基于聚類與Hough變換的交通標志檢測方法①

苗 丹，盧 偉，高嬌嬌，李 哲

(邢臺學院 物理與電子工程學院，邢臺 054000)

交通標志的識別(TSR)是人工智能領域研究的熱點問題之一.道路交通標示分為禁止、警告、指示和限制等類型，交通標志中的限速標志旨在警告駕駛員應按規定速度行駛，防止事故發生，檢測和識別限速交通標志作為交通標示識別技術的重要部分，對它的研究有著非常重要的意義.

交通標志識別技術主要包括檢測和識別兩部分，檢測技術作為標志識別工作的前提非常重要，為后期的成功識別率奠定了基礎.交通標志具有極其特殊的顏色和形狀特征，因此研究方法多是從顏色特征和形狀特征上進行相關研究.日本學者Akatsuka 和Imai[1]等是交通標志檢測識別的先驅，在RGB 顏色空間上建立了查詢表，用該方法來分割紅綠藍顯著顏色.除了RGB 顏色空間，Vitabile[2]等人把HSV 劃分為非彩色空間，不穩定彩色空間和彩色空間進行處理.但是從RGB 轉換到HSV 或者HSI 顏色空間所消耗的時間多，必然會影響實時性.基于形狀的檢測方法主要有Hough[3]變換，距離變換[4]、模板匹配[5]、快速徑向對稱檢測[6]、HOG 特征+SVM 分類[7]等.常發亮[8]等人提出基于HOG+LBP 特征檢測方法，通過SVM 分類器實現交通標志的檢測.該算法速度較慢，因此需要交通標志鮮明的顏色信息來減少待測區域以此來提高運行速度.

本文針對單一的顏色分割和形狀檢測方法，將二者進行結合提出了一種新的交通標志檢測方法(如圖1所示)，主要從3 個方面展開：首先，對圖像進行預處理，將原始圖像質量提高；然后采用聚類方法對圖像進行顏色分割，提出基于K-means 聚類算法的交通標志圖像分割，該方法改進了傳統RGB 顏色空間的分割方法不足之處；最后，采用形狀檢測定位提去出圓形標志，提出基于Hough 變換形狀定位的檢測方法，減少了傳統Hough 變換檢測消耗時間.

圖1 交通標志檢測方法流程圖

1 圖像預處理及圖像分割

1.1 圖像預處理

圖像先經過直方圖均衡化[9]進行非線性拉伸處理，使得原圖中的灰度值分布變成在整個灰度值范圍內相對均勻的分布進而使得圖像的對比度得到增強，去除或者削弱干擾信息，更適合下一步處理.

式中，C(P) 是累積概率分布函數

然后進行噪聲濾波處理，采用十字型模板進行中值濾波[10]，利用鄰域內圖像像素點的灰度中值代替像素點的自身灰度值，使得鄰域內的灰度像素值都更平滑，以此來達到消除圖像噪聲的目的.二維中值濾波的表達式(2)

1.2 K-means 聚類算法分割圖像

K-means 算法是一種無監督的實時聚類算法[11]，采用距離相似性的衡量標準對樣本對象進行劃分，將形式相似的樣本劃分到同一個類別中.K-means 算法的基本過程[12]為：

(1) 初始化常數，隨機選取樣本S(s1,s2,···,sn) 的K(C1,C2,···,CK) 個聚類中心.

(2) 重復計算以下過程，直到聚類中心不再改變：

1) 計算每個樣本到各個聚類中心的距離di，按照距離最近的原則，將樣本劃分到最相似的類別中.

2) 計算劃分到每個類別中的所有樣本特征均值，并將該均值作為每個類的新聚類中心CW.

(3) 最終輸出聚類中心不變的每個樣本所屬的類別.

本次研究數據中計數資料以n統計、計量資料用（±s）統計；并分別使用χ2檢驗、t檢驗，檢驗后P值在0.05以內表示兩組差異顯著，且有統計學意義，數據處理軟件為SPSS21.0軟件。

在K-means 算法中，需要隨機初始化K分聚類中心，而K-means 算法對初始聚類中的選取較為敏感，如若選擇不當，則得到的聚類結果會很差.

因此，本文對交通標志檢測采用K-means 聚類算法過程如下：

(1) 將樣本進行L次隨機采樣，對各采樣結果進行以K′個質心的聚類運算，這樣可以得到L組聚類結果，一共得到L×K′個簇.

(2) 在L×K′個簇中找到密度最大的簇M，將其放入集合S中，再計算其他質心與S集合中所有對象距離之和最大的質心，也將其放入到S中.

(3) 直到找到K個密度最大的質心D，也就找到了整個樣本中全局較優的質心，也就是較優的樣本點.

(4) 初始聚類后，得到K個質量較優的初始聚類中心，這就避免了隨機選取聚類中心的敏感性.然后再用這K個初始聚類中心繼續對整幅圖像剩下的全部像素點進行聚類.利用較優樣本點進行后續聚類提高聚類結果的穩定性.

2 交通標志圖像定位

本文采用Hough 算法[13]對限速禁止圖像進行定位檢測，該算法可以定位檢測出圓形、直線和其它參數化形狀就，算法可靠性高，尤其是對含有噪聲或者殘缺信息的圖像檢測具有很好的穩定性.限速交通標志圖像在我國和GTSDB 數據庫中的形狀都是圓形，因此采用Hough 圓形檢測方法.由于傳統的Hough 變換檢測方法的運算速度較慢，所以為了優化運算速度，提出了改進的方法.

