基于視覺的道路信息識別技術研究

劉萌雅,張麗艷,費繼友

(1.大連交通大學 動車運用與維護工程學院,遼寧 大連 116028；2.大連交通大學 電氣信息學院,遼寧 大連 116028)

?

基于視覺的道路信息識別技術研究

劉萌雅1,張麗艷2,費繼友1

(1.大連交通大學 動車運用與維護工程學院,遼寧 大連 116028；2.大連交通大學 電氣信息學院,遼寧 大連 116028)

基于開源視覺庫OpenCV，對行車環境中的路面交通標志的識別進行研究.在進行了適應于本次實驗圖片的預處理之后，先利用極角約束條件下的Hough變換檢測出行車方向中的車道線，然后以車道線為基準進行路面交通標志在圖片中位置的確定，進而提取交通標志的HOG特征，并結合SVM實現了路面交通標志的識別.實驗結果表明，所提方法能較好識別行車中遇到的交通標志，具有一定的準確性、可靠性和魯棒性，并且該方法不僅能處理靜態圖片，還能很好的應用于行車視頻當中.

車道線檢測；路面交通標志識別； 導向標線

0 引言

當下道路通行能力、交通安全性問題日益突出.如何提高道路交通的有效性、安全性已經成為一個亟需解決的社會性問題.車輛安全輔助駕駛的研究是智能交通系統的重要組成部分，它能將駕駛員、車輛、道路信息等結合起來，輔助駕駛員感知行車環境，實現道路信息的檢測、識別.本文主要針對路面交通標志的識別進行研究，目前針對路面標線中的車道線的研究比較多，而針對路面交通標志檢測識別的研究還相對較少.文獻[1]中利用基于場景重建的方法對圖像中的交通標志進行分割，然后對分割出的交通標志提取Hu不變矩，使用7個不變矩作為主要信息并用馬氏距離的方法進行標志的識別.文獻[2]則是以行車方向中的車道線為基準建立梯形感興趣區域，進而利用改進了的Hu不變矩進行標志的特征提取，最后使用SVM分類器進行分類.文獻[3]則是在整幅圖中選取0.5Height～0.86Height的部分作為感興趣區域，用基于圖像匹配的方式實現的交通標志的實時識別.本文的研究是基于開源視覺庫OpenCV進行的.在交通標志識別前的檢測階段，基于文獻[2]的思路，不搜索整個圖片信息，而是先檢測車道線，通過車道線來確定路面交通標志的搜索范圍，這樣不僅大大降低了運算量，縮短了檢測的時間，也排除了本車道以外無關區域中各種干擾信息對目標檢測產生的不利影響，提高檢測正確率.然后以車道線為基準進行路面交通標志在圖片中位置的確定，進而提取交通標志的HOG特征，并結合SVM實現了路面交通標志的識別.

1 圖像預處理

在采集到的圖像當中，一方面受到噪聲、障礙物遮擋、攝像頭抖動等的影響，圖像的質量有一定程度的降低；另一方面對于車道線檢測來說，圖像中包含的行人、車輛、樹木、建筑等都會降低對車道線的檢測效率.為了減少圖像中的干擾信息、無關信息的含量，增強或突出車道線特征，減少不必要的運算，提高程序運行效率，在進行車道線檢測之前首先要進行圖像的預處理.

在圖像的預處理方法中，每一種算法都有其適用環境和局限性.因此在實際應用中，需要結合外界環境因素，做大量實驗，并結合實際系統的需要，選取適合該系統的算法.根據車道線的特征，預處理包括以下內容：圖像采集、縮放圖像尺度、圖像灰度化、濾波、二值化等.圖像預處理具體的流程如圖1所示.

圖1 圖像預處理流程圖

根據機器視覺的原理，當攝像機光軸處于水平狀態時，其采集到的圖像上方一般含有天空、樹木等信息，而道路一般在圖像的下方，因此圖像的下半部分才是真正要研究的感興趣區域，車道線檢測只在這一區域內進行.將圖像進行尺度縮放并取下方的 2/3為感興趣區域，能加快檢測出車道線的速度.濾波能消除一定量的噪聲影響，邊緣檢測是為了反映出目標的邊緣輪廓，為后續的車道線檢測和交通標志檢測做準備.圖2為對圖像進行預處理后的結果.可見，處理后的車道線邊界明顯.

(a)原圖像

(b)輸出的二值圖像

2 路面交通標志檢測

對圖像進行預處理之后，再進行車道線的檢測.基于車道線的路面交通標志檢測，就是先檢測車道線，然后設置感興趣區域(Region of Interest，ROI)，從而限定路面交通標志的檢測范圍，最后在ROI內提取相關特征來搜索前方標志，提高算法的實時性.

