基于維納復(fù)原的道路限速交通標(biāo)志檢測

喬敏 孫國強

摘 要：超速引發(fā)的交通事故數(shù)量急劇增加，為了提高道路駕駛安全性，提出一種基于維納復(fù)原的道路限速交通標(biāo)志檢測方法。首先，對原始街景進(jìn)行維納濾波復(fù)原圖像預(yù)處理;然后，根據(jù)道路限速標(biāo)志牌輪廓形狀和顏色等特征，在HSI彩色空間進(jìn)行紅色閾值分割、Canny邊緣檢測和Hough圓檢測，對圖像中的道路限速交通標(biāo)志進(jìn)行檢測，定位出可能是道路限速交通標(biāo)志的區(qū)域;最后，根據(jù)限速標(biāo)志的內(nèi)部特征排除定位出的非限速交通標(biāo)志區(qū)域。實驗結(jié)果表明，該方法對于我國常見的6類限速標(biāo)志檢測正確率達(dá)到了98.76%，符合限速標(biāo)志檢測系統(tǒng)的準(zhǔn)確率要求。

關(guān)鍵詞：限速交通標(biāo)志;檢測;維納濾波器;二值化;偽目標(biāo)排除

DOI：10. 11907/rjdk. 192084 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP317.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2020）005-0234-04

0 引言

隨著國民經(jīng)濟的發(fā)展，我國汽車擁有量急劇增加，同時道路交通事故數(shù)量也顯著增長，交通安全問題已成為一個全民關(guān)注的社會問題。根據(jù)國家統(tǒng)計局2018年發(fā)布的《中國統(tǒng)計年鑒》顯示，2017年民用汽車擁有量達(dá)到 ? ?20 906.67萬輛，汽車駕駛員31 658.20萬人;而全國汽車交通事故發(fā)生139 412起，導(dǎo)致46 817人死亡和139 180人受傷，造成的直接財產(chǎn)損失達(dá)103 978萬元，其中由超速引發(fā)的交通事故占大部分，解決道路行車超速問題迫在眉睫。道路限速交通標(biāo)志檢測系統(tǒng)作為智能交通系統(tǒng)（Intelligent Transportation System，ITS）的重要組成部分，可以及時告知駕駛員或無人駕駛系統(tǒng)最高行駛速度，減少因超速造成的交通事故。

道路限速交通標(biāo)志檢測和識別算法研究很多，最常用的檢測算法有基于顏色信息、輪廓信息和機器學(xué)習(xí)的檢測算法;識別算法有模板匹配法、特征提取結(jié)合分類器的機器學(xué)習(xí)法、神經(jīng)網(wǎng)絡(luò)識別法等。文獻(xiàn)[1]提出一種在HSV顏色空間利用機器學(xué)習(xí)檢測圖像中的限速交通標(biāo)志方法，通過顏色信息設(shè)置排除限速標(biāo)志之外的圖像;文獻(xiàn)[2]提出一種針對實景限速交通標(biāo)志進(jìn)行檢測的算法，首先對采集到的街景圖片進(jìn)行去噪，然后將圖像進(jìn)行二值化和連通域處理，最后根據(jù)處理后的連通域特征和同心圓判斷限速交通標(biāo)志位置;文獻(xiàn)[3]提出一種基于CUDA的實時限速牌識別算法，首先在HSV顏色空間提取感興趣區(qū)域，然后結(jié)合霍夫圓算法定位限速牌位置，最后利用CNN對定位區(qū)域進(jìn)行數(shù)字識別;文獻(xiàn)[4]提出一種基于彩色圖像的道路限速交通標(biāo)志檢測模型，檢測過程中將圓覆蓋和基于梯度信息的Hough 變換圓檢測方法相結(jié)合。

