基于機器學習算法的交通標志圖像智能識別

曹海燕， 張大維

(中國傳媒大學南廣學院 傳媒技術學院， 江蘇 南京 211172)

0 引言

隨著道路交通不斷的增長，再加上我國經濟迅速發展，機動車保有量的數量增長十分明顯，尤其家用汽車數量增速最快，道路交通需求與機動車數量之間矛盾越來越突出，道路交通安全面臨嚴峻的挑戰，在此背景下出現了智能輔助駕駛系統[1-2]。智能輔助駕駛系統集成了人工智能、計算機視覺等先進技術，可以實時感知車輛周圍環境，降低事故發生概率[3]。交通標志圖像智能識別是智能輔助駕駛系統最為關鍵的內容，通過計算機視覺技術對交通標志圖像進行檢測和識別，然后將結果反饋給駕駛員，從而對行駛車輛進行及時控制，因此交通標志圖像識別具有十分重要的社會和學術價值[4]。

交通標志圖像識別從本質上講是一種分類問題，國外一些發達國家對識別交通標志圖像的研究時間早，交通標志圖像識別成熟，而國內由于機動車出現時間晚，對交通標志圖像識別起步晚，但由于我國對交通標志圖像識別研究投入大，目前存在許多交通標志圖像識別方法[5-6]，當前主要有最近鄰域法的交通標志圖像識別方法、決策樹分類法的交通標志圖像識別方法、人工神經網絡的交通標志圖像識別方法、支持向量機的交通標志圖像識別方法[7-9]，這些方法均有各自的優勢，但是缺陷也十分明顯，如最近鄰域法的交通標志圖像識別時間長、實時性差；決策樹分類法的交通標志圖像識別速度快，但是交通標志圖像的誤識率極高；人工神經網絡的交通標志圖像識別的抗干擾能力差、結果不穩定；支持向量機的交通標志圖像識別時間長、速度慢[10-12]。

針對當前交通標志圖像識別過程中存在的問題，以提高交通標志圖像識別準確率和識別速度為目標，提出基于機器學習算法的交通標志圖像智能識別方法，與傳統交通標志圖像識別方法進行了仿真對照測試結果表明，本文方法的交通標志圖像識別正確率得到了提高，可以滿足交通標志圖像識別實際要求，減少了交通標志圖像識別時間，可以實現實時的交通標志圖像識別。

1 機器學習算法的交通標志圖像智能識別方法

1.1 交通標志圖像的預處理

由于外界環境的干擾，采集原始交通標志圖像存在的噪聲，同時交通標志圖像采集通常在戶外進行，易受光照變化的影響，使得交通標志圖像對比度低，各種交通標志圖像尺寸不一樣，因此需要對原始交通標志圖像進行預處理，基本過程為：首先采用小波變換對原始交通標志圖像進行濾波處理，去掉交通標志圖像中的噪聲，消除噪聲對交通標志圖像識別特征的不利影響；然后采用直方均衡算法對去噪后的圖像進行增強處理，消除光照變化的干擾，提高交通標志圖像的對比度，使交通標志圖像更加清晰;最后對所有交通標志圖像尺寸進行歸一化操作，使它們具有大小相同。

綜合上述,交通標志圖像的預處理流程，如圖1所示。

圖1 交通標志圖像預處理流程

對于一幅視覺效果差的交通標志圖像，如圖2所示。

圖2 原始交通標志圖像

通過預處理后，如圖3所示。

圖3 預處理后的交通標志圖像

由圖3可知，交通標志圖像效果得到了明顯的改善。

1.2 提取交通標志圖像特征

1.2.1 交通標志圖像的形狀特征

方向梯度直方圖特征是一種交通標志圖像局部特征，可以描述交通標志圖像的形狀，因此本文將方向梯度直方圖特征作為交通標志圖像識別的一種特征，具體提取步驟如下。

(1) 對預處理的交通標志圖像進行gamma標準化處理，降低圖像的局部陰影，如式(1)。

I(x,y)=I(x,y)gamma

(1)

(2) 計算交通標志圖像像素點(x,y)的水平和垂直梯度，如式(2)、式(3)。

Gx(x,y)=H(x+1,y)-H(x-1,y)

(2)

Gy(x,y)=H(x,y+1)-H(x,y-1)

(3)

式中，H(x,y)表示點(x,y)的像素值。

點(x,y)的梯度幅值和梯度方向，如式(4)、式(5)。

(4)

(5)