2.1 車道線檢測

目前能實現的車道線檢測方法很多，而基于視覺的車道線檢測方法主要利用了道路的顏色、紋理、形狀等信息，根據算法依賴的主要特征信息，大體分為基于顏色特征的檢測方法[4-5]、基于模型特征的檢測方法[6-7]、基于邊緣特征的檢測方法[8]三類，其中基于霍夫變換的車道線檢測就是一種基于邊緣特征的檢測方法.

Hough 變換的車道線檢測是目前應用最為廣泛的車道識別方法之一，它首先檢測出圖像的邊緣，然后在邊緣點上搜索車道線.霍夫變換能很好的檢測出圖像中的直線，其最大優點是抗噪聲能力強，但傳統的Hough變換計算量大，難以滿足實時要求.本文根據車載視頻圖像的道路結構特點，建立車道線檢測的極角約束條件，對Hough變換進行改進，可以縮小車道線的檢測范圍.

在采集到的道路圖像中，車道線一般分布在圖像的左右兩側， 經過大量實驗測試得出，車道線的角度都是在一定的區域內變化，我們稱這一區域為極角約束區域.如圖3所示為車道線圖像的極角約束區域：對于模型(a)和模型(b)，θ1的取值范圍均為30°～70°.而對于模型(a)，θ2的取值為 -20°～-70°；對于模型(b)，θ2的取值為110°～160°，可將θ2的取值統一為110°～160°.

圖3 極角約束區域

傳統的Hough變換對圖像空間中的邊緣點在0°～180°內進行變換，然后在參數空間對應的直線投票累加，參數空間累加的峰值點即為車道線的直線方程.通過設置極角約束條件，減小了邊緣點個數、θ變換的范圍，Hough變換檢測直線的計算量僅為之前的一半，極大的提高了算法的運行速度，還減少了直線噪聲信號的影響，一定程度上增加了車道線檢測的準確率.

2.2 路面交通標志檢測

路面交通標志一般出現在車道線中間的固定位置，每種標志的形狀固定.利用上文檢測出的車道線的位置，將行車方向上交通標志最可能出現在圖像中的位置作為檢測的感興趣區域.進行感興趣區域的確定能縮小待檢測的交通標志所在的范圍，減少來自無關區域的干擾，進而加快對交通標志的識別速度.

根據上文檢測出的車道線的位置，圖像左上角坐標為(0, 0)，水平向左為x軸正方向，垂直向下y軸正方向，行車方向上左右車道線在圖像中的交點(x0, y0)為，根據采集到的圖像特點，經過數次驗證，采取以(x0-60, y0+40)為左上角坐標點做一個100×100的矩形，此區域即為檢測的感興趣區域.感興趣區域選取的優劣對車道線的檢測有很大的依賴性，雖然上文已經對傳統的Hough變換進行了改進，但還是不能做到完全的正確.接下來對標志區域進行二值化，目的是突出檢測對象，二值化效果的好壞主要依靠閾值設定的合適與否.過高則丟失一些實際的邊緣，過低則會產生虛假邊緣.圖4是以本文所述的方法進行路面交通標志檢測的結果示例.

(a)正確情況示例

3 路面交通標志識別

在交通標志檢測出來之后，就進入了對其類別的判別階段，進而才能夠感知標志的意義.圖像識別過程主要分為圖像特征提取和分類識別算法，這兩項都關系著整個識別系統的識別效率.本文提取的是路面交通標志的HOG特征，然后結合SVM對交通標志的特征進行學習，實現分類.

3.1 交通標志特征提取

HOG是一種對圖像局部重疊區域的密集型特征描述符，通過計算圖像局部區域的梯度直方圖來構成圖像特征，能夠很好地描述物體的邊緣，且對光照變化和小的偏移不敏感.它將圖像局部出現的方向梯度次數進行統計，和邊緣方向直方圖類似，不同的是HOG的計算基于一致空間的密度矩陣來提高準確率.

本文的所有算法都依靠OpenCV庫來實現.OpenCV是Intel開源的計算機視覺庫，它由一系列 C 函數和少量 C++ 類構成.基于OpenCV的圖像HOG特征的提取，在實際的操作中，具體的實現步驟如下：

(1)圖像灰度化；

(2)標準化gamma空間；

(3)計算每個像素的梯度；

(4)將圖像分割成小的細胞單元；

(5)為每個細胞單元構建梯度直方圖；

(6)單元格組成大的塊，塊內歸一化梯度直方圖，我們將得到塊描述符，叫做HOG描述子；

(7)將檢測窗口的所有塊的描述子組合起來就生成了HOG特征描述向量.

接下來就可以利用提取到的特征向量，使用分類器做相應的檢測或者識別.

