喬敏 孫國強

摘 要：超速引發(fā)的交通事故數量急劇增加，為了提高道路駕駛安全性，提出一種基于維納復原的道路限速交通標志檢測方法。首先，對原始街景進行維納濾波復原圖像預處理;然后，根據道路限速標志牌輪廓形狀和顏色等特征，在HSI彩色空間進行紅色閾值分割、Canny邊緣檢測和Hough圓檢測，對圖像中的道路限速交通標志進行檢測，定位出可能是道路限速交通標志的區(qū)域;最后，根據限速標志的內部特征排除定位出的非限速交通標志區(qū)域。實驗結果表明，該方法對于我國常見的6類限速標志檢測正確率達到了98.76%，符合限速標志檢測系統(tǒng)的準確率要求。

關鍵詞：限速交通標志;檢測;維納濾波器;二值化;偽目標排除

DOI：10. 11907/rjdk. 192084 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）005-0234-04

0 引言

隨著國民經濟的發(fā)展，我國汽車擁有量急劇增加，同時道路交通事故數量也顯著增長，交通安全問題已成為一個全民關注的社會問題。根據國家統(tǒng)計局2018年發(fā)布的《中國統(tǒng)計年鑒》顯示，2017年民用汽車擁有量達到 ? ?20 906.67萬輛，汽車駕駛員31 658.20萬人;而全國汽車交通事故發(fā)生139 412起，導致46 817人死亡和139 180人受傷，造成的直接財產損失達103 978萬元，其中由超速引發(fā)的交通事故占大部分，解決道路行車超速問題迫在眉睫。道路限速交通標志檢測系統(tǒng)作為智能交通系統(tǒng)（Intelligent Transportation System，ITS）的重要組成部分，可以及時告知駕駛員或無人駕駛系統(tǒng)最高行駛速度，減少因超速造成的交通事故。

道路限速交通標志檢測和識別算法研究很多，最常用的檢測算法有基于顏色信息、輪廓信息和機器學習的檢測算法;識別算法有模板匹配法、特征提取結合分類器的機器學習法、神經網絡識別法等。文獻[1]提出一種在HSV顏色空間利用機器學習檢測圖像中的限速交通標志方法，通過顏色信息設置排除限速標志之外的圖像;文獻[2]提出一種針對實景限速交通標志進行檢測的算法，首先對采集到的街景圖片進行去噪，然后將圖像進行二值化和連通域處理，最后根據處理后的連通域特征和同心圓判斷限速交通標志位置;文獻[3]提出一種基于CUDA的實時限速牌識別算法，首先在HSV顏色空間提取感興趣區(qū)域，然后結合霍夫圓算法定位限速牌位置，最后利用CNN對定位區(qū)域進行數字識別;文獻[4]提出一種基于彩色圖像的道路限速交通標志檢測模型，檢測過程中將圓覆蓋和基于梯度信息的Hough 變換圓檢測方法相結合。

本文方法分3個過程：①對采集到的原始街景圖像進行基于維納濾波的圖像復原;②將彩色圖像由RGB顏色空間轉換到HSI顏色空間，并進行紅色閾值分割，對閾值分割后的圖像進行Canny邊緣檢測和Hough橢圓檢測;③對分割出的感興趣區(qū)域進行偽目標排除，從而確定限速交通標志的具體位置。對維納濾波復原的圖像進行預處理，可以降低“減速玻璃”和車輛晃動等帶來的圖像模糊;而根據限速標志內部統(tǒng)計特征數據進行的偽目標排除，可以有效排除定位出的非限速交通標志。

1 圖像復原

由于限速交通標志是在車輛行駛過程中由行車記錄儀等圖像采集設備所得，存在因車輛移動、圖像采集設備質量不高和“減速玻璃”影響，以及限速標志牌在復雜場景中受自然環(huán)境和人為因素影響等造成的圖像污損、模糊、形變等情況。因此，在設計限速交通標志檢測與識別算法過程中，首先對采集到的街景圖像使用維納濾波器[5-7]進行圖像復原處理。通常，退化圖像[F（x，y）]是由于原始采集圖像[f（x，y）]與退化函數[H（x，y）]作卷積運算[？]，同時受到噪聲[n（x，y）]影響而形成的，可以表示為：

