基于HOG特征的實(shí)景交通標(biāo)志檢測?

朱信熙 張尤賽

（江蘇科技大學(xué) 鎮(zhèn)江 212000）

1 引言

交通標(biāo)志檢測和識(shí)別具有重要的研究意義和應(yīng)用前景，各國科研機(jī)構(gòu)及汽車生產(chǎn)商都在對(duì)此進(jìn)行深入的研究。從研究現(xiàn)狀來看，交通標(biāo)志檢測階段的主要流程由預(yù)處理、顏色分割、形狀檢測和基于機(jī)器學(xué)習(xí)的精確定位幾部分組成。2007年Ruta等使用距離變換（Color Distance Transform，CDT）進(jìn)行顏色分割［1］。Broggi等用R、B與G的比值來提取紅藍(lán)顏色點(diǎn)［2］。2010年Tran等用Hough變換對(duì)停止標(biāo)志進(jìn)行形狀檢測。Pedro等采用了基于FFT特征的形狀檢測方法，對(duì)遮擋、旋轉(zhuǎn)、縮放、噪聲、投影等有較好的魯棒性，但計(jì)算復(fù)雜度高［3］。Rosin由仿射不變矩推導(dǎo)的幾何參數(shù)來檢測形狀，該方法計(jì)算簡單［4］。2013年，Salti提出了一種擴(kuò)展的交通標(biāo)志檢測的管道，該方法對(duì)光照和形變有較好的效果。從最近幾年公開的相關(guān)研究報(bào)道及論文發(fā)表情況來看，交通標(biāo)志檢測算法的研究已經(jīng)取得了一定的階段性成果，但不同的算法仍然存在一定的不足和缺陷，限制了在實(shí)際場景中的應(yīng)用。所以有必要對(duì)交通標(biāo)志檢測算法進(jìn)行進(jìn)一步的研究。

本文提出一種基于HOG特征與Adaboost級(jí)聯(lián)分類器的交通標(biāo)志檢測方法。先對(duì)實(shí)景圖像進(jìn)行RGB-HSV空間的轉(zhuǎn)化，然后對(duì)V空間進(jìn)行直方圖均衡，減少光照帶來的影響。隨后對(duì)正負(fù)訓(xùn)練樣本進(jìn)行HOG特征提取并送入分類器訓(xùn)練，最終對(duì)待檢測實(shí)景圖像中感興趣區(qū)域的HOG特征比較分類，標(biāo)示出圖中存在的交通標(biāo)志，完成檢測。本文具體的結(jié)構(gòu)流程如圖1。

圖1 實(shí)驗(yàn)結(jié)構(gòu)流程圖

2 圖像預(yù)處理與HOG特征的提取

2.1 實(shí)景圖像的預(yù)處理

由于車的晃動(dòng)和道路環(huán)境的復(fù)雜性，所拍攝的圖像中不可避免地存在噪聲，且圖像在傳送的過程中也會(huì)產(chǎn)生噪聲，這些都在較大程度上干擾了交通標(biāo)志的檢測，其中高斯噪聲和椒鹽噪聲最為常見，本文應(yīng)用高斯濾波法，通過用一個(gè)模板掃描圖像中的每一個(gè)像素，該像素點(diǎn)位于模板的中心，其值由模板鄰域內(nèi)像素的加權(quán)平均得到灰度值所替代，消除高斯噪聲。

步驟一：計(jì)算高斯模板，公式如下：

其中，矩陣M的大小為（2k+1）（2k+1），σ為高斯分布的標(biāo)準(zhǔn)差，標(biāo)準(zhǔn)差代表著數(shù)據(jù)的離散程度，如果σ較小，那么生成的模板的中心系數(shù)較大，而周圍的系數(shù)較小，這樣對(duì)圖像的平滑效果就不是很明顯；反之，σ較大，則生成的模板的各個(gè)系數(shù)相差就不是很大，比較類似均值模板，對(duì)圖像的平滑效果比較明顯。

