì)圖像局部重疊區(qū)域的密集型特征描述符，通過(guò)計(jì)算圖像局部區(qū)域的梯度直方圖來(lái)構(gòu)成圖像特征，能夠很好地描述物體的邊緣，且對(duì)光照變化和小的偏移不敏感.它將圖像局部出現(xiàn)的方向梯度次數(shù)進(jìn)行統(tǒng)計(jì)，和邊緣方向直方圖類似，不同的是HOG的計(jì)算基于一致空間的密度矩陣來(lái)提高準(zhǔn)確率.

本文的所有算法都依靠OpenCV庫(kù)來(lái)實(shí)現(xiàn).OpenCV是Intel開(kāi)源的計(jì)算機(jī)視覺(jué)庫(kù)，它由一系列 C 函數(shù)和少量 C++ 類構(gòu)成.基于OpenCV的圖像HOG特征的提取，在實(shí)際的操作中，具體的實(shí)現(xiàn)步驟如下：

(1)圖像灰度化；

(2)標(biāo)準(zhǔn)化gamma空間；

(3)計(jì)算每個(gè)像素的梯度；

(4)將圖像分割成小的細(xì)胞單元；

(5)為每個(gè)細(xì)胞單元構(gòu)建梯度直方圖；

(6)單元格組成大的塊，塊內(nèi)歸一化梯度直方圖，我們將得到塊描述符，叫做HOG描述子；

(7)將檢測(cè)窗口的所有塊的描述子組合起來(lái)就生成了HOG特征描述向量.

接下來(lái)就可以利用提取到的特征向量，使用分類器做相應(yīng)的檢測(cè)或者識(shí)別.

3.2 交通標(biāo)志識(shí)別

支持向量機(jī)(SVM: Support Vector Machine)的方法是由Vladimir N.Vapnic 提出的用于進(jìn)行模式識(shí)別和數(shù)據(jù)分析的監(jiān)督式學(xué)習(xí)方法，是一種典型的分類算法.SVM算法是根據(jù)統(tǒng)計(jì)學(xué)習(xí)中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論和VC維理論發(fā)展起來(lái)的，其基本思想是選取少量的樣本來(lái)代替整個(gè)樣本集，這些少量的樣本稱為支持向量，將支持向量轉(zhuǎn)換到高維空間，在高維空間中找到一個(gè)最優(yōu)的分類超平面，將不同類之間的分類間隔最大化.圖5是利用SVM的方法實(shí)現(xiàn)交通標(biāo)志識(shí)別后的結(jié)果示例.

圖5 利用SVM識(shí)別路面交通標(biāo)志結(jié)果示例

3.3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)在配置為2.10GHz CPU Intel(R)Core(TM)2，2.0GB內(nèi)存和windows 7操作系統(tǒng)的計(jì)算機(jī)上完成，仿真驗(yàn)證平臺(tái)為Visual Studio 2012和開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV2.4.10[8].

本實(shí)驗(yàn)所用圖片全部源自實(shí)際道路環(huán)境所拍攝的視頻，程序檢測(cè)出車道線后自動(dòng)獲取路面交通標(biāo)志并進(jìn)行識(shí)別.SVM分類訓(xùn)練時(shí)用到的訓(xùn)練圖片也均是從實(shí)際行車道路圖像中選取的包含交通標(biāo)志的部分，測(cè)試集為訓(xùn)練集之外的道路行車圖片.具體情況：訓(xùn)練集和測(cè)試集均為直行、直行右轉(zhuǎn)合并、直行左轉(zhuǎn)合并、右轉(zhuǎn)、左右轉(zhuǎn)合并5類，其中訓(xùn)練集25幅圖片/類，測(cè)試集20幅圖片/類.實(shí)驗(yàn)結(jié)果如表1所示.

表1 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)結(jié)果表明，本文所用方法對(duì)列出的五種導(dǎo)向箭頭的識(shí)別率較高，基本能夠滿足識(shí)別要求，但由于采集樣本數(shù)量有限，采集過(guò)程中遇到的

道路擁擠、車輛遮擋、標(biāo)志破損、其他物體干擾等情況，導(dǎo)致了最終的識(shí)別效果受到影響.

