基于分類技術(shù)的交通標(biāo)志自動(dòng)識(shí)別的研究與實(shí)現(xiàn)

張宇新 李夢(mèng)縈 宋海玉 郭屴煥 何炳金 侯建新 周巖

摘要：自動(dòng)交通標(biāo)志識(shí)別是智能交通系統(tǒng)不可缺少的一部分。因?yàn)殡S著車輛的增加，人工智能的智能交通系統(tǒng)的實(shí)現(xiàn)是必要的，智能交通系統(tǒng)主要是通過獲取外界環(huán)境信息來做出相應(yīng)的判斷和反應(yīng)。文章采用梯度直方圖方法作為交通標(biāo)志的視覺特征向量，并采用支持向量機(jī)完成模型的訓(xùn)練和識(shí)別，在德高標(biāo)準(zhǔn)數(shù)據(jù)集GTSRB上正確率為72.08%。

關(guān)鍵詞：智能交通系統(tǒng);支持向量機(jī)技術(shù);卷積神經(jīng)網(wǎng)絡(luò);特征向量;分類技術(shù) 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TP311 文章編號(hào)：1009-2374（2016）04-0007-02 DOI：10.13535/j.cnki.11-4406/n.2016.04.004

在飛速發(fā)展的當(dāng)今社會(huì)，經(jīng)濟(jì)取得了飛速的發(fā)展，機(jī)動(dòng)車輛越來越普及，道路上的車輛也越來越多，這對(duì)交通管理提出了嚴(yán)峻的考驗(yàn)，發(fā)生交通事故的概率更大，司機(jī)也面臨著更多的困難和挑戰(zhàn)，因此智能交通系統(tǒng)也就應(yīng)運(yùn)而生了。20世紀(jì)80年代，許多發(fā)達(dá)國家就開始研究智能交通系統(tǒng)了，智能交通系統(tǒng)通過對(duì)道路信息的協(xié)調(diào)處理能夠有效地緩解交通阻塞和減少交通事故的發(fā)生。由于交通標(biāo)志包含了大量的道路信息，例如限制高度、急轉(zhuǎn)彎等限制信息和控制信息，能夠?qū)@些標(biāo)志進(jìn)行識(shí)別并及時(shí)給司機(jī)以提醒，并能夠有效避免交通事故發(fā)生和確保交通安全性，所以自動(dòng)交通標(biāo)志識(shí)別也成為了智能交通系統(tǒng)中不可缺少的一個(gè)部分。自動(dòng)交通標(biāo)志識(shí)別不僅能夠推動(dòng)社會(huì)的進(jìn)步，而且也能夠推動(dòng)未來汽車事業(yè)的發(fā)展。

1 交通標(biāo)志的特征表示

1.1 基于顏色特征向量提取

圖像的顏色特征是圖像的基本特征之一，也是應(yīng)用得最多的圖像視覺特征。與其他的圖像視覺特征相比，圖像的顏色不受圖像大小、角度以及方向的影響，相對(duì)較獨(dú)立，所以提取顏色的特征向量也相對(duì)較容易。顏色特征的提取主要是依據(jù)對(duì)應(yīng)不同顏色空間模型而有所差異。顏色模型包含許多種類，主要介紹以下三類：RGB顏色空間、HSI顏色空間、CMY顏色空間。

1.2 基于形狀特征向量提取

基于形狀特征向量提取的思想就是將圖像中物體或區(qū)域的形狀作為圖像的特征，這個(gè)特征是圖像中的一部分或區(qū)域劃分出來的特征。形狀特征主要包含兩種，分別為輪廓特征和區(qū)域特征。兩者的區(qū)別就是輪廓特征只用到物體的外邊界，而區(qū)域特征需要用到整個(gè)形狀區(qū)域的數(shù)據(jù)。

1.3 基于紋理特征向量提取

紋理特征反映的是圖像中事物本身的本質(zhì)，它不依賴于顏色或亮度，是所有物體表面所共有特征，比如衣服、鞋等都有對(duì)應(yīng)的紋理，紋理特征包含了物體的表面信息，可以通過紋理特征找到和其相似紋理的圖像，從而可以達(dá)到分類的效果，類似的基于紋理特征向量提取也已經(jīng)研究得很成熟了，主要運(yùn)用的方法有灰度共生矩陣、Gabor、Tamura紋理特征等。

2 基于SVM技術(shù)的交通標(biāo)志識(shí)別

SVM技術(shù)算法的主要功能就是：找到并建立一個(gè)最優(yōu)決策超平面，使分類器的正確分類的效率更高，最終將問題轉(zhuǎn)化為一個(gè)二次優(yōu)化的問題，從而對(duì)分類問題提供良好的泛化能力。總的來說，SVM的基本思想如下：