步驟二：計(jì)算相關(guān)算子，公式如下：

其中，w稱為相關(guān)核，a，b表示算子大小。

本文采用5X5，σ=1的高斯濾波器模板對(duì)帶有噪聲的實(shí)景圖像進(jìn)行濾波處理，效果如圖2所示。

2.2 圖像增強(qiáng)

2.2.1RGB-HSV的轉(zhuǎn)化

RGB顏色空間以R（Red：紅）、G（Green：綠）、B（Blue：藍(lán)）三種基本色為基礎(chǔ)，進(jìn)行不同程度的疊加，產(chǎn)生豐富而廣泛的顏色，所以俗稱三基色模式。RGB模式可表示一千六百多萬種不同的顏色，幾乎涵蓋了人類視覺系統(tǒng)所能感受到的所有顏色，所以RGB模式成為了目前應(yīng)用最廣的顏色空間之一。

圖2 經(jīng)過高斯濾波前后的實(shí)景圖像

但在汽車行駛中拍攝到的圖像光照不均，且R、G、B三個(gè)顏色分量高度相關(guān)，很容易受到光照影響，因此將圖像轉(zhuǎn)化到HSV空間。

HSV（Hue色相，Saturation飽和度，Value明度）是根據(jù)顏色的直觀特性由A.R.Smith創(chuàng)建的一種顏色空間，可以用一個(gè)圓錐空間模型來描述。圓錐的頂點(diǎn)處，V=0，H和S無定義，代表黑色。圓錐的頂面中心處V=max，S=0，H無定義，代表白色。

圖3 HSV顏色空間模型

RGB到HSV的轉(zhuǎn)化：

其中，h在0～360°之間，s在0～100%之間，v在0～max之間。

2.2.2 直方圖均衡化

采集圖像的過程中，圖像質(zhì)量參差不齊，為了減少光照不均給檢測帶來的影響，有必要對(duì)圖像進(jìn)行增強(qiáng)處理，在滿足實(shí)時(shí)性的條件下，在HSV空間上對(duì)V通道進(jìn)行直方圖均衡化處理。

直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法，其基本思想是：通過變換使原本圖像的灰度直方圖均勻分布來增加像素灰度值的動(dòng)態(tài)范圍，增強(qiáng)圖像整體對(duì)比度、豐富灰度細(xì)節(jié)。

其中，n為圖像像素總數(shù)，灰度級(jí)范圍為0～L-1，nk為灰度級(jí)為k的像素個(gè)數(shù)，其對(duì)應(yīng)的頻率為pi。I為輸入的圖像，F(xiàn)為經(jīng)直方圖均衡化處理后的圖像。

圖像增強(qiáng)前后實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 經(jīng)過直方圖均衡化前后的圖像

3 HOG特征與Adaboost級(jí)聯(lián)分類

3.1 HOG特征的提取

3.1.1 數(shù)據(jù)庫的建立

GTSDB（German Traffic Sign Detection Bench?mark）是德國INI神經(jīng)計(jì)算研究2013年所提供用于交通標(biāo)志監(jiān)測領(lǐng)域的一個(gè)數(shù)據(jù)庫，本文采集了其中1000張不同種類的交通標(biāo)志作為正樣本，以及1000張不是交通標(biāo)志的相同尺寸圖像作為負(fù)樣本，構(gòu)成了樣本空間為2000的訓(xùn)練集。

部分正樣本與負(fù)樣本如圖5～6。

圖5 部分用作訓(xùn)練的正樣本

圖6 部分用作訓(xùn)練的負(fù)樣本

3.1.2 HOG特征的提取

方向梯度直方圖（Histogram of Oriented Gradi?ent，HOG）特征是目前計(jì)算機(jī)視覺、模式識(shí)別領(lǐng)域很常用的一種描述圖像局部紋理的特征［6～7］。HOG特征通過計(jì)算和統(tǒng)計(jì)局部區(qū)域的梯度方向直方圖來構(gòu)成特征。

