基于圖像處理的智能車輛系統

摘 要：交通標志的自動識別技術是智能車輛中輔助駕駛系統中的關鍵技術，未來會發(fā)揮越來越重要的作用。根據當前該領域的研究現狀，結合圖像處理、計算機視覺和模式識別技術，提出了包括道路標志、 紅綠燈和車道線的道路信息識別算法，開發(fā)出一款智能車輛系統。該系統可以根據攝像頭采集的道路視頻圖像，實時準確地識別圖像中的道路標志信息，并對駕駛員發(fā)出相應的文本及語音提示，從而實現交通信號的自動識別和預警。

關鍵詞：計算機視覺；模式識別；道路標志；自動識別；圖像處理

中圖法分類號：TN929文獻標識碼：A 文章編號：2095-1302（2014）06-0045-03

0引言

20世紀60年代以來，隨著車輛走進千家萬戶，給日常生活帶來了極大方便。但是另一方面，由于交通基礎設施建設不能及時跟進，造成各國的交通狀況不佳。隨著車輛數的逐年急速增長，交通問題愈發(fā)嚴重，交通事故的頻繁發(fā)生，已引起發(fā)達國家以及發(fā)展中國家的一致高度專注。在這種情況下，智能車輛的出現不僅將人從單調乏味的駕駛環(huán)境中解脫出來，而且能夠有效的避免由于注意力不集中或者其他人為過失而造成的重大交通事故。智能車輛是一種典型的高新技術的綜合體，主要包括計算機技術、現代傳感器技術、通訊網絡、信息技術融合、人工智能、自控原理等。隨著對智能化車輛控制系統的研究不斷深入與完善，從一定角度來說，駕駛員的控制、視覺和感官功能都得到了延伸，這就彌補了人為因素造成的缺陷，大大提高交通中的安全因素。

智能車輛的主要研究內容是智能車輛中的自動或輔助駕駛系統、駕駛員預警系統，而交通路標自動識別技術是輔助駕駛系統中的關鍵技術，對自動駕駛、預警系統的可靠性和穩(wěn)定性起著決定性作用，因而相關的研究具有重要的現實意義。

1系統結構

該系統由路標識別模塊、紅路燈識別模塊和車道線識別模塊三大模塊組成。圖1所示是系統的詳細設計流程圖。當讀入一幀圖像后，系統的三個模塊同時對圖像進行處理，并輸出相應的提示信息，各個模塊構成了一個功能相對完整的道路信息提示軟件系統。

2模塊設計

2.1路標檢測模塊設計

在選擇識別方法上，考慮到當前我國大多數路標是圓形，因此聯想到首先運用Hough變換檢測出路標信息，然后對照標準路標庫進行進一步匹配。在檢測中先對圖像進行了預處理，包括灰度化，對比度增強，提取感興趣區(qū)域（ROI）。在精匹配中采用了最小誤差法的改進算法，保證了測試精度，同時也提高了檢測速度。取十種標準路標模板如圖2所示。

圖 1系統的詳細設計流程圖

圖 2十種標準路標模板

圖 3 和圖 4 顯示了路標識別的過程。首先將原圖灰度化，如圖3 （b）， 接著對灰度化的圖像進行平滑處理，如圖3（c），并運用Hough變換檢測圓，提取出ROI，如圖4（a），灰度化，如圖4（b），然后對ROI進行對比度增強，如圖4（c），再將ROI與標準路標模板進行匹配，從而得到路標信息，如4（d）。

（a） （b）

（c） （d）

圖 3路標識別過程

注：（a）為待識別的原始圖像，（b）為彩色圖像轉化成的灰度圖像，（c）為經過平滑處理后的圖像，（d）為路標被識別后在原圖中被框出。

（a）（b）（c） （d）

圖 4感興趣區(qū)域提取圖及對應的路標模板

注：（a） 為輸入的圖像中提取的感興趣區(qū)域，（b）為感興趣區(qū)域灰度化，（c）為對比度增強后的感興趣區(qū)域，（d）為感興趣區(qū)域匹配成功的標準路標。

2.2紅綠燈檢測模塊設計

在紅綠燈檢測的模塊中，如圖5所示，首先將圖像由RGB彩色空間轉換到HSV彩色空間，然后提取圖像提取H和V分量 ，根據V分量進行閾值分割轉換為二值圖像，通過分析連通區(qū)域的大小找到連通區(qū)域的位置，并截出V分量的圖像，統計出該連通區(qū)域坐標的H分量圖像中的綠色像素點或者紅色像素點的所占的比例。將綠色像素點所占總像素比例35%以上，紅色像素點所占總像素比例50% 以上的連通區(qū)域與模板圖片進行匹配，如果相似度在一定范圍內則在原圖中畫出紅燈或者綠燈，實驗結果表明該方法可以取得較好的效果。

