基于HSV 的交通信號標志識別方法設計與實現

仇小鵬，田 杰，胡秋霞，賈 帥

（西安航空學院計算機學院，陜西 西安 710077）

隨著計算機技術的進步和無人駕駛汽車、車載導航技術的快速發展，交通信號標志識別已經成為21 世紀最熱門的話題之一，所以智能交通系統深受科學家們的關注，成為圖像識別領域的一個研究熱點[1]。交通標志識別(Traffic Sign Recognition，TSR)作為智能交通領域的一部分，其重要性和應用性不言而喻，在無人駕駛技術領域、智能交通監控系統中占據不可或缺的地位[2]。

中南大學蔡自興教授等人2013 年提出了一種DT-CWT 與2DICA 分析的交通標志識別方法，該算法對50 幅標志圖像的識別精度達到97%[3]。張琪等、成亞玲等、屈治華等分別提出了自然場景下的標志牌的檢測算法、雙背景模型自適應運動目標檢測算法、復雜光照條件下的交通標志檢測算法[4-8]。張萬征等、王曉斌等和童英等提出了基于LeNet-5、優化和改進的卷積神經網絡的交通標志識別方法，并具有較好的識別效果[9-13]，但是這些方法實現起來比較復雜。

1 交通信號標志識別概述

該文主要以警告標志、禁令標志、指示標志、指路標志和旅游區標志、道路施工安全標志、輔助標志等為研究對象研究交通標志識別方法的設計與實現，如圖1 所示。

圖1 交通標志類型

交通信號標志識別流程如圖2 所示，主要包括交通信號標志圖像輸入、對灰度圖像進行二值化處理、中值濾波圖像增強、邊緣檢測、提取興趣區域分割圖像、分割圖像灰度化二值化反色、圖像模板匹配、最終得到圖像的識別結果。

圖2 交通信號標志識別流程圖

2 基于圖像識別的交通標志識別方法

根據圖2 交通信號標志識別流程，主要介紹圖像二值化、圖像增強、圖像分割、模板匹配及圖像識別算法。

2.1 圖像二值化

文中采用Otsu 算法進行圖像二值化，它的最大優點是進行自適應閾值分割。其算法思想：閾值的取值應該使目標與背景的類間方差最大。在一幅圖像中，設前景與背景的分割閾值為t，前景像素部分和背景像素部分占圖像的比例分別為w0和w1，均值分別為u0和u1，那么整個圖像的均值如式（1）所示：

建立目標函數如式（2）所示：

式中，g(t)表示的是類間方差表達式，t為閾值。

2.2 圖像增強

該文在進行圖像增強時，通過性能對比，決定圖像增強方法。通過對原圖像進行椒鹽噪聲加噪后，分別進行高斯平滑、均值濾波和中值濾波去噪，結果如圖3 所示。從結果圖明顯看出中值濾波方法對圖像的增強效果最好，所以選擇中值濾波方法對圖像進行增強操作。中值濾波對于隨機噪聲具有非常理想的降噪能力，相比于高斯平滑濾波，噪聲點常常直接被忽略掉，不會影響像素值的計算。而且，中值濾波在降噪同時引起的模糊效應較低。

圖3 圖像增強方法對比

2.3 基于顏色特征的交通標志圖像分割

我國的交通信號標志主要分警告標志、禁令標志、指示標志和輔助標志4 種[14]。按顏色分類為紅色、黃色和藍色。禁令標志是紅色，警告標志是黃色，指示標志是藍色。交通信號標志是具有形狀特征和顏色特征的實體，顏色是交通信號標志分析中最重要的信息[15-16]。

對交通標志圖像進行分割，首先選擇對顏色像素進行分析和特征提取[17-19]。其基本思想是將交通標志上的顏色的像素提取出來，基于顏色特征對交通信號標志進行特征定位，再將差分圖像分割后的結果用于進行特征提取和計算。基于差分圖像的交通標志圖像分割過程如下：

