基于HSV顏色模型和形狀特征的交通標志檢測算法研究

白金柯　孫彩云

摘 要：交通標志檢測是無人駕駛的重要組成部分，如何快速準確檢測出交通標志對無人駕駛有重要的作用。本文提出一種基于HSV顏色模型和形狀特征提取共同檢測交通標志的算法，通過HSV顏色模型的特定顏色閾值，從實景圖中找出感興趣區域，然后對其進行形狀特征判斷以確定目標區域。最后進行實際道路環境測試，該算法能在復雜背景中準確地檢測出交通標志區域。

關鍵詞：HSV模型;交通標志檢測;顏色模型;形狀特征

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1003-5168（2019）23-0091-02

Research on Traffic Sign Detection Algorithms Based on HSV

Color Model and Shape Characteristics

BAI Jinke SUN Caiyun

（Henan VocationalCollege of Applied Technology，Zhengzhou Henan 450042）

Abstract： Traffic sign detection is an important part of driverless driving. How to quickly and accurately detect traffic signs plays an important role in driverless driving. This paper proposed an algorithm for jointly detecting traffic signs based on HSV color model and shape feature extraction. Through the specific color threshold of HSV color model， the region of interest was found from the real scene map， and then the shape feature was judged to determine the target region. Finally， the actual road environment test was carried out， and the algorithm could accurately detect the traffic sign area in a complex background.

Keywords： HSV model;traffic sign detection;color model;shape feature

近年來，隨著汽車數量的迅速增加，交通事故也越來越頻繁，駕駛安全性與舒適性越來越重要。駕駛輔助系統（Driver Assistance Systems，DAS）吸引越來越多計算機視覺和智能交通人員的關注，交通標志的檢測與識別是DAS的重要內容[1]。交通標志檢測的難點在于，在自然場景下，外界影響因素較多，拍攝圖片信息量大，對檢測識別過程造成很大干擾。如何降低算法的復雜程度，有效排除干擾，準確檢測和識別出交通標志，這是目前課題研究的主要難點。

計算機視覺是當前解決交通標志檢測的熱點，目前計算機視覺主要從形狀和顏色兩個方面進行檢測。基于形狀特征的檢測方法主要有hough變換和HOG特征等，該類算法大多涉及復雜的圖像操作，實時性較差。基于顏色分割的算法有RIO、MSER等，相對簡單，實時性好，但是容易受到環境影響，適應性較差。針對目前單純基于顏色或形狀的檢測算法在復雜的自然環境中易出現無法提取特征的問題，本文提出一種新的基于顏色模型提取并結合形狀特征進行判定的交通標志檢測算法。首先，通過HSV模型提取交通標志的顏色特征，找尋感興趣區域，然后結合形狀特征對圖形圓度、伸長度和矩形度等進行提取，該算法實現了顏色特征提取與形狀特征判定的互補，能準確檢測出交通標志候選區域。通過實際場景圖片測試，本文所提的算法能快速準確地在復雜環境中檢測出交通標志。

1 基于顏色的交通標志檢測

國內交通標志主要由紅、黃、藍三色組成，因此，基于顏色分割提取是交通標志檢測的常用方法。目前，常用的顏色空間模型有RGB模型、YUV模型和HSV模型。不同的顏色模型對應不同的顏色閾值分割方法。RGB模型中R、G、B分別代表紅、綠、藍三原色，一般圖片多采用RGB顏色模型，不需要轉換，使用較為方便。但是，R、G、B三個分量之間界限不清，存在重疊部分，圖像分割時容易受到光照等因素影響，難于準確分割。HSV模型中H和S兩個分量分別表示色度和飽和度，它們一般不受光照影響，因此最適合用于圖像分割，本文采用HSV模型來進行交通標志分割提取。

2 基于形狀特征的交通標志檢測與判定

理論上，基于顏色分割的算法可以將交通標志從周圍環境中分離出來，但在自然環境下，交通標志的顏色有可能與背景顏色相近或者一致，這種情況下，僅依靠顏色檢測交通標志，準確率不高，基于形狀的檢測算法能進一步排除那些顏色相近的背景，因為這些背景往往不具備交通標志的特殊形狀。

交通標志的形狀主要有三種，即圓形、三角形和矩形。形狀不同，它們的屬性也不同，人們可以從圓形度、矩形度和伸長度等方面加以區分。在實際場景中，由于拍攝角度的問題，拍攝到的交通標志容易發生變形，例如，圓形變成橢圓，矩形變成菱形等。本文計劃從圓形度、矩形度和伸長度三方面來判定目標區域形狀，這樣既消除單一顏色判定準確度不高的問題，又能解決了圖像失真導致判定不準的問題。本文提出一種基于形狀區域校正的圖形檢測方法，即計算出感興趣區域的頂點個數來進行顏色判定。眾所周知，黃色區域一般為三角形，藍色區域一般為矩形，如果顏色判定為藍色指示標志，但是在進行頂點判定時，該區域有單個頂點，說明該區域的顏色特征與形狀特征不匹配，則舍去該區域。

3 試驗結果與分析

交通標志檢測算法具有可行性，人們可以以MATLAB為設計工具進行實現。筆者從行車記錄儀中截取一幅帶有禁令標志和警告標志的實景圖，以此為例來驗證算法效果。

首先將拍攝的照片從RGB顏色模型轉換到HSV顏色模型，然后通過三分量閾值提取感興趣的顏色區域，最后計算區域形狀屬性，排除背景干擾，得到最終區域。圖1為拍攝的實景圖，圖2為經過HSV顏色模型轉換并進行三分量顏色提取的圖片，圖3為形狀檢測的最終感興趣區域。

圖1只采用HSV顏色模型進行交通標志檢測，檢測到的疑似目標區域較多，圖中誤將前車燈檢測為紅色標志，但是在圖2的形狀屬性判斷過程中，車燈形狀為近似矩形而被刪除掉，從而準確地檢測出交通標志。因此，本文提出的算法可以很好地解決單一顏色模型判斷不準確的問題。

4 結語

針對常見交通標志的顏色和形狀特征，本文提出的檢測算法可以很方便地將行車記錄儀拍攝到的照片進行從RGB到HSV的顏色模型轉換，在HSV顏色模型下找到感興趣區域，然后根據形狀特性的屬性準確地判斷和檢測出交通標志。該算法解決了單一顏色檢測準確率不高的問題，而且復雜度不高，實時性好，不受外界環境影響，是一種較好的交通標志檢測算法。

參考文獻：

[1]張卡，盛業華，葉春，等.基于中心投影形狀特征的車載移動測量系統交通標志自動識別[J].儀器儀表學報，2010（9）：2101-2108.