3.2 交通標志識別

支持向量機(SVM: Support Vector Machine)的方法是由Vladimir N.Vapnic 提出的用于進行模式識別和數據分析的監督式學習方法，是一種典型的分類算法.SVM算法是根據統計學習中的結構風險最小化理論和VC維理論發展起來的，其基本思想是選取少量的樣本來代替整個樣本集，這些少量的樣本稱為支持向量，將支持向量轉換到高維空間，在高維空間中找到一個最優的分類超平面，將不同類之間的分類間隔最大化.圖5是利用SVM的方法實現交通標志識別后的結果示例.

圖5 利用SVM識別路面交通標志結果示例

3.3 實驗結果與分析

本實驗在配置為2.10GHz CPU Intel(R)Core(TM)2，2.0GB內存和windows 7操作系統的計算機上完成，仿真驗證平臺為Visual Studio 2012和開源計算機視覺庫OpenCV2.4.10[8].

本實驗所用圖片全部源自實際道路環境所拍攝的視頻，程序檢測出車道線后自動獲取路面交通標志并進行識別.SVM分類訓練時用到的訓練圖片也均是從實際行車道路圖像中選取的包含交通標志的部分，測試集為訓練集之外的道路行車圖片.具體情況：訓練集和測試集均為直行、直行右轉合并、直行左轉合并、右轉、左右轉合并5類，其中訓練集25幅圖片/類，測試集20幅圖片/類.實驗結果如表1所示.

表1 實驗結果

本實驗結果表明，本文所用方法對列出的五種導向箭頭的識別率較高，基本能夠滿足識別要求，但由于采集樣本數量有限，采集過程中遇到的

道路擁擠、車輛遮擋、標志破損、其他物體干擾等情況，導致了最終的識別效果受到影響.

4 結論

本文在車道線檢測的基礎上，對路面交通標志進行提取，通過對交通標志HOG特征的提取，利用SVM對交通標志進行訓練識別.實驗表明本文方法能較準確定位交通標志的位置并識別，且具有較好的魯棒性.本文目前的研究還存在以下不足：①路面交通標志的種類龐雜、自然場景復雜多變，單純依靠一種特征對它們進行識別有著一定的局限性，后期應考慮改進或引入多特征融合；②本文方法只是對五類交通標志進行了識別，其他種類的適用性還有待進一步查證；③交通標志檢測的方法對車道線檢測有很大的依賴性，應該在保證檢測速度的前提下，尋找更加準確的檢測方法.

[1]韓月林．支持向量機在路面交通標志識別中的應用[D]．大連：大連理工大學，2012.

[2]許媛媛．基于車道線的路面標志檢測識別研究[D]．合肥：中國科學技術大學，2012.

[3]王棚飛，劉宏哲，袁家政，等． 一種基于圖像匹配的地面交通標志實時識別方法[J]．計算機科學，2014,41(6):317-323.

[4]饒小李. 基于視頻的交通路口車輛計算研究[D].昆明：昆明理工大學,2014.

[5]鄭曉曦,袁高帥,胡曉東.視頻圖像中的車輛檢測及陰影去除方法研究[J].數字技術與應用，2014,(12):97-98.

[6]劉光耀. 基于模型的交通流信息檢測系統研究[D].杭州：浙江大學,2005.

[7]肖志濤,國澄明,侯正信,等.圖像特征檢測算法的分析與研究[J].中國圖象圖形學報,2004,9(12)：1414-1420.

[8]崔麗群,張明杰,吳凡.基于邊緣信息車流量檢測方法的研究[J].計算機應用與軟件，2014(12):249-252.

[9]于仕琪．學習OpenCV[M]．北京：清華大學出版社，2009.Research on Recognition Technique of Road Information based on Vision

LIU Mengya1,ZJANG Liyan2,FEI Jiyou1

(1.School of Dynamic Car Use and Maintenance Engineering,Dalian Jiaotong University,Dalian 116028,China; 2.School of Electrical&Information,Dalian Jiaotong University,Dalian 116028,China)

Based on the open computer vision library and preprocessing on the image recognition of road traffic signs in driving environment, the lane is detected according to the area of the polar angle constrains, the position of the road traffic signs in the picture is located.Later,the HOG features of the traffic signs are extracted and combined with SVM to recognize the class of the road traffic signs. Experimental results show that the proposed method can identify the encountered traffic signs with some accuracy, reliability and robustness, and the method can not only handle static image, but also be good for driving video.

lane detection; road traffic sign identification; oriented marking

1673- 9590(2016)03- 0103- 05

2015-05-26

國家自然科學基金資助項目(51376028) ;國家“863”計劃資助項目(2013AA041108)

劉萌雅(1989-)，女，碩士研究生;張麗艷(1972-)，女，副教授，博士，主要從事信號處理與模式識別的研究E- mail:DALIANZHANGLIYAN@163.com .

A