基于街景影像的交通标志识别

陈兴华，万幼川，王晓华

（1. 武汉大学 遥感信息工程学院，湖北 武汉 430079；2. 天津市测绘院 地理信息中心，天津 300381）

基于街景影像的交通标志识别

陈兴华1，万幼川1，王晓华2

（1. 武汉大学 遥感信息工程学院，湖北 武汉 430079；2. 天津市测绘院 地理信息中心，天津 300381）

针对街景影像中交通标志识别存在的问题，结合交通标志的对称性特点和Hough变换对图形检测的抗残缺能力，提出一种基于Hough变换搜索交通标志中心点的交通标志检测方法。在识别过程中，利用SIFT算法将提取的目标区域依次与对应模板库中的模板影像匹配进行交通标志的识别。

交通标志识别；Hough 变换；SIFT算法；PM算法

交通标志识别包括两个阶段：交通标志的检测和交通标志的识别[1-3]。基于彩色空间的阈值分割方法具有操作简单、速度快等特点，但光照变化会对影像分割造成干扰，导致漏检测和误检测现象。杨恒等[4]利用波段差值及归一化操作对特定颜色进行放大，判断是否存在交通标志，但未提及交通标志分割不完整时的处理方法。本文基于交通标志的对称性，利用Hough变换检测其中心点，以改善由于分割不完整而带来的错误检测。对于同时存在多个交通标志的影像来说，该方法无论在速度、准确度上都达到了不错的效果。同时，我们行驶过程中拍摄的交通标志图像相对于标准的交通标志图像来说，绝大多数存在旋转、扭曲或变形。本文采用SIFT算法对检测后的目标区域进行识别，可以有针对性地缓解该问题[5-7]。

1 交通标志检测

1.1 颜色特征检测

对于街景影像来说，光照条件是一个重要的干扰因素，会直接影响图像的亮度和色度分量。摄像机拍摄到的彩色图像是基于RGB彩色空间的，受光照影响较大，且R、G、B三个分量间存在高度的相关性，而HSV彩色空间以波段方式将亮度与色度分量区分开。采用了H、S分量进行阈值分割，通过对不同光照条件下不同种类交通标志影像进行反复实验，本着最大可能分割目标、最小可能掺入干扰背景的原则，选取阈值如表1。

表1 HSV彩色空间颜色分割阈值

在检测阶段，影像中交通标志的存在性、属性和个数是未知的。采用颜色分割和融合处理相结合的方法，具有很强的适用性。将图像转换到HSV彩色空间，然后依据红、黄、蓝分割阈值对影像进行颜色分割，将生成的3张二值影像进行融合处理,再对新的融合影像进行下一步的去噪处理以及形状检测，不但简化了算法的复杂度，而且便于利用不同种类交通标志间的相对位置进行约束，实现3类交通标志的并行计算。然而，经过分割处理的影像存在噪声点，需要对融合产生的新影像进行去噪处理。

各向异性扩散算法[8]（简称PM 算法）的基本原理是借助梯度算子来辨别由边缘引起的图像梯度变化与由噪声引起的图像梯度变化,采用邻域加权平均的方法去除由噪声引起的小梯度变化,同时保留由边缘引起的大梯度变化。这个过程反复迭代进行,直到图像中的噪声被去除。各向异性扩散算法计算公式[9]如下：

式中，c（║∇I║）为扩散方程；t为引入的时间算子，表示降噪过程与扩散持续时间相关；║║表示幅度；div为散度算子； ∇为梯度算子。在PM模型中,c（║∇I║）是关于梯度的函数,平坦区域的梯度较低会得到较强的平滑效果，接近边缘区域的梯度较高，对此PM模型尽可能地减少平滑甚至不平滑，从而保留了图像的边缘。

1.2 基于Hough变换搜索交通标志中心点

Hough变换[10]是将原图像从空间域变换到参数域，用大多数边界点满足的某种参数形式来描述图像中的曲线，通过设计累加器求得峰值，那么峰值所对应的点就是所求的信息，从而将图像中较为困难的全局检测问题转换为参数空间中相对容易解决的局部峰值检测问题。

