基于視覺傳達的警示標志識別方法

黃有望 白新國

摘 要： 針對當前警示標志識別正確率低、識別速度慢等不足，提出基于視覺傳達的警示標志識別方法。首先提取警示標志識別的一些特征，然后結合人的視覺傳達感知設計一些規則，最后采用神經網絡實現警示標志識別，并通過具體實驗測試該方法的有效性和優越性。測試結果表明，所提方法提高了警示標志識別的正確率，有效改善了警示標志識別的速度，而且警示標志識別效果明顯優于當前其他警示標志識別方法。

關鍵詞： 視覺傳達； 警示標志； 識別方法； 識別正確率； 識別速度； 神經網絡

中圖分類號： TN911.73?34； TP181 文獻標識碼： A 文章編號： 1004?373X（2018）11?0129?04

Warning signs recognition method based on visual communication

HUANG Youwang1， BAI Xinguo2

（1. College of Apparel & Design， Xian Polytechnic University， Xian 710048， China；

2. College of Computer Science， Xian Polytechnic University， Xian 710048， China）

Abstract： Aiming at the shortcomings of low recognition accuracy and slow recognition speed of warning signs， a warning signs identification method based on visual communication is proposed. The characteristics of warning signs recognition are extracted， and combined with the human′s visual perception to design some rules. And then the neural network is used to realize the warning signs identification. The effectiveness and superiority of the method were verified with specific test. The test results show that the method can improve the recognition accuracy and recognition speed of the warning signs， and its recognition effect is better than that of other warning signs recognition methods.

Keywords： visual communication； warning sign； identification method； recognition accuracy； recognition speed； neural network

0 引 言

隨著經濟的迅速發展，城市化進程速度不斷加快，城市道路和建筑越來越復雜，出現了許多警示標記，這些警示標記可以幫助人們迅速離開危險環境，以便更好地保護人身安全與財產安全。因此，對警示標記進行準確識別具有十分重要的意義[1?3]。

針對警示標記識別問題，學者們提出了許多有效的警示標記方法，在警示標記識別的研究中，首先要提取警示標記識別特征，然后采用相應的方法對警示標記進行分類和識別[4?6]。當前警示標記特征很多，如形狀特征、顏色特征等，單一特征一般無法獲得性能較優的警示標記識別結果，因此當前主要采用多個特征實現警示標記。警示標記識別常用神經網絡或者支持向量機進行，其中支持向量機的學習速度比較慢，導致警示標記識別的效率低，而神經網絡的學習速度雖然快于支持向量機，但是識別效果有待進一步提升[7?9]。但是以上的警示標記識別方法忽略了人的視覺特點，導致警示標記識別不穩定，而且誤識率比較高。視覺傳達是一種新型技術，可以根據人的視覺對警示標志進行設計，有助于改善警示標志識別效果[10]。

針對當前警示標志識別正確率低、識別速度慢等不足，提出一種基于視覺傳達的警示標志識別方法。測試結果表明，本文方法提高了警示標志識別的正確率，有效改善了警示標志識別的速度，而且警示標志識別效果要明顯優于當前其他警示標志識別方法，具有更高的實際應用價值。

1 視覺傳達技術

人們在生活中，通常通過視覺感知90%的信息，不同人感知方式、視覺效果差異很大，因此可以通過視覺傳達技術幫助警示標志識別。色彩從情緒以及機能干擾人們的心理狀態，使得人們在行為上做出不同的反應，同人們的生活環境以及文化素質等相關。不同人對差異色彩間的關聯性，形成差異的冷暖、硬柔等體驗，進而影響人們對警示標志的感受狀態。差異色彩環境中人的情緒存在較大的波動，如紅、橙、黃是暖色，其可刺激人們的視覺，調度人的興奮點，則在交通導向標識以及警示標志中通常采用這些暖色。青、藍、紫是冷色，能夠使得人們的情緒保持穩定，這類顏色大都應用到醫院、工程和辦公領域。在警示標志識別過程中，人們對不同色彩以及形態產生不同的心理反應，基于心理反應內的相似性設計合理的警示導向符號以及視覺效果，對于提高警示標志的識別效果具有重要作用。

強弱光照作用會干擾人眼視覺，對比度低于3[∶]1的物體是反射光的最佳環境。正常光照環境下，距離55 cm是觀測目標事物的最佳距離。如表1所示，研究的水平分割性能從中心到四周大幅度降低。融合光照和導向設計規劃警示標志，能夠實現視覺傳達的審美性能。分析人們視覺感知領域獲取的詳細數據，可對基于城市視覺傳達的警示標志進行科學的設計，對警示標志的大小、高度以及部署位置實施合理規劃，對警示標志的高度、視距以及字體大小和顏色等元素實施控制，可以提高用戶對不同警示標志的識別效率和準確度。

