李光瑞，夏　凌，杜　健，強(qiáng)　策

(西華大學(xué)電氣與電子信息學(xué)院,四川 成都 610039)

?

基于顏色特征和SVM的交通標(biāo)志檢測

李光瑞，夏凌*，杜健，強(qiáng)策

(西華大學(xué)電氣與電子信息學(xué)院,四川 成都 610039)

摘要：為提高道路交通標(biāo)志識(shí)別系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確度，提出一種改進(jìn)的RGB空間顏色檢測和SVM相結(jié)合的交通標(biāo)志檢測算法。首先使用直方圖均衡化和Gabor濾波相結(jié)合的方法進(jìn)行圖像增強(qiáng)，突出目標(biāo)顏色；然后使用改進(jìn)的RGB空間顏色檢測方法初步提取并切割出候選標(biāo)志區(qū)域；最后使用HOG特征訓(xùn)練SVM分類器，對(duì)候選標(biāo)志進(jìn)行精確檢測并判斷其形狀。在檢測精度和檢測用時(shí)2方面進(jìn)行對(duì)比試驗(yàn)，其結(jié)果表明，本文算法的檢測用時(shí)較短，誤檢率和錯(cuò)檢率都較低。該算法能對(duì)亮度較低的圖像進(jìn)行有效處理，對(duì)旋轉(zhuǎn)、部分遮擋等多種情況也有較優(yōu)的穩(wěn)定性和準(zhǔn)確性，適用于復(fù)雜背景下的標(biāo)志檢測。

關(guān)鍵詞：交通標(biāo)志檢測；直方圖均衡化；Gabor濾波；顏色檢測；SVM分類器

交通標(biāo)志檢測與識(shí)別技術(shù)是機(jī)器視覺研究領(lǐng)域的一個(gè)熱點(diǎn)。它主要通過機(jī)器識(shí)別標(biāo)志給駕駛者提供有效的信息，達(dá)到增強(qiáng)交通安全，提高交通運(yùn)輸效率的目的；但在實(shí)際應(yīng)用中由于標(biāo)志的實(shí)景特性不同(如旋轉(zhuǎn)、剝落、遮擋、復(fù)雜背景)或天氣變化(如雨、雪、霧)等多種因素的影響，給標(biāo)志的自動(dòng)檢測和識(shí)別帶來了挑戰(zhàn)[1]。

目前，標(biāo)志檢測算法大都是基于顏色和形狀的，因?yàn)檫@是標(biāo)志區(qū)別于其他物體的鮮明特征[2-10]。本文從算法的復(fù)雜度和實(shí)現(xiàn)的準(zhǔn)確度出發(fā)，提出一種交通標(biāo)志檢測算法。首先，針對(duì)亮度過低的交通標(biāo)志圖像，采用直方圖均衡化和Gabor濾波結(jié)合的方法進(jìn)行預(yù)處理；對(duì)處理后的圖像，使用改進(jìn)的顏色增強(qiáng)算法進(jìn)行候選標(biāo)志的分割處理；最后將候選標(biāo)志送入SVM分類器進(jìn)行精確檢測和形狀判別。本文的交通標(biāo)志檢測流程圖如圖1所示。

圖1　檢測流程圖

1圖像增強(qiáng)

自然環(huán)境中采集的標(biāo)志圖像受到光照、拍攝時(shí)間等影響，容易出現(xiàn)亮度過低的情況，這對(duì)標(biāo)志的檢測影響較大；因此，針對(duì)圖像亮度和對(duì)比度較低的情況，本文提出一種直方圖均衡化和Gabor濾波相結(jié)合的標(biāo)志增強(qiáng)算法。

直方圖均衡化是對(duì)圖像進(jìn)行非線性拉伸處理，從而達(dá)到圖像中的灰度值在全部灰度范圍內(nèi)均勻分布的目的。由于一定灰度范圍內(nèi)的像素?cái)?shù)變得大致相同，從而使圖像的對(duì)比度得到增強(qiáng)。

Gabor濾波器具有能夠使空間域和頻率域同時(shí)取得最優(yōu)局部化的特性，這與人類生物視覺感知的特點(diǎn)具有相似性[11]，其實(shí)質(zhì)是對(duì)二維圖像進(jìn)行卷積處理。二維Gabor函數(shù)可以視作二維高斯函數(shù)被某空間頻率調(diào)制，其數(shù)學(xué)表達(dá)式為：

h(x,y)=g(x′,y′)exp[2πjω(xcosθ+ysinθ)]；

(1)

