基于HSV空間的禁令交通標(biāo)志檢測(cè)方法研究

和曉軍 劉 歡

（沈陽(yáng)理工大學(xué)信息科學(xué)與工程學(xué)院，遼寧 沈陽(yáng) 110159）

0 引言

交通標(biāo)志識(shí)別是應(yīng)用計(jì)算機(jī)視覺(jué)研究，且重點(diǎn)是交通場(chǎng)景圖像方面的自動(dòng)檢測(cè)和識(shí)別的一個(gè)新型研究領(lǐng)域。近年來(lái)，交通標(biāo)志識(shí)別在道路維護(hù)、駕駛員支持系統(tǒng)以及自動(dòng)無(wú)人駕駛汽車(chē)等方面吸引了越來(lái)越多研究人員的關(guān)注[1]。

國(guó)外在交通標(biāo)志識(shí)別方面起步較早，在20世紀(jì)90年代，美國(guó)的Kehtarnavaz等人[2]就通過(guò)提取交通標(biāo)志在HSV彩色空間中的顏色特征和形狀特征完成了對(duì)交通標(biāo)志的檢測(cè)，他們當(dāng)時(shí)已經(jīng)完成了STOP禁令標(biāo)志檢測(cè)系統(tǒng)的研發(fā)。Bascon等人[3]通過(guò)使用提取交通標(biāo)志牌的形狀特征的方法，基本完成了能夠檢測(cè)幾種比較常見(jiàn)的交通標(biāo)志牌的檢測(cè)算法，但是由于這個(gè)算法處理時(shí)間比較長(zhǎng)（單幀的處理時(shí)間已經(jīng)超過(guò)1.5秒），因此不能滿(mǎn)足實(shí)時(shí)處理的要求。德國(guó)的Hoferlin B等人[4]利用霍夫變換和尺度不變特征變換（Scale-invariantfeaturetransform,SIFT），實(shí)現(xiàn)了針對(duì)圓形交通標(biāo)志的檢測(cè)算法，而且該算法具有比較高的檢測(cè)率。Piccioli等人[5]通過(guò)提取交通標(biāo)志的幾何特征信息，接著利用相似性度量函數(shù)（Similarity Measuring Function,SMF）對(duì)將要檢測(cè)的圖像區(qū)域進(jìn)行相似性度量，從而實(shí)現(xiàn)了交通標(biāo)志的檢測(cè)。

在國(guó)內(nèi)，雖然開(kāi)展相應(yīng)的交通標(biāo)志檢測(cè)的研究相對(duì)較晚，但是目前也有了一些令人欣喜的成果。郁梅等人[6]通過(guò)利用交通標(biāo)志的顏色特征，對(duì)交通標(biāo)志進(jìn)行了比較快速的檢測(cè)和識(shí)別，他們主要利用顏色特征增強(qiáng)、聚類(lèi)分析、形態(tài)學(xué)操作等幾個(gè)步驟，最終實(shí)現(xiàn)了視頻圖像中對(duì)交通標(biāo)志進(jìn)行定位這一功能的算法。谷明琴等人[7]提出了一種綜合形狀標(biāo)記圖和Gabor波的交通標(biāo)志檢測(cè)識(shí)別方法。該方法先是在RGB彩色空間下對(duì)候選的交通標(biāo)志區(qū)域進(jìn)行分割，接著使用形態(tài)學(xué)運(yùn)算消除噪聲，然后利用歐式距離對(duì)疑似交通標(biāo)志區(qū)域的標(biāo)記圖進(jìn)行粗分割，然后對(duì)候選交通標(biāo)志區(qū)域的Gabor小波圖像進(jìn)行特征提取，實(shí)現(xiàn)了對(duì)交通標(biāo)志的檢測(cè)和定位。

