张金朋，方千山

　　（华侨大学 机电工程及自动化学院，福建 厦门 361021）

　　摘  要： 交通标志的颜色特征和形状特征是其最主要的两个特征，为提高检测的准确性和鲁棒性，提出颜色分割和形状特征相结合的方法。利用交通标志的颜色特征，采用基于HSV空间的颜色分割方法，获得图像中可能包含交通标志的区域，并提取该区域。根据交通标志的形状特点，利用canny算子获取提取区域的轮廓。然后，采用基于标记的形状检测算法判定所分割区域的形状，利用方向梯度直方图特征结合支持向量机（SVM）方法完成交通标志识别。经实验测试，该方法对图片视点变换、尺度变换以及亮度变换等情况具有很强的鲁棒性。

　　关键词： 交通标志检测；颜色分割；形状检测；HOG特征；SVM

0 引言

　　交通标志检测是智能交通系统的重要组成部分，对智能驾驶以及辅助驾驶都具有重要意义。经过各国研究人员的长期探索，交通标志检测和识别技术取得了很大进展，但是仍存在许多问题，主要包括：（1）交通标志在自然条件下采集，易受光照、天气及背景图像等干扰；（2）交通标志种类繁多，且易受污损、变形和遮挡。

　　针对交通标志的特点和各种干扰因素，国内外学者提出许多方法和理论，黄志勇等人提出颜色分割方法[1]；Garcia-Garrido提出基于形状的检测方法[2]；Khan J F提出图像分割结合形状特征匹配的方法[3]；King Hann Lim等人提出利用颜色直方图特征结合形状特征，利用RBF神经网络分类识别方法[4]。采用RGB空间的分割方法受光照影响较大，容易失真，为了抑制光照变化的影响，采用基于HSV空间的分割方法，H分量、S分量与V分量关联性小，鲁棒性强[5]。基于形状特征的检测方法易受外界干扰，当出现交通标志破损、变形或者被遮挡时，将会出现鲁棒性差的问题。交通标志的识别方法，其基本思想是获得目标特征，通过识别算法进行识别，目标特征主要有：SIFT（尺度不变特征变换）、HOG（梯度方向直方图）、SURF（角点检测）、LBP（局域二值模式），识别算法主要有：神经网络算法、支持向量机算法、遗传算法、模板匹配等。本文通过HSV颜色空间分割结合形状特征检测的方法提取出图像中交通标志，由于HOG特征是在图像的局部方格单元上操作得到，能够对图像的几何和光学的形变保持很好的不变性，因此利用目标的HOG特征结合SVM分类器能够实现交通标志检测。实验结果表明该方法具有较好的鲁棒性。

1 颜色分割

　　由于颜色是交通标志的重要特征，所以通过颜色分割可以快速实现交通标志的粗分割、定位包含交通标志的区域，从而提高检测效率。本文采用基于HSV空间的分割方法，将输入图像从RGB空间转换到HSV空间。

　　根据三基色原理，设（r，g，b）分别是某一种颜色的红、绿和蓝坐标值，且是区间[0，1]内的实数，设max等于r，g和b中的最大值，min等于这些值中的最小值，RGB到HSV空间转换公式[5]为：

　　（h，s，v）是（r，g，b）在HSV空间对应的坐标值，色相角h∈[0，360°），饱和度与亮度s，v∈[0，1]。

　　为满足图像分割实时性要求，本文采用阈值分割的方法[6]。首先将输入的RGB图像转换为HSV图像，提取图像的H通道、S通道和V通道，对三个通道进行阈值分割，分割后得到二值图像。三通道阈值范围经实验测试如表1所示，实验结果表明该方法具有较好的分割效果，能够分割出所需区域。

2 连通区域标记

　　HSV阈值分割后的二值图像中存在许多干扰噪声，首先需要去除图像中噪声，采用3×3窗口进行中值滤波以去除孤立噪声点；然后，利用形态学开运算操作（腐蚀与膨胀）可以去除大量不相关区域并且不破坏感兴趣区域；最后对二值图像进行填充并采用连通区域标记的方法把不同物体分开。

　　连通区域标记是把图像中连接在一起的像素附上相同标记，未连接在一起的像素附上不同标记的过程[7]。本文使用八连通区域标记方法对二值图像进行标记，并统计出各个标记区域的面积、宽度和高度。设定区域面积阈值为1 000，同时设定区域宽高比阈值范围在之间，若标记区域像素面积大于1 000且宽高比在之间则认为包含交通标志区域。图1是分割处理结果。

　　图1（a）是拍摄的原始图像，（b）图是颜色分割后图像，（c）图是中值滤波和腐蚀、膨胀处理后图像，（d）图是将（c）图填充并用连通区域标记算法提取出的感兴趣区域图像。可以看出，包含交通标志的区域被分割出来，并且没有破坏其形状与面积，使用连通域标记的方法可以获得较好的效果。虽然经过颜色特征分割得到包含交通标志的区域，但是实际道路环境中存在许多干扰，例如广告牌等，因此要通过形状特征进一步判断所得区域是否为交通标志区域。

　　3 形状检测

　　为判定上一步分割得到的交通标志区域的形状，本文利用多边形的两个不变特征进行检测：

　　（1）特定多边形边数不变；

　　（2）多边形的圆形度。

　　交通标志的形状主要为圆形、矩形、三角形，表2、表3、表4中分别表示圆形、三角形、矩形的特征属性。定义多边形的圆形度，P表示周长，A表示面积。

　　3.1 边数计算

　　首先计算出多边形中心点坐标并转化为极坐标形式，用x′表示边上各点到中心点的相对距离，x′的变化对应极坐标下角度与半径ρ的变化。绘制ρ曲线图，由图中峰值个数可判断多边形边的个数，如表2~表4所示。