(2)

式中：σ為方差；ω為濾波器的徑向中心頻率；θ為方向角；g為Gaussian窗函數(shù)[12]。

由式(1)可知，Gabor函數(shù)有實(shí)部和虛部2個(gè)分量，二者具有正交相位關(guān)系，可以分別稱為實(shí)Gabor函數(shù)hreal和虛Gabor函數(shù)himag，h=hreal+himag。

hreal=g(x′,y′)cos(2πjω(xcosθ+ysinθ))；

(3)

himag=g(x′,y′)sin(2πjω(xcosθ+ysin θ))。

(4)

通過修改Gabor濾波函數(shù)的角度和尺度，能夠提取不同局部細(xì)節(jié)的紋理特征，也能提取全局性較強(qiáng)的特征，同時(shí)減少噪聲干擾。

由于直接采用直方圖均衡化增強(qiáng)圖像容易造成圖像細(xì)節(jié)特征丟失、放大噪聲，故本文在直方圖均衡化基礎(chǔ)上引入Gabor濾波。首先對(duì)輸入圖像進(jìn)行直方圖均衡化，然后對(duì)均衡化后的圖像采用Gabor濾波。具體實(shí)驗(yàn)結(jié)果如圖2所示，圖(a)是原圖像，圖(b)是直方圖均衡化后的圖像，圖(c)是對(duì)圖(b)Gabor濾波后的圖像。

圖2　圖像增強(qiáng)效果

由結(jié)果圖可以看出，直接采用直方圖均衡化使圖像對(duì)比度得到提高，但是圖像容易出現(xiàn)過增強(qiáng)甚至失真的現(xiàn)象，而對(duì)直方圖均衡化后的圖片使用Gabor濾波后亮度更均勻，且保留了對(duì)比度，更加符合人類的視覺感知特點(diǎn)。

2改進(jìn)的標(biāo)志初檢測算法

交通標(biāo)志的檢測是通過算法確定自然場景圖片中交通標(biāo)志的位置并將其分割出來。標(biāo)志中最易區(qū)分的特征是顏色，顏色特征具有大小和視角不變性，且分布大致穩(wěn)定在一定的范圍內(nèi)；因此，使用顏色特征進(jìn)行標(biāo)志檢測，可以很快確定采集圖像中標(biāo)志的大體位置。

RGB顏色空間是最簡單和直接的顏色空間。雖然HSV等顏色空間可以將亮度和色度分離，減弱光照影響，但是需要將圖片由RGB空間轉(zhuǎn)換到HSV或HSI空間，而這種變換是非線性的，需要占用一定的計(jì)算時(shí)間；因此，找到一種直接在RGB空間中進(jìn)行標(biāo)志檢測的算法很重要。

(5)

(6)

(7)

在文獻(xiàn)[13]的方法中，感興趣區(qū)域通過使用四叉樹循環(huán)尋找閾值得到。在本文中采用的方法是直接使用標(biāo)準(zhǔn)差產(chǎn)生一個(gè)閾值分割模板，從而加快分割速度。設(shè)置閾值的具體步驟為：1)求得式(5)、(6)、(7)中的vr、vb和vy的值；2)分別計(jì)算vr、vb和vy的標(biāo)準(zhǔn)差σr、σb和σy；3)設(shè)置閾值θ=3σ；4)分別比較vr、vb和vy與θ的大小，找到感興趣區(qū)域，如式(8)所示。

(8)

使用本文方法進(jìn)行標(biāo)志檢測的結(jié)果如圖3所示。圖(a)是原圖像，標(biāo)志為禁止長時(shí)間停車標(biāo)志，標(biāo)志底色為藍(lán)色，邊緣及斜線為紅色；圖(b)是紅色標(biāo)志檢測結(jié)果；圖(c)是藍(lán)色標(biāo)志檢測結(jié)果；圖(d)和圖(e)分別是感興趣的紅色和藍(lán)色標(biāo)志在原圖中的位置。圖(d)和圖(e)是根據(jù)先驗(yàn)知識(shí)(如連通域面積、長寬比等)去除了不符合交通標(biāo)志特征的干擾區(qū)域。