本研究涉及的交通标志形状主要有正三角形、正方形、圆形，其中正三角形与正方形的中心即其外接圆心。对于改进的Hough变换圆心检测算法来说，它对图形的残缺有一定的抗干扰能力，同时结合随机Hough变换只利用影像中的3个点就可以进行圆心搜索[11]，再参考正三角形、正方形与圆的关系，就可以推算出基于Hough变换搜索正三角形与正方形的中心。

算法的流程为[12]：

1）将去噪后的影像梯度化，进行阈值处理，对满足阈值的点进行下一步处理。

2）根据极坐标公式a =x-r·cosθ，b = y-r·sinθ，计算在半径范围内潜在的圆心坐标。其中x、y为当前像素的坐标值，r为圆的半径，θ为求得的梯度方向角。

3）使用梯度作为权重因子，将上一步计算的圆心坐标值与其相对应的权重因子作运算，计算二维累加数组。累加值满足阈值的元素所对应的a和b就是被检测圆的圆心坐标，也就是所求得的交通标志中心点。

2 SIFT识别

SIFT 算法[13]是一种尺度不变性算法，对于图像经度与纬度倾斜变化以及噪声也具有一定的稳定性，在场景匹配、目标识别等领域有很大的利用价值。SIFT算法主要包括以下几个部分：检测尺度空间关键点、确定极值点位置、提取极值点主方向、生成SIFT特征描述符。

1）检测尺度空间关键点。首先构建图像金字塔，利用DOG差分算子求得图像的特征点,然后检测DOG空间的局部极值点，形成尺度空间的关键点。

2）确定极值点位置。通过拟合三维二次函数去除对比度较低的特征点以及不稳定的边缘响应点，从而精确定位极值点的位置,进而增强匹配的稳定性，提高抗噪声能力。

3）提取极值点主方向。通过尺度不变性求极值点，可以使其具有缩放不变的性质，利用关键点邻域像素的梯度方向分布特性来确定关键点的主方向，从而使SIFT算子具有旋转不变性。

4）生成SIFT特征描述符。通过对关键点使用SIFT特征描述符，可以使得关键点获得更多的不变特性。

在利用SIFT算法进行匹配之前，首先要建立交通标志模板库。模板影像一部分来自GB5667-1999[14]的样例图片，一部分依据相关标准设计。为了加快匹配速度，将交通标志模板库中的影像按照颜色、形状进行分类，并统一分辨率为80像素×80像素。禁令标志模板库共有47个交通标志,包括国标中的38个交通标志和9个衍生标志；警告标志模板库包括国标中的30个交通标志；指示标志模板库包括国标中的20个交通标志。

3 实验与分析

以天津6条道路的部分序列影像和郁江道的全部序列影像作为实验对象，所要识别的交通标志面积相当于影像的2．47‰～10．44‰。影像分辨率为1 024×512。实验环境为Intel处理器，2 GB内存，实现软件为Matlab2010。

将影像转换到HSV彩色空间，按照表1所设定的阈值，分别对影像进行分割，将生成的3张二值影像融合，形成新的目标影像，如图1a。融合影像去除了背景影像，保留了交通标志区域，但存在噪声。利用PM去噪算法对影像进行处理，如图1b。从图中可以看出，经过PM算法处理的影像，交通标志内部区域更加完整，边缘更加清晰，同时也减少和淡化了影像中的部分杂质点。

对经过去噪处理的影像，利用Hough变换搜索3类交通标志中心点，取中心点附近区域，按照颜色、面积以及对称性原则进行分析，判读是否存在交通标志以及存在交通标志的类别，对目标区域进行提取。图1c中黑色十字为搜索到的交通标志的中心点。

