基于opencv的交通標志識別研究

周麗娜 康俊峰

摘要：在道路安全系統中，交通標志的輔助作用不可忽視。本文采用基于HSI顏色空間特征對交通標志進行識別，可以完整保留交通標志的顏色和形狀特征；采用Hu不變矩進行交通標志的識別，Hu矩具有旋轉、平移、縮放不變性，計算簡單，實時性好等特點。本文的分割和識別算法測試結果正確率高，分割識別效果較好。

關鍵詞：圖像分割；HSI顏色空間；圖像識別；Hu不變矩

引言

道路交通標志識別（Traffic Sign Recognition，TSR）是智能交通系統（Intelligent Transportation System，ITS）研究領域尚未解決的難題之一，也是難度較大的實時圖形識別問題之一。TSR系統主要包括兩個基本技術環節：首先是交通標志的檢測和定位，其次是交通標志的識別。本文針對這兩部分分別作出討論。

我國交通標志大致可分為3類：警告標志、禁令標志、指示標志。從形狀上可分為四類：圓形、矩形、三角形、六邊形。從顏色上可分為：紅色、黃色、藍色。如圖1所示。本文主要采用交通標志的顏色特征進行分割，采用形狀特征的Hu矩進行識別。

1.RGB和HSI空間模型

在圖像處理中，顏色的運用受兩個主要因素推動。第一，顏色是一個強有力的描繪子，它常常可簡化目標物的區分及從場景中抽取目標；第二，人可以辨別幾千種顏色色調和亮度，但相比之下只能辨別幾十種灰度層次。

1.1RGB彩色模型

RGB模型用三維空間中的一個點來表示一種顏色，三個軸分別為R、G、B。在RGB彩色模型中，所表示的圖像由3個圖像分量組成，每個分量圖像都是其原色圖像。

1.2 HSI彩色模型

HSI模型是Munseu提出的，它反映了人的視覺系統觀察彩色的方式，H表示色調，S表示飽和度，I表示亮度。該模型的建立基于兩個重要的事實：I分量與圖像的彩色信息無關；H和S分量與人感受顏色的方式是緊密相連的。

2.交通標志的分割

2.1分割算法

我國的交通標志大致有三種顏色：黃色、紅色和藍色。在RGB模型中，R、G、B分量極易受光照的影響，所以很少有人直接采用RGB模型進行圖像分割。在HSI彩色空間中，可以很好的摒除光照的影響，對圖像進行準確的分割。

交通標志有三類，本文從每一類中選取一個標志進行模擬，并驗證算法的精度

本算法中首先采用HSI空間對圖像進行分割，并提取飽和度S通道的圖像進行處理。

如圖所示，在S通道的圖像中，交通標志的外邊界可以很好的與環境區分出來，使用Otsu分割法對圖像進行分割。對圖像進行分割后，交通標志的輪廓就會清晰的顯現出來，此時，采用findcontour函數對分割后的輪廓進行邊緣檢測。在檢測到輪廓后，只留下最外層的輪廓，并在輪廓內部添加為1，輪廓外部添加為0。

輪廓檢測到后，完整的交通標志并沒有得到，就需要把檢測到輪廓的圖像與原圖像進行與運算，就可以得到完整的交通標志圖。而且此時的交通標志圖包含一切原有圖的信息，顏色信息和形狀信息都沒有損失，對后續的識別有很大幫助。

2.2實驗結果

本文使用每種交通標志的一張作為樣圖，下面分別對這些樣圖進行分割，觀察實驗結果。同時，選取一張自然環境下的真實交通標志進行分割，觀察實驗結果。結果如圖5所示。

從圖中可以看出，本文提出的算法分割效果較好，可以將交通標志的所有信息保留，還可以剔除大部分甚至是全部的背景干擾，為后續運算提供良好的基礎。

3.交通標志的識別

本文采用Hu不變矩進行特征的提取及識別。

3.1Hu不變矩理論

應用表明：直接用原點矩或中心矩作為圖像的特征，不能保證特征同時具有平移、旋轉和比例不變性。為此，M.K.Hu首先提出了不變矩，他給出了連續函數矩的定義和關于矩的基本性質，證明了有關矩的平移不變性、旋轉不變性以及比例不變性等性質，具體給出了具有平移不變性、旋轉不變性和比例不變性的七個不變矩的表達式。

3.2實驗結果

運用Hu矩對本文選取的例圖進行特征提取及識別。分別對標準圖和例圖進行矩提取，將提取的矩特征存儲。然后，使用opencv中的特征匹配函數cvMatchShapes對矩特征進行比較，匹配結果越接近0，特征越相似。

由表中結果可以看出，標準標識圖和實際拍攝的有干擾的標識圖的匹配結果準確，相同標識的匹配數據是最小的，根據上文所述，匹配結果越接近0，說明兩幅圖中的特征越相似。

4.軟件介紹

本文采用的仿真環境是VS2008，編程語言使用C++和Opencv。Opencv是一個開源的計算機視覺庫，Opencv采用C/C++語言編寫，可以運行在Linux/Windows/Mac等操作系統上。Opencv的一個目標是構建一個簡單易用的計算機視覺框架，以幫助開發人員更便捷地設計更復雜的計算機視覺相關應用程序。Opencv包含的函數有500多個，覆蓋了計算機視覺的許多應用領域，如工廠產品檢測、醫學成像、信息安全、用戶界面、攝像機標定、立體視覺和機器人等。因為計算機視覺和機器學習密切祥光，所以Opencv還提供了MLL機器學習庫。該機器學習側重于統計方面的模式識別和聚類。

5.結語

通過上文的理論分析與實驗檢測，可以看出本文的算法分割精確、識別準確。采用色彩空間對交通標志進行分割，可以很好的保存交通標志的顏色特征。通過分割圖像與原圖像的與運算，可以把交通標志的所有特征完全提取出來。Hu矩具有旋轉、平移、縮放等不變性，可以更好的適應復雜的自然環境。本論文的算法主要特征是計算簡單，實時性好。但是對于更加復雜的環境，該算法還有待提高。

參考文獻

[1]Rafael C.Gonzales，Richard E.Woods.數字圖像處理（第二版）[M].阮秋琦，阮宇智譯.電子工業出版社.

[3]嚴柏軍，鄭鏈，王克勇.基于不變矩特征匹配的快速目標檢測算法[J].紅外技術，2001，23（6）：8-12.

（作者單位：內蒙古機電職業學院）