基于Gabor特征提取和SVM交通標志識別方法研究

張傳偉 崔萬豪

摘 要： 交通標志識別是智能車輛基于視覺傳感感知道路信息的關鍵技術，針對傳統識別技術不能滿足實時性和準確性的要求，采用一種基于Gabor特征提取和支持向量機（SVM）交通標志識別方法。首先選定交通標志圖像進行灰度化、圖像增強處理，采用Gabor濾波技術進行特征提取，針對大量的特征信息采用主成分分析（PCA）降維，并用支持向量機分類識別。最后在Matlab平臺上進行實驗，驗證該方法的識別率和識別時間。實驗結果表明，該方法較傳統方法識別精度高，實時性好。

關鍵詞： 交通標志識別； 圖像灰度化； 圖像增強； Gabor特征提取； 主成分分析； 支持向量機

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2018）17?0136?05

Abstract： The traffic sign recognition is the key technology based on vision sensing of intelligent vehicle to sense the road information. Since the traditional identification technology can′t satisfy the requirements of real?time performance and accuracy， a traffic sign recognition method based on Gabor feature extraction and support vector machine （SVM） is proposed. The traffic sign image is selected for graying and image enhancement. The Gabor filtering technology is used to extract the feature of the image. The principal component analysis （PCA） is used to reduce the dimensions of the massive feature information， and the SVM is used to classify and recognize the traffic signs. The experiments are carried out with Matlab platform to verify the recognition rate and recognition time of this method. The experiment results show this method has higher recognition accuracy and better real?time performance than the traditional methods.

Keywords： traffic sign recognition； image graying； image enhancement； Gabor feature extraction； principal component analysis； support vector machine

0 引 言

交通標志識別是智能車輛道路環(huán)境信息感知的關鍵技術[1?2]，它涉及靜態(tài)和動態(tài)的交通標志識別，且包含圖像采集、圖像預處理、圖像特征提取、分類識別等關鍵技術。隨著智能車輛技術的發(fā)展，基于視覺傳感的交通標志識別技術越來越受到國內外學者的追捧[3]。

目前，國內外學者對交通標志識別研究已經取得一些成果，主要采用的方法有以下幾種：采用模板匹配交通標志識別方法[4?5]，用兩幅圖相匹配尋找相似度進行識別，識別準確率高，但兩幅圖像必須尺寸大小相同，且需要存儲的樣本圖像較多，計算量大，不能保證實時性要求；BP神經網絡識別方法[6]具有好的容錯性及學習能力，但需要人為確定網絡節(jié)點數初始權值和閾值、迭代次數，易造成過學習；卷積神經網絡的識別算法[7?8]能識別旋轉、不同光照條件下的圖像，且準確率高，但需要大量的訓練樣本，需設置網絡層數、迭代次數，且訓練網絡模型的時間較長，不能保證實時性；HOG和支持向量機識別算法[9]能提高交通標志識別準確性，但實時性有待提升。

本文提出基于Gabor特征的PCA?SVM交通標志識別方法，該方法首先采用Gabor濾波器提取交通標志圖像特征向量，Gabor小波對圖像的邊緣敏感，對不同光照條件下的圖像有好的適應性，采用PCA降維把高維特征向量投影到低維子空間中，降低矩陣維度，用支持向量機分類識別。通過不同識別算法的對比試驗，有效地驗證本文算法的實時性和準確率。

1 系統的整體框架

根據交通標志顏色和形狀特征，以及每張圖像所包含的標志字符，首先對樣本圖像進行圖像預處理，消除外界環(huán)節(jié)因素及拍攝角度距離的影響；對預處理的圖像歸一化操作，統一圖像尺寸大小，方便特征提取和分類識別；利用Gabor特征提取有效地提取交通標志信息；采用主成分分析法（PCA）降維，生成的特征向量用支持向量機分類和識別。系統流程如圖1所示。

2 交通標志識別

2.1 圖像預處理

2.1.1 圖像灰度化

真彩色圖像灰度化處理能夠有效減少外界環(huán)境的影響，也利用了交通標志的顏色特殊性，通過灰度化處理使圖像維度降低，方便了特征提取，其主要是針對R，G，B三顏色通道各分量進行加權平均[10]得到最終的灰度值。其加權法公式為：

2.1.2 圖像增強

采用直方圖均衡化[11]進行圖像增強，改變灰度圖像的像素為均勻分布，使圖像細節(jié)更為清晰，達到改善圖像對比度的目的。

2.1.3 尺寸歸一化

采集的交通標志圖片易受拍攝角度、拍攝距離等因素影響，造成尺寸大小不一，嚴重影響了特征提取和分類識別。采用雙線性插補運算把交通標志圖像大小統一調到36×36，再進行特征提取和分類識別。

