基于ICF和多級分類器的交通標志檢測*

鄭天宇, 王 年, 唐 俊

(安徽大學 電子與信息工程學院,安徽 合肥 230601)

基于ICF和多級分類器的交通標志檢測*

鄭天宇, 王 年, 唐 俊

(安徽大學 電子與信息工程學院,安徽 合肥 230601)

針對傳統的基于積分通道特征(ICF)和Adaboost交通標志檢測算法，召回率過低和誤檢率過高的問題，提出了一種兩階段交通標志檢測方法。第一階段對ICF進行譜聚類并結合Adaboost算法學習得到目標感興趣區域(ROI)；第二階段對所獲得的感興趣區域進行直方圖均衡化，利用尺度不變特征變換(SIFT)描述子與支持向量機(SVM)分類器相結合，提高了目標區域檢測的準確性。通過德國交通標志數據集(GTSDB)的驗證，結果表明：采用SICF-Adaboost +SIFT-SVM構建的交通標志級聯分類器檢測算法相對于傳統的ICF-Adaboost算法召回率高且誤檢率低，適用于真實場景下的交通標志檢測。

交通標志檢測； 形狀分類器； 譜聚類； 積分通道特征； 感興趣區域

0 引 言

作為輔助駕駛系統中重要組成部分,交通標志識別能夠給司機提供關于道路安全的預警信息。道路交通標志識別主要涉及兩個問題：交通標志檢測和交通標志分類。標志檢測意味著在輸入圖像空間中準確定位交通標志，而標志分類是將其劃分到特定的交通標志子類型中。因此，標志檢測是標志識別的前提和基礎。

交通標志由于具有顏色和形狀信息便于人們在道路交通環境中將其與周圍的背景區分開。在顏色特征識別，主要指基于不同顏色空間的閾值分割方法將感興趣的顏色分割出來，包括RGB空間,HSV空間,HSI空間等。基于形狀的方法包括Hough變換和Zernike不變矩。文獻[1]采用由粗到精的滑動窗口方案，即先通過小尺度窗口粗略地檢測交通標志圖像得到感興趣區域(region of interest,ROI)，然后再通過大尺度窗口對目標ROI進行精檢。文獻[2]利用顏色概率模型將源圖像轉換成概率圖，并在概率圖上運用區域特征提取(MSER)算法得到ROI，最后結合積分通道特征檢測器進行精檢以提高檢測準確率。文獻[3]結合聚類特征和Adaboost算法對車輛進行檢測，并通過采用多分辨率模型提升檢測率。基于此，本文提出了一種兩階段的交通標志譜檢測方法,包括SICF檢測器階段和SVM形狀分類器階段。

1 基于譜聚類特征的粗檢

1.1 ICF

ICF由Dollar P等人在2009年提出[4]，從特征描述的角度來探討解決問題的可能性。ICF是通過積分圖對輸入圖像的各種通道特征進行快速計算。典型通道類型包括強度、顏色、積分直方圖、梯度直方圖、線性濾波和非線性濾波。本文只考慮一階特征，即對給定通道上矩形框內所有像素的像素值進行求和運算。首先通過隨機選取通道類型和矩形框的大小產生一個候選特征池，然后結合Boosting算法和軟級聯分類器學習選擇這些特征。采用LUV顏色空間、梯度直方圖、梯度大小的組合作為通道特征。GTSDB數據庫上“限速20”的通道類型選擇如圖1所示。交通標志的ICF計算流程如下：

1)對輸入圖像創建10個和源圖像相同大小的浮點矩陣，即通道類型。

2)對源圖像進行灰度轉換，并分別計算灰度圖像的梯度方向和梯度幅值。

3)將梯度方向分別離散化到6個區間，通過梯度幅值分別向6個方向通道進行投票。

4)對梯度幅值進行復制并創建幅值通道特征，同時計算LUV通道特征。

5)分別對這10個通道進行積分操作，并輸出最終的ICF。

圖1 交通標志圖像的通道類型選擇示例

1.2 特征聚類

交通標志本身一般都含有大量的類內變化，這給交通標志檢測帶來了挑戰。本文對訓練數據的顏色和梯度特征進行聚類，通過聚類學習得到一個整體的模型[5],可以有效地處理物體遮擋以及方向變化等造成的問題。采用的譜聚類算法具體過程描述如下：

輸入：數據樣本集，尺度參數集， 聚類個數K；

輸出：聚類結果。

1)獲取給定訓練樣本的ICF特征描述子，然后選取高斯核函數計算任意樣本數據xi和xj之間的相似度并得到相似度矩陣W∈Rm×n，Wij=exp(-‖xi-xj‖2/2σ2)為相似度矩陣中的元素,其中,σ為尺度參數。

2)根據度矩陣D來構建標準化圖拉普拉斯矩陣L=D-1/2WD-1/2，其中度矩陣D是由相似性矩陣Wij計算得到，即將Wij的每一列元素相加得到的數作為度矩陣主對角線元素(其他位置上的元素均等于0)。