2 限速交通標志檢測

限速交通標志具有特定的顏色信息和形狀信息，但受到自然因素和人為因素的影響會產生遮擋、污損、傾斜、變形、扭曲等情況，使僅依靠單一特征信息進行限速交通標志檢測的準確率較低，所以結合限速交通標志的顏色信息和形狀信息進行檢測，能夠有效提高準確率。

2.1 限速交通標志初定位

街景采集設備采集到的街景圖片通常使用RGB色彩模式保存，但RGB模式中的3個分量受光照影響較大，而HSI（Hue、Saturation、Intensity，色調、飽和度、強度）[8-10]顏色模型受光照強弱的影響較小，其中強度分量[I]不受圖像的彩色信息影響且符合人類的視覺感知特性。將從RGB顏色空間轉換到HSI顏色空間的原始街景圖像逐像素進行判斷，若[H]、[S]和[I]分量均在紅色閾值內，則將其置為白色，否則置為黑色。

圖像采集設備前方與限速標志牌距離[y]越大，夾角[θ]越接近[90°]，限速標志牌的紅色外形輪廓就越接近正圓形;與限速標志牌前方距離[y]越小，夾角[θ]越接近[0°]，所拍攝到的限速標志牌中紅色橢圓的最長半徑[rmax]和最短半徑[rmin]的比值就越大。使用[Re]表示這一比值，則：

通過計算和處理每個輪廓，可以獲得每個輪廓的[rmax]和[rmin]，通過規(guī)定半徑[r]的閾值和[Re]閾值，篩選出圖像中的橢圓。正圓內的半徑是等長的，故[Re]為1?？紤]到汽車駕駛員在接收到車輛提示的限速信息后有一定的反應時間，出于安全考慮，設置限速標志牌檢測中[Re]的閾值為[1，1.5]。

上述限速交通標志初定位方法，在HSI顏色空間中利用連通區(qū)域最長半徑與最短半徑的比值進行橢圓判斷，比直接進行圓檢測具有更高的檢測效率，實用性更強。

2.2 偽目標排除

2.2.1 類似限速標志的偽目標

根據限速交通標志檢測可以得到圖像中疑似限速交通標志的具體位置，摳選出來作為進一步檢測對象。因為紅色圓形輪廓不僅是限速交通標志顏色和輪廓特征，也是禁止通行標志、禁止駛入標志、禁止機動車通行標志、會車讓行標志、限制質量標志、禁止車輛臨時或長時停放標志等交通標志的顏色和輪廓特征。因此，還要對檢測到的交通標志進行偽目標排除，以最終確定檢測到的圖像為限速交通標志。

2.2.2 交通標志Otsu二值化

使用Otsu二值化[18-20]方法將分割出的可能是限速交通標志的彩色圖像轉化為黑白二值圖像，并通過分析限速標志二值圖像具備的特征，排除分割出的偽限速交通標志，以減少后期識別過程工作量。交通標志的背景有顏色深淺之分，比如晴朗的藍天比交通標志的非白色部分淺，而樹葉或深色建筑物等比交通標志的非白色部分深。因此，對分割出的交通標志進行Otsu二值化時，相同交通標志因背景不同會產生不同的二值化結果。

針對我國常見的5種固定限速交通標志（5km/h、30km/h、40km/h、50km/h、80km/h）和1種LED可變限速交通標志（60km/h），通過計算分析這些限速交通標志經過Otsu二值分割后所具有的特征，進一步確定分割出的圖像中哪些為限速交通標志圖像[21]。對固定限速交通標志計算二值化特征時，要區(qū)別對待淺色背景和深色背景圖像，而可變限速交通標志牌不論背景顏色深淺，分割出的圖像均為黑色底色。本文對上述限速標志牌中白色像素的占比[P1]、最大黑色連通區(qū)域面積占比[P2]和超過總面積1%的白色連通區(qū)域個數[N]進行分析，進一步確定分割出的圖像中哪些為限速交通標志圖像。

根據表1對6種分割出的限速標志圖像計算出[P1]、[P2]和[N]，確定這3個特征的閾值。然后通過閾值匹配處理，進一步判斷分割出的圖像是否為限速標志，實現對分割出的偽限速交通標志牌圖像的排除。判斷步驟如下：

（1）計算白色像素占比。對二值化后的上述6類限速標志圖像分別求出[Re=1]、[Re=65]和[Re=32]在深色背景下的最小[P1]，及在淺色背景下的最大[P1]，獲得限速標志白色像素占比閾值[P1∈0.2122，0.8426];然后判斷檢測到的感興趣區(qū)域的二值圖像中的[P1]是否在閾值內。若不在，則判斷為偽限速標志;若在，則進行下一步判斷。

