交通禁令標志自動圖像識別方法設計與仿真

高宇鵬，梁世軍

(1. 晉中信息學院信息工程學院，山西 晉中 030800；2. 南京大學物理學院，江蘇 南京 210008)

1 引言

在現實生活中交通禁令標志隨處可見，道路中的交通標志保障著人們出行的便捷性和安全性，包括車輛引流、安全警示和減速限行等。目前已有的交通禁令標志識別方法已經取得了一些成績，但受天氣狀況、光照強度等自然因素的影響，在道路中車輛實際獲取的交通禁令標志圖像的清晰度較差，對交通禁令標志的識別產生了影響，因此需要對交通禁令標志識別方法進行分析和研究。

丁博等人結合卷積神經網絡和AdaBoost-SVM構建混合預測模型，通過卷積神經網絡提取交通禁令標志的特征，利用AdaBoost-SVM分類器根據提取的特征完成交通禁令標志的識別。該方法獲取交通禁令標志時受自然因素的影響，導致圖像的清晰度較低。張文熾等人對交通禁令標志進行增廣處理，并通過超分辨技術擴大交通禁令標志圖像的細節信息，結合VGG11和AlexNet獲取圖像特征，將其輸入Softmax分類器中，完成交通禁令標志的識別，該方法存在召回率低的問題。于平平等人對交通禁令標志進行預處理，利用視覺注意模型獲取交通禁令標志圖像的初級特征，包括方向特征、亮度特征和顏色特性，根據獲取的特征得到交通禁令標志的感興趣區域，在嵌入式平臺中根據交通禁令標志的幾何特征完成識別，該方法沒有對獲取的交通禁令標志圖像進行增強處理，無法獲得細節信息，導致方法的識別精度低。

為了解決上述方法中存在的問題，提出基于改進YOLOv4的交通禁令標志自動識別方法。

2 圖像增強處理

由于自然和人為因素導致獲取的交通禁令標志的清晰度較低，為了獲取交通禁令標志中存在的細節信息，在識別之前采用混合蛙跳算法對交通禁令標志進行增強處理。

2.1 混合蛙跳算法模型

在混合蛙跳算法中通過下式更新族群的位置

(1)

隨機處理每一維上存在的分量時，容易錯過最優解，為了解決上述問題，通過閾值選擇策略對混合蛙跳算法進行優化。

更新分量時，需要對|

D

-1-

D

|和|

D

-2-

D

|的大小進行判斷，如果|

D

-1-

D

|的值大于|

D

-2-

D

|的值，此時容易錯過最優解，應該通過較小的更新概率更新第

j

維數值；如果|

D

-1-

D

|的值小于|

D

-2-

D

|的值，容易出現局部最優的問題，為了使第

j

維數據在較短時間內靠近全局最優解，需要利用較大的更新概率更新第

j

維數值。

通過上述分析，可將局部更新策略改進為

(2)

(3)

式中，

q

代表的是局部更新閾值；

g

代表的是更新一次的循環次數；

g

代表的是族內存在的最大循環次數；

q

代表的是隨機數，在區間[-1，1]內取值；更新完參數

D

后，再對

X

進行更新。設

p

代表的是與每只蛙目標函數對應的概率分布，其計算公式如下

(4)

式中，

n

代表的是蛙的數量。

2.2 圖像增強

通過歸一化非完全Beta函數對交通禁令標志圖像進行增強處理，非完全Beta函數F(u)的表達式如下

(5)

式中，

B

(

α

，

β

)代表的是Beta函數；t代表的是歸一化系數。交通禁令標志圖像增強變化曲線的擬合可以通過Beta函數中與參數

α

、

β

對應的最佳組合得以實現，獲取交通禁令標志圖像變換函數的最優參數值，完成交通禁令標志圖像的增強處理。設(

x

，

y

)為交通禁令標志圖像的中心，矩形區域

A

由尺寸為

M

×

N

的區域構成，

G

代表的是像素在各區域中存在的數量，

E

代表的是區域對應的灰度平均值，如果區域中存在噪聲點，則該區域內存在一些點與灰度平均值的差值較大。利用點在區域中對應的灰度值

l

(

x

′，

y

′)對區域中存在的噪聲點進行判斷|

E

-(

E

-

E

)|<|

E

-

l

|

(6)

式中，

E

、

E

分別代表的是點的最大灰度平均值和最小灰度平均值。設置混合蛙跳的適應值函數為

fitness

(

i

)，其表達式如下

(7)

對上式進行分析可知，交通禁令標志圖像的灰度隨著適應值函數

fitness

(

i

)的值增大分布得更均勻，交通禁令標志圖像的增強質量隨著圖像對比度的增加而提高。青蛙的適應度函數選取各區域內像素的灰度平均值

E

，采用混合青蛙算法對交通禁令標志圖像進行增強的具體步驟如下：

1)歸一化處理交通禁令標志圖像

(8)

式中，

g

(

x

，

y

)代表的是歸一化處理后的圖像。2)對青蛙子群進行初始化處理，隨機在劃分區域內獲取一組(

α

，

β

)，對交通禁令標志圖像進行增強處理。按照從大到小的順序對(

α

，

β

)進行排序，在每個子群位置中獲取最差的蛙(

α

，

β

)和最佳的蛙(

α

，

β

)，通過改進后的混沌蛙跳算法更新所有子群，當滿足終止條件時，停止迭代，獲得最佳(

α

，

β

)值。3)根據上述獲取的(

α

，

β

)對噪聲點進行判斷，獲得符合混沌蛙跳的適應度函數。

4)對交通禁令標志圖像進行歸一化處理，完成交通禁令標志圖像的增強處理。

3 交通禁令標志自動識別

交通禁令標志自動識別的主要流程為對增強處理后的交通禁令標志圖像進行顏色空間轉換，根據顏色特征提取交通禁令標志圖像的感興趣區域。

獲取感興趣區域：將增強處理后的交通禁令標志圖像的顏色空間由RGB轉變為HSV

(9)

