基于圖像特征及改進支持向量機算法的交通標志識別

郝永杰+周博文

摘 要： 研究一種基于圖像特征以及改進支持向量機算法的交通標志識別方法。使用顏色以及形狀特征對交通標志圖像特征進行提取，使用Gabor 濾波方法增強處理交通標志圖像。針對支持向量機識別算法的精度在很大程度上受到基本參數的影響，通常根據經驗來進行參數的選取等問題，使用模擬退火算法對支持向量機的參數進行優化選擇。研究結果表明，使用研究的交通標志檢測方法的檢測精度高于其他三種方法，使用顏色和形狀特征提取的檢測精度要高于單獨使用顏色或形狀特征提取方法。

關鍵詞： 圖像特征； 支持向量機； 模擬退火算法； 交通標志識別

中圖分類號： TN911?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2017）08?0097?03

Traffic sign recognition based on image feature and improved support

vector machine algorithm

HAO Yongjie1， ZHOU Bowen2

（1. Hohhot Vocational College， Hohhot 010051， China； 2. College of Management and Economics， Tianjin University， Tianjin 300072， China）

Abstract： A traffic sign recognition method based on image feature and improved support vector machine （SVM） algorithm is studied in this paper. The color feature and shape feature are used to extract the image feature of the traffic sign. The Gabor filtering method is adopted to perform the enhancement processing of the traffic sign image. Since the accuracy of the recognition algorithm based on SVM is affected by the basic parameters to a great extent， and the parameters are selected according to the experience usually， the simulated annealing algorithm is used to select the parameters of the support vector machine optimally. The research results show that the detection accuracy of the traffic sign detection method is higher than that of the other three methods， and the detection accuracy of color and shape features extraction method is higher than that of the single color feature extraction method or shape feature extraction method.

Keywords： image feature； SVM； simulated annealing algorithm； traffic sign recognition

交通安全問題以及道路通信能力不足問題越來越嚴重，人們開始重視如何提升道路交通的安全性及有效性，車輛安全輔助駕駛能夠將道路信息、車輛信息以及駕駛員信息聯系起來，駕駛員在其輔助下能夠對行車環境進行感知，進而達到識別和監測道路信息的目的[1?2]。作為高級輔助系統的重要部分，交通標志識別系統能夠有效地提升駕車的舒適性以及安全性。利用該系統，能夠采集自然場景圖像，經過圖像識別和處理以后就可以檢測交通標志，進而及時警告、指示以及提醒駕駛員[3?4]。

1 基于圖像特征的交通標志檢測特征提取

1.1 基于顏色的交通標志特征

不同的交通標志在顏色上存在著較大的差距，因此在分割交通標志圖像的過程中通常以顏色為基礎來分離抽取交通標志[5?6]。色調V、飽和度S以及色度H三個分量組成了HSV 顏色空間，作為三原色RGB空間的一種非線性變換，HSV顏色空間模型和圓柱坐標系的一個圓錐形子集是相互對應的，實現RGB顏色空間和HSV空間之間的轉換[7]如下：

（1）

（2）

（3）

1.2 基于形狀的交通標志特征

利用顏色抽取的方法能夠在實景圖中提取交通標志區域。然而由于在背景上自然場景和交通標志均比較復雜，如果僅僅依靠顏色無法獲得較為精確的判定結果。但是這種方法能夠將那些顏色比較類似的背景排除掉，主要是因為這些復雜背景和交通標志的特殊形狀存在著一定的差距[8]。矩形、三角形以及圓形為交通標志的三種主要類型，當交通標志不同時其屬性也存在著一定的差距，例如執行到邊緣的距離、伸長度、矩形度以及圓形度等。圓形度、矩形度以及伸長度計算方法如下[9]：

（4）

（5）

（6）

1.3 Gabor濾波

Gabor 濾波首先對核函數模板進行確定，然后對圖像進行卷積操作。Gabor 濾波函數乘以復指數振蕩函數就是所對應的沖激響應。本文在提取特征向量時采用Gabor濾波法，所對應的核函數[10]如下：

（7）

2 改進支持向量機模型

相比于神經網絡，支持向量機不需要太多的訓練樣本，同時對于凸優化問題支持向量機能夠有效的解決，當參數和樣本一致時，訓練模型所得到的預測值就不會產生變化，因此在實際應用和理論中都比神經網絡模型具有更高的性能。

但是在應用的過程中支持向量機需要依靠經驗對學習參數進行選取。比如懲罰因子C和ε等，支持向量機的精度在很大程度上受到這些參數的影響，通常根據經驗來進行參數的選取，這對于支持向量機模型的使用和推廣是不利的。因此本文使用模擬退火算法對支持向量機的參數進行優化選擇。

支持向量機的思想是利用結構風險最小化思想以及構造損失函數的思想，以統計學理論為基礎，通過極小化目標函數就可以對回歸函數進行確定，如下[11]：

（8）

將上述問題轉化為對偶問題：

（9）

解出上述問題即為支持向量機的回歸函數：

（10）

作為一種隨機尋優算法，模擬退火算法是以蒙特卡羅迭代求解策略為基礎的，其基本原理和物理上的金屬退火比較類似。使用模擬退火算法對支持向量機的參數進行優化選擇，主要過程如下：