3)對矩陣L進行特征值分解,并計算前k個特征值對應的特征向量，得到矩陣X=[x1,x2,x3,…,xk]。

5)將矩陣Y中的每一行看作為k維空間中的一個向量，并應用c-means經典聚類算法對訓練樣本的ICF向量進行聚類，并輸出聚類結果。

1.3 基于譜聚類特征的SICF檢測器實現

針對自適應譜聚類后的ICF，本文運用Adaboost算法[6]學習一個2層決策樹進行分類判別，其中每個節點是一個簡單的樹樁分類器。樹樁分類器由矩形區域，通道類型和閾值共同決定。通過不斷增加弱分類器的數量來執行4個回合(32，128 ，512 ，2 048)的訓練，訓練完成后將若干個不同的弱分類器進行線性加權組合得到最終的強分類器。訓練開始時，有5 000個正樣本和5 000個負樣本，在每個回合中將較難分類的負樣本再加入到負樣本訓練集中重新進行訓練。由于樹樁的數目比較大，采用隨機抽樣子集訓練分類器，最后該特征池隨機抽樣總共產生30 000個候選矩陣。

2 基于SVM的形狀分類器精檢

為了達到較高的檢測準確率，需要在第一階段提取目標ROI中保持較高的召回率。這使得提取后的ROI中包含大量的假陽性區域。為了濾除這些假陽性區域，結合交通標志規則的形狀信息并運用SVM訓練形狀分類器,在第二階段將形狀不規則的干擾區域排除，以進一步去除誤檢標志。

2.1 直方圖均衡化處理

在自然環境中，由于存在光照強度不同、霧霾天氣等因素的影響，導致第一階段提取的ROI存在亮度過低或者背景與前景對比不明顯的交通標志圖像，所以,需要對候選ROI進行直方圖均衡化的預處理操作[7]，通過擴大圖像中背景與前景灰度值的差別以提高圖像對比度，從而獲得更清晰的圖像輪廓,其結果如圖2所示。

2.2SIFT-SVM去除誤檢

基于尺度空間的SIFT[8]，對圖像尺度縮放，空間旋轉，光照強度變化以及仿射變換都具有很強的魯棒性。SIFT已經被證明是目前匹配性能最好的方法之一。通過檢測尺度空間極值準確定位關鍵點的位置，這些關鍵點通常包含進行特征匹配的重要信息。本文選取SVM作為分類器，通過非線性映射將輸入空間向量x映射到高維空間中，在高維空間中確定能夠正確劃分數據集的最優決策函數。在第二階段使用SVM形狀分類器的目的是有效地去除在第一階段被錯誤地認為是交通標志的區域。SIFT局部描述子與SVM分類器的結合可以有效地去除誤檢[9]。訓練階段，從正負樣本中提取128維的SIFT局部特征描述子，然后將提取后的SIFT局部特征送入線性SVM分類器中進行訓練。檢測階段，提取待檢測樣本的SIFT特征，然后將其傳遞到訓練好的SVM二分類器中。如果輸入為正樣本，則輸出為+1；反之，則輸出為-1。

2.3 形狀分類器設計

本文建立4個形狀(三角形、倒三角形、圓形、菱形)分類器。4個分類器訓練結束后，每一個輸入ROI的局部特征描述子在這4個分類器上都有一個輸出結果。如果待輸入的區域為交通標志，則輸出為1；否則，為-1。然后，對這4個輸出結果進行投票選擇，即將輸出結果相加。只有當投票結果為-2時，表示4個分類器中有一個輸出為1，即輸入的ROI屬于這個分類器的形狀，而其他3個形狀分類器的輸出結果都為-1，不屬于其余3個分類器時，才判定為交通標志；其它的情況將判定為噪聲區域，并將其濾除。

3 交通標志檢測算法實驗與分析

3.1 實 驗

本文采用的是GTSDB。在第一階段ICF檢測器的訓練中，正樣本選取的是GTSDB中的600張交通標志圖像，每張圖像為1 360像素×800像素；負樣本選取Inria行人數據庫中1 300張圖像。在第二階段4種形狀分類器的訓練中，正樣本選取來自GTSRB中4×500張交通標志圖像，其中每個形狀的樣本數為500；負樣本選取Inria行人數據庫中500張圖像。本文采用有監督學習，將正樣本標簽置為1，負樣本標簽置為-1。 這樣對于每一個分類器都有2 500張訓練樣本(正樣本500張、負樣本2 000張)。訓練前需要對每張圖像進行歸一化處理，每張圖像被調整為64像素×64像素。測試圖像選取GTSDB測試集，均為自然環境下高速公路和城市道路上采集的圖像，共300幅。訓練測試流程圖如圖3所示。

圖3 訓練測試流程

用于交通標志檢測器性能評價的實驗平臺為戴爾工作站，其主要配置為：Intel(R)Core(TM) i7-3770 CPU @ 3.40 GHz的處理器，8 G內存，操作系統為Windows 7，編程軟件為Matlab 2015a。

