基于顏色模型和區域特性的交通標志提取方法研究

王炳飛，宋海玉，李厚杰，王培昌，馬 彪

(大連民族學院a.計算機科學與工程學院;b.信息與通信工程學院，遼寧大連116605)

交通標志識別系統是智能交通系統的重要組成部分，對減少交通事故、緩解交通壓力有著重要意義［1］。交通標志檢測是交通標志識別關鍵步驟，其性能優劣直接影響交通標志識別的性能，目前已成為計算機視覺領域的一個重要研究熱點［2-3］。

目前交通標志檢測根據實現方法的不同，主要分為基于顏色模型、基于形狀特征以及基于機器學習的交通標志檢測算法。第一類算法根據交通標志不同的顏色特征進行顏色分割，然后進行交通標志檢測，該類算法檢測速度較快，但通常面臨著虛警率高的問題［4］。第二類算法根據交通標志的形狀進行標志檢測，F.Moutar等利用Hough變換構成的檢測器對圓形標志實現檢測［5］;G.Loy等［6］利用投票思想提出了一種快速徑向對稱變換，N.Barnes等［7］利用徑向對稱變換進行澳大利亞圓形限速標志的檢測。這類算法往往利用形狀檢測器對整幅交通圖像中進行標志檢測，可能帶來不必要的時間開銷。第三類算法往往利用和提取興趣區域的HOG特征、Haar小波特征、DtB特征以及形狀標簽的FFT特征等，再結合SVM以及Cascaded分類器等機器學習算法對訓練集進行學習訓練，利用獲取的分類器對檢測圖像進行標志檢測［8-10］。但這類算法在正負樣本集構建以及交通圖像檢測樣本多尺度提取等方面都相對復雜，往往造成檢測時間開銷較大，從而影響了交通標志檢測的實時性。

針對以上問題，本文研究分析了基于RGB顏色模型和基于HSI顏色模型的交通標志閾值分割算法，然后利用交通標志區域特性對二值分割圖像興趣區域進行二分類，降低標志虛假率，實現交通標志的興趣區域提取。提取的興趣區域可作為基于形狀特征標志檢測算法的檢測目標或基于機器學習標志檢測算法的檢測樣本，將有效降低標志檢測算法復雜度和時間開銷，提升算法有效性。

1 基于顏色模型的圖像分割

在數字圖像處理應用中，常用的顏色模型有RGB顏色模型、CMYK顏色模型以及HSI顏色模型等，每類顏色模型都是在一個坐標系和子空間中用一個點表示一種顏色。RGB顏色模型是最為直觀和常用的一種模型，利用紅(R)綠(G)藍(B)三基色來定義各種顏色。另外，HSI顏色模型是從視覺系統出發，利用色調(hue)、色飽和度(Saturation)以及亮度(Intensity)三維分量進行色彩描述，比RGB色彩空間更符合人眼的視覺特性，在計算機視覺和彩色圖像處理中得到了廣泛關注。本文將深入研究分析基于RGB顏色模型和基于HSI顏色模型的交通標志分割算法。

1.1 基于RGB顏色模型的交通標志圖像分割

RGB顏色模型是基于Cartesian(笛卡爾)坐標系統，顏色子空間則由坐標系下一個立方體來表示，紅(R)綠(G)藍(B)位于三個坐標軸所在的頂點上，各種顏色由位于立方體內或立方體上的點來表示。為了從RGB模型的交通圖像中提出標志興趣區域，采用了閾值分割方法。本文采用了經驗閾值分割思路，通過顏色子空間的顏色分布尋找特定顏色的經驗閾值。在RGB空間中，三個顏色分量存在高的相關性，而且亮度變化將會影響顏色信息，若直接在RGB空間進行圖像興趣區域分割，經驗閾值很難獲取［4］。為了解決這一問題，可對三個顏色分量進行歸一化處理，三基色的歸一化分量可表示為:

其中，Rnor+Gnor+Bnor=1。通過歸一化處理，亮度變化將對顏色信息影響甚微，閾值選取將獨立于亮度變化信息。

對于交通標志而言，區分不同類標志的顏色主要有紅色、黃色和藍色，比如在交通圖像中，禁止類標志為紅色外環區域，指示標志為藍色區域等。三種顏色的閾值分割掩膜可表示為［4］

1.2 基于HSI顏色模型的交通標志圖像分割

HSI顏色模型可用一個圓錐形空間模型進行描述，圓錐體的中心垂直軸表示了亮度(Intensity)變化，與亮度軸垂直的每個平面描述了該亮度下色調(hue)和色飽和度(Saturation)信息。在這個平面上，紅R、綠G、藍B三原色相隔120度，平面上任意彩色點的色調值由其與某參考點(一般為紅色點)的夾角決定，而飽和度則是從中心原點到該點的向量長度。

HSI顏色模型各個分量可以利用RGB分量轉換得到［11］，若已知一幅RGB彩色模型圖像，則每一個像素點的色調H分量可表示為

飽和度S為

若RGB分量的值范圍為［0，255］，則色調的取值范圍為［0，360］，色飽和度范圍為［0，255］，亮度的范圍為［0，255］。

對于HSI顏色模型的交通圖像，交通標志分割掩膜可表示為［4］

1.3 兩種分割算法的對比分析

為了對比分析兩種分割算法的性能，在德國交通標志數據集GTSDB測試集上對含有紅色信息的交通標志進行了仿真實驗。在實驗中，采用Matlab R2010b仿真軟件進行算法實現。經過實驗測試，獲取了分割掩膜經驗閾值:Rth=0.35，Gth=0.30，Rth1=10，Rth2=280。