2.1 Hough 變換原理

Hough 變換檢測圓的基本原理[14]是利用圖像的邊緣點映射到參數空間中，然后將在參數空間中得到的所有坐標點元素對應累加值進行累加統計，根據累加值判斷圓的大小和圓心所在的位置.圓的x-y坐標方程為式(3) ：

其中，(xo,yo) 是圓心坐標，R為圓半徑.

因此要確定(xo,yo,R) 就相應地存在一個三維錐面.對于圖像中的圓周(xi,yi) 對應一個三維錐面，若集合中的位于一個圓周上，則圓心必相交于參數空間的(xo,yo,R)點.具體如圖2所示.

圖2 Hough 變換檢測圓形示意圖

對于圖像中的一個圓，假設圓心坐標位于 (xo,yo)，邊緣點(xi,yi)轉換到極坐標參數空間，轉換公式為式(4)：

在這個極坐標方程中，θ是邊緣像素(xi,yi) 處的方向.通過公式可以算出圓心坐標 (xo,yo)，對于參數的空間可能半徑Ro，其相應的參數空間累加器單元加1，最后通過找到累加器的最大值，確定要提取的目標圓.具體步驟如下：

(1) 對區域內進行Hough 變換，并對圓心坐標和累積值用數組記錄下來；

(2) 得到的累計數組中，最大值所對應的坐標就是本區域內圓形標志的圓心；

(3) 將圓心坐標帶入圓的方程中，當落在圓周及其周圍的點數大于圓周長的70%時，就把R認為是所要尋找的圓的半徑，該區域內存在的圓形交通標志.

2.2 改進的Hough 變換檢測標志圖像

Hough 變換檢測圓形標志精度高，但是運算速度較慢，本文在運算速度方面進行了優化處理.由于Hough算法基于二值圖像處理，為了提高運算速度，在檢測之前對圖像進行優化處理.本文利用圖譜理論對前期預處理的灰度圖像進行二值化處理，過程是利用直方圖灰度等級代替像素等級，減少的像素等級量，在計算方面近似計算函數參數，得到最優的二值圖像.經過上述的圖像預處理，使得二值化圖像目標和背景差別明顯，噪聲低，信息量小，圖像信息盡量簡單.圖像越簡單，參與Hough 變換的數據就越少，Hough 變換的效率就越高.在使用Hough 變換方法之前先處理圖像信息，使得處理時間上有所下降，實時性效果好.

3 實驗結果與分析

本文所有仿真實驗的運行環境為 64 位 Matlab R2014b，主機處理器為AMD10，10 COMPUTE CORES 4CPU+GPU 2.4 GHZ，內存為4 GB.待處理的數據對象采用德國交通標志檢測大賽的數據庫(German Traffic Sign Detection Benchmark：GTSDB)，其中包含了900 幅復雜環境下的交通標志圖像，標志在圖像中存在著背景相似、光照變化、模糊、褪色、過曝光等情況，是驗證交通標志檢測算法的理想選擇.利用本文算法對測試集進行驗證得到了有效的結果.經過一系列的實驗測試K-means 聚類運行參數K=5，迭代次數上限30 即收斂，可以很好的分割出交通標志和背景.以下4 幅具有代表性的背景復雜情況下成功提取出交通標志目標的實驗結果，提取結果顯示在原圖左上角，提取位置用綠色矩形框標注.

圖3背景中存在汽車尾燈顏色和提取標志的顏色相似情況.圖4背景曝光嚴重，運動中拍攝的圖片，清晰度不高，背景模糊.圖5目標存在彎曲變形，圓形提取增加了難度.圖6目標存在污染，在分割圖像時增加了難度.為了與本文方法的性能對比，選取經典的基于RGB 的圖像分割方法、未改進的Hough 變換檢測方法與本文方法進行檢測比較.

從上圖7的提取結果可以看出，背景中若有與交通標志相似的物體，提取結果發生錯誤.無法準確提取出交通標志，進而無法識別.未改進的Hough 變換檢測方法與本文算法的提取結果相同，在運行時間上有差別，詳細結果見表1.從處理一幅圖的平均時間上來看，利用傳統分割方法的平均時間為0.1988 s，未改進Hough 算法的平均時間為0.2532 s，而利用本文方法的平均時間為0.2344 s.本文算法的提取正確率要比傳統顏色提取方法的正確率提高7.44%，本文算法平均時間要比未改進的Hough 變換檢測算法提高了近0.05 s.因此本文的方法比傳統的圖像分割方法提取正確率高，時間上相較于傳統的檢測圓形標志方法有所下降，實時性有所提高.綜上所述本文的方法優于常用的圖像分割方法，時間上優于傳統的檢測方法.

4 結論

本文給出了針對紅色圓形交通限速或者禁止標志的分割和定位方法.分割方法采用K-means 聚類算法進行初步圖像顏色分割，其分割方法同樣適用于藍色、黃色等其他顏色的標志分割；標志圖像定位采用Hough 變換檢測方法針對圓形交通標志檢測定位，該方法同樣可以適用于矩形和三角形標志的定位.本文方法能針對強烈光照、圖像模糊、背景和目標顏色相近等復雜背景下的交通標志檢測，但是提取方法未考慮多幅標志存在于同一圖像、濃霧、雪天等情況.考慮上述因素是提高交通標志檢測實時性和有效性的未來研究方向.

圖3 背景與目標顏色相近的提取結果

圖4 背景曝光過度且圖像模糊的提取結果

圖5 檢測目標變形的提取結果

圖6 檢測目標污染的提取結果

表1 3 種算法檢測交通標志的實驗結果分析