2.2 特征提取

2.2.1 Gabor變換

Gabor變換在圖像處理、模式識別領域有廣泛應用，在特征提取方面特別是局部空間和頻率域信息過程中都具有良好的特性。Gabor小波[12]對圖像的邊緣敏感，因此能提供良好的方向選擇和尺度選擇特性，另外對光照變化不敏感，對光照變化有好的適應性。在空域，二維Gabor濾波器是一個帶通濾波器，其脈沖響應函數為：

2.2.2 Gabor小波特征提取

根據Gabor小波變換原理對訓練和測試樣本交通標志圖像進行特征提取，需要提取的特征圖片[Ix，y∈Rw×h]（其中[w，h]依次表示圖像像素的寬和高），將圖像5尺度8方向的Gabor濾波器進行卷積，得到圖像的Gabor特征圖譜，根據實驗用幅值作為Gabor特征向量。則：

式中[H（x，y）]表示卷積后的特征圖。將幅值圖譜劃分為4×4個互有重疊的區(qū)域塊，把采樣出來的區(qū)域塊的幅值通過加權后的平均值作為該區(qū)域塊輸出的特征向量，并把區(qū)域塊幅值串聯起來，作為Gabor濾波器的輸出向量。

2.3 主成分分析

PCA（Principal Components Analysis，主成分分析）[13]，核心思想是從交通標志圖像大量的數據中提取出有效的數據信息，減少計算量，加快識別的速度，保證實時性要求。其實質是能盡可能好地代表原特征的情況下，將原特征進行線性變換，映射至低維空間中。其方法主要是求解協方差矩陣的特征向量與特征值，在生成的新坐標系下，求樣本的一個最大線性無關組的特征值對應的空間坐標即可，保留主要成分，去除次要成分，以此降低數據維度，可用較少的數據擬合原數據。假設有[N]個樣本：[X=X1，X2，…，XN]，每個樣本維度為[d]維，[xi=xi1，xi2，…，xid∈Rd]，[i=1，2，…，N]，將每個樣本作為行向量，組成[N?d]矩陣[E]。

1） 樣本中心化

2） 協方差計算

3） 構建模式矢量

2.4 SVM分類

SVM根據統計學習提出新的機器學習方法，它是以結構風險最小化原則為基礎，通過選定一定的判別函數使機器學習的風險達到最小，保證選定訓練樣本和測試樣本得到最小誤差的分類器，尋找輸入變量和輸出變量的關系的一種近似估計，以較高的準確率預測輸出變量的結果[14?15]。

輸入樣本的特征向量在SVM特征空間通過最優(yōu)分類超平面，以結構風險最小化為原則，使不同類樣本在特征空間間距最大，誤差最小，其訓練流程如圖 2所示。

3 實驗及結果分析

3.1 實驗環(huán)境

實驗采用GTSRB標志庫的交通標志圖片，共選定43類3 500幅圖片，將樣本圖像灰度化，直方圖均衡化增強處理，并進行歸一化。通過大量的實驗表明，標志圖像取36×36像素效果很好，將樣本集中的2 500幅交通標志圖像作為訓練集，用SVM分類器訓練它的模型，采用1 000幅交通標志圖像作為測試集，測試SVM分類器的識別率，原灰度圖像采用直方圖均衡化處理如圖4所示。

3.2 系統主界面

交通標志識別系統的主界面是基于Matlab編譯下的GUI界面，主要包含輸入的原圖像、提取檢測的圖像和根據訓練好的SVM分類器進行識別的圖像。通過輸入不同天氣條件下不同顏色、形狀的交通標志圖像進行實驗研究，其實驗結果如圖5，圖6所示。

由圖5和圖6的實驗可知，輸入不同光照強度的紅色禁止和藍色指示交通標志，通過檢測提取標志區(qū)域，用該算法能準確識別檢測出標志并且在保證實時性的前提下，準確率較高。

3.3 算法對比及分析

將本文提出的算法與文獻中的算法做對比，檢驗算法的性能。文獻[6]提出HOG+SVM識別算法，文獻[4]提出BP神經網絡的識別算法，分別基于Matlab平臺實驗仿真驗證其實驗結果。各種算法的結果如表1所示。

綜合對比分析可知，在相同樣本集的測試下，本文算法對訓練數據和測試數據分別進行了主成分分析（PCA）降維處理，簡化了模型的復雜度，從而有效縮減了識別時間，同時提高了識別準確率。