2 警示標志識別方法的具體設計

2.1 警示標志的圖像預處理

由于警示標志是一種圖像，圖像的采集受到外界因素的影響，導致圖像質量不高，警示標志有時不清楚，需要對警示標志進行預處理，具體步驟如下：

背景建模是指從圖像中提取警示標志的目標區域，采用視頻幀差方法實現警示標志的提取。設警示標志圖像序列為[{Ii（x，y）}，i=1，2，…，N，][（x，y）]表示警示標志的像素位置，[i]表示警示標志的幀序，[N]為警示標志的幀總數，那么警示標志圖像之間的幀計算公式為：

[CDMi（x，y）=d， d≥T0， d

式中：[d=Ii+1（x，y）-Ii（x，y）；][T]表示警示標志的差分閾值。

在提取警示標志的區域后，將有用的警示標志分割出來，采用時域差分法對警示標志進行標分割，即：

[F（I，B）=1-2×（I+1）×（B+1）（I+1）+（B+1）× 2×（256-I）×（256-B）（256-I）+（256-B），]

[0≤f（I，B）<1， 0≤I（x，y）≤255， 0≤B（x，y）≤255] （2）

式中：[B]表示警示標志的像素值；[I]為當前警示標志幀的像素值。

采用二值化方法對分割后的警示標志進行處理，消除警示標志噪聲，即：

[Mx，y=1，f（Ixy，Bxy）≥T0，otherwise] （3）

2.2 提取警示標志的特征

2.2.1 提取警示標志的LBP特征

LBP算子常為一個矩形區域，包括1個中心和8個鄰域像素，它們都有自己的灰度值。首先比較全部鄰域像素與中心點的灰度值，根據比較結果標記為“1”或者“0”，所有的“1”和“0”組成一個矩陣，該矩陣刻畫灰度變化，具體工作過程如圖1所示。

擴展LBP算子為：

[LBPP，R=P=0P-1sgP-gc2P] （4）

式中：[gc，][gP]為中心和鄰域像素的灰度值；[P]表示鄰域的像素個數；[R]表示半徑。

同時可以得到：

[sgP-gc=1，gP-gc≥00，otherwise] （5）

對LBP特征值做如下處理：

[LBPriP，R=minROR（LBPP，R，i） i=0，1，2，…，P-1] （6）

式中ROR為移位操作符。

對于一幅警示標志圖像，提取其紋理特征，對它們的直方圖進行歸一化操作，結果如圖2所示。

2.2.2 提取警示標志的灰度共生矩陣特征

灰度共生矩陣可以描述警示標志的紋理特征，[Oxyz]表示一個三維坐標，其中，[z]軸表示警示標志圖像的灰度標，[Nx]表示警示標志的圖像總像素數值，具體如圖3所示。

從一個像素點[i]開始，其相鄰像素數為[j，]它們之間的距離為[d，]角度為[θ，]那么它們在警示標志中同時存在的概率為：

[P（i，j，d，θ）=（x，y）f（x，y）=i，f（x+dcosθ，y+dsinθ）] （7）

采用同質區（HOM）、角二階矩（ASM）、熵（ENT）和非相似性（DIS）構建警示標志的灰度共生矩陣，具體為：

[HOM=ijp（i，j）1+（i-j）2ASM=ijp（i，j）2ENT=ijp（i，j）log p（i，j）DIS=iji-jp（i，j）] （8）

2.3 神經網絡的警示標志識別

2.3.1 神經網絡

BP神經網絡的工作步驟為：

1） 輸入神經元節點[i]的輸入與輸出一樣，即有：

[Oi=Xi] （9）

2） 隱含層神經元節點[j]的輸入和輸出為：

[netj=iωjiOi+θjOj=f（netj）=11+exp（-netj）] （10）

式中：[ωji]表示隱含層連接權值；[θj]為隱含層的閾值。

3） 輸出層神經元節點[l]的輸入和輸出為：

[netl=jωljOj+θlOl=f（netl）=11+exp（-netl）] （11）

式中：[ωlj]表示輸出層的連接權值；[θl]為輸出層的閾值。

設采集到的數據為：[（XP1，XP2，…，XPN）→][（TP1，TP2，…，TPN）]，[P]為樣本總數，那么輸出結果的均方誤差和可以描述為：

[W=1PP12l（TPl-OPl）2] （12）

權值[ωlj]與[ωji]滿足的變化方式為：

[ωlj（K+1）=ωlj（K）+ηδlOjδl=f（netl）（Tl-Ol）] （13）

[ωji（K+1）=ωji（K）+ηδjOiδj=f（netj）lωljδl] （14）

式中：[K]為迭代次數；[η]為學習速率。

2.3.2 神經網絡的警示標志識別原理

基于神經網絡的警示標志識別原理：首先采集警示標志識別圖像，并進行一些預處理；然后結合人的視覺傳達感知特點，提取警示標志識別的相關特征，最后采用神經網絡實現警示標志識別，具體如圖4所示。

