基于街景影像的交通標志識別

陳興華，萬幼川，王曉華

（1. 武漢大學 遙感信息工程學院，湖北 武漢 430079；2. 天津市測繪院 地理信息中心，天津 300381）

基于街景影像的交通標志識別

陳興華1，萬幼川1，王曉華2

（1. 武漢大學 遙感信息工程學院，湖北 武漢 430079；2. 天津市測繪院 地理信息中心，天津 300381）

針對街景影像中交通標志識別存在的問題，結合交通標志的對稱性特點和Hough變換對圖形檢測的抗殘缺能力，提出一種基于Hough變換搜索交通標志中心點的交通標志檢測方法。在識別過程中，利用SIFT算法將提取的目標區域依次與對應模板庫中的模板影像匹配進行交通標志的識別。

交通標志識別；Hough 變換；SIFT算法；PM算法

交通標志識別包括兩個階段：交通標志的檢測和交通標志的識別[1-3]。基于彩色空間的閾值分割方法具有操作簡單、速度快等特點，但光照變化會對影像分割造成干擾，導致漏檢測和誤檢測現象。楊恒等[4]利用波段差值及歸一化操作對特定顏色進行放大，判斷是否存在交通標志，但未提及交通標志分割不完整時的處理方法。本文基于交通標志的對稱性，利用Hough變換檢測其中心點，以改善由于分割不完整而帶來的錯誤檢測。對于同時存在多個交通標志的影像來說，該方法無論在速度、準確度上都達到了不錯的效果。同時，我們行駛過程中拍攝的交通標志圖像相對于標準的交通標志圖像來說，絕大多數存在旋轉、扭曲或變形。本文采用SIFT算法對檢測后的目標區域進行識別，可以有針對性地緩解該問題[5-7]。

1 交通標志檢測

1.1 顏色特征檢測

對于街景影像來說，光照條件是一個重要的干擾因素，會直接影響圖像的亮度和色度分量。攝像機拍攝到的彩色圖像是基于RGB彩色空間的，受光照影響較大，且R、G、B三個分量間存在高度的相關性，而HSV彩色空間以波段方式將亮度與色度分量區分開。采用了H、S分量進行閾值分割，通過對不同光照條件下不同種類交通標志影像進行反復實驗，本著最大可能分割目標、最小可能摻入干擾背景的原則，選取閾值如表1。

表1 HSV彩色空間顏色分割閾值

在檢測階段，影像中交通標志的存在性、屬性和個數是未知的。采用顏色分割和融合處理相結合的方法，具有很強的適用性。將圖像轉換到HSV彩色空間，然后依據紅、黃、藍分割閾值對影像進行顏色分割，將生成的3張二值影像進行融合處理,再對新的融合影像進行下一步的去噪處理以及形狀檢測，不但簡化了算法的復雜度，而且便于利用不同種類交通標志間的相對位置進行約束，實現3類交通標志的并行計算。然而，經過分割處理的影像存在噪聲點，需要對融合產生的新影像進行去噪處理。

各向異性擴散算法[8]（簡稱PM 算法）的基本原理是借助梯度算子來辨別由邊緣引起的圖像梯度變化與由噪聲引起的圖像梯度變化,采用鄰域加權平均的方法去除由噪聲引起的小梯度變化,同時保留由邊緣引起的大梯度變化。這個過程反復迭代進行,直到圖像中的噪聲被去除。各向異性擴散算法計算公式[9]如下：

式中，c（║?I║）為擴散方程；t為引入的時間算子，表示降噪過程與擴散持續時間相關；║║表示幅度；div為散度算子； ?為梯度算子。在PM模型中,c（║?I║）是關于梯度的函數,平坦區域的梯度較低會得到較強的平滑效果，接近邊緣區域的梯度較高，對此PM模型盡可能地減少平滑甚至不平滑，從而保留了圖像的邊緣。

1.2 基于Hough變換搜索交通標志中心點

Hough變換[10]是將原圖像從空間域變換到參數域，用大多數邊界點滿足的某種參數形式來描述圖像中的曲線，通過設計累加器求得峰值，那么峰值所對應的點就是所求的信息，從而將圖像中較為困難的全局檢測問題轉換為參數空間中相對容易解決的局部峰值檢測問題。