　　具体步骤为：

　　（1）通过连通区域标记方法提取到感兴趣的交通标志区域，并分割出该区域；

　　（2）填充该区域，采用canny算子提取区域图像的边缘，读取并存储边缘坐标；

　　（3）计算出中心点坐标，利用各边缘点坐标减去中心点坐标得到相对坐标值，转化为极坐标形式并归一化到[0 1]之间；

　　（4）绘制-ρ曲线图，统计波峰个数。

　　如图2所示，第一行表示连通标记算法分割出的可能交通标志区域，第二行表示填充后由canny算子得到的轮廓边缘，第三行表示图形的-ρ关系，表征边上各点到中心点的距离，第四行表示根据-ρ关系判断的结果。由于实际道路上的干扰较多，获得的轮廓通常不是一个标准的圆形，本文设定在-ρ曲线图中ρ的最小值若大于0.88，即认定形状为圆形。

　　3.2 圆形度检测

　　为提高检测的鲁棒性，本文结合边数值和周长平方与面积比两个不变性判据来判别图形的形状。

　　使用连通标记算法将感兴趣的交通标志区域提取出来并填充后，在MATLAB中使用函数P=regionprops（L，′Perimeter′）与A=regionprops（L，′Area′）分别得到该区域的周长与面积，计算出圆形度。为得到我国交通标志形状的圆形度，通过采集大量的交通标志图片以及标准的交通标志库图片，计算圆形度。对实验数据进行统计分析后，设定常见交通标志形状的圆形度阈值区间，圆形阈值范围为[12.30，12.8]，三角形阈值范围为[17.5，18.8]，矩形阈值范围为[14.80，16.00]。圆形标志、矩形标志、三角形标志实验数据分别如表5、表6、表7所示。

　　图2中圆形交通标志图像区域C=12.33，三角形图像C=17.78，矩形图像C=14.97，均在阈值范围内。

4 特征提取与识别

　　通过HSV颜色空间分割与形状检测，将满足条件的交通标志区域提取出来并标准化为86×86，提取该区域的方向梯度直方图特征（Histogram of Oriented Gradient，HOG），输入到支持向量机（Support Vector Machinc，SVM）分类器中，由SVM分类器判定该区域是否为交通标志区域。当SVM判定该区域为交通标志区域后，在原图像中标记出来，否则舍弃，进入新一轮的识别过程。

　　HOG特征是一种类似于尺度不变特征变换（Scale Invariant Feature Transform，SIFT）的局域描述符，HOG特征结合SVM分类器广泛应用于图像识别[8]。HOG通过计算和统计图像局部区域的梯度方向直方图来构成特征，可以准确地表示图像的形状信息。图3为提取到的交通标志HOG特征。在街面拍摄大量上文中交通标志图像作为训练的正样本，以类似交通标志颜色和形状的广告标牌作为负样本，构建SVM分类器。

　　检测流程：首先对输入的图像转换为HSV图像并进行基于HSV空间的颜色分割，其次采用连通区域标记方法选择出可能的交通标志区域，之后对其进行形状检测，将满足交通标志颜色特征和形状特征的区域提取出来，并提取该区域的HOG特征，最后将HOG特征作为SVM分类器的输入量进行识别和标记。

　　本文方法对于光线良好的白天拍摄的图像处理效果较好，而且对于树荫下的交通标志也具有较好的处理效果。实验结果如图4。

5 结论

　　本文采用颜色分割与形状检测相结合的方法，实现交通标志的分割，利用HOG特征结合SVM分类器进行交通标志的识别。首先在HSV颜色空间对图像进行颜色分割，用连通域标记的方法标记与选择交通标志区域，能够快速定位，减少后续操作的计算量。对感兴趣区域采用基于形状特征的检测方法，能够提高检测的准确度。最后采用目标的HOG特征结合SVM分类器的方法，完成交通标志的识别。实验结果表明该算法具有较好的鲁棒性，为以后的研究工作提供了良好的基础。

参考文献

　　[1] 黄志勇，孙光民，李芳.基于RGB视觉模型的交通标志分割[J].微电子学与计算机，2004，21（10）：147-148.

　　[2] GARCIA-GARRIDO M A， SOTELO M A， MARTIN-GOROSTIZA E. Fast road sign detection using hough transform for assisted driving of road vehicles[C]. Proceedings of the 10th International Conference on Computer Aided Systems Theory， 2005：543-548.

　　[3] KHAN J F， BHUIYAN S M A， ADHAMI R R. Image segmentation and shape analysis for road-sign detection[J].IEEE Transactions on Intelligent Transportation Systems， 2011，12（1）： 83-96.

　　[4] LIM K H， SENG K P， ANG L M. Intra color-shape classification for traffic sign recognition[C]. Proceedings of 2010 International Conference of Computer Symposium， Tainan， 2010， 642–647.

　　[5] SHI M，WU H AND FLEYEH H. A robust model for traffic signs recognition based on Support Vector Machines[J]. Image and Signal Processing， CISP，2008（8）：516-524.

　　[6] Chen Yixin， Xie Yi， Wang Yulin. Detection and recognition of traffic signs based on HSV vision model and shape features[J]. Journal of Computers，2013，8（5）：1366-1370.

　　[7] 张云哲，赵海，宋纯贺，等.一种新的连通区域标记算法[J].计算机应用研究，2010，27（11）：4336-4340.

　　[8] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]. International Conference on Computer Vision and Pattern Recognition，2005：886-893.