4 結(jié)論

本文在車道線檢測(cè)的基礎(chǔ)上，對(duì)路面交通標(biāo)志進(jìn)行提取，通過(guò)對(duì)交通標(biāo)志HOG特征的提取，利用SVM對(duì)交通標(biāo)志進(jìn)行訓(xùn)練識(shí)別.實(shí)驗(yàn)表明本文方法能較準(zhǔn)確定位交通標(biāo)志的位置并識(shí)別，且具有較好的魯棒性.本文目前的研究還存在以下不足：①路面交通標(biāo)志的種類龐雜、自然場(chǎng)景復(fù)雜多變，單純依靠一種特征對(duì)它們進(jìn)行識(shí)別有著一定的局限性，后期應(yīng)考慮改進(jìn)或引入多特征融合；②本文方法只是對(duì)五類交通標(biāo)志進(jìn)行了識(shí)別，其他種類的適用性還有待進(jìn)一步查證；③交通標(biāo)志檢測(cè)的方法對(duì)車道線檢測(cè)有很大的依賴性，應(yīng)該在保證檢測(cè)速度的前提下，尋找更加準(zhǔn)確的檢測(cè)方法.

[1]韓月林．支持向量機(jī)在路面交通標(biāo)志識(shí)別中的應(yīng)用[D]．大連：大連理工大學(xué)，2012.

[2]許媛媛．基于車道線的路面標(biāo)志檢測(cè)識(shí)別研究[D]．合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2012.

[3]王棚飛，劉宏哲，袁家政，等． 一種基于圖像匹配的地面交通標(biāo)志實(shí)時(shí)識(shí)別方法[J]．計(jì)算機(jī)科學(xué)，2014,41(6):317-323.

[4]饒小李. 基于視頻的交通路口車輛計(jì)算研究[D].昆明：昆明理工大學(xué),2014.

[5]鄭曉曦,袁高帥,胡曉東.視頻圖像中的車輛檢測(cè)及陰影去除方法研究[J].數(shù)字技術(shù)與應(yīng)用，2014,(12):97-98.

[6]劉光耀. 基于模型的交通流信息檢測(cè)系統(tǒng)研究[D].杭州：浙江大學(xué),2005.

[7]肖志濤,國(guó)澄明,侯正信,等.圖像特征檢測(cè)算法的分析與研究[J].中國(guó)圖象圖形學(xué)報(bào),2004,9(12)：1414-1420.

[8]崔麗群,張明杰,吳凡.基于邊緣信息車流量檢測(cè)方法的研究[J].計(jì)算機(jī)應(yīng)用與軟件，2014(12):249-252.

[9]于仕琪．學(xué)習(xí)OpenCV[M]．北京：清華大學(xué)出版社，2009.Research on Recognition Technique of Road Information based on Vision

LIU Mengya1,ZJANG Liyan2,FEI Jiyou1

(1.School of Dynamic Car Use and Maintenance Engineering,Dalian Jiaotong University,Dalian 116028,China; 2.School of Electrical&Information,Dalian Jiaotong University,Dalian 116028,China)

Based on the open computer vision library and preprocessing on the image recognition of road traffic signs in driving environment, the lane is detected according to the area of the polar angle constrains, the position of the road traffic signs in the picture is located.Later,the HOG features of the traffic signs are extracted and combined with SVM to recognize the class of the road traffic signs. Experimental results show that the proposed method can identify the encountered traffic signs with some accuracy, reliability and robustness, and the method can not only handle static image, but also be good for driving video.

lane detection; road traffic sign identification; oriented marking

1673- 9590(2016)03- 0103- 05

2015-05-26

國(guó)家自然科學(xué)基金資助項(xiàng)目(51376028) ;國(guó)家“863”計(jì)劃資助項(xiàng)目(2013AA041108)

劉萌雅(1989-)，女，碩士研究生;張麗艷(1972-)，女，副教授，博士，主要從事信號(hào)處理與模式識(shí)別的研究E- mail:DALIANZHANGLIYAN@163.com .

A