本研究涉及的交通標志形狀主要有正三角形、正方形、圓形，其中正三角形與正方形的中心即其外接圓心。對于改進的Hough變換圓心檢測算法來說，它對圖形的殘缺有一定的抗干擾能力，同時結合隨機Hough變換只利用影像中的3個點就可以進行圓心搜索[11]，再參考正三角形、正方形與圓的關系，就可以推算出基于Hough變換搜索正三角形與正方形的中心。

算法的流程為[12]：

1）將去噪后的影像梯度化，進行閾值處理，對滿足閾值的點進行下一步處理。

2）根據極坐標公式a =x-r·cosθ，b = y-r·sinθ，計算在半徑范圍內潛在的圓心坐標。其中x、y為當前像素的坐標值，r為圓的半徑，θ為求得的梯度方向角。

3）使用梯度作為權重因子，將上一步計算的圓心坐標值與其相對應的權重因子作運算，計算二維累加數組。累加值滿足閾值的元素所對應的a和b就是被檢測圓的圓心坐標，也就是所求得的交通標志中心點。

2 SIFT識別

SIFT 算法[13]是一種尺度不變性算法，對于圖像經度與緯度傾斜變化以及噪聲也具有一定的穩定性，在場景匹配、目標識別等領域有很大的利用價值。SIFT算法主要包括以下幾個部分：檢測尺度空間關鍵點、確定極值點位置、提取極值點主方向、生成SIFT特征描述符。

1）檢測尺度空間關鍵點。首先構建圖像金字塔，利用DOG差分算子求得圖像的特征點,然后檢測DOG空間的局部極值點，形成尺度空間的關鍵點。

2）確定極值點位置。通過擬合三維二次函數去除對比度較低的特征點以及不穩定的邊緣響應點，從而精確定位極值點的位置,進而增強匹配的穩定性，提高抗噪聲能力。

3）提取極值點主方向。通過尺度不變性求極值點，可以使其具有縮放不變的性質，利用關鍵點鄰域像素的梯度方向分布特性來確定關鍵點的主方向，從而使SIFT算子具有旋轉不變性。

4）生成SIFT特征描述符。通過對關鍵點使用SIFT特征描述符，可以使得關鍵點獲得更多的不變特性。

在利用SIFT算法進行匹配之前，首先要建立交通標志模板庫。模板影像一部分來自GB5667-1999[14]的樣例圖片，一部分依據相關標準設計。為了加快匹配速度，將交通標志模板庫中的影像按照顏色、形狀進行分類，并統一分辨率為80像素×80像素。禁令標志模板庫共有47個交通標志,包括國標中的38個交通標志和9個衍生標志；警告標志模板庫包括國標中的30個交通標志；指示標志模板庫包括國標中的20個交通標志。

3 實驗與分析

以天津6條道路的部分序列影像和郁江道的全部序列影像作為實驗對象，所要識別的交通標志面積相當于影像的2．47‰～10．44‰。影像分辨率為1 024×512。實驗環境為Intel處理器，2 GB內存，實現軟件為Matlab2010。

將影像轉換到HSV彩色空間，按照表1所設定的閾值，分別對影像進行分割，將生成的3張二值影像融合，形成新的目標影像，如圖1a。融合影像去除了背景影像，保留了交通標志區域，但存在噪聲。利用PM去噪算法對影像進行處理，如圖1b。從圖中可以看出，經過PM算法處理的影像，交通標志內部區域更加完整，邊緣更加清晰，同時也減少和淡化了影像中的部分雜質點。

對經過去噪處理的影像，利用Hough變換搜索3類交通標志中心點，取中心點附近區域，按照顏色、面積以及對稱性原則進行分析，判讀是否存在交通標志以及存在交通標志的類別，對目標區域進行提取。圖1c中黑色十字為搜索到的交通標志的中心點。