本文首先對(duì)訓(xùn)練樣本中1000個(gè)正樣本與1000個(gè)負(fù)樣本提取HOG特征，然后輸入級(jí)聯(lián)分類器進(jìn)行訓(xùn)練。在檢測階段，使用滑動(dòng)窗口對(duì)待檢測圖像中感興趣區(qū)域以步進(jìn)的形式分別提取局部的HOG特征，然后輸入到訓(xùn)練完成的分類器中進(jìn)行分類。

本文采用的HOG特征提取流程如圖7。

圖7 HOG特征提取流程圖

Step 1標(biāo)準(zhǔn)化空間

為了再次減少光照不均的影響，需將待提取圖像灰度化，采用gamma壓縮公式：

一般取gamma=1/2。

Step 2計(jì)算圖像梯度

計(jì)算每個(gè)像素的方向梯度直方圖，圖像中像素點(diǎn)（x，y）的梯度為

式中，Gx(x，y)，Gy（x，y），H(x，y)分別表示輸入圖像中像素點(diǎn)（x，y）處的水平方向梯度、垂直方向梯度和像素值。像素點(diǎn)（x，y）處的梯度幅值和梯度方向分別為

Step 3構(gòu)建細(xì)胞單元的方向梯度直方圖

將圖像分成若干個(gè)單元格cell，本文取一個(gè)cell的尺寸為5*5個(gè)像素。將360°根據(jù)需要分成若干個(gè)bin，本文將360°分成9個(gè)bin，每個(gè)bin40°，整個(gè)直方圖包含9維，然后根據(jù)每個(gè)像素點(diǎn)的梯度方向，利用雙線性內(nèi)插法將其幅值累加到直方圖中。

Step 4把細(xì)胞單元組成塊

將圖像分割成更大的塊Block，本文取一個(gè)Block的尺寸為3*3個(gè)cell。使每一個(gè)單元格的特征會(huì)以不同結(jié)果多次出現(xiàn)在最后的特征向量中。這樣做可以減少局部光照變化影響和梯度值變化范圍過大帶來的影響，使得HOG描述符更加全面。

本文采用的訓(xùn)練樣本尺寸為80*80像素，每張圖像會(huì)得到80/5*80/5*9=16*16*9=1728維度的hog特征。

如此，便可提取正負(fù)2000個(gè)樣本的HOG特征值，輸入AdaBoost級(jí)聯(lián)分類器進(jìn)行訓(xùn)練。

3.2 AdaBoost級(jí)聯(lián)分類器

AdaBoost是adaptive boosting的縮寫，其算法有著很強(qiáng)的泛化能力，算法穩(wěn)定性不錯(cuò)。但其分類準(zhǔn)確率和實(shí)時(shí)性并不能滿足應(yīng)用級(jí)交通標(biāo)志檢測的要求，為了解決這一問題，Viola和Jones提出了Ad?aBoost級(jí)聯(lián)分類器，其結(jié)構(gòu)如圖8。

圖8 Adaboost級(jí)聯(lián)分類器結(jié)構(gòu)

在訓(xùn)練階段，應(yīng)將若干個(gè)分類器由簡單到復(fù)雜排列，希望經(jīng)過訓(xùn)練使每個(gè)分類器有較高的檢測率和較低的誤檢率。訓(xùn)練方法如下：

Step1訓(xùn)練樣本集S，正樣本X，負(fù)樣本Y，最大迭代次數(shù)T，初始化樣本權(quán)重為1/N；

Step2第一次迭代訓(xùn)練N個(gè)樣本，得到第一個(gè)最優(yōu)弱分類器；

Step3提高上一輪被誤判的樣本權(quán)重；

Step4將新樣本和上輪被分錯(cuò)的樣本放在一起進(jìn)行新一輪訓(xùn)練；

Step5循環(huán)Step3、4，T輪后得到T個(gè)最優(yōu)弱分類器。

Step6組合T個(gè)弱分類器得到強(qiáng)分類器，方式如下：

其中，α為第t個(gè)弱分類器的權(quán)值，h（x）是其錯(cuò)誤率。其意義是讓所有弱分類器投票，投票結(jié)果按弱分類器的錯(cuò)誤率加權(quán)求和，再將其與平均投票結(jié)果比較，得出最終結(jié)果。