通過多次試驗成功找到了從H圖中分離出綠色（紅色）色調的閾值，轉化成二值圖像找出連通區(qū)域；并且通過分析連通區(qū)域的形狀和大小，找出綠燈（紅燈）在放大的圖中的位置，然后在放大了的圖中框出綠燈（紅燈）。應用這種方法在試驗中對50多張照片進行了試驗，正確率在90%以上，并且實現了實時處理。

（a） （b）

（c） （d）

（e）（f）（g）

圖 5紅綠燈識別過程圖

注：（a）為待識別源圖像，（b）為待識別源圖像的色調H分量圖，（c）為待識別源圖像的V分量圖，（d）為亮度分割后的二值連通區(qū)域圖，（e）為在V分量圖像中提取的連通區(qū)域的圖像，（f）為與連通區(qū)域匹配的模板圖片，（g）為在源圖像中標注紅綠燈位置。

2.3車道線檢測模塊設計

車道線也是道路信息的重要組成部分，對于年輕的新手駕駛員而言更是如此。許多交通事故的發(fā)生就是因為駕駛員偏離了車道線位置，如果輔助駕駛系統能夠實時提醒駕駛員車道線的位置，使駕駛員不超出車道線的位置，那將會大大降低交通事故發(fā)生的可能性。因此我們在系統中加入了對車道線的識別。

在車道線的檢測模塊中，首先將輸入的圖像灰度化，然后利用Hough變換檢測線，再根據車道線的寬度，顏色等確定是否為車道線。檢測過程如圖6所示。首先，將輸入的圖片進行灰度化處理，然后對灰度圖進行Hough變換檢測線，最后根據車道線的顏色，寬度找出車道線。

3結語

基于圖像的路標自動識別主要包括路標樣本收集，圖像預處理、圖像分割、特征提取、模式分類器的選擇和使用等步驟。采用廉價的可見光攝像頭，可以降低整個系統的成本，為系統最終走向實用化提供可能。采用最新的圖像識別算法—最小誤差法匹配的改進算法，靈活性高，環(huán)境自適應能力強。該系統所提出的道路信息自動理解系統，使用模塊化的設計原則，充分考慮了系統的實用性。由于核心算法完全采用標準C/C++語言設計，該系統具有很好的移植性，為系統的進一步應用打下了基礎。

（a） （b）

圖 6車道線識別過程圖

注：（a） 為源圖像灰度化后的結果，（b）為經過檢測表示出車道線結果圖（黑線表示車道線）。

參 考 文 獻

[1]（美）布拉德斯基（Bradski，G.），（美）克勒（Kaehler，A.）. 學習OpenCV（中文版）[M].于仕琪，劉瑞禎，譯. 北京：清華大學出版社，2009.

[2]劉瑞琪，于仕琪. OpenCV教程.基礎篇 [M]. 北京：北京航空航天大學出版社，2007.

[3]郭慶銳.交通標志自動分割識別算法研究 [D].杭州：浙江理工大學，2011.

[4]謝偉.基于非局部方法的圖像分割與圖像去噪研究[D].南京：南京理工大學，2013.

[5]張磊.交通標志的提取與識別[D]. 武漢：武漢理工大學，2012.

[6]秦飛.交通標志實時檢測與識別技術研究[D]. 重慶：重慶大學，2011.

[7]楊青錦. OpenCV下按視頻幀率（FPS）播放視頻[J]. 中國科技信息，2012 （21）：81，85.

[8]L.W.Tsai，J.W.Hsieh，C.H.Chang，Y.J.Tseng，K.C.Fan，C.C.Lee，H.Poor， Road sign detection using eigen colour[J].IET Comput.Vis.，2008，2（3）：164-177.

[9]Jitendra N.Chourasia，Preeti Bajaj， Centroid Based Detection Algorithm for Hybrid Traffic Sign Recognition System[C].icetet，pp.96-100，2010 3rd International Conference on Emerging Trends in Engineering and Technology，2010

[10] Fatmehsan， Y.R. Ghahari， A. Zoroofi， R.A. Gabor wavelet for road sign detection and recognition using a hybrid classifier[C].International Conference on Multimedia Computing and Information Technology （MCIT）， 2010.

作者簡介：程結園（1990—）， 女，安徽安慶人，碩士研究生。主要研究方向為數字圖像處理、智能信息處理；

張濤（1986—），男，安徽阜陽人，碩士研究生。主要研究方向為智能控制、Linux嵌入式 。