圖3　改進(jìn)的顏色增強(qiáng)算法檢測效果圖

由圖可知，本文的顏色檢測算法能夠很好地提取感興趣區(qū)域。當(dāng)存在與標(biāo)志顏色相近的物體時(shí)，本文算法也將其檢測到，但這種誤檢在后續(xù)的精檢環(huán)節(jié)會(huì)去除；因此不會(huì)對(duì)識(shí)別造成很大負(fù)擔(dān)。

3基于HOG特征和SVM的標(biāo)志形狀判別

3.1　HOG特征的提取

方向梯度直方圖(histogram of oriented gradient, HOG)是一種局部區(qū)域的描述符。它通過計(jì)算局部區(qū)域上的梯度方向直方圖來構(gòu)成目標(biāo)特征。HOG特征具有計(jì)算速度快、受光照及尺度變化干擾小等優(yōu)勢，因而能夠較好地描述目標(biāo)邊緣。相較于 Haar或控制點(diǎn)特征等，HOG特征具備的另一個(gè)優(yōu)勢是采用無方向梯度(0~180°)，而前2種特征采用有方向梯度(0~360°)，因而不能達(dá)到動(dòng)態(tài)的和靜態(tài)的標(biāo)志都能用同一個(gè)檢測器找到的效果[14]。

具體的提取過程如圖4所示。首先將1個(gè)64×64大小的樣本分成多個(gè)8×8的單元，每個(gè)單元中的180°方向平均分為9個(gè)區(qū)間，分別計(jì)算這9個(gè)區(qū)間中的HOG特征；然后將每相鄰的4個(gè)單元組成1個(gè)塊，以1個(gè)塊大小為模板，1個(gè)單元的大小為步長掃描整幅圖像，最后得到樣本的HOG特征[15]。

圖4　HOG特征的提取過程

3.2　SVM分類原理及分類器訓(xùn)練

SVM的主要分類原理是將分類數(shù)據(jù)投影到一個(gè)合適的空間內(nèi)，找到在這個(gè)空間內(nèi)能夠區(qū)分待分類數(shù)據(jù)的最大間隔超平面，并最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題的求解。

給定一個(gè)未知的樣本x，支持向量為xj，n為支持向量的個(gè)數(shù)，拉格朗日乘子為αj，類別標(biāo)簽為lj，則SVM分類函數(shù)f(x)如式(9)所示，求解該分類函數(shù)即可得到樣本的分類情況。

(9)

本文分別以紅色圓形、紅色倒三角形和藍(lán)色圓形標(biāo)志等3類交通標(biāo)志作為正樣本共訓(xùn)練3個(gè)SVM線性分類器，采用HOG特征作為訓(xùn)練特征。正樣本選取實(shí)景中合適距離采集的標(biāo)志圖片及GTSRB中的部分樣本圖像，紅色圓形、紅色倒三角形和藍(lán)色圓形分別選取6 521幅、1 980幅、5 126幅；負(fù)樣本選取實(shí)景中除標(biāo)志外的背景圖像共7 536幅。其中，每種圖像取100幅作為測試樣本，其他的作為訓(xùn)練樣本。樣本大小都?xì)w一化為64×64，故樣本的HOG特征維數(shù)為1 764維。將正樣本標(biāo)簽置1，負(fù)樣本標(biāo)簽置0。

4實(shí)驗(yàn)結(jié)果及分析

為充分驗(yàn)證本文算法的性能，本文選取了447幅共769個(gè)標(biāo)志進(jìn)行檢測并判斷標(biāo)志形狀，部分樣本如圖5所示，樣本照片包含光照過低、標(biāo)志顏色剝落、霧霾等極端天氣、不同程度遮擋、動(dòng)態(tài)模糊、相似物體干擾等各種實(shí)際環(huán)境中可能出現(xiàn)的情況。本文中所有實(shí)驗(yàn)測試平臺(tái)均為Intel雙核CPU,2G內(nèi)存，Matlab7.1。所得的判別結(jié)果如圖6所示，檢測到的標(biāo)志用白色矩形框框出。