(3) 將交通標志圖像劃分為多個單元，統計每一個單元的梯度信息，對交通標志圖像的全部像素點、梯度方向進行投影和加權，得到方向梯度直方圖的特征向量。

(4) 由于方向梯度直方圖的特征向量的值不一樣，因此對它們進行歸一化，得到歸一化后的方向梯度直方圖的特征向量，如圖4所示。

圖4 方向梯度直方圖特征的提取流程

1.2.2 交通標志圖像的紋理特征

局部二值模式特征也是一種交通標志圖像局部特征，可以描述交通標志圖像的紋理分布情況，因此本文將局部二值模式特征作為交通標志圖像識別的一種特征，具體提取步驟如下。

(1) 確定檢測窗口，并根據檢測窗口的大小將交通標志圖像劃分為多個單元；

(2) 計算交通標志圖像檢測窗口的中心像素點局部二值模式特征；

(3) 計算交通標志圖像計算所有單元的直方圖；

(4) 將計算所有單元的直方圖連接在一起，得到交通標志圖像的局部二值模式特征，并進行歸一化處理，如圖5所示。

圖5 局部二值模式特征的提取流程

1.3 極限學習機算法設計交通標志圖像識別的分類器

極限學習機算法是一種新型的機器學習算法，采用單隱含層，與傳統人工神經網絡不一樣，避免了反復迭代調整連接權值的過程，訓練時間大幅度減少，訓練效率高[13]，為此本文引入其設計交通標志圖像識別的分類器。

設交通標志圖像訓練樣本集合為(xi,yi)，i=1,2,…,n，xi表示輸入向量，yi表示輸出向量，L表示隱含層節點數，那么極限學習機算法，如式(6)。

(6)

極限學習機學習和訓練的目標是輸出誤差最小，如式(7)。

(7)

存在一組：βi，wi，bi，滿足如下條件,如式(8)。

(8)

采用矩陣表示式(8)，如式(9)。

Hβ=T

(9)

(10)

(11)

1.4 機器學習算法的交通標志圖像智能識別原理

機器學習算法的交通標志圖像智能識別原理具體為：首先采集交通標志圖像，并對其進行預處理，提高交通標志圖像質量；然后提取交通標志圖像的方向梯度直方圖特征和局部二值模式特征，將其作為極限學習機的輸入，并將交通標志圖像類型作為輸出；最后確定極限學習機的相關參數，并通過學習，建立可以描述交通標志圖像類型和特征之間的分類器，如圖6所示。

圖6 機器學習算法的交通標志圖像智能識別原理

2 應用實例

2.1 測試環境

為了分析機器學習算法的交通標志圖像智能識別效果，對其進行仿真分析，如表1所示。

表1 交通標志圖像智能識別的測試環境

在相同測試環境下，選擇BP神經網絡的交通標志圖像識別方法和支持向量機的交通標志圖像識別方法、最近鄰域法的交通標志圖像識別方法、決策樹分類法的交通標志圖像識別方法進行對比測試。

2.2 測試數據

采用交通標志圖像識別數據集(German Traffic Sign Recognition Benchmark，GTSRB)作為實驗對象，該數據集包括43類交通標志圖像，代表性的交通標志圖像，如圖7所示。

圖7 部分交通標志圖像

2.3 測試結果與分析

采用5種方法對交通標志圖像進行識別測試，統計它們的正確率和識別時間，如表2所示。

由表2可知，

(1) 最近鄰域法、決策樹分類法的交通標志圖像識別正確率低，這是因為它們認為交通標志圖像類型和特征向量是一種線性變化關系，這與實際情況相不符，雖然它們的交通標志圖像識別時間短、速度快，但無法應用于實際的交通智能管理系統中。

(2) BP神經網絡和支持向量機的交通標志圖像識別正確率要高于最近鄰域法、決策樹分類法，這是因為它們屬于傳統機器學習算法，可以較好描述交通標志圖像類型和特征向量是非線性變化關系，但它們的交通標志圖像識別時間長、效率低，無法滿足交通智能管理的實時性要求。

(3) 本文方法的交通標志圖像識別正確率要明顯高于當前其它方法，而且識別的速度快，獲得了整體性能更優的交通標志圖像識別結果，主要是由于引入極限學習機算法加快了交通標志圖像識別的訓練速度，解決了當前交通標志圖像識別過程中存在的難題，對比測試結果驗證了本文交通標志圖像識別方法的優越性。

3 總結

為了減少交通標志圖像識別錯誤率，加快交通標志圖像識別速度，在分析當前交通標志圖像識別方法的基礎上，提出了基于機器學習算法的交通標志圖像智能識別方法，結果表明，交通標志圖像識別正確率較高、結果穩定、可靠，為交通標志圖像識別研究提供了一種新的工具。