1）獲取圖像像素的RGB值，并轉換到HSV空間；

2）計算交通標志圖像在HSV 顏色空間內的差分圖像R-B、R-G、B-R、B-G、G-R、G-B 的值，找出分割這些差分圖像的閾值，進行分割；

3）將滿足紅、黃、藍三色R-B、R-G、B-R、B-G、G-R、G-B 的值的范圍保留，不滿足則設為白色；

4）合成像素，顯示分割后的結果圖像。

2.4 模板匹配

識別采用基于模板匹配的識別方法，模板匹配是一門在測試庫圖像中尋找與模板庫中圖像最相似部分的技術，通過對讀取的圖像的各個圖像塊（像素）同時比對相似度，然后對模板庫中的圖像特征和輸入圖像進行匹配的方法。文中用歐氏距離公式作為計算兩張圖像相似度的公式（通道數、數據格式相同，大小和分辨率可以不同），如式（3）所示：

二維圖像中兩點距離：D=x2+y2，若D=0，說明圖片相等；或者是小的一張圖片已經找到在大圖中的位置。但是在數字圖像處理中D值的取值范圍太廣，甚至可以達到無窮大，會超出計算機的計算范圍，故使用歸一化處理。

處理步驟如下：

1）將這個相似性函數展開，可得式（4）：

2）可以看出，只有第二項是有意義的，因為第一項和第三項的值在選定模板后是固定的。對于歐式距離相似函數，值越大表示越不相似，也就是說，第二項的值越小則越不相似。將第二項進行歸一化得式（5）：

那么當R(i,j)為1 時，表示模板與子圖完全相等。

2.5 基于圖像識別的交通信號標志識別算法

基于圖像識別的交通信號標志識別需要先進行訓練，選取含有交通信號標志的圖像作為訓練集，通過顏色特征提取方法，得到相應分類器的參數，如圖4 所示。交通信號標志識別算法步驟如下：

圖4 訓練過程

1）按照圖4 所示步驟進行訓練；

2）完成訓練之后進行檢測識別。將輸入圖像轉換為灰度級圖像，然后采用Otsu 算法進行二值化；

3）利用中值濾波算法進行圖像增強，隨后基于HSV 顏色空間對圖像進行分割，并將定位的圖像進行歸一化處理；

4）使用模板匹配方法進行識別。

3 實驗結果與分析

3.1 實驗環境參數設置

1）硬件環境

表1 是實驗中計算機硬件環境配置。

表1 電腦硬件配置

2）軟件環境

該文實驗在Windows 10 操作系統下進行，采用的主要軟件是Matlab R2016b 軟件，編輯圖片用的軟件是Photoshop。

3.2 界面設計

為了驗證交通信號標志識別方法，用Matlab R2016b 軟件設計了一種交通信號標志識別程序（GUI），其運行主界面如圖5 所示。

圖5 交通信號標志識別操作界面

在界面中根據程序功能設置了“打開圖像”、“圖像增強”、“圖像分割”、“邊緣檢測”、“二值化”、“歸一圖”、“識別”和“清除”等按鈕。

3.3 實驗結果分析

在測試庫中選擇一張交通標志圖像，然后進行檢測，如果彈出警告框，則說明此類圖像沒有進行訓練，特征庫中不存在該數據，也就不會顯示對應的識別結果。

所以，在進行識別操作之前必須一一對模板庫里的交通信號標志圖像進行訓練，然后該標志的特征信息便會存放到特征信息庫中，便于后面的圖像分割和圖像識別等步驟順利進行，如圖6 所示。

圖6 模板庫訓練

然后運行交通信號標志識別程序，讀取測試庫中的圖像，并對其進行圖像增強、圖像分割等一系列操作，得到的驗證結果如圖7 所示。

圖7 交通標志識別結果圖

4 結論

文中在現有的數字圖像分析、處理技術的基礎上，結合模糊圖像特點和交通標志特征對交通標志識別進行了研究、設計和實驗。此次研究主要完成了以下工作：

1）交通標志的類型及特征分析；

2）通過對國內外大量文獻的閱讀研究之后，綜合運用各種算法提高識別率；

3）顏色和形狀特征是提取交通標志的重要方法，它能夠更好地找到標志部分，從而省去對復雜背景的處理，即使背景出現相似的部分，也可以在后續的處理中進行解決；

4）通過Matlab 語言開發，結合GUI 界面完成交通信號標志識別方法的設計與實現。