Hu和PHOG特征融合的路面標志識別方法

張麗艷，張偉，龍美芳,劉鑫

(大連交通大學 電氣信息工程學院，遼寧 大連 116028)*

交通標志識別是無人駕駛領域的關鍵技術之一.如何及時準確的識別出路面標志是該領域研究的重點.Huang[1]等人提取交通標志的HOG特征，使用機器學習算法識別交通標志，縮短了識別的時間.Keren Fu[2]將交通標志形狀特征和超像素的距離圖相融合的方式識別交通標志，識別的效果得到了改善.Yuan[3]等提取交通標志的全局顏色特征和局部邊緣特征，再選取SVM分類器識別，識別效果較好.M.K.Hu[4]在1961年提出了不變矩的概念，是一種提取灰度圖像特征的方法，后來在交通標志識別方面得到了較好的應用.本文將HOG特征與不變矩特征相互結合給出了一種路面標志識別的方法.

1 交通標志識別原理

路面交通標志的分類識別流程[5-10]分為兩大部分，即訓練部分及測試部分.訓練樣本是訓練圖像的特征數據，對圖像特征提取時通過實驗來選擇特征提取的算法.通過使用測試集對訓練的識別模型進行測試來調整分類器的參數，構建優良的分類器系統.路面交通標志識別原理框圖如圖1所示.

圖1 基于支持向量機的路面交通標志識別原理框圖

2 Hu不變矩與PHOG融合的特征提取

2.1 Hu不變矩

M.K.Hu[4]在1961年提出了不變矩的概念，并在此不變矩的基礎上構造了7個不變矩，被稱為Hu不變矩，主要是利用二階和三階的歸一化中心矩導出了如式(1)～式(7)的七個不變矩組(Φ1～Φ7)，它們在圖像平移、旋轉和比例變化時保持不變.

Φ1=η20+η02

(1)

Φ2=(η20-η02)2+4η112

(2)

Φ3=(η20-3η12)2+3(η21-η03)2

(3)

Φ4=(η30+η12)2+(η21+η03)2

(4)

(5)

(6)

(7)

Hu不變矩具有平移、灰度、尺度、旋轉不變性，是一種高度濃縮的圖像特征.但由于七個不變矩的變化范圍很大且可能出現負值的情況，所以本文選擇對七個Hu不變矩進行取對數運算，如式(8)所示.

Hk=lg10|Φk|(k=1,2,…,7)

(8)

提取路面交通標志圖像的H1～H7作為路面交通標志的Hu不變矩特征值.

2.2 PHOG特征

PHOG是分層的梯度方向直方圖(Pyramid Histogram of Oriented Gradients,PHOG)，也稱為金字塔方向梯度直方圖，是在HOG特征的基礎上發展起來的，對圖像局部區域的梯度方向的一種描述.HOG相較于其他的特征描述方式有很多優越性.首先，HOG操作的部位為圖像的局部方格單元，所以圖像光學形變和幾何形變不變性保持良好.其次，在方向較精細的抽樣和較強的局部光學歸一化等條件下對圖像特征的檢測效果較優良.HOG特征提取算法的實現流程和示例如圖2所示.

特征向量f={x1,x2,……,xn}

PHOG特征[10-11]的提取是在HOG特征基礎上將圖像尺寸固定，對圖片進行不同尺度的劃分：第一層，只有1個區域；第二層：分為2*2個區域；第三層：分為4*4個區域;……在同一劃分尺度圖里面，每個區域算出一個HOG特征，按順序進行拼接，得到當前尺度圖的HOG特征.把所有尺度圖的HOG特征進行拼接，就得到整個圖像空間尺度金字塔的PHOG特征.當把不同尺度上得到的HOG連接起來時，要把其歸一化.因為小尺度中的HOG任意一維的數值很可能比大尺度中任意一維的數值大很多.PHOG相對于HOG可以檢測到圖像不同尺度的特征，表達能力更強，有較強的抗噪性能和一定的抗旋轉能力.

2.3 Hu不變矩與PHOG融合的特征

Hu不變矩特征是對圖像的高度濃縮，所以Hu不變矩可以快速的獲取目標的大致輪廓特征，但是對圖像局部的，細節的地方描述的不夠好.PHOG是對圖像局部區域的梯度方向的一種描述，是方向較精細的抽樣.由此可以看出可以把兩種特征提取算法進行組合，從而利用組合的特征對圖像的特征進行描述.因PHOG提取到的特征向量維數越大，對圖像的描述性越好，但圖像特征的提取時間也增加了，且提取的特征向量維數越大圖像信息會有冗余，識別準確率反而降低.所以本文提出將Hu不變矩特征和低維的PHOG特征相融合的特征提取算法，融合后的特征中的Hu不變特征可以快速的提取圖像的大致形狀特征，然后用低維的PHOG特征用來對圖像細節特征進行補充.期望用得到的融合特征[Hu+PHOG]提取圖像特征時，既能很好的對圖像進行描述，又能保證特征提取的實時性.

3 本文算法仿真

本文算法仿真的軟件環境是Matlab R2014a, 電腦配置為：Inter(R)Core(TM)i5-2450M CPU 2.50 GHz,內存為4.00 GB.對融合特征[Hu+PHOG]進行路面標識識別，采用的的多分類支持向量機的核函數是LibSVM中高斯核函數，懲罰因子C為1進行仿真.仿真的實驗樣本采用正常光照下車載攝像頭拍攝的視頻幀中獲得的的交通標志為750幅目標圖像，其中有菱形減速標志、人行橫道標志、右拐標志、直行及右拐標志和直行標志5種，每種圖像各150幅，其中100張用來訓練，另外50幅用來測試.本文采用不同維數的Hu不變矩特征和不同維數的PHOG特征串聯成融合特征[Hu+PHOG]維數據.為了對融合特征對路面交通標志目標圖像的提取效果進行衡量，引入測試集樣本識別準確率R和識別時間T.其中測試集樣本識別準確率R的表達式(9)所示.

(9)

式中，m表示測試集樣本中五種路面交通標志中被正確識別數量，M為總的測試樣本數量，本實驗中M值為250.識別時間T為從750幅樣本集中第一幅圖像輸入開始，到得到識別準確率為止.

仿真結果如表1所示.

表1 三種特征提取路面交通標識識別結果

由表1可知，隨著支持向量機中的特征維數變大，識別時間增加，表中的識別時間是識別250幅圖像的時間和.而識別率逐漸提高，但是當維數過大時又出現了識別率的下降，因為對于特征維數本文考慮識別率和識別時間選取了22維，即7維的Hu不變矩和15維的PHOG特征.因為支持向量數目即特征維數越小，算法復雜程度越小，進行訓練和檢測的運算量越小，反之亦然.所以在本文算法中將支持向量的數目作為SVM的性能指標來衡量特征維數對識別效果的影響.識別錯誤的標志主要是因為由于磨損導致路面交通標志模糊所致.對于這種標志可以采用預處理的方式提高標志邊緣特征，從而提高整體算法的識別率.

4 結論

本文給出了一種融合特征的路面交通標志識別方法，該方法的識別率可以滿足實際應用需要，此外，該方法的識別時間也可以滿足實時識別的性能要求.因此本文方法具有實際應用的價值.