对中心点附近区域利用Hough变换进行形状检测。对于禁令标志来说，在检测中心点的时候，就已经记录下其半径范围，可以直接提取圆形区域。对于警告标志与指示标志来说，取其中心点附近区域利用Hough线检测算法进行直线检测，分别提取三角形与正方形区域。经检测如果警告标志区域不存在三角形，则认为该中心点不是交通标志中心点；经检测如果指示标志区域不存在正方形，则进一步分析是否存在圆形，如果存在，则提取圆形区域；如果不存在，则认为该中心点不是交通标志中心点。图1d中黑色十字为搜索的交通标志中心点，黑色线段代表检测到的交通标志形状。

图1 交通标志检测

将上一步提取的目标区域分别与对应模板库中的影像相匹配，获得匹配点最多的库影像即为该目标区域的属性。如果所有模板影像的匹配点数均小于4个，则判定该目标区域不是交通标志。图2为禁令标志识别示意图，可以看出，目标区域与限制高度3．5 m的库影像匹配点数最多为14个，可判定为限制高度3．5 m的交通标志。图3为指示标志识别示意图，可以看出，目标区域与允许掉头的库影像匹配点数最多为7个，可判定为允许掉头的交通标志。

图2 禁令标志识别示意图

图3 指示标志识别示意图

对于交通标志识别系统来说，检测和识别的准确度与时效性都是至关重要的，表2和表3为本算法的统计数据。从中可以看出，无论是准确度还是时效性，都获得了不错的效果。

表2 交通标志检测和识别情况统计表

表3 郁江道检测和识别情况统计表

未能正确检测和识别的原因主要有两点：①交通标志区域被阴影遮挡严重或拍摄天气恶劣，存在过度曝光或光线不足等情况，使得亮度和色度严重偏离交通标志区域的正常数值范围，利用HSV进行彩色阈值分割无法将其与背景分开；②交通标志面积过小，使得经过彩色阈值分割获得的颜色特征总数达不到要求，被当成噪声点忽略了。

[1] 刘红．自然场景下交通标志图像识别方法研究[D]．郑州:郑州大学,2011

[2] 胡晓光,朱欣焰,柳林,等．基于字袋模型的交通标志识别方法研究[J]．测绘科学, 2012(6):107-110

[3] 徐迪红,唐炉亮．基于颜色和标志边缘特征的交通标志检测[J]．武汉大学学报：信息科学版, 2008(4):433-436

[4] 杨恒,刘肖琳．基于SURF的车载实时交通标志识别系统[J]．微计算机信息,2011(6):101-102

[5] 胡锦城,李实英,李仁发．基于高稳定SURF特征的交通标志识别[J]．计算机应用研究, 2012(8):3 179-3 181

[6] 肖楠．基于局部特征的交通标志识别[D]．大连:大连交通大学,2012

[7] Vitabile S, Pollaccia G, Pilato G,et al． Road Signs Recognition Using a Dynamic Pixel Aggregation Technique in the HSV Color Space[C]．11th International Conference on Image Analysis and Processing,2001

[8] Perona P,Malik J． Scale-space and Edge Detection Using Anisotropic Diffusion[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(7):629-639

[9] 余锦华,汪源源．基于各向异性扩散的图像降噪算法综述[J]．电子测量与仪器学报,2011(2):105-116

[10] Hough P V C． Method and Means for Recognizing Complex Patterns[P]．US:3069654,1962

[11] 朱桂英,张瑞林．基于Hough变换的圆检测方法[J]．计算机工程与设计,2009(6):1 462-1 464

[12] 瞿钧,甘岚．梯度Hough变换在圆检测中的应用[J]．华东交通大学学报,2007(1):101-104

[13] Lowe D．Distinctive Image Features from Scale-Invariant Keypoints[J]．International Journal of Computer Vision , 2004,60(2): 91-110

[14] GB5768-1999．道路交通标志和标线[S]．

P237.3

B

1672-4623（2014）05-0075-03

10.3969/j.issn.1672-4623.2014.05.027

陈兴华，硕士，主要研究方向为图像处理、机器视觉、智能车和智能交通系统。

2013-11-08。

项目来源：国家科技支撑计划资助项目（2012BAH34B02，2012BAJ15B04）。