苗 丹，盧 偉，高嬌嬌，李 哲

(邢臺學(xué)院 物理與電子工程學(xué)院，邢臺 054000)

交通標(biāo)志的識別(TSR)是人工智能領(lǐng)域研究的熱點(diǎn)問題之一.道路交通標(biāo)示分為禁止、警告、指示和限制等類型，交通標(biāo)志中的限速標(biāo)志旨在警告駕駛員應(yīng)按規(guī)定速度行駛，防止事故發(fā)生，檢測和識別限速交通標(biāo)志作為交通標(biāo)示識別技術(shù)的重要部分，對它的研究有著非常重要的意義.

交通標(biāo)志識別技術(shù)主要包括檢測和識別兩部分，檢測技術(shù)作為標(biāo)志識別工作的前提非常重要，為后期的成功識別率奠定了基礎(chǔ).交通標(biāo)志具有極其特殊的顏色和形狀特征，因此研究方法多是從顏色特征和形狀特征上進(jìn)行相關(guān)研究.日本學(xué)者Akatsuka 和Imai[1]等是交通標(biāo)志檢測識別的先驅(qū)，在RGB 顏色空間上建立了查詢表，用該方法來分割紅綠藍(lán)顯著顏色.除了RGB 顏色空間，Vitabile[2]等人把HSV 劃分為非彩色空間，不穩(wěn)定彩色空間和彩色空間進(jìn)行處理.但是從RGB 轉(zhuǎn)換到HSV 或者HSI 顏色空間所消耗的時(shí)間多，必然會影響實(shí)時(shí)性.基于形狀的檢測方法主要有Hough[3]變換，距離變換[4]、模板匹配[5]、快速徑向?qū)ΨQ檢測[6]、HOG 特征+SVM 分類[7]等.常發(fā)亮[8]等人提出基于HOG+LBP 特征檢測方法，通過SVM 分類器實(shí)現(xiàn)交通標(biāo)志的檢測.該算法速度較慢，因此需要交通標(biāo)志鮮明的顏色信息來減少待測區(qū)域以此來提高運(yùn)行速度.

本文針對單一的顏色分割和形狀檢測方法，將二者進(jìn)行結(jié)合提出了一種新的交通標(biāo)志檢測方法(如圖1所示)，主要從3 個(gè)方面展開：首先，對圖像進(jìn)行預(yù)處理，將原始圖像質(zhì)量提高；然后采用聚類方法對圖像進(jìn)行顏色分割，提出基于K-means 聚類算法的交通標(biāo)志圖像分割，該方法改進(jìn)了傳統(tǒng)RGB 顏色空間的分割方法不足之處；最后，采用形狀檢測定位提去出圓形標(biāo)志，提出基于Hough 變換形狀定位的檢測方法，減少了傳統(tǒng)Hough 變換檢測消耗時(shí)間.

圖1 交通標(biāo)志檢測方法流程圖

1 圖像預(yù)處理及圖像分割

1.1 圖像預(yù)處理

圖像先經(jīng)過直方圖均衡化[9]進(jìn)行非線性拉伸處理，使得原圖中的灰度值分布變成在整個(gè)灰度值范圍內(nèi)相對均勻的分布進(jìn)而使得圖像的對比度得到增強(qiáng)，去除或者削弱干擾信息，更適合下一步處理.

式中，C(P) 是累積概率分布函數(shù)

然后進(jìn)行噪聲濾波處理，采用十字型模板進(jìn)行中值濾波[10]，利用鄰域內(nèi)圖像像素點(diǎn)的灰度中值代替像素點(diǎn)的自身灰度值，使得鄰域內(nèi)的灰度像素值都更平滑，以此來達(dá)到消除圖像噪聲的目的.二維中值濾波的表達(dá)式(2)

1.2 K-means 聚類算法分割圖像

K-means 算法是一種無監(jiān)督的實(shí)時(shí)聚類算法[11]，采用距離相似性的衡量標(biāo)準(zhǔn)對樣本對象進(jìn)行劃分，將形式相似的樣本劃分到同一個(gè)類別中.K-means 算法的基本過程[12]為：

(1) 初始化常數(shù)，隨機(jī)選取樣本S(s1,s2,···,sn) 的K(C1,C2,···,CK) 個(gè)聚類中心.

(2) 重復(fù)計(jì)算以下過程，直到聚類中心不再改變：

1) 計(jì)算每個(gè)樣本到各個(gè)聚類中心的距離di，按照距離最近的原則，將樣本劃分到最相似的類別中.

2) 計(jì)算劃分到每個(gè)類別中的所有樣本特征均值，并將該均值作為每個(gè)類的新聚類中心CW.

(3) 最終輸出聚類中心不變的每個(gè)樣本所屬的類別.

