基于分類技術的交通標志自動識別的研究與實現

張宇新 李夢縈 宋海玉 郭屴煥 何炳金 侯建新 周巖

摘要：自動交通標志識別是智能交通系統不可缺少的一部分。因為隨著車輛的增加，人工智能的智能交通系統的實現是必要的，智能交通系統主要是通過獲取外界環境信息來做出相應的判斷和反應。文章采用梯度直方圖方法作為交通標志的視覺特征向量，并采用支持向量機完成模型的訓練和識別，在德高標準數據集GTSRB上正確率為72.08%。

關鍵詞：智能交通系統;支持向量機技術;卷積神經網絡;特征向量;分類技術 文獻標識碼：A

中圖分類號：TP311 文章編號：1009-2374（2016）04-0007-02 DOI：10.13535/j.cnki.11-4406/n.2016.04.004

在飛速發展的當今社會，經濟取得了飛速的發展，機動車輛越來越普及，道路上的車輛也越來越多，這對交通管理提出了嚴峻的考驗，發生交通事故的概率更大，司機也面臨著更多的困難和挑戰，因此智能交通系統也就應運而生了。20世紀80年代，許多發達國家就開始研究智能交通系統了，智能交通系統通過對道路信息的協調處理能夠有效地緩解交通阻塞和減少交通事故的發生。由于交通標志包含了大量的道路信息，例如限制高度、急轉彎等限制信息和控制信息，能夠對這些標志進行識別并及時給司機以提醒，并能夠有效避免交通事故發生和確保交通安全性，所以自動交通標志識別也成為了智能交通系統中不可缺少的一個部分。自動交通標志識別不僅能夠推動社會的進步，而且也能夠推動未來汽車事業的發展。

1 交通標志的特征表示

1.1 基于顏色特征向量提取

圖像的顏色特征是圖像的基本特征之一，也是應用得最多的圖像視覺特征。與其他的圖像視覺特征相比，圖像的顏色不受圖像大小、角度以及方向的影響，相對較獨立，所以提取顏色的特征向量也相對較容易。顏色特征的提取主要是依據對應不同顏色空間模型而有所差異。顏色模型包含許多種類，主要介紹以下三類：RGB顏色空間、HSI顏色空間、CMY顏色空間。

1.2 基于形狀特征向量提取

基于形狀特征向量提取的思想就是將圖像中物體或區域的形狀作為圖像的特征，這個特征是圖像中的一部分或區域劃分出來的特征。形狀特征主要包含兩種，分別為輪廓特征和區域特征。兩者的區別就是輪廓特征只用到物體的外邊界，而區域特征需要用到整個形狀區域的數據。

1.3 基于紋理特征向量提取

紋理特征反映的是圖像中事物本身的本質，它不依賴于顏色或亮度，是所有物體表面所共有特征，比如衣服、鞋等都有對應的紋理，紋理特征包含了物體的表面信息，可以通過紋理特征找到和其相似紋理的圖像，從而可以達到分類的效果，類似的基于紋理特征向量提取也已經研究得很成熟了，主要運用的方法有灰度共生矩陣、Gabor、Tamura紋理特征等。

2 基于SVM技術的交通標志識別

SVM技術算法的主要功能就是：找到并建立一個最優決策超平面，使分類器的正確分類的效率更高，最終將問題轉化為一個二次優化的問題，從而對分類問題提供良好的泛化能力。總的來說，SVM的基本思想如下：

如果訓練點的類別是線性可分的（兩類），那么只需要在原空間中找到兩類樣本的最優決策超平面，如果訓練點的類別是不可分的（多類），那就將其原始的空間映射到高維的特征空間，然后再在該高維的特征空間中尋找最優決策超平面。SVM通過運用不同的具有特殊性質的核函數，使高維數空間中的內積運算變成了低維數空間中的非線性運算，避免了高維空間中的計算問題，減少了復雜度和計算量。

SVM模式分類可分為兩種，也就是兩模式分類及多模式分類。兩模式分類即上面所說的訓練點是線性可分的，只需要構造一個超平面將訓練點劃分成兩類即可，相對于多模式分類，兩模式分類是它的一個特殊情況。多模式分類就是將多類分類問題化解為多個兩類問題。每一個兩類問題訓練點集合都包含原訓練集中的所有訓練點，其中一類訓練點被標記為+1，剩余的訓練點被標記為-1，因此一個多模式分類就是多個兩模式分類，下面以一個兩模式分類來說明其分類原理。

如圖1（b）所示，通過兩類訓練點中離超平面最近的點且平行于最優分類面的超平面Hl、H2上的訓練點，滿足式（1）的等號成立的條件。Hl、H2上的訓練樣本就稱作樣本的支持向量。可見，支持向量本身就是支持了最優分類面的那部分樣本。

第一，對線性可分的情形，求最佳（w，b）歸結為二次規劃問題。利用拉格朗日方法求解，即在約束條件：

3 實驗結果及分析

本次試驗采用了交通標志識別領域影響最大的德國數據集GTSRB，以便增強實驗的可靠性。下面我們詳細介紹以下特征向量的組成：第一種方法我們選用對圖像進行分塊的方法進行特征向量的提取，即將原始圖像分割成若干小的圖像塊，每一幅圖像分成相等的塊數，然后對每一小塊進行特征向量的提取，本文選擇效果較好的“顏色+紋理”為特征向量;第二種方法采用網上所提供的德國數據集中的特征向量，例如HOG、Hue特征向量進行實驗。

通過查閱資料，對訓練參數進行不斷調整，以達到最好的分類結果。以下是在不同訓練參數和對應的特征向量下的分類識別的準確率，最高的準確率為72.0823%。

如表1所示，使用支持向量機方法對交通標志進行分類，通過對參數的調整能夠取得較好的實驗效果。Hue和HOG特征的效果較差，但是根據結果能夠發現，其SVM的訓練還不完全，所以不能完全認為基于局部特征的特征向量優于Hue和HOG，只能說在當前的實驗配置下，基于局部特征的特征向量取得了較好的分類效果。

4 結語

現如今對于自動交通標志識別的研究非常熱門，但效果比較好的算法都是由國外的學者研究出來的，國內對于自動交通標志識別的研究還處于起始階段。本文主要介紹了運用支持向量機技術進行交通標志的分類。在前人研究的基礎上，成功將SVM技術應用到交通標志分類上，并通過對訓練函數的參數進行不斷調整，在德國數據集上進行實驗，使得分類正確率達到72%。

參考文獻

[1] 沈蘭蓀，張菁，李曉光.圖像檢索與壓縮域處理技術的研究[M].北京：人民郵電出版社，2008.

[2] J.R.Parker，景麗.圖像處理與計算機視覺算法及應用[M].北京：清華大學出版社，1995.

[3] 楊志民，劉廣利.不確定性支持向量機算法及應用

[M].北京：科學出版社，2012.

（責任編輯：周 瓊）