如果訓(xùn)練點(diǎn)的類別是線性可分的（兩類），那么只需要在原空間中找到兩類樣本的最優(yōu)決策超平面，如果訓(xùn)練點(diǎn)的類別是不可分的（多類），那就將其原始的空間映射到高維的特征空間，然后再在該高維的特征空間中尋找最優(yōu)決策超平面。SVM通過運(yùn)用不同的具有特殊性質(zhì)的核函數(shù)，使高維數(shù)空間中的內(nèi)積運(yùn)算變成了低維數(shù)空間中的非線性運(yùn)算，避免了高維空間中的計(jì)算問題，減少了復(fù)雜度和計(jì)算量。

SVM模式分類可分為兩種，也就是兩模式分類及多模式分類。兩模式分類即上面所說的訓(xùn)練點(diǎn)是線性可分的，只需要構(gòu)造一個(gè)超平面將訓(xùn)練點(diǎn)劃分成兩類即可，相對(duì)于多模式分類，兩模式分類是它的一個(gè)特殊情況。多模式分類就是將多類分類問題化解為多個(gè)兩類問題。每一個(gè)兩類問題訓(xùn)練點(diǎn)集合都包含原訓(xùn)練集中的所有訓(xùn)練點(diǎn)，其中一類訓(xùn)練點(diǎn)被標(biāo)記為+1，剩余的訓(xùn)練點(diǎn)被標(biāo)記為-1，因此一個(gè)多模式分類就是多個(gè)兩模式分類，下面以一個(gè)兩模式分類來說明其分類原理。

如圖1（b）所示，通過兩類訓(xùn)練點(diǎn)中離超平面最近的點(diǎn)且平行于最優(yōu)分類面的超平面Hl、H2上的訓(xùn)練點(diǎn)，滿足式（1）的等號(hào)成立的條件。Hl、H2上的訓(xùn)練樣本就稱作樣本的支持向量?？梢?，支持向量本身就是支持了最優(yōu)分類面的那部分樣本。

第一，對(duì)線性可分的情形，求最佳（w，b）歸結(jié)為二次規(guī)劃問題。利用拉格朗日方法求解，即在約束條件：

3 實(shí)驗(yàn)結(jié)果及分析

本次試驗(yàn)采用了交通標(biāo)志識(shí)別領(lǐng)域影響最大的德國數(shù)據(jù)集GTSRB，以便增強(qiáng)實(shí)驗(yàn)的可靠性。下面我們?cè)敿?xì)介紹以下特征向量的組成：第一種方法我們選用對(duì)圖像進(jìn)行分塊的方法進(jìn)行特征向量的提取，即將原始圖像分割成若干小的圖像塊，每一幅圖像分成相等的塊數(shù)，然后對(duì)每一小塊進(jìn)行特征向量的提取，本文選擇效果較好的“顏色+紋理”為特征向量;第二種方法采用網(wǎng)上所提供的德國數(shù)據(jù)集中的特征向量，例如HOG、Hue特征向量進(jìn)行實(shí)驗(yàn)。

通過查閱資料，對(duì)訓(xùn)練參數(shù)進(jìn)行不斷調(diào)整，以達(dá)到最好的分類結(jié)果。以下是在不同訓(xùn)練參數(shù)和對(duì)應(yīng)的特征向量下的分類識(shí)別的準(zhǔn)確率，最高的準(zhǔn)確率為72.0823%。

如表1所示，使用支持向量機(jī)方法對(duì)交通標(biāo)志進(jìn)行分類，通過對(duì)參數(shù)的調(diào)整能夠取得較好的實(shí)驗(yàn)效果。Hue和HOG特征的效果較差，但是根據(jù)結(jié)果能夠發(fā)現(xiàn)，其SVM的訓(xùn)練還不完全，所以不能完全認(rèn)為基于局部特征的特征向量優(yōu)于Hue和HOG，只能說在當(dāng)前的實(shí)驗(yàn)配置下，基于局部特征的特征向量取得了較好的分類效果。

4 結(jié)語

現(xiàn)如今對(duì)于自動(dòng)交通標(biāo)志識(shí)別的研究非常熱門，但效果比較好的算法都是由國外的學(xué)者研究出來的，國內(nèi)對(duì)于自動(dòng)交通標(biāo)志識(shí)別的研究還處于起始階段。本文主要介紹了運(yùn)用支持向量機(jī)技術(shù)進(jìn)行交通標(biāo)志的分類。在前人研究的基礎(chǔ)上，成功將SVM技術(shù)應(yīng)用到交通標(biāo)志分類上，并通過對(duì)訓(xùn)練函數(shù)的參數(shù)進(jìn)行不斷調(diào)整，在德國數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，使得分類正確率達(dá)到72%。

參考文獻(xiàn)

[1] 沈蘭蓀，張菁，李曉光.圖像檢索與壓縮域處理技術(shù)的研究[M].北京：人民郵電出版社，2008.

[2] J.R.Parker，景麗.圖像處理與計(jì)算機(jī)視覺算法及應(yīng)用[M].北京：清華大學(xué)出版社，1995.

[3] 楊志民，劉廣利.不確定性支持向量機(jī)算法及應(yīng)用

[M].北京：科學(xué)出版社，2012.

（責(zé)任編輯：周 瓊）