基于HSB顏色空間的交通標志識別研究

呂凱凱 韋德泉 王猛

摘要：交通標識是道路交通重要組成部分，為交通參與者的安全出行提供必要的指示.交通標識顏色鮮明、固定，在亮度信息與色度信息分離的HSB顏色空間中，使用色度信息來檢測交通標志可以去除因光線或霧霾天氣的影響，取得了不錯的檢測效果.本文使用HSB顏色空間檢測交通標志，然后分割目標區域并縮放到統一大小，定義64維特征，最后計算歐式距離進行交通標志的識別.

關鍵詞：交通標志;HSB顏色空間;圖像分割;圖像特征;圖像縮放

中圖分類號：TP391.41 ?文獻標識碼：A ?文章編號：1673-260X（2019）05-0036-03

1 引言

隨著社會不斷的發展和人類的不斷進步，人們物質生活水平也不斷提高，私家車已經成為人們生活的必備交通工具，幾乎每家每戶都配置了小汽車.私家車雖然給人們帶來了出行的便利，然而隨著道路上車輛不斷的增加，也出現了一些讓人焦慮的交通問題，比如道路交通安全.產生這些問題主要有兩個因素：一是主觀因素，即駕駛員的駕駛行為會影響交通安全，比如路怒、駕駛經驗不足或是不規范的駕駛行為;二是客觀因素，我國的交通管理措施并不完善，建立規范有效健全的解決方案是世界各國需要解決的難題[1～3].綜合分析，主觀因素無法控制，完善的交通安全解決方案也很難克服，智能交通技術便應運而生.智能交通技術借助一些智能化手段可以幫助人們提升安全意識，解決道路安全問題.

交通標志是道路中的非常重要的基礎輔助設施，通過它來規范人們的交通行為，人們通過辨識交通標志進行道路安全行駛，確保交通秩序井然有序.交通標志識別可以作為汽車的輔助安全系統之一，對駕駛者提供路上有用的交通標志信息，幫助駕駛者安全駕駛.世界各國在研究的無人駕駛汽車，其中一項關鍵技術便是交通標志識別技術，通過交通標志的識別，告知汽車往哪行駛，但是由于路況復雜，無人駕駛汽車還不能完全適應復雜多變的路面，還有很長的路需要走[4～5].因此，對交通標志識別技術的研究非常有必要.

2 HSB顏色空間

顏色空間也稱為彩色空間，或稱為彩色模型，是對彩色加以表述的一套標準.顏色空間從提出到現在已經有很多種，不同的顏色空間用于不用的領域或用途.現在比較為人民所熟知的顏色空間包括RGB顏色空間、YUV顏色空間、YIQ顏色空間、YCbCr顏色空間和HSB顏色空間等等.其中，RGB顏色空間是所有顏色空間的基礎，其余顏色空間都是通過對RGB顏色空間進行一定的線性或非線性的變換而來.RGB顏色空間跟我們的肉眼看世界是最接近的，各種顏色都是紅（R）、綠（G）、藍（B）的不同組合，同時也是目前使用最多的顏色空間，市面上大部分的采集設備通過RGB顏色空間采集圖像，而圖像輸出設備同樣地以RGB顏色空間進行圖像的顯示.RGB顏色空間中，顏色信息與亮度信息是混合在一起的，在計算機中用顏色進行檢測特定物體時，圖像的亮度信息是干擾信息，對檢測效果起反作用，所以用RGB顏色空間進行顏色檢測效果不夠好.

HSB顏色空間中，H代表顏色（Hues），S代表飽和度（Saturation），B代表亮度（Brightness），這三個分量的不同取值便會組成不同的顏色.H的不同取值表示不同顏色，它的取值范圍是0～360間，比如取H=0時，代表紅色，取H=120時，代表綠色，取H=240時，代表藍色.S是指顏色的深淺，即單個色素的相對純度，如紅色可以分為深紅、洋紅、淺紅等，它的取值范圍是0～100%間，0代表灰色，100%為最純色，最純色代表此時顏色最純最鮮明;B表示顏色的亮度，它描述的是物體反射光線的數量與吸收光線數量的比值，它的取值范圍是0～100%間，0為黑，100%為最亮色，100%時該顏色最明亮.HSB顏色空間可以用一個立體的六面體來表示，如圖1所示[6].RGB色彩空間到HSB色彩空間的轉換可由如下公式進行：

H=0（當Delta=0時）;H=60（G-B）/Delta（當Max=R且G>=B時）;H=60（G-B）/Delt+360（當Max=R且G<B時）;H=60（B-R）/Delt+120（當Max=G時）;H=60（R-G）/Delt+240（當Max=B時）;S=0（當Max=0時）;S=Delta/Max（其他情況時）;B=Max;其中Max=max（R，G，B），Min=min（R，G，B），Delta=Max-Min.