由于戶(hù)外環(huán)境的變化性和不確定性，交通標(biāo)志檢測(cè)成為了一項(xiàng)頗有難度的工作，主要面臨著以下幾個(gè)問(wèn)題：（1）具有相近特征(顏色和形狀等)的非交通標(biāo)志物體對(duì)真實(shí)交通標(biāo)志牌的干擾；（2）不能人為控制的光照對(duì)交通標(biāo)志牌的顏色和可見(jiàn)度的影響；（3）交通標(biāo)志在圖像中會(huì)有平移、旋轉(zhuǎn)和尺度等的變化，這會(huì)增加檢測(cè)識(shí)別的難度；（4）有時(shí)會(huì)有多個(gè)交通標(biāo)志聚集在一起，這會(huì)使得對(duì)它們各自的檢測(cè)與識(shí)別變得愈發(fā)困難；（5）交通標(biāo)志牌的某些部分被遮擋以及交通標(biāo)志牌本身信息的丟失會(huì)導(dǎo)致在檢測(cè)識(shí)別上的模糊性。

交通標(biāo)志檢測(cè)是交通標(biāo)志識(shí)別系統(tǒng)的一個(gè)重要組成部分。本文提出一種基于HSV彩色空間的交通標(biāo)志檢測(cè)方法。在HSV空間里進(jìn)行顏色分割，分割的閾值由統(tǒng)計(jì)計(jì)算得出，然后將分割出的區(qū)域進(jìn)行填充膨脹，并標(biāo)記下一系列特征，然后通過(guò)計(jì)算這些特征滿(mǎn)足的條件與否，進(jìn)行候選區(qū)域的篩選。最后在從原圖中把交通標(biāo)志的區(qū)域裁剪下來(lái)，完成檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本方法是尺度恒定的，能夠在復(fù)雜的交通場(chǎng)景中進(jìn)行可靠的交通標(biāo)志檢測(cè)，方法簡(jiǎn)單有效。

1 圖像增強(qiáng)

一幅交通標(biāo)志圖像既包含感興趣的有價(jià)值信息，也包含大量的無(wú)用信息，在對(duì)交通標(biāo)志進(jìn)行檢測(cè)前，需要使用某些技術(shù)手段盡量減少那些無(wú)用信息，增強(qiáng)與復(fù)原高價(jià)值信息，為接下來(lái)的交通標(biāo)志檢測(cè)提供高質(zhì)量的輸入圖片，使得交通標(biāo)志的定位分割、特征提取的復(fù)雜度和難度也大為減少，從而有效地提升系統(tǒng)的準(zhǔn)確率和處理速度，由此可見(jiàn)，圖像增強(qiáng)是交通標(biāo)志檢測(cè)過(guò)程中的一個(gè)重要環(huán)節(jié)。

直方圖均衡化是一種廣泛使用的圖像增強(qiáng)方法，可以有效的增強(qiáng)模糊圖像的細(xì)節(jié)，提高圖像的對(duì)比度?；谝韵略韀8-9]：圖像灰度級(jí)為[0,L-1]范圍的數(shù)字圖像的直方圖是離散函數(shù)h(rk)=nk,其中rk是第k級(jí)灰度，nk是圖像中灰度級(jí)為rk的像素個(gè)數(shù)，經(jīng)常用圖像中像素的總數(shù)n來(lái)除以它的每個(gè)灰度級(jí)的個(gè)數(shù)。得到歸一化的直方圖。如下式：

P（rk）=nk/n，k=0，1，…L-1

由上式可以看出：P（rk）給出了灰度級(jí)rk發(fā)生的概率估計(jì)值。且：

直方圖操作能有效地用于圖像增強(qiáng)，圖像壓縮與分割，而且直方圖在軟件中易于計(jì)算，使用電子芯片實(shí)現(xiàn)起來(lái)比較簡(jiǎn)單，因此在實(shí)時(shí)圖像處理中是一個(gè)很有用的工具。