本文方法分3個過程：①對采集到的原始街景圖像進(jìn)行基于維納濾波的圖像復(fù)原;②將彩色圖像由RGB顏色空間轉(zhuǎn)換到HSI顏色空間，并進(jìn)行紅色閾值分割，對閾值分割后的圖像進(jìn)行Canny邊緣檢測和Hough橢圓檢測;③對分割出的感興趣區(qū)域進(jìn)行偽目標(biāo)排除，從而確定限速交通標(biāo)志的具體位置。對維納濾波復(fù)原的圖像進(jìn)行預(yù)處理，可以降低“減速玻璃”和車輛晃動等帶來的圖像模糊;而根據(jù)限速標(biāo)志內(nèi)部統(tǒng)計特征數(shù)據(jù)進(jìn)行的偽目標(biāo)排除，可以有效排除定位出的非限速交通標(biāo)志。

1 圖像復(fù)原

由于限速交通標(biāo)志是在車輛行駛過程中由行車記錄儀等圖像采集設(shè)備所得，存在因車輛移動、圖像采集設(shè)備質(zhì)量不高和“減速玻璃”影響，以及限速標(biāo)志牌在復(fù)雜場景中受自然環(huán)境和人為因素影響等造成的圖像污損、模糊、形變等情況。因此，在設(shè)計限速交通標(biāo)志檢測與識別算法過程中，首先對采集到的街景圖像使用維納濾波器[5-7]進(jìn)行圖像復(fù)原處理。通常，退化圖像[F（x，y）]是由于原始采集圖像[f（x，y）]與退化函數(shù)[H（x，y）]作卷積運算[？]，同時受到噪聲[n（x，y）]影響而形成的，可以表示為：

2 限速交通標(biāo)志檢測

限速交通標(biāo)志具有特定的顏色信息和形狀信息，但受到自然因素和人為因素的影響會產(chǎn)生遮擋、污損、傾斜、變形、扭曲等情況，使僅依靠單一特征信息進(jìn)行限速交通標(biāo)志檢測的準(zhǔn)確率較低，所以結(jié)合限速交通標(biāo)志的顏色信息和形狀信息進(jìn)行檢測，能夠有效提高準(zhǔn)確率。

2.1 限速交通標(biāo)志初定位

街景采集設(shè)備采集到的街景圖片通常使用RGB色彩模式保存，但RGB模式中的3個分量受光照影響較大，而HSI（Hue、Saturation、Intensity，色調(diào)、飽和度、強度）[8-10]顏色模型受光照強弱的影響較小，其中強度分量[I]不受圖像的彩色信息影響且符合人類的視覺感知特性。將從RGB顏色空間轉(zhuǎn)換到HSI顏色空間的原始街景圖像逐像素進(jìn)行判斷，若[H]、[S]和[I]分量均在紅色閾值內(nèi)，則將其置為白色，否則置為黑色。

圖像采集設(shè)備前方與限速標(biāo)志牌距離[y]越大，夾角[θ]越接近[90°]，限速標(biāo)志牌的紅色外形輪廓就越接近正圓形;與限速標(biāo)志牌前方距離[y]越小，夾角[θ]越接近[0°]，所拍攝到的限速標(biāo)志牌中紅色橢圓的最長半徑[rmax]和最短半徑[rmin]的比值就越大。使用[Re]表示這一比值，則：

通過計算和處理每個輪廓，可以獲得每個輪廓的[rmax]和[rmin]，通過規(guī)定半徑[r]的閾值和[Re]閾值，篩選出圖像中的橢圓。正圓內(nèi)的半徑是等長的，故[Re]為1。考慮到汽車駕駛員在接收到車輛提示的限速信息后有一定的反應(yīng)時間，出于安全考慮，設(shè)置限速標(biāo)志牌檢測中[Re]的閾值為[1，1.5]。

上述限速交通標(biāo)志初定位方法，在HSI顏色空間中利用連通區(qū)域最長半徑與最短半徑的比值進(jìn)行橢圓判斷，比直接進(jìn)行圓檢測具有更高的檢測效率，實用性更強。

2.2 偽目標(biāo)排除

2.2.1 類似限速標(biāo)志的偽目標(biāo)

