曹海燕， 張大維

(中國傳媒大學(xué)南廣學(xué)院 傳媒技術(shù)學(xué)院， 江蘇 南京 211172)

0 引言

隨著道路交通不斷的增長，再加上我國經(jīng)濟迅速發(fā)展，機動車保有量的數(shù)量增長十分明顯，尤其家用汽車數(shù)量增速最快，道路交通需求與機動車數(shù)量之間矛盾越來越突出，道路交通安全面臨嚴(yán)峻的挑戰(zhàn)，在此背景下出現(xiàn)了智能輔助駕駛系統(tǒng)[1-2]。智能輔助駕駛系統(tǒng)集成了人工智能、計算機視覺等先進技術(shù)，可以實時感知車輛周圍環(huán)境，降低事故發(fā)生概率[3]。交通標(biāo)志圖像智能識別是智能輔助駕駛系統(tǒng)最為關(guān)鍵的內(nèi)容，通過計算機視覺技術(shù)對交通標(biāo)志圖像進行檢測和識別，然后將結(jié)果反饋給駕駛員，從而對行駛車輛進行及時控制，因此交通標(biāo)志圖像識別具有十分重要的社會和學(xué)術(shù)價值[4]。

交通標(biāo)志圖像識別從本質(zhì)上講是一種分類問題，國外一些發(fā)達國家對識別交通標(biāo)志圖像的研究時間早，交通標(biāo)志圖像識別成熟，而國內(nèi)由于機動車出現(xiàn)時間晚，對交通標(biāo)志圖像識別起步晚，但由于我國對交通標(biāo)志圖像識別研究投入大，目前存在許多交通標(biāo)志圖像識別方法[5-6]，當(dāng)前主要有最近鄰域法的交通標(biāo)志圖像識別方法、決策樹分類法的交通標(biāo)志圖像識別方法、人工神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識別方法、支持向量機的交通標(biāo)志圖像識別方法[7-9]，這些方法均有各自的優(yōu)勢，但是缺陷也十分明顯，如最近鄰域法的交通標(biāo)志圖像識別時間長、實時性差；決策樹分類法的交通標(biāo)志圖像識別速度快，但是交通標(biāo)志圖像的誤識率極高；人工神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識別的抗干擾能力差、結(jié)果不穩(wěn)定；支持向量機的交通標(biāo)志圖像識別時間長、速度慢[10-12]。

針對當(dāng)前交通標(biāo)志圖像識別過程中存在的問題，以提高交通標(biāo)志圖像識別準(zhǔn)確率和識別速度為目標(biāo)，提出基于機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別方法，與傳統(tǒng)交通標(biāo)志圖像識別方法進行了仿真對照測試結(jié)果表明，本文方法的交通標(biāo)志圖像識別正確率得到了提高，可以滿足交通標(biāo)志圖像識別實際要求，減少了交通標(biāo)志圖像識別時間，可以實現(xiàn)實時的交通標(biāo)志圖像識別。

1 機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別方法

1.1 交通標(biāo)志圖像的預(yù)處理

由于外界環(huán)境的干擾，采集原始交通標(biāo)志圖像存在的噪聲，同時交通標(biāo)志圖像采集通常在戶外進行，易受光照變化的影響，使得交通標(biāo)志圖像對比度低，各種交通標(biāo)志圖像尺寸不一樣，因此需要對原始交通標(biāo)志圖像進行預(yù)處理，基本過程為：首先采用小波變換對原始交通標(biāo)志圖像進行濾波處理，去掉交通標(biāo)志圖像中的噪聲，消除噪聲對交通標(biāo)志圖像識別特征的不利影響；然后采用直方均衡算法對去噪后的圖像進行增強處理，消除光照變化的干擾，提高交通標(biāo)志圖像的對比度，使交通標(biāo)志圖像更加清晰;最后對所有交通標(biāo)志圖像尺寸進行歸一化操作，使它們具有大小相同。

綜合上述,交通標(biāo)志圖像的預(yù)處理流程，如圖1所示。

圖1 交通標(biāo)志圖像預(yù)處理流程

對于一幅視覺效果差的交通標(biāo)志圖像，如圖2所示。

圖2 原始交通標(biāo)志圖像

通過預(yù)處理后，如圖3所示。

圖3 預(yù)處理后的交通標(biāo)志圖像

由圖3可知，交通標(biāo)志圖像效果得到了明顯的改善。

1.2 提取交通標(biāo)志圖像特征

1.2.1 交通標(biāo)志圖像的形狀特征

方向梯度直方圖特征是一種交通標(biāo)志圖像局部特征，可以描述交通標(biāo)志圖像的形狀，因此本文將方向梯度直方圖特征作為交通標(biāo)志圖像識別的一種特征，具體提取步驟如下。

(1) 對預(yù)處理的交通標(biāo)志圖像進行g(shù)amma標(biāo)準(zhǔn)化處理，降低圖像的局部陰影，如式(1)。

I(x,y)=I(x,y)gamma

(1)

(2) 計算交通標(biāo)志圖像像素點(x,y)的水平和垂直梯度，如式(2)、式(3)。

Gx(x,y)=H(x+1,y)-H(x-1,y)

(2)

Gy(x,y)=H(x,y+1)-H(x,y-1)

(3)

式中，H(x,y)表示點(x,y)的像素值。

點(x,y)的梯度幅值和梯度方向，如式(4)、式(5)。

(4)

(5)

(3) 將交通標(biāo)志圖像劃分為多個單元，統(tǒng)計每一個單元的梯度信息，對交通標(biāo)志圖像的全部像素點、梯度方向進行投影和加權(quán)，得到方向梯度直方圖的特征向量。