對中心點附近區域利用Hough變換進行形狀檢測。對于禁令標志來說，在檢測中心點的時候，就已經記錄下其半徑范圍，可以直接提取圓形區域。對于警告標志與指示標志來說，取其中心點附近區域利用Hough線檢測算法進行直線檢測，分別提取三角形與正方形區域。經檢測如果警告標志區域不存在三角形，則認為該中心點不是交通標志中心點；經檢測如果指示標志區域不存在正方形，則進一步分析是否存在圓形，如果存在，則提取圓形區域；如果不存在，則認為該中心點不是交通標志中心點。圖1d中黑色十字為搜索的交通標志中心點，黑色線段代表檢測到的交通標志形狀。

圖1 交通標志檢測

將上一步提取的目標區域分別與對應模板庫中的影像相匹配，獲得匹配點最多的庫影像即為該目標區域的屬性。如果所有模板影像的匹配點數均小于4個，則判定該目標區域不是交通標志。圖2為禁令標志識別示意圖，可以看出，目標區域與限制高度3．5 m的庫影像匹配點數最多為14個，可判定為限制高度3．5 m的交通標志。圖3為指示標志識別示意圖，可以看出，目標區域與允許掉頭的庫影像匹配點數最多為7個，可判定為允許掉頭的交通標志。

圖2 禁令標志識別示意圖

圖3 指示標志識別示意圖

對于交通標志識別系統來說，檢測和識別的準確度與時效性都是至關重要的，表2和表3為本算法的統計數據。從中可以看出，無論是準確度還是時效性，都獲得了不錯的效果。

表2 交通標志檢測和識別情況統計表

表3 郁江道檢測和識別情況統計表

未能正確檢測和識別的原因主要有兩點：①交通標志區域被陰影遮擋嚴重或拍攝天氣惡劣，存在過度曝光或光線不足等情況，使得亮度和色度嚴重偏離交通標志區域的正常數值范圍，利用HSV進行彩色閾值分割無法將其與背景分開；②交通標志面積過小，使得經過彩色閾值分割獲得的顏色特征總數達不到要求，被當成噪聲點忽略了。

[1] 劉紅．自然場景下交通標志圖像識別方法研究[D]．鄭州:鄭州大學,2011

[2] 胡曉光,朱欣焰,柳林,等．基于字袋模型的交通標志識別方法研究[J]．測繪科學, 2012(6):107-110

[3] 徐迪紅,唐爐亮．基于顏色和標志邊緣特征的交通標志檢測[J]．武漢大學學報：信息科學版, 2008(4):433-436

[4] 楊恒,劉肖琳．基于SURF的車載實時交通標志識別系統[J]．微計算機信息,2011(6):101-102

[5] 胡錦城,李實英,李仁發．基于高穩定SURF特征的交通標志識別[J]．計算機應用研究, 2012(8):3 179-3 181

[6] 肖楠．基于局部特征的交通標志識別[D]．大連:大連交通大學,2012

[7] Vitabile S, Pollaccia G, Pilato G,et al． Road Signs Recognition Using a Dynamic Pixel Aggregation Technique in the HSV Color Space[C]．11th International Conference on Image Analysis and Processing,2001

[8] Perona P,Malik J． Scale-space and Edge Detection Using Anisotropic Diffusion[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(7):629-639

[9] 余錦華,汪源源．基于各向異性擴散的圖像降噪算法綜述[J]．電子測量與儀器學報,2011(2):105-116

[10] Hough P V C． Method and Means for Recognizing Complex Patterns[P]．US:3069654,1962

[11] 朱桂英,張瑞林．基于Hough變換的圓檢測方法[J]．計算機工程與設計,2009(6):1 462-1 464

[12] 瞿鈞,甘嵐．梯度Hough變換在圓檢測中的應用[J]．華東交通大學學報,2007(1):101-104

[13] Lowe D．Distinctive Image Features from Scale-Invariant Keypoints[J]．International Journal of Computer Vision , 2004,60(2): 91-110

[14] GB5768-1999．道路交通標志和標線[S]．

P237.3

B

1672-4623（2014）05-0075-03

10.3969/j.issn.1672-4623.2014.05.027

陳興華，碩士，主要研究方向為圖像處理、機器視覺、智能車和智能交通系統。

2013-11-08。

項目來源：國家科技支撐計劃資助項目（2012BAH34B02，2012BAJ15B04）。