根據(jù)限速交通標(biāo)志檢測可以得到圖像中疑似限速交通標(biāo)志的具體位置，摳選出來作為進(jìn)一步檢測對象。因為紅色圓形輪廓不僅是限速交通標(biāo)志顏色和輪廓特征，也是禁止通行標(biāo)志、禁止駛?cè)霕?biāo)志、禁止機動車通行標(biāo)志、會車讓行標(biāo)志、限制質(zhì)量標(biāo)志、禁止車輛臨時或長時停放標(biāo)志等交通標(biāo)志的顏色和輪廓特征。因此，還要對檢測到的交通標(biāo)志進(jìn)行偽目標(biāo)排除，以最終確定檢測到的圖像為限速交通標(biāo)志。

2.2.2 交通標(biāo)志Otsu二值化

使用Otsu二值化[18-20]方法將分割出的可能是限速交通標(biāo)志的彩色圖像轉(zhuǎn)化為黑白二值圖像，并通過分析限速標(biāo)志二值圖像具備的特征，排除分割出的偽限速交通標(biāo)志，以減少后期識別過程工作量。交通標(biāo)志的背景有顏色深淺之分，比如晴朗的藍(lán)天比交通標(biāo)志的非白色部分淺，而樹葉或深色建筑物等比交通標(biāo)志的非白色部分深。因此，對分割出的交通標(biāo)志進(jìn)行Otsu二值化時，相同交通標(biāo)志因背景不同會產(chǎn)生不同的二值化結(jié)果。

針對我國常見的5種固定限速交通標(biāo)志（5km/h、30km/h、40km/h、50km/h、80km/h）和1種LED可變限速交通標(biāo)志（60km/h），通過計算分析這些限速交通標(biāo)志經(jīng)過Otsu二值分割后所具有的特征，進(jìn)一步確定分割出的圖像中哪些為限速交通標(biāo)志圖像[21]。對固定限速交通標(biāo)志計算二值化特征時，要區(qū)別對待淺色背景和深色背景圖像，而可變限速交通標(biāo)志牌不論背景顏色深淺，分割出的圖像均為黑色底色。本文對上述限速標(biāo)志牌中白色像素的占比[P1]、最大黑色連通區(qū)域面積占比[P2]和超過總面積1%的白色連通區(qū)域個數(shù)[N]進(jìn)行分析，進(jìn)一步確定分割出的圖像中哪些為限速交通標(biāo)志圖像。

根據(jù)表1對6種分割出的限速標(biāo)志圖像計算出[P1]、[P2]和[N]，確定這3個特征的閾值。然后通過閾值匹配處理，進(jìn)一步判斷分割出的圖像是否為限速標(biāo)志，實現(xiàn)對分割出的偽限速交通標(biāo)志牌圖像的排除。判斷步驟如下：

（1）計算白色像素占比。對二值化后的上述6類限速標(biāo)志圖像分別求出[Re=1]、[Re=65]和[Re=32]在深色背景下的最小[P1]，及在淺色背景下的最大[P1]，獲得限速標(biāo)志白色像素占比閾值[P1∈0.2122，0.8426];然后判斷檢測到的感興趣區(qū)域的二值圖像中的[P1]是否在閾值內(nèi)。若不在，則判斷為偽限速標(biāo)志;若在，則進(jìn)行下一步判斷。

（2）計算最大黑色連通區(qū)域面積占比。對二值化后的上述6類限速標(biāo)志圖像分別求出[Re=1]、[Re=65]和[Re=32]在深色背景下的最大[P2]和在淺色背景下的最小[P1]，獲得限速標(biāo)志最大黑色連通區(qū)域面積占比閾值[P2∈[0.121 2，][0.833 3]];然后判斷限速交通標(biāo)志的二值圖像中的[P2]是否在閾值內(nèi)。若不在，則判斷為偽限速標(biāo)志;若在，則進(jìn)行下一步判斷。

（3）計算超過總面積1%的白色連通區(qū)域個數(shù)。對二值化后的上述6類限速標(biāo)志圖像分別求出[Re=1]、[Re=65]和[Re=32]在深色背景、淺色背景下的最大值[N]，獲得限速標(biāo)志二值圖像中白色像素的數(shù)量占其外接矩形區(qū)域面積的比例超過1%的白色連通區(qū)域個數(shù)，閾值[N∈1，8];然后判斷限速交通標(biāo)志的二值圖像中的[N]是否在閾值內(nèi)。若不在，則判斷為偽限速標(biāo)志;若在，則進(jìn)行下一步判斷。