4 結 論

本文提出一種基于Gabor和SVM的交通標志識別方法，一方面針對不同環(huán)境條件下的交通標志圖像采用灰度化、圖像增強、歸一化處理；另一方面為克服外界干擾，有效地提取交通標志的輪廓特征，采用Gabor特征提取方法；為提高識別的實時性采用主成份分析法提取特征向量的關鍵信息，同時減小特征向量的維度，極大地縮減計算量，有效提高了識別速率；最后對樣本圖像采用SVM分類器分類識別，建立訓練模型，輸入檢測后的圖像進行識別。識別率明顯高于HOG和SVM的交通標志識別方法。綜合分析可知，該方法具有實時性好、準確率高的優(yōu)勢。因此，本文方法在今后還有很大的研究價值。

參考文獻

[1] MOGELMOSE A， TRIVEDI M M， MOESLUND T B. Vision?based traffic signs detection and analysis for intelligent driver assistance systems： perspectives and survey [J]. IEEE transactions on intelligent transportation systems， 2012， 13（4）： 1484?1497.

[2] 宋超，陳偉華.一種基于機器視覺的交通標識符自動識別方法[J].襄樊職業(yè)技術學院學報，2011，10（2）：25?28.

SONG Chao， CHEN Weihua. An automatic identification method of traffic identifier based on machine vision [J]. Journal of Xiangfan Vocational and Technical College， 2011， 10（2）： 25?28.

[3] 宋文杰，付夢印，楊毅.一種面向無人駕駛汽車的高效交通標志識別方法[J].機器人，2015，37（1）：102?111.

SONG Wenjie， FU Mengyin， YANG Yi. An efficient traffic sign recognition method for driverless vehicles [J]. Robot， 2015， 37（1）： 102?111.

[4] 郝博聞，梁宇峰，李文強，等.基于顏色空間和模板匹配的交通標志檢測方法[J].智能計算機與應用，2016，6（4）：20?22.

HAO Bowen， LIANG Yufeng， LI Wenqiang， et al. Traffic sign detection methods based on color space and template matching [J]. Intelligent computer and application， 2016， 6（4）： 20?22.

[5] 馮春貴，祝詩平，王海軍，等.基于改進模板匹配的限速標志識別方法研究[J].西南大學學報（自然科學版），2013，35（4）：167?172.

FENG Chungui， ZHU Shiping， WANG Haijun， et al. Identification methods of speed limiting markers based on improved template matching [J]. Journal of Southwest University （nature science）， 2013， 35（4）： 167?172.

[6] 楊斐，王坤明，馬欣，等.應用BP神經網絡分類器識別交通標志[J].計算機工程，2003，29（10）：120?121.

YANG Fei， WANG Kunming， MA Xin， et al. Identification of traffic signs using BP neural network classifier [J]. Computer engineering， 2003， 29（10）： 120?121.

[7] KUMARSAHA S， CHAKRABORTY D， ALAMIN B. Neural network based sign recognition [J]. International journal of computer applications， 2013， 50（10）： 35?41.

[8] CIRESAN D， MEIER U， MASCI J， et al. Multicolumn deep neural network for traffic sign classification [J]. Neural networks， 2012， 32（2）： 333?338.

[9] 王雁，穆春陽，馬行.基于顏色標準化模型和HOG特征的交通標志檢測[J].軟件導刊，2015，14（3）：142?144.

WANG Yan， MU Chunyang， MA Xing. Traffic sign detection based on color standardization model and HOG feature [J]. Software guide， 2015， 14（3）： 142?144.

[10] SONG M L， TAO D P， CHEN C， et al. Color to gray： visual cue preservation [J]. IEEE transactions on pattern analysis and machine intelligence， 2010， 32（9）： 1537?1552.

[11] GONZALEZ R C. Digital image processing [M]. 2nd ed. Beijing： Publishing House of Electronics Industry， 2006.

[12] LIN Kezheng， XU Ying， ZHONG Yuan. Using 2DGabor va?lues and kernel fisher discriminant analysis for face recognition [C]// Proceedings of the 2nd International Conference on Information Science and Engineering. Hangzhou， China： IEEE， 2010： 7624?7627.

[13] WANG Xiaojie. Modular PCA based on within?class median for face recognition [C]// Proceedings of the 3rd IEEE International Conference on Computer Science and Information Technology. Chengdu， China： IEEE， 2010： 52?56.

[14] 何耀平，徐麗珍.自然場景下交通標志的自動識別算法[J].微計算機信息，2010，26（4）：161?163.

HE Yaoping， XU Lizhen. Automatic recognition algorithm of traffic signs in natural scenes [J]. Microcomputer information， 2010， 26（4）： 161?163.

[15] 陳興，賈銀山.基于支持向量機的交通標志識別方法研究[J].科學技術與工程，2011，11（8）：1751?1754.

CHEN Xing， JIA Yinshan. Research on traffic sign recognition methods based on support vector machines [J]. Science， technology and engineering， 2011， 11（8）： 1751?1754.