2 HSV彩色空間

交通標(biāo)志的特定顏色為司機(jī)提供了重要的信息。顏色分割能夠很好地減少待處理信息的總量,把交通標(biāo)志所在的區(qū)域提取出來(lái)[10]。數(shù)字?jǐn)z像機(jī)輸出的原始圖像采用RGB彩色空間的表示方式,必須轉(zhuǎn)化到能夠更好地控制光照變化的色彩空間。由于與人類(lèi)視覺(jué)一致并且可分離彩色和非彩色,HSV(Hue,Saturation,Value)彩色空間被用來(lái)描述交通場(chǎng)景圖片里的顏色信息。其中色調(diào)的范圍在0到360度之間,飽和度和強(qiáng)度都在0和1之間。

圖像需要從RGB彩色空間轉(zhuǎn)換到HSV彩色空間，轉(zhuǎn)換公式為：令MAX為R、G、B三個(gè)分量的最大值，MIN為三個(gè)分量的最小值，

若 MAX=MIN，則：

3 禁令交通標(biāo)志檢測(cè)

由于在顏色分割過(guò)程中色調(diào)Hue起著核心作用，因?yàn)樗鼘?duì)于光照變化，陰影，強(qiáng)光以及其他存在飽和度變化的場(chǎng)合具有很高的穩(wěn)定性。所以令S和V分量都為1，輸出各個(gè)像素點(diǎn)的H值，H值歸一化為0～1的數(shù)。以紅色禁令標(biāo)志為例，通過(guò)對(duì)大量圖像的統(tǒng)計(jì)與計(jì)算，算出紅色的H閾值為0.0277～0.032。利用顏色閥值將紅色對(duì)象都顯示為白色,其余都為黑色,至此完成圖像的二值化。然后對(duì)圖像進(jìn)行形態(tài)學(xué)閉操作，填補(bǔ)空洞。然后將二值圖像膨脹化，再對(duì)圖像進(jìn)行填充，把內(nèi)部空洞填滿(mǎn)。對(duì)連通對(duì)象的各個(gè)分離部分進(jìn)行標(biāo)注,這里采用的是8連通。然后對(duì)標(biāo)注區(qū)域的一系列屬性進(jìn)行測(cè)量，本文采用3個(gè)特征，依次為圖像各個(gè)區(qū)域中像素總個(gè)數(shù)，每個(gè)區(qū)域的質(zhì)心（重心），包含相應(yīng)區(qū)域的最小矩形。然后根據(jù)各填充塊的面積，找出其中最大的3個(gè)填充塊存儲(chǔ)下來(lái)。

以其中的一個(gè)填充塊為例，M是區(qū)域外接最小矩形的長(zhǎng)和寬的最小值，X是區(qū)域重心的橫坐標(biāo)，Y是重心的縱坐標(biāo)，H和L分別是原始圖像像素的行數(shù)和列數(shù)，T是剛才進(jìn)行標(biāo)注前的二值圖的名字，A是該區(qū)域的像素總個(gè)數(shù)，作為交通標(biāo)志候選區(qū)域，必須滿(mǎn)足以下五組條件：

通過(guò)以上條件，就確定了最多3個(gè)標(biāo)志區(qū)域，然后就是根據(jù)每個(gè)區(qū)域的對(duì)應(yīng)矩形的左上角那個(gè)像素的橫縱坐標(biāo)，以及矩形的長(zhǎng)和寬，在原圖中進(jìn)行裁剪。裁剪下來(lái)的圖像即為定位后檢測(cè)出的交通標(biāo)志圖像。

4 實(shí)驗(yàn)結(jié)果與分析

圖1 原始彩色圖像

本文是在操作系統(tǒng)為Windows 8，CPU為Intel酷睿i7，系統(tǒng)內(nèi)存為8 GB的普通計(jì)算機(jī)上實(shí)現(xiàn)的。使用的軟件是Matlab2012。選取的圖像來(lái)源于網(wǎng)上的圖片。為了方便，程序事先把所有圖都調(diào)整為592*748的圖像。圖1是原始圖像，圖2是顏色分割后僅顯示紅色區(qū)域的二值圖像，圖3是進(jìn)行形態(tài)學(xué)閉操作后的圖像，圖4是填充后的圖像，圖5是篩選后留下的交通標(biāo)志區(qū)域，圖6是最后檢測(cè)定位出的交通標(biāo)志。