在檢測階段，使用滑動(dòng)窗口對(duì)已經(jīng)預(yù)處理的實(shí)景圖像進(jìn)行HOG特征提取，如圖7所示，x為滑動(dòng)窗口輸入圖像的HOG特征向量，若判斷樣本為負(fù)，則移出樣本集；若判斷樣本為正，則進(jìn)入下一級(jí)分類器直到最后一級(jí)。這種基于AdaBoost的級(jí)聯(lián)分類算法非常適用于正負(fù)樣本分布不均、不對(duì)稱的交通標(biāo)志檢測中，因?yàn)榇蠖鄶?shù)不包含交通標(biāo)志的負(fù)樣本和包含交通標(biāo)志的正樣本中的那些與交通標(biāo)志差別很大的區(qū)域在比較簡單的級(jí)次中用較少的計(jì)算就能排除，只有那些與交通標(biāo)志相差不大的區(qū)域才需要較多計(jì)算。級(jí)聯(lián)結(jié)構(gòu)大大降低了算法復(fù)雜度，提高了檢測速度。

4 實(shí)驗(yàn)與評(píng)價(jià)

在本論文實(shí)驗(yàn)中，圖像樣本均采集于GTSDB（德國交通標(biāo)志數(shù)據(jù)集［9］），其中包含2000張正負(fù)樣本作為訓(xùn)練集，其規(guī)格為80*80像素；500張實(shí)景拍攝圖像作為測試集，其規(guī)格為1360*800像素。實(shí)驗(yàn)硬件平臺(tái)為CORE i7@2.4GHz Windows10，環(huán)境Microsoft Visual Studio&Opencv package及Matlab仿真模擬實(shí)驗(yàn)。

AdaBoost分類器以滑動(dòng)窗口步進(jìn)的形式對(duì)處理后的待檢測圖像進(jìn)行區(qū)域掃描，窗口大小為80*80像素，獲取到感興趣區(qū)域并檢測為“交通標(biāo)志”后，進(jìn)行定位裁剪，在原圖像上標(biāo)示出。

圖9 識(shí)別出的正樣本

圖10 識(shí)別出的負(fù)樣本

表1 本文算法與其他檢測算法效果對(duì)比

本文最后對(duì)500張測試集圖片的檢測結(jié)果進(jìn)行了統(tǒng)計(jì)，其檢測結(jié)果如表1?？梢钥闯霰疚乃惴ㄔ跈z測率和檢測時(shí)間上都有著較為不錯(cuò)的表現(xiàn)。

5 結(jié)語

本文針對(duì)光照不均、拍攝抖動(dòng)產(chǎn)生的模糊等實(shí)景交通標(biāo)志檢測問題，提出了一種基于HOG特征和AdaBoost級(jí)聯(lián)分類器的算法。該算法首先對(duì)訓(xùn)練樣本提取HOG特征，然后通過AdaBoost算法分類器進(jìn)行級(jí)聯(lián)，形成最終的強(qiáng)分類器，用于判斷子窗口是否包含交通標(biāo)志，符合則被判為交通標(biāo)志，反之則被認(rèn)為不是。該算法有著較好的準(zhǔn)確率、實(shí)時(shí)性和魯棒性。

但是本論文只完成了交通標(biāo)志檢測的仿真實(shí)現(xiàn)，距離應(yīng)用到嵌入式系統(tǒng)和車載系統(tǒng)中還有較大的距離，往后應(yīng)更注重于交通標(biāo)志檢測與識(shí)別的應(yīng)用級(jí)研究，早日運(yùn)用于智能汽車等未來科技領(lǐng)域。