圖5　部分試驗(yàn)樣本

(a)沙塵天氣檢測標(biāo)志 (b)晴天檢測標(biāo)志

(c)沙塵天氣檢測結(jié)果

(d)晴天檢測結(jié)果

(e)陰天檢測標(biāo)志 (f)雪天檢測標(biāo)志

(g)陰天檢測結(jié)果

(h)雪天檢測結(jié)果

圖6的標(biāo)志檢測結(jié)果表明：使用本文算法能夠正確確定標(biāo)志位置并將其切割出來；基于HOG特征的SVM分類器對(duì)于小范圍的遮擋及拍攝角度變化、光照變化的標(biāo)志圖像具有很好的穩(wěn)定性和準(zhǔn)確性。

文獻(xiàn)[14]中的標(biāo)志分割算法也是在顏色增強(qiáng)基礎(chǔ)上改進(jìn)的，該文獻(xiàn)設(shè)置閾值時(shí)采用圖像的均值和方差相結(jié)合的方法，在此，將本文算法與該文獻(xiàn)算法進(jìn)行比較。以晴天標(biāo)志為例，2種算法的處理效果如圖7所示。圖(b)、圖(c)為文獻(xiàn)[14]算法檢測效果圖，圖(d)、圖(e)為本文算法檢測效果圖。

(a) 原圖像

(b)文獻(xiàn)[14]的紅色標(biāo)志檢測結(jié)果

(c) 文獻(xiàn)[14]的藍(lán)色標(biāo)志檢測結(jié)果

(d)本文算法的紅色標(biāo)志檢測結(jié)果

(e) 本文算法的藍(lán)色標(biāo)志檢測結(jié)果

由圖7可以看出：在紅色標(biāo)志檢測時(shí)本文算法的結(jié)果比文獻(xiàn)[14]的算法結(jié)果少了一些雜點(diǎn)，藍(lán)色標(biāo)志檢測效果相當(dāng)，2種算法最后的檢測精確度也相當(dāng)；但是由于文獻(xiàn)[14]算法需要計(jì)算圖像均值，因此檢測耗時(shí)比本文算法長。由于圖片大小不同，處理時(shí)間相應(yīng)不同，因此本文采用2種方法對(duì)不同大小的圖像進(jìn)行檢測，并對(duì)其用時(shí)做比較，其結(jié)果如表1所示。

表1　同一幅圖像2種算法檢測用時(shí)比較

對(duì)447幅(共含有769個(gè)標(biāo)志)的樣本圖像(圖像尺寸統(tǒng)一為221×162)，使用本文算法與文獻(xiàn)[14]算法分別進(jìn)行檢測并判斷標(biāo)志形狀，將2種算法在檢測精度和檢測用時(shí)2方面進(jìn)行比較，其結(jié)果如表2所示。

表2　2種算法的性能比較

5結(jié)論

本文根據(jù)交通標(biāo)志的顏色特征，提出一種RGB空間顏色檢測與SVM相結(jié)合的交通標(biāo)志檢測算法。使用直方圖均衡化和Gabor濾波增強(qiáng)圖像；使用改進(jìn)的顏色檢測算法以提高檢測速度；使用HOG特征和SVM結(jié)合進(jìn)行標(biāo)志精檢，以去除粗檢測中的干擾物體。

大量實(shí)驗(yàn)表明，本算法適用于復(fù)雜背景下的標(biāo)志檢測，在目標(biāo)被小部分遮擋或環(huán)境中存在與交通標(biāo)志類似的物體等情況下也能保持93.9%的檢測精度。相較于文獻(xiàn)[14]的算法，本文算法不需要計(jì)

算均值，檢測用時(shí)較短，誤檢率和錯(cuò)檢率都較低；然而，文中也出現(xiàn)了一些漏檢和錯(cuò)檢，主要原因是標(biāo)志顏色脫落過于嚴(yán)重或者遮擋面積較大。未來的工作是對(duì)此情況找到一種好的解決方法。

參考文獻(xiàn)

[1]付誠, 賈年.基于混合高斯模型和GPU的車輛闖紅燈快速檢測算法及實(shí)現(xiàn)[J].西華大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,31(2):9.

[2]Oruklu E,Pesty D,Neveux J, et al. Real Time Trafc Sign Detection and Recognition for in-car Driver Assistance System[C]//IEEE Conference on Circuits and Systems(MWSCAS). Boise, USA:IEEE,2012:976-979.

[3]Andrey V,Kang Hyun Jo. Automatic Detection and Recognition of Traffic Signs using Geometric Structure Analysis[C]//SICE-ICASE International Joint Conference. Busan, Korea:IEEE,2006:1451-1456.