圖2 僅顯示紅色區(qū)域的二值圖像

圖3 閉操作后的圖像

圖4 填充后的圖像

圖5 篩選后留下的交通標(biāo)志區(qū)域

圖6 定位后裁剪下的禁令交通標(biāo)志

本文方法的評(píng)估是以檢測(cè)出交通標(biāo)志的檢出率來(lái)說(shuō)明的。交通標(biāo)志的檢出率定義為用本方法定位出交通標(biāo)志的圖像數(shù)目與總的圖像數(shù)目之比。經(jīng)過(guò)統(tǒng)計(jì)，此方法基本可以實(shí)現(xiàn)對(duì)禁令交通標(biāo)志的檢測(cè)，檢出率也基本平均在90%以上，而且由于方法較為簡(jiǎn)單迅速，在實(shí)時(shí)性上有很好的保證。但是那些沒(méi)有正確檢出的圖像大多是因?yàn)閳D像清晰度不高，背景過(guò)于復(fù)雜或者有和交通標(biāo)志顏色相似的物體，光照太強(qiáng)或太弱，以及標(biāo)志遮擋等等原因，這些原因都會(huì)造成檢出率的降低。

5 結(jié)語(yǔ)

交通標(biāo)志的檢測(cè)對(duì)于交通標(biāo)志識(shí)別系統(tǒng)來(lái)說(shuō)是極為重要的一個(gè)步驟，標(biāo)志的檢測(cè)速度以及檢出率直接影響到后面識(shí)別的難易程度以及整個(gè)識(shí)別系統(tǒng)的優(yōu)劣，本文著重研究了禁令交通標(biāo)志的檢測(cè)系統(tǒng)，利用基于HSV彩色空間的顏色分割，以及提取候選區(qū)域的一系列特征，通過(guò)計(jì)算特征完成對(duì)交通標(biāo)志區(qū)域的篩選，最終得以定位。由于檢測(cè)算法運(yùn)算量小，所以速度很快，實(shí)時(shí)性很好，但是考慮到背景較為負(fù)責(zé)，標(biāo)志遮擋以及光照強(qiáng)度等等的問(wèn)題，本方法在交通標(biāo)志的檢出率上還有待提高。

［1］De La Escalera,A.Armingol,J.M.Mata,M.Traffic sign recognition and analysis for intelligent vehicles[J].Image Vision Computing,2003,21:247-258.

［2］Kehtarnavaz,N.Ahmad,A.Traffic sign recognition in noisy outdoor scenes[J].Intelligent Vehicles'95 Symposium,1995:460-465.

［3］Mal donado Bascon S,Lafuente Arroyo S,Gil-Jimenes P.Road sign deteetion and recognition based on Support Vector Machines[J].IEEE Transaction on Intelligent Transportation Systems,2007,8(2):264-278.

［4］Hoferlin B,Zitnmermann K.Towards reliable traffic sign recognition[C].In:2009 IEEE Intelligent Vehicles SymPosium,2009,pp.324-329.

［5］G.Piccioli,E.D.Michel,P.Parodi,and M.Campani.Robust method for road sign detection and recognition[J].Image and Vision Computing,1996,14(3):119-129.

［6］郁梅,郁伯康.基于彩色圖像的指示標(biāo)志檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2000,36(4):166-168.

［7］谷明琴,蔡自興,何芬芬.形狀標(biāo)記圖和Gabor小波的交通標(biāo)志識(shí)別[J].智能系統(tǒng)學(xué)報(bào),2011,6:526-530.

［8］岡薩雷斯,等,著.阮秋琦等譯，數(shù)字圖像處理[M].2版.北京:電子工業(yè)出版社,2007.

［9］岡薩雷斯.數(shù)字圖像處理(MATLAB版)[M].北京:電子工業(yè)出版社,2005.

［10］許少秋.戶(hù)外交通標(biāo)志檢測(cè)和形狀識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào),2009，4:707-711.