（2）計算最大黑色連通區(qū)域面積占比。對二值化后的上述6類限速標志圖像分別求出[Re=1]、[Re=65]和[Re=32]在深色背景下的最大[P2]和在淺色背景下的最小[P1]，獲得限速標志最大黑色連通區(qū)域面積占比閾值[P2∈[0.121 2，][0.833 3]];然后判斷限速交通標志的二值圖像中的[P2]是否在閾值內。若不在，則判斷為偽限速標志;若在，則進行下一步判斷。

（3）計算超過總面積1%的白色連通區(qū)域個數。對二值化后的上述6類限速標志圖像分別求出[Re=1]、[Re=65]和[Re=32]在深色背景、淺色背景下的最大值[N]，獲得限速標志二值圖像中白色像素的數量占其外接矩形區(qū)域面積的比例超過1%的白色連通區(qū)域個數，閾值[N∈1，8];然后判斷限速交通標志的二值圖像中的[N]是否在閾值內。若不在，則判斷為偽限速標志;若在，則進行下一步判斷。

（4）計算交通標志外接矩形的高度[Hrec]和最大白色連通區(qū)域內部各個黑色連通區(qū)域外接矩形的高度[H]。若經過步驟（3）判斷為限速交通標志的二值圖像中存在[H（i）][14Hrec]，則判斷為偽限速交通標志，否則進行下一步判斷。

（5） 計算最大白色連通區(qū)域內部各個黑色連通區(qū)域外接矩形的最大高度[Hmax]與最小高度[Hmin]。若經過步驟（4）判斷為限速交通標志的二值圖像中[Hmax2Hmin]，則判斷其為偽限速交通標志，否則即判斷為限速交通標志。

根據上述判斷過程，對于滿足限速標志條件的候選區(qū)域則判斷為限速交通標志，進行下一步的限速數值識別;當感興趣區(qū)域為偽限速交通標志區(qū)域時，該圖像將被排除，無需進行后續(xù)限速數值的識別處理，提高了算法執(zhí)行效率。

3 實驗結果與分析

實驗使用的計算機配置為I7-4790處理器，3.60GHz主頻，8G內存，Intel HD Graphics 4600顯卡。在Windows系統(tǒng)上采用MATLAB語言編程實現。實驗采用的樣本圖片來自清華—騰訊聯(lián)合實驗室發(fā)布的Tsinghua-Tencent100K街景數據庫中的9 000張街景圖像，圖像大小均為[2 048×2 048]像素，包含了不同光照條件和運動模糊等情況，符合復雜多變的現實情況。具體針對固定限速標志中的5km/h、30km/h、40km/h、50km/h、80km/h和可變限速標志中的60km/h這6種共685張國內常見的限速標志牌進行檢測。同時，樣本集中還包含527張沒有限速交通標志牌的街景圖像。

從表2可以看出，本文提出的算法中，維納濾波提高了整個檢測系統(tǒng)的抗噪聲能力，偽目標排除降低了誤檢率。說明本文設計的道路限速交通標志檢測算法具有較高的準確度，基本滿足道路安全性要求，誤檢原因主要是限速標志牌被污損或在夜間受燈光照射影響。

4 結語

本文根據交通標志特點提出了一種基于維納復原的道路限速交通標志檢測算法，針對“減速玻璃”以及車輛晃動等造成的圖像模糊畸變進行預處理，利用限速標志的形狀和顏色特征提取交通標志牌所在區(qū)域，排除提取到的非限速標志牌區(qū)域。實驗結果表明，本方法具有較高的檢測準確率。下一步將針對夜間限速標志圖像的檢測進行算法優(yōu)化，提高檢測精度。

參考文獻：

[1] SHIGEHARU M. Automatic recognition of speed limits on speed-limit signs by using machine learning[J]. Journal of Imaging， 2017， 3（3）：25-42.

[2] 徐麗霞， 徐志剛. 基于實景圖像的道路限速標志檢測算法研究[J]. 寧夏大學學報（自然科學版）， 2013， 34（2）：64-71.

[3] 王超， 陳慶奎. 基于CUDA的交通限速牌識別[J]. 軟件導刊， 2018，17（7）：48-52.