(4) 由于方向梯度直方圖的特征向量的值不一樣，因此對它們進行歸一化，得到歸一化后的方向梯度直方圖的特征向量，如圖4所示。

圖4 方向梯度直方圖特征的提取流程

1.2.2 交通標(biāo)志圖像的紋理特征

局部二值模式特征也是一種交通標(biāo)志圖像局部特征，可以描述交通標(biāo)志圖像的紋理分布情況，因此本文將局部二值模式特征作為交通標(biāo)志圖像識別的一種特征，具體提取步驟如下。

(1) 確定檢測窗口，并根據(jù)檢測窗口的大小將交通標(biāo)志圖像劃分為多個單元；

(2) 計算交通標(biāo)志圖像檢測窗口的中心像素點局部二值模式特征；

(3) 計算交通標(biāo)志圖像計算所有單元的直方圖；

(4) 將計算所有單元的直方圖連接在一起，得到交通標(biāo)志圖像的局部二值模式特征，并進行歸一化處理，如圖5所示。

圖5 局部二值模式特征的提取流程

1.3 極限學(xué)習(xí)機算法設(shè)計交通標(biāo)志圖像識別的分類器

極限學(xué)習(xí)機算法是一種新型的機器學(xué)習(xí)算法，采用單隱含層，與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)不一樣，避免了反復(fù)迭代調(diào)整連接權(quán)值的過程，訓(xùn)練時間大幅度減少，訓(xùn)練效率高[13]，為此本文引入其設(shè)計交通標(biāo)志圖像識別的分類器。

設(shè)交通標(biāo)志圖像訓(xùn)練樣本集合為(xi,yi)，i=1,2,…,n，xi表示輸入向量，yi表示輸出向量，L表示隱含層節(jié)點數(shù)，那么極限學(xué)習(xí)機算法，如式(6)。

(6)

極限學(xué)習(xí)機學(xué)習(xí)和訓(xùn)練的目標(biāo)是輸出誤差最小，如式(7)。

(7)

存在一組：βi，wi，bi，滿足如下條件,如式(8)。

(8)

采用矩陣表示式(8)，如式(9)。

Hβ=T

(9)

(10)

(11)

1.4 機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別原理

機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別原理具體為：首先采集交通標(biāo)志圖像，并對其進行預(yù)處理，提高交通標(biāo)志圖像質(zhì)量；然后提取交通標(biāo)志圖像的方向梯度直方圖特征和局部二值模式特征，將其作為極限學(xué)習(xí)機的輸入，并將交通標(biāo)志圖像類型作為輸出；最后確定極限學(xué)習(xí)機的相關(guān)參數(shù)，并通過學(xué)習(xí)，建立可以描述交通標(biāo)志圖像類型和特征之間的分類器，如圖6所示。

圖6 機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別原理

2 應(yīng)用實例

2.1 測試環(huán)境

為了分析機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別效果，對其進行仿真分析，如表1所示。

表1 交通標(biāo)志圖像智能識別的測試環(huán)境

在相同測試環(huán)境下，選擇BP神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識別方法和支持向量機的交通標(biāo)志圖像識別方法、最近鄰域法的交通標(biāo)志圖像識別方法、決策樹分類法的交通標(biāo)志圖像識別方法進行對比測試。

2.2 測試數(shù)據(jù)

采用交通標(biāo)志圖像識別數(shù)據(jù)集(German Traffic Sign Recognition Benchmark，GTSRB)作為實驗對象，該數(shù)據(jù)集包括43類交通標(biāo)志圖像，代表性的交通標(biāo)志圖像，如圖7所示。

圖7 部分交通標(biāo)志圖像

2.3 測試結(jié)果與分析

采用5種方法對交通標(biāo)志圖像進行識別測試，統(tǒng)計它們的正確率和識別時間，如表2所示。

由表2可知，

(1) 最近鄰域法、決策樹分類法的交通標(biāo)志圖像識別正確率低，這是因為它們認為交通標(biāo)志圖像類型和特征向量是一種線性變化關(guān)系，這與實際情況相不符，雖然它們的交通標(biāo)志圖像識別時間短、速度快，但無法應(yīng)用于實際的交通智能管理系統(tǒng)中。

(2) BP神經(jīng)網(wǎng)絡(luò)和支持向量機的交通標(biāo)志圖像識別正確率要高于最近鄰域法、決策樹分類法，這是因為它們屬于傳統(tǒng)機器學(xué)習(xí)算法，可以較好描述交通標(biāo)志圖像類型和特征向量是非線性變化關(guān)系，但它們的交通標(biāo)志圖像識別時間長、效率低，無法滿足交通智能管理的實時性要求。

(3) 本文方法的交通標(biāo)志圖像識別正確率要明顯高于當(dāng)前其它方法，而且識別的速度快，獲得了整體性能更優(yōu)的交通標(biāo)志圖像識別結(jié)果，主要是由于引入極限學(xué)習(xí)機算法加快了交通標(biāo)志圖像識別的訓(xùn)練速度，解決了當(dāng)前交通標(biāo)志圖像識別過程中存在的難題，對比測試結(jié)果驗證了本文交通標(biāo)志圖像識別方法的優(yōu)越性。

3 總結(jié)

為了減少交通標(biāo)志圖像識別錯誤率，加快交通標(biāo)志圖像識別速度，在分析當(dāng)前交通標(biāo)志圖像識別方法的基礎(chǔ)上，提出了基于機器學(xué)習(xí)算法的交通標(biāo)志圖像智能識別方法，結(jié)果表明，交通標(biāo)志圖像識別正確率較高、結(jié)果穩(wěn)定、可靠，為交通標(biāo)志圖像識別研究提供了一種新的工具。