（4）計算交通標(biāo)志外接矩形的高度[Hrec]和最大白色連通區(qū)域內(nèi)部各個黑色連通區(qū)域外接矩形的高度[H]。若經(jīng)過步驟（3）判斷為限速交通標(biāo)志的二值圖像中存在[H（i）][14Hrec]，則判斷為偽限速交通標(biāo)志，否則進(jìn)行下一步判斷。

（5） 計算最大白色連通區(qū)域內(nèi)部各個黑色連通區(qū)域外接矩形的最大高度[Hmax]與最小高度[Hmin]。若經(jīng)過步驟（4）判斷為限速交通標(biāo)志的二值圖像中[Hmax2Hmin]，則判斷其為偽限速交通標(biāo)志，否則即判斷為限速交通標(biāo)志。

根據(jù)上述判斷過程，對于滿足限速標(biāo)志條件的候選區(qū)域則判斷為限速交通標(biāo)志，進(jìn)行下一步的限速數(shù)值識別;當(dāng)感興趣區(qū)域為偽限速交通標(biāo)志區(qū)域時，該圖像將被排除，無需進(jìn)行后續(xù)限速數(shù)值的識別處理，提高了算法執(zhí)行效率。

3 實驗結(jié)果與分析

實驗使用的計算機配置為I7-4790處理器，3.60GHz主頻，8G內(nèi)存，Intel HD Graphics 4600顯卡。在Windows系統(tǒng)上采用MATLAB語言編程實現(xiàn)。實驗采用的樣本圖片來自清華—騰訊聯(lián)合實驗室發(fā)布的Tsinghua-Tencent100K街景數(shù)據(jù)庫中的9 000張街景圖像，圖像大小均為[2 048×2 048]像素，包含了不同光照條件和運動模糊等情況，符合復(fù)雜多變的現(xiàn)實情況。具體針對固定限速標(biāo)志中的5km/h、30km/h、40km/h、50km/h、80km/h和可變限速標(biāo)志中的60km/h這6種共685張國內(nèi)常見的限速標(biāo)志牌進(jìn)行檢測。同時，樣本集中還包含527張沒有限速交通標(biāo)志牌的街景圖像。

從表2可以看出，本文提出的算法中，維納濾波提高了整個檢測系統(tǒng)的抗噪聲能力，偽目標(biāo)排除降低了誤檢率。說明本文設(shè)計的道路限速交通標(biāo)志檢測算法具有較高的準(zhǔn)確度，基本滿足道路安全性要求，誤檢原因主要是限速標(biāo)志牌被污損或在夜間受燈光照射影響。

4 結(jié)語

本文根據(jù)交通標(biāo)志特點提出了一種基于維納復(fù)原的道路限速交通標(biāo)志檢測算法，針對“減速玻璃”以及車輛晃動等造成的圖像模糊畸變進(jìn)行預(yù)處理，利用限速標(biāo)志的形狀和顏色特征提取交通標(biāo)志牌所在區(qū)域，排除提取到的非限速標(biāo)志牌區(qū)域。實驗結(jié)果表明，本方法具有較高的檢測準(zhǔn)確率。下一步將針對夜間限速標(biāo)志圖像的檢測進(jìn)行算法優(yōu)化，提高檢測精度。

參考文獻(xiàn)：

[1] SHIGEHARU M. Automatic recognition of speed limits on speed-limit signs by using machine learning[J]. Journal of Imaging， 2017， 3（3）：25-42.

[2] 徐麗霞， 徐志剛. 基于實景圖像的道路限速標(biāo)志檢測算法研究[J]. 寧夏大學(xué)學(xué)報（自然科學(xué)版）， 2013， 34（2）：64-71.

[3] 王超， 陳慶奎. 基于CUDA的交通限速牌識別[J]. 軟件導(dǎo)刊， 2018，17（7）：48-52.