随着社会进展的加快，在交通事故日益频发的今天，交通安全已经成为迫在眉睫的问题。交通标志识别系统TSR（Traffic sign recognition system）在汽车驾驶领域等发挥着重要作用，而交通标志检测作为TSR的重要组成部分，其重要性不言而喻。设计一个实时性好和准确率高的道路交通标志检测算法依然是国内外学者不断追求的目标。据此，提出基于颜和形状的交通标志检测方法，在该方法中，首先对原始图像进行直方图均衡化的预处理，然后将其转换到YCbCr彩空间下，利用高斯模型进行颜分割，通过进一步的去躁和形态学处理得到粗检测区域，最后结合交通标志的几何形状特征得到最终的检测区域。实验证明该方法能高效准确的提取出交通标志区域图像。
标签：交通标志检测；Ycbcr空间；颜分割；形状检测
doi：10.19311/jki.16723198.2017.13.100
1引言
交通标志在指导汽车驾驶员行驶中非常重要，通过规范驾驶以保障交通道路安全。因此，道路
交通标志的自动检测成为智能驾驶领域的一个重要研究课题。在道路交通标志的研究进程中，虽有突破性的进展，但仍存在一些问题有待解决。在如今交通网络如此发展的时代，设计一个实时性好和准确率高的道路交通标志检测与识别系统显得尤为重要。
交通标志检测作为交通标志识别系统的重要组成部分，吸引了国内外学者的研究兴趣与关注，并取得了一些阶段性的成果。而颜和形状是交通标志最明显的特征，因此，本文综合颜和形状对交通标志进行检测。
2基于颜信息的图像分割
2.1图像预处理
由于交通标志长年暴露在外，在拍摄的时候容易受到光照等因素的影响，图像的亮度会呈现偏暗的情况，因此我们需要对采集的图像进行预处理，以提高图像的质量和可辨识度，使图像有利于进一步处理，为接下来的检测做准备。
车标志识别图本文采用直方图均衡化的方法对图像进行预处理，这是一种利用灰度变换自动调节图像对比度质量的方法，其基本思想是通过灰度级的概率密度函数求出灰度变换函数，它是一种以累
计分布函数变换法为基础的直方图修正法。
均衡化后在程序中，通过MATLAB图像处理工具箱自带函数histeq对灰度图像进行直方图均衡化，图1为原始图像，图2为进行灰度直方图均衡化后的图像，我们可以看到经过直方图均衡化后图像变得更加清晰，能够看到很多细节信息。为了对比预处理前后的图像中每种灰度级出现的频率，我们做出了处理前后的直方图。通过图4可以看出经过对原始图像直方图均衡化后的直方图的分布更加均匀。
2.2彩空间的转换
交通标志图像一般是通过安装在机动车上的摄像机而获取的自然场景图像，其格式是基于硬件模型的RGB图像，是由红（Red）、绿（Green）、蓝（Blue）三个颜分量组成。由于RGB颜模型不能很好地模拟人类对颜的视觉感知，而且R、G、B分量具有高度的相关性，這就意味着，亮度的变化会引起R、G、B分量的变化，故RGB彩空间并不适合彩空间的精确分割，尤其不适合自然场景下的交通标志图像的分割。因而有必要将分量密切相关的RGB空间转换到其分量基本不相关的度空间。本文选取的是将亮度和度信息分离的YCbCr颜空间。
2.2.1RGB彩空间
RGB彩空间是用于显示和保存彩图像的最常用的彩空间，由红（Red）、绿（Green）和蓝（Blue）三个分量组成，在三维空间中的三个分量由三个轴分别与之对应。原点对应于黑，离原点最远的顶点对应于白，其它颜落于三维空间中，RGB彩空间可以表示成一个如下图所示的三维立方体，立方体内每一点的坐标分别代表RGB三个分量的值。
2.2.2YCbCr彩空间
YCbCr颜空间广泛应用于数字视频，在这种格式中，亮度信息用单独的分量Y来表示，彩信息是用两个差分量Cb和Cr来存储的，分量Cb是蓝分量和参考值的差，分量Cr是红分量和参考值的差。目前，YCbCr颜空间已经广泛应用于人脸检测等方面的研究。
本文通过大量实验发现YCbCr的聚类效果最好，因此本文将RGB下的图像转换到YCbCr彩空间下进行处理，从RGB转换到YCbCr的变换是：
YCbCr=16128128+
125665.481128.55324.966-37.797-74.203112.000112.000-93.786-18.214.RGB
2.3高斯顏模型分割图像
将原始图像转换到YCbCr空间后，我们采用高斯颜模型分割图像，得到输入图像中每个像素属于哪类颜的概率，输出图像即为颜似然图像。待提取区域如图6所示，我们可以看到待提取区域有大量的干扰区域存在，为此我们采用MATLAB图像处理工具箱中的bwareaopen函数去掉噪声区域。处理后的图像如图7所示。
2.4提取目标区域
为了得到原始图像的粗检测区域，我们对去燥后的区域进行形态学处理，其中包括膨胀和腐蚀等。再用MATLAB图像处理工具箱的imfill函数对其进行填充，最后将原图像的各个分量和填充后的图像做卷积运算。得到的粗检测区域如图9所示。
3基于形状的交通标志检测
通过基于颜的交通标志分割后的图像仍存在着干扰区域，而形状作为交通标志的另一显著
特征，可以运用到后期的去除干扰区域中去。不同形状的交通标志具有不同的属性，通过求出交通标志区域的圆度（Roundness）、矩形度（Rectangularity）和伸长度（Elongation）来确定交通标志的目标区域。其计算公式如下：
C=4πSP2R=SLHE=minL，HmaxL，H
其中P表示标志区域的周长，S表示标志区域的面积，L表示标志区域的长度，H标志区域的宽度。根据文献并结合实际实验显示，当参数范围取值如下结果时，交通标志区域可以被准确的提取出来。圆形标志的参数取值范围为C>085，R>070，E>085，矩形标志区域的参数取值范围为0.60070，E>0.85，三角形标志的参数取值范围为0350.8。本文根据以上参数取值范围，最终提取得到的交通标志检测区域如图10所示。
5结束语
颜和形状是交通标志最明显的特征，本文综合颜和形状对交通标志区域进行检测，通过大量实验证明，本文方法能够快速有效的提取出交通标志区域。但依然存在问题，比如对模糊和倾斜的交通标志不能很好的检测等，设计出实时性好和准确率高的算法仍有待进一步改进。随着人工智能和机器学习的不断深入，笔者相信在不远的将来可以解决这一难题。
参考文献
[1]杨丹，赵海滨，龙哲.MATLAB图像处理实例详解[J].2013.
[2]敬斌.基于机器视觉的交通标志检测与识别算法研究[D].北京：电子科技大学，2015.
[3]冈萨雷斯，伍兹，艾丁斯阮秋琦.数字图像处理的MATLAB实现[M].北京：清华大学出版社，2013.
[4]常发亮，黄翠，刘成云等.基于高斯颜模型和SVM的交通标志检测[J].仪器仪表学报，2014，35（1）：4349.
[5]张志佳，李文强，张丹等.基于颜与形状特征的交通标志检测方法[J].计算机技术与发展，2015，（7）：174178.
[6]Kastner R， Michalke T，Burbach T，et al.Attention-based traffic sign recognition with an array of weak classifiers[C].Intelligent Vehicles Symposium.IEEE，2010：333339.
发布评论