基于改進支持向量機的復雜背景交通標志實時分類方法

祁姍姍

摘 要：復雜背景下存在較多干擾因素，影響交通標志實時分類正確性。為此，提出基于改進支持向量機提出一種復雜背景交通標志實時分類方法。預處理采集到的圖像，檢測和定位交通標志，利用梯度直方圖提取特征向量。通過改進支持向量機將圖像特征向量投影到線性數據空間，完成交通標志實時分類。實驗結果表明，此次設計方法的分類正確率比基于BP神經網絡、卷積神經網絡和YOLOv3的方法高出10.2%、8.1%和7.2%，具有良好的應用性。

關鍵詞：支持向量機;復雜背景;交通標志;實時分類;特征提取;圖像處理

中圖分類號：TP391.41 文獻標識碼：A

0 引言

交通標志識別作為智能駕駛的輔助功能，可以有效解決道路擁堵問題，幫助駕駛員行駛在正確的車道上，并保持規定的車速，有利于提高道路利用率和安全性。在車輛行駛過程中，交通標志實時分類可幫助車輛提取道路信息，提高標志信息識別準確率，在一定程度上可以避免違反交通規則和發生交通事故。但在復雜背景下，交通標志圖像分類過程存在許多干擾因素，比如形狀、符號大小以及視角變化等，不利于精準進行實時分類。針對此問題，需要設計一種具有高分辨率和強適應性的分類方法。支持向量機（SVM）被廣泛應用于圖像分類檢索上面，具有較好的泛化能力。本文基于改進支持向量機提出一種復雜背景交通標志實時分類方法，以提高交通標志識別效果。

1 基于改進支持向量機的復雜背景交通標志實時分類方法

1.1 交通標志圖像預處理

為對交通標志進行實時分類，首先進行圖像預處理。在確定的目標區域內分割圖像，以此完成定位和檢測。交通標志主要由車載攝像頭采集，該過程存在一定干擾信息和隨機噪聲。將采集的車載視頻轉化為視頻幀，并篩選包含交通標志的圖像，以篩選出的視頻幀為樣本進行圖像預處理[1]。為降低圖像的模糊度，采用灰度直方圖進行均衡化轉換。處理后，像素灰度范圍增大的同時，對比度也相應增強。將圖像序列中數值較小的點，使用中值進行替換。經過上述操作后，整體像素序列更具有代表性，并消除了干擾噪聲。在此基礎上，利用二值化處理，將交通圖像轉化為灰度值為0或1的輸出圖像，完成從復雜背景中的提取。為消除圖像的透視效果，還需通過逆透視變換，分割目標區域。假設每個像素在軸方向上的序列為，在軸方向上的序列為，則每個像素的圖像坐標和成像坐標可進行轉換，公式如下：

（1）

式（1）中，表示成像坐標;表示成像原點;表示圖像坐標。令兩個坐標原點相等，即：

（2）

式（2）中，表示圖像坐標系原點。由此，完成了逆透視變換。預處理后的交通標志縮小了識別范圍，濾除無關干擾信息，減少圖像特征提取和實時分類的計算量。

1.2 提取交通標志目標特征

在實際車輛行駛的情況下，交通標志的特征會發生改變，如發生伸縮和旋轉等變化，不利于實時分類。因此，在檢測和定位到交通標志后，需要進一步提取圖像特征。本文采用梯度直方圖方法進行特征提取，并對特征向量進行降維處理。將目標圖像分為連通的子區域，計算各子區域像素點的梯度特征，計算公式為：

（3）

式（3）中，表示梯度幅值;表示梯度方向;表示水平梯度;表示垂直梯度。將每個子區域的像素，沿梯度方向映射到固定空間，即得到加權投影。由此獲得像素圖像對應的特征向量。在特征提取中，梯度強度變化劇烈，并且與圖像對比度變化密切相關。為獲得最平均的梯度強度，計算子區域密度，完成對圖像的歸一化處理，消除明暗變化引起的圖像質量缺陷[2]。樣本經上述處理后仍具有較高維數，對此實施降維變換，提高圖像分類的實時性和準確性。將樣本通過正交變換投影到低維空間，并將特征值重新排列，取主要特征值代替原有特征值。輸入的高維向量與投影矩陣相乘，就可以將維數降低到指定數值。降維后，圖像的采樣密度增加，并且起到降噪的效果。

1.3 構建基于改進支持向量機的交通標志實時分類模型

支持向量機將模型分類訓練轉化為求解二次規劃的運算問題。支持向量機算法的訓練需要確定以下三個因素：最優超平面、核函數和軟間隔，具體如圖1所示。

將特征向量所組成的樣本集，利用非線性函數，投影到線性數據空間，計算公式表示為：

（4）

式（4）中，表示分類超平面;表示權值向量;表示轉置矩陣;表示投影后的特征向量;表示支持向量;表示常數。利用支持向量機將圖像分類問題轉化為求解最優超平面，則核函數可表示為：

（5）

式（5）中，表示核函數;表示非松弛變量;表示誤差懲罰參數，調節置信范圍和風險比例。核函數將樣本空間向外映射輸出，調節模型訓練的性能。為防止支持向量機過擬合，需要設置軟間隔。軟間隔能夠約束較多的樣本數量，并保證區間最大[3]。支持向量機的參數決定分類精度，為提高收斂速度，得到全局最優解，本次研究采用遺傳算法對支持向量機進行改進。設定誤差懲罰參數的取值范圍為[0，1]，使用遺傳算法對該參數進行迭代，經交叉驗證后，得到最優的訓練參數。將該參數作為設計模型的核函數參數，運用到本文設計方法中，完成交通標志實時分類。

2 實驗

為驗證本文提出的分類方法的有效性，下面進行實驗測試。本次實驗所選擇的數據集為GTSRT，該數據集由車載相機拍攝不同場景下的交通標志圖像所組成。實驗選取1 000張交通標志圖像，作為測試樣本。采用本文方法對交通標志進行實時分類，結果如表1所示。

根據表1的測試結果，本文設計的方法能夠對交通標志進行實時分類，并且分類結果具有一定準確性，能夠滿足車輛行駛的需求。進一步將本文方法與其他圖像實時分類方法進行比較。選取基于BP神經網絡、基于卷積神經網絡和基于YOLOv3的交通標志實時分類方法為對照組，進行對比實驗。為減少實驗測試偶然性，每種方法均進行5次訓練，實驗結果取平均值。對比結果如表2所示。

根據表2的對比結果，本文設計方法的分類正確率高于其他三種分類方法，分別高出10.2%、8.1%和7.2%。由此證明基于改進向量機的實時分類方法在復雜背景交通標志的識別上具有一定可行性，有利于實現智能駕駛功能。

3 結束語

交通標志是管理道路和指揮行車路線的重要標識，能夠疏導交通并控制車輛有序安全行駛。本文基于改進支持向量機提出一種復雜背景交通標志實時分類方法，提高了分類正確率。但本文研究是在離線情況下進行，沒有對實際行駛車輛進行在線測試，后續應進行更深入研究，提高實際應用效果。

參考文獻：

[1]蘇寒松，陳震宇，龍鑫，等.一種基于改進運動歷史圖像和支持向量機的行為識別算法[J].陜西師范大學學報（自然科學版），2020（2）：17-24.

[2]丁博，王水凡.基于混合預測模型的交通標志識別方法[J].哈爾濱理工大學學報，2019（5）：108-115.

[3]揭偉，李為相，李為.基于多特征融合的交通標識實時分類與識別[J].現代電子技術，2019（11）：50-53+58.