本次研究數(shù)據(jù)中計(jì)數(shù)資料以n統(tǒng)計(jì)、計(jì)量資料用（±s）統(tǒng)計(jì)；并分別使用χ2檢驗(yàn)、t檢驗(yàn)，檢驗(yàn)后P值在0.05以內(nèi)表示兩組差異顯著，且有統(tǒng)計(jì)學(xué)意義，數(shù)據(jù)處理軟件為SPSS21.0軟件。

在K-means 算法中，需要隨機(jī)初始化K分聚類中心，而K-means 算法對初始聚類中的選取較為敏感，如若選擇不當(dāng)，則得到的聚類結(jié)果會很差.

因此，本文對交通標(biāo)志檢測采用K-means 聚類算法過程如下：

(1) 將樣本進(jìn)行L次隨機(jī)采樣，對各采樣結(jié)果進(jìn)行以K′個(gè)質(zhì)心的聚類運(yùn)算，這樣可以得到L組聚類結(jié)果，一共得到L×K′個(gè)簇.

(2) 在L×K′個(gè)簇中找到密度最大的簇M，將其放入集合S中，再計(jì)算其他質(zhì)心與S集合中所有對象距離之和最大的質(zhì)心，也將其放入到S中.

(3) 直到找到K個(gè)密度最大的質(zhì)心D，也就找到了整個(gè)樣本中全局較優(yōu)的質(zhì)心，也就是較優(yōu)的樣本點(diǎn).

(4) 初始聚類后，得到K個(gè)質(zhì)量較優(yōu)的初始聚類中心，這就避免了隨機(jī)選取聚類中心的敏感性.然后再用這K個(gè)初始聚類中心繼續(xù)對整幅圖像剩下的全部像素點(diǎn)進(jìn)行聚類.利用較優(yōu)樣本點(diǎn)進(jìn)行后續(xù)聚類提高聚類結(jié)果的穩(wěn)定性.

2 交通標(biāo)志圖像定位

本文采用Hough 算法[13]對限速禁止圖像進(jìn)行定位檢測，該算法可以定位檢測出圓形、直線和其它參數(shù)化形狀就，算法可靠性高，尤其是對含有噪聲或者殘缺信息的圖像檢測具有很好的穩(wěn)定性.限速交通標(biāo)志圖像在我國和GTSDB 數(shù)據(jù)庫中的形狀都是圓形，因此采用Hough 圓形檢測方法.由于傳統(tǒng)的Hough 變換檢測方法的運(yùn)算速度較慢，所以為了優(yōu)化運(yùn)算速度，提出了改進(jìn)的方法.

2.1 Hough 變換原理

Hough 變換檢測圓的基本原理[14]是利用圖像的邊緣點(diǎn)映射到參數(shù)空間中，然后將在參數(shù)空間中得到的所有坐標(biāo)點(diǎn)元素對應(yīng)累加值進(jìn)行累加統(tǒng)計(jì)，根據(jù)累加值判斷圓的大小和圓心所在的位置.圓的x-y坐標(biāo)方程為式(3) ：

其中，(xo,yo) 是圓心坐標(biāo)，R為圓半徑.

因此要確定(xo,yo,R) 就相應(yīng)地存在一個(gè)三維錐面.對于圖像中的圓周(xi,yi) 對應(yīng)一個(gè)三維錐面，若集合中的位于一個(gè)圓周上，則圓心必相交于參數(shù)空間的(xo,yo,R)點(diǎn).具體如圖2所示.

圖2 Hough 變換檢測圓形示意圖

對于圖像中的一個(gè)圓，假設(shè)圓心坐標(biāo)位于 (xo,yo)，邊緣點(diǎn)(xi,yi)轉(zhuǎn)換到極坐標(biāo)參數(shù)空間，轉(zhuǎn)換公式為式(4)：

在這個(gè)極坐標(biāo)方程中，θ是邊緣像素(xi,yi) 處的方向.通過公式可以算出圓心坐標(biāo) (xo,yo)，對于參數(shù)的空間可能半徑Ro，其相應(yīng)的參數(shù)空間累加器單元加1，最后通過找到累加器的最大值，確定要提取的目標(biāo)圓.具體步驟如下：

(1) 對區(qū)域內(nèi)進(jìn)行Hough 變換，并對圓心坐標(biāo)和累積值用數(shù)組記錄下來；

(2) 得到的累計(jì)數(shù)組中，最大值所對應(yīng)的坐標(biāo)就是本區(qū)域內(nèi)圓形標(biāo)志的圓心；

(3) 將圓心坐標(biāo)帶入圓的方程中，當(dāng)落在圓周及其周圍的點(diǎn)數(shù)大于圓周長的70%時(shí)，就把R認(rèn)為是所要尋找的圓的半徑，該區(qū)域內(nèi)存在的圓形交通標(biāo)志.

