一種基于局部特征的交通標志檢測算法的研究

摘 要： 給出一般交通標志識別系統的框圖，交通標志的檢測是系統中的重要環節。根據我國交通標志顏色的規定，確定了彩色分割空間HSV的閾值，并以圓形為例，提出一種統一對稱局部特征檢測模板，用來提取自然場景下獲得的目標區域的特征，設計一組模糊規則判定形狀，形成一種基于局部特征的交通標志檢測算法。

關鍵詞： 交通標志； 識別系統； 檢測算法； 局部特征

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2015）13?0114?03

Abstract： Since traffic signs detection is an important link in system， block diagram of general traffic signs recognition system is given. According to traffic signs’ color stipulation in China， the threshold value of color segmentation space HSV is determined. Taking the circle as an example， the feature detection template of unified symmetry local is proposed to extract target region feature in natural scene. A set of fuzzy rules determination form was designed. The traffic signs detection algorithm based on local feature formation is formed.

Keywords： raffic sign； recognition system； detection algorithm； local feature

1 交通標志識別系統

交通標志識別系統（Traffic Signs Recognition，TSR）是高級輔助駕駛系統的重要組成部分，對提高駕車的安全性和舒適性都具有重要意義。系統所完成的功能即通過對自然場景的圖像采集，經過圖像處理與識別，對交通標志進行檢測，及時提醒、指示和警告駕駛人員。系統框圖如圖1所示。主要包括：

（1） 采集數據，自然場景下的交通標志圖像由機動車上的攝像設備進行采集；

（2） 標志檢測，對彩色圖像進行增強、顏色分割、目標區域判斷等過程；

（3） 特征提取，獲取檢測出的交通標志圖像的標志特征向量；

（4） 分類器設計與分類決策，即模式識別，包括交通標志的特征顏色、形狀等。

交通標志的檢測是系統的一個關鍵環節，充分利用特征信息，將簡化系統設計，同時大大提高系統的實時性和識別精度。系統將對交通標志的特征顏色、形狀及其內部圖形組成等進行算法分析，本文以圓形的標志為例，根據局部特征檢測目標區域，設計了檢測模板并用模糊規則確定目標區域的形狀，完成一種基于局部特征的交通標志檢測算法。

2 彩色空間的分割

由于安裝在機動車上的數據采集設備獲取的是基于RGB顏色模型的圖像，而RGB顏色模型不易被模擬，即RGB 彩色空間并不適合彩色空間的精確分割，尤其不適合自然場景下的交通標志圖像的分割。為了讓顏色系統更接近人類對色彩的感知，更適合自然場景下對彩色圖像的顏色分割，因此將分量密切相關的RGB空間轉換到分量不相關的HSV（色調、飽和度、數值）彩色空間。將RGB轉換為HSV就是將數值從笛卡爾坐標系映射到柱坐標系，映射公式如下：[H=16G-Bmax-min，if R=max162+B-Rmax-min，if G=max164+R-Gmax-min，if B=max] （1）

根據我國交通標志的顏色規定GB8416?87[1]，并結合多幅自然場景下交通標志圖像的分析，確定了HSV空間的具體顏色閾值，如表1所示。

[S=max-minmax] （2）

[V=max（R，G，B）] （3）

3 基于局部特征的交通標志檢測算法

3.1 交通標志檢測算法的流程圖

首先根據表1中的顏色閾值，將自然場景下RGB格式的交通標志圖像轉換同時進行彩色分割，按照HSV空間的顏色閾值轉換成為三幅二值的圖像。得到的圖像還需進行濾波處理，去除圖像中的干擾信號，對目標區域進行列表，計算圖像中聯通區域的特征和個數，將非交通標志區域去除，最后根據形狀判別算法確定該圖像是否為交通標志。交通標志檢測算法的流程圖如圖2所示。

3.2 自適應中值濾波器設計

為去除圖像采集和傳輸過程中產生的噪聲，減小圖像分割、圖像識別、圖像檢測的難度，必須進行圖像去噪，這是標志識別系統中的一個重要環節。選用中值濾波器，它是應用最廣的一種統計濾波器，擁有優秀的去噪能力[2]，能將鄰域內灰度值的中值代替像素的值。但中值濾波器在有效地濾出噪聲的同時，往往也去掉了圖像的細節，因此選用一種自適應的多級中值濾波器。自適應中值濾波器可以在平滑非脈沖噪聲圖像時更好地保持圖像的細節，同時最大程度地濾除脈沖噪聲，對系統帶來的好處遠遠超過傳統中值濾波器。

3.3 局部特征的提取

（1） 統一的對稱局部特征檢測模板

為確認目標區域是否是交通標志，需對其形狀特征進行形狀判別。為此提出一種統一的對稱局部特征檢測模板，如圖3所示。形狀初步檢測模板的大小為32×32像素，形狀驗證模板尺寸為8×8 像素，在兩個模板的四個頂點和四條邊的中心位置上有四個檢測局部特征的子模板。

以圓形檢測為例：形狀初步檢測模板與確認模板如圖4所示，可基于模糊規則的形狀判別寫出其算法。

（2） 子模板內含有特征顏色像素個數的隸屬度函數

如圖5所示，橫坐標為子模板內含有特征顏色像素的個數，縱坐標為隸屬度函數的值。這樣定義后便于用模糊推理來確定目標區域的形狀[3]，對交通標志的形狀特征進行深入分析。

4 結果分析

任取一幅具有三個交通標志的圖像，如圖6（a）所示，這三個標志剛好對應紅色、藍色和黃色，因此根據顏色的閾值在HSV空間上進行顏色分割，得到圖6（b）～圖6（d），再經過濾波、形狀判別、用局部特征等算法流程，得到檢測的交通標志圖像如圖6（e），圖6（f）所示。

5 結 論

利用設計的交通標志檢測算法分別檢測在不同自然場景下的交通標志圖像，結果表明，該交通標志檢測算法檢測率基本達到90%左右；該算法具有較好的魯棒性，對表面有污損的，但特征顏色輪廓完整的標志也能正確檢測。

通過分析，天氣情況、交通標志的表面顏色退化、被污染或場景中有干擾，如道路邊上的廣告牌、路邊行人、路邊的建筑物，數據采集時的角度、交通標志設計的大小等，都是影響檢測率的重要因素。

參考文獻

[1] 楊久齡，劉會學.GB 5768?1999《道路交通標志和標線》應用指南[M].北京：中國標準出版社，1999.

[2] 邊肇祺，張學工.模式識別[M].北京：清華大學出版社，2000.

[3] WANG Xin. Adaptive multistage median filter [J]. IEEE Transactions on Signal Processing， 1992， 40（4）： 1015?1017.

[4] 李士勇.模糊控制·神經控制和智能控制論[M].2版.哈爾濱：哈爾濱工業大學出版社，1998.

[5] 張穎，秦光潔.一種魯棒的交通標志檢測方法[J].現代電子技術，2009，32（23）：177?181.

[6] 謝小軍，張紹陽.機動車輛磁像識別技術在交通控制中的應用[J].現代電子技術，2003，26（3）：86?87.