交通標志圖像分割結果如圖1-圖3，分別由原始圖像、HSI模型閾值分割結果以及RGB歸一化閾值處理結果。晴天光線較強環境下的分割結果如圖1，雨天環境下的分割結果如圖2，光線比較暗環境下的實驗結果如圖3。從實驗結果上看，兩種分割算法都取得了較好的分割效果，交通標志得到了較好地凸顯。而且，兩種分割算法對光照變化具有較強的魯棒性。在算法時間開銷方面，HSI模型閾值分割算法處理時間是RGB歸一化閾值處理時間的2倍左右(不同交通圖像處理時間略有不同)，這主要因為是在HSI閾值分割處理中RGB圖像需要轉換為HSI圖像。

圖1 光線較強環境下交通圖像的分割結果

圖2 雨天環境下交通圖像的分割結果

圖3 光線較暗環境下交通圖像的分割結果

2 基于區域特性的交通標志提取

通過顏色模型分割之后的二值圖像較好的凸顯了交通標志，但同時，可以看到分割圖像產生了大量的背景干擾，從而導致過高的標志虛警率，且每一個干擾區域對進行下一步基于形狀特征的標志檢測或基于機器學習算法的標志檢測會造成大量不必要的時間開銷。值得注意的是，對于交通標志而言，在形狀上主要有圓形、等邊三角形、正方形、正八角形等，而且交通圖像中的交通標志的尺寸都有一定的范圍。因此，分割之后的二值圖像交通標志區域在區域像素數、區域面積、區域縱橫比以及區域最小邊長等方面具有特定的范圍。所以，基于標志區域特性進行閾值處理，將有效濾除大量干擾區域，降低虛警率。

步驟1 設標志區域像素數閾值為Pth，對具有8連通特性的區域RC，統計其像素數為Pnum，若Pnum＜Pth，則該區域為干擾區域，給予濾除;否則，設定為標志候選興趣區域RP;

步驟2 設標志區域面積閾值為Ath1和Ath2，確定區域RP在交通圖像中的坐標，進而獲取區域的外接矩形，計算外接矩形面積。如果區域RP面積在［Ath1，Ath2］區間之內，則為標志候選區域RA;否則，給予濾除;

步驟3 計算區域RA的縱橫比Aratio和外接矩形最小邊長Smin，并設標志縱橫比閾值Aratio，th1和Aratio，th2以及最小邊長閾值Smin，th。當Aratio，th1＜Aratio＜Aratio，th2且Smin＞Smin，th時，區域RA可視為標志樣本區域Rsign。

為了驗證方法的有效性，測試了德國數據集，經驗閾值設置為:Pth= 80，Ath1= 260，Ath2=20000，Aratio，th1= 0.8，Aratio，th2= 1.3，Smin，th= 17。實驗結果如圖4-圖6，從實驗結果可以看到背景干擾得到了有效濾除，交通標志得到較好地保留。

圖4 圖1對應交通標志提取結果

圖5 圖2對應交通標志提取結果

圖6 圖3對應交通標志提取結果

3 結語

研究了基于HSI顏色模型和RGB歸一化交通標志閾值分割算法，并分析了兩種分割算法的性能，均取得了較好的分割效果，在計算開銷方面，RGB歸一化閾值分割算法要優于HSI顏色模型閾值處理算法。針對閾值分割后二值圖像交通標志虛警率高的問題，研究了基于區域特性的標志提取方法，實驗結果表明了方法的有效性。

［1］M?GELMOSE A，TRIVEDI M M，MOESLUND T B.Vision-based traffic sign detection and analysis for intelligent driver assistance systems:perspectives and survey［J］.IEEE Trans.Intell.Transp.Syst.，2012，12(4):1484-1496.

［2］XU Qingsong，SU Juan，LIU Tiantian.A detection and recognition method for prohibition traffic signs［C］.in Proc.Int.Conf.IASP，2010，583-586.

［3］CHIANG H H，CHEN Y L，WANG W Q ，et al.Road speed sign recognition using edge-voting principle and learning vector quantization network［C］.in Proc.ICS，2010，246-251.

［4］MORENO H G，BASCON S M，JIMENEZ P G，et al.Goal evaluation of segmentation algorithms for traffic sign recognition［J］.IEEE Trans.Intell.Transp.Syst.，2010，11(4):917-930.

［5］MOUTARDE F，BARGETON A，HERBIN A，et al.Robust on vehicle real-time visual detection of American and European speed limit signs，with a modular traffic signs recognition system ［C］.In Proc.IEEE Intell.Veh.Symp.，2007，1122-1126.

［6］LOY G，ZELINSKY A.Fast radial symmetry for detecting points of interest［J］.IEEE Trans.Pattern Anal.Mach.Intell.，2003，25(8):959-973.

［7］ BARNES N，ZELINSKY A，Fletcher L.Real-time speed sign detection using the radial symmetry detector［J］.IEEE Trans.Intell.Transp.Syst.，2008，9(2):322-332.

［8］CREUSEN I，WIJNHOVEN R，HERBSCHLEB E，et al.Color exploitation in hog-based traffic sign detection［C］.In Proc 17th IEEE ICIP，2010，2669-2672.

［9］BARO X，ESCALERA S，VITRIA J，et al.Traffic sign recognition using evolutionary adaboost detection and forest-ECOC classification ［J］.IEEE Trans.Intell.Transp.Syst.，2009，10(1):113-126.

［10］王剛毅.交通標志檢測與分類算法研究［D］.哈爾濱:哈爾濱工業大學，2013.

［11］岡薩雷斯.數字圖像處理(MATLAB版)［M］.阮秋琦，譯.北京:電子工業出版社，2007.