2.2 改進(jìn)的Hough 變換檢測標(biāo)志圖像

Hough 變換檢測圓形標(biāo)志精度高，但是運(yùn)算速度較慢，本文在運(yùn)算速度方面進(jìn)行了優(yōu)化處理.由于Hough算法基于二值圖像處理，為了提高運(yùn)算速度，在檢測之前對圖像進(jìn)行優(yōu)化處理.本文利用圖譜理論對前期預(yù)處理的灰度圖像進(jìn)行二值化處理，過程是利用直方圖灰度等級代替像素等級，減少的像素等級量，在計(jì)算方面近似計(jì)算函數(shù)參數(shù)，得到最優(yōu)的二值圖像.經(jīng)過上述的圖像預(yù)處理，使得二值化圖像目標(biāo)和背景差別明顯，噪聲低，信息量小，圖像信息盡量簡單.圖像越簡單，參與Hough 變換的數(shù)據(jù)就越少，Hough 變換的效率就越高.在使用Hough 變換方法之前先處理圖像信息，使得處理時(shí)間上有所下降，實(shí)時(shí)性效果好.

3 實(shí)驗(yàn)結(jié)果與分析

本文所有仿真實(shí)驗(yàn)的運(yùn)行環(huán)境為 64 位 Matlab R2014b，主機(jī)處理器為AMD10，10 COMPUTE CORES 4CPU+GPU 2.4 GHZ，內(nèi)存為4 GB.待處理的數(shù)據(jù)對象采用德國交通標(biāo)志檢測大賽的數(shù)據(jù)庫(German Traffic Sign Detection Benchmark：GTSDB)，其中包含了900 幅復(fù)雜環(huán)境下的交通標(biāo)志圖像，標(biāo)志在圖像中存在著背景相似、光照變化、模糊、褪色、過曝光等情況，是驗(yàn)證交通標(biāo)志檢測算法的理想選擇.利用本文算法對測試集進(jìn)行驗(yàn)證得到了有效的結(jié)果.經(jīng)過一系列的實(shí)驗(yàn)測試K-means 聚類運(yùn)行參數(shù)K=5，迭代次數(shù)上限30 即收斂，可以很好的分割出交通標(biāo)志和背景.以下4 幅具有代表性的背景復(fù)雜情況下成功提取出交通標(biāo)志目標(biāo)的實(shí)驗(yàn)結(jié)果，提取結(jié)果顯示在原圖左上角，提取位置用綠色矩形框標(biāo)注.

圖3背景中存在汽車尾燈顏色和提取標(biāo)志的顏色相似情況.圖4背景曝光嚴(yán)重，運(yùn)動中拍攝的圖片，清晰度不高，背景模糊.圖5目標(biāo)存在彎曲變形，圓形提取增加了難度.圖6目標(biāo)存在污染，在分割圖像時(shí)增加了難度.為了與本文方法的性能對比，選取經(jīng)典的基于RGB 的圖像分割方法、未改進(jìn)的Hough 變換檢測方法與本文方法進(jìn)行檢測比較.

從上圖7的提取結(jié)果可以看出，背景中若有與交通標(biāo)志相似的物體，提取結(jié)果發(fā)生錯(cuò)誤.無法準(zhǔn)確提取出交通標(biāo)志，進(jìn)而無法識別.未改進(jìn)的Hough 變換檢測方法與本文算法的提取結(jié)果相同，在運(yùn)行時(shí)間上有差別，詳細(xì)結(jié)果見表1.從處理一幅圖的平均時(shí)間上來看，利用傳統(tǒng)分割方法的平均時(shí)間為0.1988 s，未改進(jìn)Hough 算法的平均時(shí)間為0.2532 s，而利用本文方法的平均時(shí)間為0.2344 s.本文算法的提取正確率要比傳統(tǒng)顏色提取方法的正確率提高7.44%，本文算法平均時(shí)間要比未改進(jìn)的Hough 變換檢測算法提高了近0.05 s.因此本文的方法比傳統(tǒng)的圖像分割方法提取正確率高，時(shí)間上相較于傳統(tǒng)的檢測圓形標(biāo)志方法有所下降，實(shí)時(shí)性有所提高.綜上所述本文的方法優(yōu)于常用的圖像分割方法，時(shí)間上優(yōu)于傳統(tǒng)的檢測方法.

4 結(jié)論

本文給出了針對紅色圓形交通限速或者禁止標(biāo)志的分割和定位方法.分割方法采用K-means 聚類算法進(jìn)行初步圖像顏色分割，其分割方法同樣適用于藍(lán)色、黃色等其他顏色的標(biāo)志分割；標(biāo)志圖像定位采用Hough 變換檢測方法針對圓形交通標(biāo)志檢測定位，該方法同樣可以適用于矩形和三角形標(biāo)志的定位.本文方法能針對強(qiáng)烈光照、圖像模糊、背景和目標(biāo)顏色相近等復(fù)雜背景下的交通標(biāo)志檢測，但是提取方法未考慮多幅標(biāo)志存在于同一圖像、濃霧、雪天等情況.考慮上述因素是提高交通標(biāo)志檢測實(shí)時(shí)性和有效性的未來研究方向.

圖3 背景與目標(biāo)顏色相近的提取結(jié)果

圖4 背景曝光過度且圖像模糊的提取結(jié)果

圖5 檢測目標(biāo)變形的提取結(jié)果

圖6 檢測目標(biāo)污染的提取結(jié)果

表1 3 種算法檢測交通標(biāo)志的實(shí)驗(yàn)結(jié)果分析