3 結果與分析

3.1 與沒有視覺傳達方法的識別結果對比

為了分析本文所提的警示標志識別方法的有效性和優越性，選擇沒有引入視覺傳達的警示標志識別方法進行對比實驗，每一種方法均運行10次實驗，統計它們的警示標志平均識別率，結果如表2所示。

從表2可知：

1） 沒有引入視覺傳達的警示標志識別方法的實驗結果較本文方法要低，獲得了比較低的警示標志識別率，表明其警示標志識別的誤識率比較高。這是因為該方法無法正確描述警示標志的類型，無法準確區分出不同類型的警示標志，因此實際應用價值受限。

2） 相對于對比方法，本文方法的警示標志識別結果得到了明顯改善，大幅度提高了警示標志識別率，這表明本文方法的警示標志誤識率得到了有效的控制。這是因為本文引入了視覺傳達方法，提取的警示標志特征可以更好地描述警示標志的類型，從而建立理想的警示標志識別分類器，可以全面描述警示標志的類型，獲得了更加理想的警示標志識別結果，對比結果表明引入視覺傳達有助于提高警示標志的識別效果。

3.2 警示標志識別速度比較

統計對比方法和本文方法的警示標志平均識別時間，結果見圖5。對圖5的警示標志識別時間進行對比和分析，可以發現本文方法的警示標志識別時間明顯縮短，這表明本文方法的警示標志識別速度更快，提高了警示標志識別的效率，可以應用于處理速度比較快的警示標志識別環境中，實際應用價值更高。

4 結 論

警示標志識別是當前研究的熱點，為了解決當前警示標志識別正確率低、識別速度慢等缺陷，提出基于視覺傳達的警示標志識別方法。采用具體實驗測試了本文方法的有效性和優越性，結果表明，本文方法提高了警示標志識別的正確率，有效改善了警示標志識別的速度，而且警示標志識別效果要明顯優于當前其他警示標志識別方法，具有更高的實際應用價值。

參考文獻

[1] MALDONADO?BASCON S， LAFUENTE?ARROYO S， GIL?JIMENEZ P， et al. Road sign detection and recognition based on support vector machines [J]. IEEE transactions on intelligent transportation systems， 2007， 8（2）： 264?278.

[2] GAO X， PODLADCHIKOVA L， SHAPOSHNIKOV D， et al. Recognition of traffic signs based on their colour and shape features extracted using human vision models [J]. Journal of visual communication and image representation， 2006， 17（4）： 675?685.

[3] 谷明琴，蔡自興，何芬芬.基于形狀標記圖和Gabor小波的交通標志識別[J].智能系統學報，2011，6（6）：526?530.

GU Mingqin， CAI Zixing， HE Fenfen. Traffic sign recognition based on shape labeled graph and Gabor wavelet [J]. Journal of intelligent system， 2011， 6（6）： 526?530.

[4] 秦香英，黃亞飛，劉偉銘.基于不變矩和小波神經網絡的標志識別方法[J].長沙交通學院學報，2005，21（2）：84?88.

QIN X Y， HUANG Y F， LIU W M. A method of signs recognition based on invariant moments and wavelet neural network [J]. Journal of Changsha Jiaotong University， 2005， 21（2）： 84?88.

[5] 王進，熊虎.ALPSO?SVM道路限速標志識別[J].計算機科學，2012，39（11）：226?229.

WANG Jin， XIONG Hu. Road speed limit identification based on ALPSO?SVM [J]. Computer science， 2012， 39（11）： 226?229.

[6] 何耀平，徐麗珍.自然場景下交通標志的自動識別算法[J].微計算機信息，2010，26（4）：161?163.

HE Yaoping， XU Lizhen. Automatic recognition algorithm for traffic signs in natural scene [J]. Microcomputer information， 2010， 26（4）： 161?163.

[7] BUI?MINH T， GHITA O， WHELAN P F， et al. A robust algorithm for detection and classification of traffic signs in video data [C]// Proceedings of 2012 International Conference on Control， Automation and Information Sciences. [S.l.]： IEEE， 2012： 108?113.

[8] 谷明琴，蔡自興.基于無參數形狀檢測子和DT?CWT的交通標志識別[J].計算機研究與發展，2013，50（9）：1893?1901.

GU Mingqin， CAI Zixing. Traffic sign recognition based on nonparametric shape detector and DT?CWT [J]. Computer research and development， 2013， 50（9）： 1893?1901.

[9] HE K， SUN J， TANG X. Single image haze removal using dark channel prior [J]. Pattern analysis and machine intelligence， 2011， 33（12）： 2341?2353.

[10] 張靜，何明一，戴玉超，等.綜合顏色和形狀的圓形交通標志檢測方法[J].計算機工程與應用，2011，47（2）：233?236.

ZHANG Jing， HE Mingyi， DAI Yuchao， et al. Circular traffic sign detection method of integrated color and shape [J]. Computer engineering and application， 2011， 47（2）： 233?236.