3.2 實驗結果與分析

為了驗證本文提出算法的有效性，在采用相同的訓練樣本和測試樣本情況下，分別采用ICF-Adaboost[4],SICF-Adaboost[3],SICF-Adaboost+SIFT-SVM(下面分別稱為算法一、算法二和本文算法)3種不同的算法，進行對比實驗。選取分類器檢測率RD和誤檢率RF作為評價指標，其中RD=Tp/Ap，RF=Fp/As，Tp為正確識別交通標志數；Ap為總交通標志數；Fp為錯誤識別交通標志數；As為總樣本數。

3種不同算法在GTSDB測試數據集上的標志檢測結果分別如表1所示。可以看出:在檢測率方面算法二低于算法一。因為SICF-Adaboost算法在訓練之前對訓練數據的ICF特征進行譜聚類能夠有效提高檢測率。將本文算法與算法二進行比較可知，檢測率相同，但是本文算法誤檢率小于算法二。這是由于本文算法增加了基于SVM的形狀分類器設計階段，對第一階段的候選目標區域進行了精檢，有效地降低了誤檢率。測試所用的圖像分辨率為1 360像素×800像素。圖4分別給出了3種不同算法的ROC曲線圖，從中可以看出:基于SICF-Adaboost+SIFT-SVM檢測算法有著最佳的交通標志檢測效果。圖5為本文算法在復雜場景下的檢測結果,其中正確檢測到的交通標志用矩形框框出。

表1 交通標志檢測結果

圖4 3種算法的ROC曲線

圖5 不同實景下的交通標志檢測結果示例

4 結束語

為了解決傳統基于ICF-Adaboost交通標志檢測算法檢測率過低的問題，提出了SICF-Adaboost+SIFT-SVM兩階段的級聯分類器。實驗結果表明:本文算法能夠正確確定標志位置并將其切割出來，同時，對光照、天氣變化等因素帶來的影響有較好的抑制作用。另外，對比4種形狀類別的檢測結果，發現倒三角形的檢測率較低，如何提高倒三角形交通標志的檢測率，將是下一步研究工作的重點。

[1] Wang G,Ren G,Wu Z,et al.A robust,coarse-to-fine traffic sign detection method[C]∥International Joint Conference on Neural Networks,IEEE,2013:1-5.

[2] Yang Y,Wu F.Real-time traffic sign detection via color probabi-lity model and integral channel features[C]∥Pattern Recogni-tion,2014:545-554.

[3] Ohn-Bar E,Trivedi M M.Learning to detect vehicles by cluste-ring appearance patterns[J].IEEE Transactions on Intelligent Transportation Systems,2015,16(5):2511-2521.

[4] Dollár Piotr,Tu Zhuowen,Perona Pietro,et al.Integral channel features[C]∥Proceedings of 2009 British Machine Vision Conference,BMVC 2009,London,UK,2009.

[5] 李文杰,廖曉緯,束仁義,等.基于ZigBee和模糊C均值聚類方法在火警中的應用[J].傳感器與微系統,2012,31(10):143-145.

[6] Fleyeh H,Biswas R,Davami E.Traffic sign detection based on AdaBoost color segmentation and SVM classification[C]∥Eurocon,IEEE,2013:2005-2010.

[7] Pizer S M,Amburn E P,et al.Adaptive histogram equalization and its variations [J].Computer Vision Graphics & Image Processing,1987,39(3):355 -368.

[8] 王程冬,程筱勝,崔海華,等.SIFT算法在點云配準中的應用[J].傳感器與微系統,2012,31(2):149-152.

[9] Moranduzzo T,Melgani F.A SIFT-SVM method for detecting cars in UAV images[C]∥Geoscience and Remote Sensing Symposium,IEEE,2012:6868 -6871.

Traffic signs detection based on ICF and multi-class classifier*

ZHENG Tian-yu, WANG Nian, TANG Jun

(School of Electronics & Information Engineering,Anhui University,Hefei 230601,China)

Aiming at problem of low recall rate and high error rate of traditional traffic sign detection algorithm based on integral channel feature(ICF) and Adaboost,propose a two-stage traffic sign detection method.In the first stage,using spectral clustered integral channel features obtained by spectral clustering are combined with Adaboost to learn the overall detection model,which is applied to the input image to obtain region of interest(ROI).In the second stage,histogram equalization is imposed on ROI,and then a shape classifier using support vector machine(SVM) is employed to filter candidate object regions obtained in the former stage to remove the false positives.Experimental results show that the proposed SICF-Adaboost +SIFT-SVM detection algorithm method built upon a cascade classifier framework possesses higher detection rate compared with the traditional ICF Adaboost detect algorithm in dealing with high light intensity,motion blur,fog,and noisy similar object,which is suitable for traffic sign detection in real-world scenes.

traffic sign detection; shape classifier; spectral clustering ; integral channel feature(ICF); region of interest(ROI)

2017—01—19

國家自然科學基金資助項目(61172127); 安徽省自然科學基金資助項目(1508085MF120)

10.13873/J.1000—9787(2017)06—0134—04

TP 391

A

1000—9787(2017)06—0134—04

鄭天宇(1992-),男,碩士研究生,研究方向為機器學習與模式識別,E—mail:780876068@qq.com。

王 年(1966-),男,教授,博士生導師,主要從事數字信號處理工作。