綜上，HSB顏色空間中，亮度信息B是被單獨分離出來的，顏色信息與亮度信息是分離的，在用于檢測顏色時，可以很好地去掉亮度信息的干擾，提高檢測準確度.在道路交通中，白天與傍晚的光線不同，會導致采集到的交通標志圖像的亮度不同，而HSB顏色恰好可以去除亮度信息的干擾，從而提高檢測準確度.本文采用HSB顏色空間進行交通標志的檢測，實驗表示，檢測效果不錯，如圖2所示，分別是一個交通標志的RGB原始圖像、利用HSB顏色空間檢測的二值化圖像.

3 圖像標準化

在實際過程中，采集到的交通標志圖像并不是統一大小的，在后續的特征提取與識別過程中，大小不一的圖像，給特征提取與識別工作造成很大困難，因此，必須將圖像標準化為統一大小.

圖像標準化為統一大小就是將圖像放大或縮小到統一尺寸，也叫作圖像縮放.圖像由大縮小會丟失一些像素點，而圖像由小放大就意味著要補充一些像素點，圖像處理中，我們采用插值方法來估計需要補充的像素點的像素值，對于新圖像中沒有對應原始像素點的位置就使用其周圍像素點像素值來估計此點的像素值.縮放方法中，雙線性插值算法縮放效果好，實現簡單，速度較快，所以本文采用雙線性插值算法縮放圖像.雙線性插值算法是指分別在X軸和Y軸上進行共計兩次插值計算得出未知像素點的值，利用雙線性插值方法得到的圖像縮放結果如圖3所示.

4 交通標志特征提取

使用HSB顏色空間檢測出交通標志后，本文通過求得交通標志的上、下、左、右的邊緣以及形狀的判斷等提取出待識別的交通標志，隨后為了方便提取交通標志的特征，又將其統一縮放到64*64像素大小.本文利用8*8模板去統計待識別交通標志的64維特征，如圖4所示.

通過統計每個格子內白色像素點的個數，我們可以得到一個64維的統計特征，為了方便識別我們還統計了每類交通標志中其主要顏色點整個交通標志的比例，最后加上代表該交通標志的flag，我們分類將交通標志的統計特征存在文本文檔中.圖5是部分交通標志按照本文的方法提取的64維特征值.

為了方便分析，我們將64維特征按照8*8的模板進行排列擺放，可以看出，每個特征與它所代表的交通標志是非常相符的，這也說明本文采用的8*8模板提取的交通標志的64維特征是可以用來進行交通標志識別的.在進行交通標志識別前，本文把常用的交通標志都進行了特征提取，并作為交通標志模板使用.

5 交通標志識別

通過采集設備采集到的待識別圖像我們一般通過上述步驟，就可以得到該交通標志的64維特征，最后采用兩步進行交通標志的最后識別與確認.首先，我們計算待識別交通標志與事先我們存好的交通標志模板之間的歐式距離，取與之最接近的3個交通標志模板作為候選.最后，我們計算待識別標志與第一步中選出的最接近的3個交通標志模板的重合率，取重合率最大者作為最終的識別結果.

6 總結

綜上，HSB顏色空間可以把亮度信息與顏色信息相分離，用于交通標志檢測與識別，可以排除亮度信息的干擾.本文使用HSB顏色空間檢測交通標志，使用二次線性插值方法縮放圖像，定義8*8模板的64維特征，最后用兩步方法進行交通標志最后的識別與確認，取得了不錯的效果.

參考文獻：

〔1〕王昔鵬.復雜場景下的交通標志識別技術研究[D].合肥工業大學，2017.

〔2〕姚漢利.基于特征融合和字典學習的交通標志識別[D].安徽大學，2017.

〔3〕楊振杰.基于CNN的交通標志識別方法研究[D].天津工業大學，2017.

〔4〕宋文杰，付夢印，楊毅.一種面向無人駕駛汽車的高效交通標志識別方法[J].機器人，2015，37（01）：102-111.

〔5〕馬永杰，李雪燕，宋曉鳳.基于改進深度卷積神經網絡的交通標志識別[J].激光與光電子學進展，2018，55（12）：250-257.

〔6〕呂凱凱.復雜背景下人臉檢測與人臉識別方法研究[D].湖南大學，2012.