步驟1：初始化參數。設定支持向量機中的ε，C和σ參數的初始范圍。

步驟2：使用模擬退火算法對支持向量機的參數進行優化選擇。

步驟3：更新最優解。如果，則使，，；否則使。

步驟4：抽樣穩定性判別。如果，則使，并返回步驟2；否則使。

步驟5：終止退火判別。如果，則使，否則使。如果，則終止退火算法，否則繼續向下進行。

步驟6：退火方案。如果，則按照方式進行退火；否則按照方式進行退火。

在利用SA對SVM參數進行確定的過程中能夠記憶性地進行參數的選取，可以存儲當前進化所得到的最優參數，保證可以根據記憶調整參數的選擇過程；同時利用SA算法能夠調整所選取的參數，避免出現局部最小的情況，對于逼近系統的精度以及參數選擇學習速度的提升有非常好的效果[12]。

3 交通標志識別實例分析

通過交通標志識別實例對本文研究的識別方法進行驗證分析。通過實地考察，拍攝了500幅包括826個交通標志的圖像，用于實例分析，部分標志圖像如圖1所示。

本文以文獻[13]中研究的圖像特征檢測方法為例進行對比分析。使用本文研究的圖像特征檢測方法得到的圖像處理結果和使用文獻[13]中研究的圖像特征檢測方法得到的圖像處理結果如圖2所示。

對比本文和文獻[13]中的特征檢測方法可以看出，本文研究的方法處理后圖像中雜點更少，更利于圖像的分類識別。另外，由于文獻[13]中的特征檢測方法使用計算圖像均值處理，因此特征檢測效率相對更低。

下面對交通標志識別準確率進行分析。使用多種圖像特征檢測方法和圖像分類模型進行組合：本文研究的使用顏色和形狀特征提取，改進支持向量機進行圖像分類，稱方法A；使用顏色和形狀特征提取，常規支持向量機進行圖像分類，稱方法B；使用顏色特征提取，改進支持向量機進行圖像分類，稱方法C；使用形狀特征提取，改進支持向量機進行圖像分類[14]，稱方法D。

使用上述四種方法針對拍攝的826個交通標志的圖像進行識別，對比結果如表1所示。

表1 四種算法的識別結果對比

可以看出使用本文研究的交通標志檢測方法的檢測精度高于其他三種方法。使用顏色和形狀特征提取的檢測精度要高于單獨使用顏色或形狀特征提取方法。

4 結 論

交通標志識別系統能夠有效地提升駕車的舒適性以及安全性。交通標志識別系統能夠采集自然場景圖像，經過圖像識別和處理以后就可以檢測交通標志，進而及時警告、指示以及提醒駕駛員。本文研究一種基于顏色和形狀特征以及改進支持向量機算法的交通標志識別方法，并通過實例對所研究的交通標志識別方法的可行性進行了驗證。

參考文獻

[1] 王剛毅.交通標志檢測與分類算法研究[D].哈爾濱：哈爾濱工業大學，2013.

[2] 宋婀娜，房俊杰，李娜，等.一種基于局部特征的交通標志檢測算法的研究[J].現代電子技術，2015，38（13）：114?116.

[3] 楊正帥.基于視覺的道路識別技術在移動機器人導航中的應用研究[D].南京：南京理工大學，2007.

[4] 王忠.基于視覺的道路識別技術在智能小車導航中的應用研究[D].南京：東南大學，2006.

[5] 陳樸.模擬退火支持向量機算法研究及在電力負荷預測中的應用[D].哈爾濱：哈爾濱工業大學，2006.

[6] 陳亦欣，葉鋒，肖鋒，等.基于HSV空間和形狀特征的交通標志檢測識別研究[J].江漢大學學報（自然科學版），2016（2）：119?125.

[7] 王洋.一種基于模板匹配的交通標志識別方法[D].長春：吉林大學，2013.

[8] 盧艷君.交通標志自動檢測與識別算法研究[D].武漢：武漢科技大學，2015.

[9] 鮑朝前.針對圓形和三角形交通標志的檢測與識別[D].北京：北京工業大學，2015.

[10] 周欣.圓形和三角形交通標志分割與識別算法研究[D].上海：華東理工大學，2013.

[11] 李瑾，劉金朋，王建軍.采用支持向量機和模擬退火算法的中長期負荷預測方法[J].中國電機工程學報，2011（16）：63?66.

[12] 張震，徐子怡，袁淑芳.基于支持向量機和模擬退火算法對供暖熱負荷的預測方法[J].自動化技術與應用，2016（2）：10?14.

[13] ZAKLOUTA F， STANCIULESCU B. Real?time traffic sign recognition in three stages [J]. Robotics and autonomous system， 2014， 62（1）： 16?24.

[14] 李光瑞，夏凌，杜健，等.基于顏色特征和SVM的交通標志檢測[J].西華大學學報（自然科學版），2016（1）：89?93.