(10)

V

=

C

(11)

式中，

H

、

S

、

V

代表的是

HSV

顏色空間中的分量；

R

、

G

、

B

代表的是

RGB

顏色空間中的分量，參數

C

=max(

R

′，

G

′，

B

′)。在

HSV

顏色空間中獲取交通禁令標志圖像的主要顏色，包括紅色、黃色和藍色，并對

H

、

S

、

V

分量進行歸一化處理，將其控制在[0，1]范圍內

(12)

式中，

red

、

yellow

、

bule

分別為紅色分量、黃色分量和藍色分量。對交通禁令標志圖像進行二值化處理，消除圖像中的較小連通區域，得到交通禁令標志圖像

Image

。用

U

=(

x

，

y

)、

D

=(

x

，

y

)描述標志圖像感興趣區域的左上點坐標和右下點坐標，其中：

(13)

式中，

x

、

x

分別代表的是像素在交通禁令標志圖像

x

方向中存在的最小值和最大值；

y

、

y

分別代表的是像素在交通禁令標志圖像

y

方向中存在的最小值和最大值；

h

描述的是交通禁令標志圖像在

x

方向上對應的長度，通過上述過程獲得交通禁令標志圖像的感興趣區域。

預測類別：

soft

-max在分類過程中存在類間互斥的現象，會對交通禁令標志圖像的識別產生影響，通過二元交叉熵函數

loss

在訓練階段對交通禁令標志圖像進行預測

(14)

預測跨尺度：基于改進YOLOv4的交通禁令標志自動識別方法在特征金字塔網絡思想的基礎上獲取交通禁令標志圖像中存在的細粒度和語義信息，將其作為特征信息。利用YOLOv4算法對邊界框進行預測，獲得不同尺度的錨點。在邊界框中利用k-means算法獲取先驗信息。

提取特征：YOLOv4算法通過Darknet-53網絡提取交通禁令標志圖像的特征，將殘差單元添加到Darknet-19網絡中，將去除dropout操作和批量歸一化操作添加到卷積層中，避免特征提取過程中存在的擬合現象。損失函數在訓練過程中的表達式如下

(15)

通過YOLOv4算法通過上述過程獲取交通禁令標志的特征，實現交通禁令標志的識別。

4 實驗與分析

為了驗證基于改進YOLOv4的交通禁令標志自動識別方法的整體有效性，需要對其進行測試，采用Matlab軟件對實驗中的圖像與數據進行處理。

清晰度是影響交通禁令標志識別結果的重要因素，分別采用基于改進YOLOv4的交通禁令標志自動識別方法、文獻[3]方法和文獻[4]方法對清晰度較低的交通禁令標志進行處理，處理結果如圖1所示。

圖1 不同方法的圖像處理結果

圖1(a)為模糊交通禁令標志，分別采用所提方法、文獻[3]方法和文獻[4]方法對其進行處理，根據圖1可知，采用所提方法對模糊交通禁令標志圖像進行處理后，交通禁令標志圖像的清晰度有所提高，采用文獻[3]方法和文獻[4]方法對模糊交通禁令標志圖像進行處理后，交通禁令標志的清晰度較低，對比上述方法的測試結果可知，所提方法可獲取高清晰度的模糊交通禁令標志圖像，表明所提方法的圖像增強效果好，因為該方法利用混合蛙跳算法對獲取的交通禁令標志圖像進行了增強處理，提高了圖像的清晰度。

采用所提方法、文獻[3]方法和文獻[4]方法對交通禁令標志進行識別，對比不同方法的識別精度，識別精度P的計算公式如下

(16)

式中，

Z

代表的是正確識別的數量；

Z

代表的是錯誤識別的數量。不同方法的識別精度對比結果如圖2所示。

圖2 不同方法的識別精度

分析圖2中的數據可知，隨著交通禁令標志數量的增加，所提方法、文獻[3]方法和文獻[4]方法的識別精度不斷降低，但在相同交通禁令標志數量下，所提方法的識別精度均高于文獻[3]方法和文獻[4]方法的識別精度，因為所提方法在識別交通禁令標志之前對其進行了增強處理，獲得了標志的細節信息，進而提高了識別精度。

為了進一步驗證所提方法、文獻[3]方法和文獻[4]方法的整體有效性，將召回率作為指標進行測試，召回率

R

的計算公式如下

(17)

式中，

Z

代表的是漏檢的圖像數量。不同方法的召回率對比結果如表1所示。

表1 不同方法的召回率

根據表1中的數據可知，在多次交通禁令標志識別測試過程中，所提方法獲得的召回率均在90%以上，遠遠高于文獻[3]方法和文獻[4]方法獲得的召回率，驗證了所提方法的整體有效性。

5 結束語

在輔助駕駛和無人駕駛中交通禁令標志識別是重要部分，同時也是一個重要環節，通過識別交通禁令標志可以獲取道路前方的信息，減少事故發生的概率，提高車輛行駛的安全性。目前交通禁令標志識別方法存在圖像清晰度低、識別精度低和召回率低的問題。提出基于改進YOLOv4的交通禁令標志自動識別方法，首先對交通禁令標志圖像進行增強處理，提取標志特征，完成交通禁令標志的識別，解決了目前方法中存在的問題，為無人駕駛和輔助駕駛技術的發展奠定了基礎。