[4]Broggi A, Cerri P, Medici P, et al.Real Time Road Signs Recognition[C]// IEEE Conference on Intelligent Vehicles Symposium.Istanbul,Turkey:IEEE,2007: 81-86.

[5]De la Escalera A, Armingol J M, Mata M.Traffic Sign Recognition and Analysis for Intelligent Vehicles[J]. Image Vis Comput,2002, 21(3): 247.

[6]Ishak K A, Sani M M, Tahir N M.A Speed Limit Sign Recognition System using Artificial Neural Network[C]//4th Student Conference on Research and Development(SCOReD). Selangor, Malaysia:IEEE,2006: 127-131.

[7]Zaklouta F,Stanciulescu B. Warning Trafc Sign Recognition using a HOG-based K-d Tree [C]//Intelligent Vehicles Symposium. Baden-Baden, Germany: IEEE,2011:1019-1024.

[8]Yuan Xie,Li-Feng Liu,Cui-Hua Li， et al. Unifying Visual Saliency with HOG Feature Learning for Traffic Sign Detection[C]//Intelligent Vehicles Symposium.Xi an,China: IEEE, 2009: 24-29.

[9]楊軍，劉妍麗.基于圖像的單樣本人臉識(shí)別研究進(jìn)展[J].西華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，33(4)：1.

[10]馬楊林，王海濱，徐學(xué)良.基于Pseudo-zernike不變矩的肺部圖像特征提取及分類研究[J].西華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，31(1)：67.

[11]趙銀娣, 張良培, 李平湘. 一種方向 Gabor 濾波紋理分割算法[J]. 中國圖象圖形學(xué)報(bào), 2006, 11(4): 504.

[12]回紅, 陳祥獻(xiàn), 周泓,等. Gabor 函數(shù)實(shí)現(xiàn)基于結(jié)構(gòu)的指紋識(shí)別[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版), 2004, 38(6): 712.

[13]Ruta A, Li Y, Liu X. Real-time Traffic Sign Recognition from Video by Class-specific Discriminative Features[J]. Pattern Recognition, 2009, 43 (1): 416.

[14]Zaklouta F, Stanciulescu B. Real-time Traffic Sign Recognition in Three Stages[J]. Robotics and Autonomous System, 2014(62): 16.

[15]常發(fā)亮,黃翠,劉成云,等.基于高斯顏色模型和SVM的交通標(biāo)志檢測[J].儀器儀表學(xué)報(bào),2014,35(1):43.

(編校：饒莉)

Traffic Sign Detection Based on Color Feature and SVM

LI Guangrui, XIA Ling*，DU Jian，QIANG Ce

(SchoolofElectricalEngineeringandElectronicInformation,XihuaUniversity,Chengdu610039China)

Abstract:Focused on the problem of time consumption and accuracy of traffic sign recognition system，an efficient algorithm for traffic sign detection based on improved color detection in RGB color space combined with support vector machine is presented. Firstly，the histogram equalization and Gabor filter are applied for image enhancement to highlight the image color. Secondly, an improved color detection method is proposed to select the coarse candidate areas. Thirdly, a SVM classifier is trained using HOG feature for further detection and shape judgment. Comperative tests are done about detection accuracy and detection time consumption. The experimental results show that this algorithm testing time is short, error detection rate and false detection rate are low. The algorithm can detect signs quickly and determine the shape. It can also deal with various cases such as images with low brightness, rotation and partial occlusion with high accuracy. Compared with color enhancement algorithm, this method can achieve better accuracy and has less time consumption.

Keywords:traffic sign detection; histogram equalization; Gabor filter; color detection; SVM(support vector machine) classifier

doi:10.3969/j.issn.1673-159X.2016.01.019

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1673-159X(2016)01-0089-05

*通信作者：夏凌(1962—)，女，副教授，博士，主要研究方向?yàn)槟Ｊ阶R(shí)別與圖像處理、機(jī)器學(xué)習(xí)等。E-mail：xialing-cd@qq.com

基金項(xiàng)目：教育部春暉計(jì)劃合作科研項(xiàng)目(Z2011090)。

收稿日期：2015-03-24

·計(jì)算機(jī)軟件理論、技術(shù)與應(yīng)用·