基于径向对称变换的速度标识牌检测方法

肖志涛，樊佩茹，耿 磊，张 芳

（天津工业大学 电子与信息工程学院，天津300387）

0 引 言

近年来，国内外已有很多的关于交通标志检测的研究。S.Bascon等结合交通标志的颜色和形状信息，利用基于高斯核的支持向量机对各种交通标志进行分类［1］；P.Siegmann等根据图像中交通标志的亮度信息和反射性测量的基本原理进行标志的定位［2］；Gary Overett等设计了一种驾驶员辅助系统，该系统在检测技术上主要采取形状识别的方法，在晴天时可准确识别各种交通标志，并按照交通标志对驾驶员进行警告和提醒，但在阴雨天气时识别效果却不够理想［3］；文献 ［4］利用最稳定极值域的方法找出可能含有交通标志的ROI区域，然后用HOG特征训练级联的SVM分类器对其进行识别。

王永飞等通过分析中国道路限速标志的颜色和几何形状2种先验特征，结合Adaboost算法提出了一种基于圆覆盖的颜色滤波方法，采用基于梯度信息的Hough变换检测出图像中的圆和椭圆区域，从而进行限速标志的检测［5］。邓晓等提出了一种使用稀疏模式的字典学习方法收集交通标志信息，对交通标志进行定位［6］。杨恒等提出了一种基于SURF特征描述符的车载交通标志识别系统，采用RBFilter滤波器找出图像中的ROI区域，提取其SURF特征描述符并与基准数据库中的交通标志描述符进行搜索匹配，完成交通标志的检测［7］。陈娜等在HSI颜色空间中对图像进行颜色分割，采用改进的基于梯度方向角的方法进行圆检测，实现交通标志的粗定位，然后采用ASM模型进行限速标志的识别［8］。

运用现有方法检测速度标识牌时，在良好天气条件下其准确率和实时性能满足要求，但在阴雨天、夜间等天气、光照较差条件时，检测效果并不理想。为解决这一问题，本文提出了一种基于径向对称变换的速度标识牌检测方法。该方法利用径向对称变换的特性定位图像中的圆对称区域，然后根据速度标识牌内部的数字特征排除伪目标，实现标识牌的正确检测。

1 速度标识牌的检测

为增加环境适应性，本文采用灰度图像进行处理。

速度标识牌的检测主要包括2部分：①标识牌的粗定位：利用径向对称变换的特性定位出图像中的圆对称区域；②伪目标的排除：根据速度标识牌的内部特征排除误检。

1.1 标识牌的粗定位

径向对称变换［9］是在广义对称变换的基础上发展出来的一种简单、快速的基于梯度的目标检测算法，能在一个或多个半径中检测出具有对称性的目标。道路图像中，相比于天空、地面、树木、护栏、汽车等非圆目标，速度标识牌具有良好的圆对称性。因此，根据这一特征，可以通过检测图像中的圆对称区域实现速度标识牌的粗定位。

进行径向对称变换时，本文利用梯度的方向信息求出投影图，突出图像中的圆对称区域，找出圆心。然后根据平面几何的性质确定圆。由于梯度的方向信息对图像亮度和对比度的鲁棒性高，使得本方法能适应不同天气、不同时段下道路视频的检测。

圆对称区域检测流程如图1所示。

具体计算步骤如下：

（1）将图像分别与Sobel水平算子和垂直算子进行卷积，求出边缘梯度图像g（p）；

（2）初始化迭代参数，设置起始搜索半径为Rmin，终止搜索半径为Rmax，对在半径集合R内变化的每个ri定义为

（3）计算灰度图像上每个像素点p处的梯度方向及距离为r的正反方向映射点的位置p＋ve（p）和p－ve（p），为

映射点位置如图2所示。

（4）对每个映射点对做如下操作，求出梯度方向映射图On

（5）累加半径集合R中每个半径值对应的梯度方向图Or得出径向对称强度图FR，为

（6）为降低噪声的干扰，选用一个3×3的窗AR，以圆心候选点为窗口中心，对FR滤波，得出SR

（7）对SR进行归一化操作，得到结果图S，设置径向对称强度阈值Tgray滤出满足条件的点作为圆心候选点

（8）根据圆心候选点的坐标从图像中分割出圆对称区域并保存。

圆对称区域的检测结果如图2所示。

图2 圆对称区域的检测结果

汽车行驶过程中，随着距离、角度的变化，视频中的标识牌可能会形变为椭圆。本文方法遍历一个给定的半径范围，计算自适应阈值，可以检测到轻度、中度形变的圆形目标。如图3所示。因此，该方法对标识牌形变具有较好的鲁棒性。

1.2 伪目标的排除

利用径向对称变换的圆检测算法能有效定位图像中的圆对称区域，但检测出的区域中不仅含有速度标识牌，还含有其他圆形目标，要进行排除。

图3 形变的标识牌检测结果

伪目标可分为2类。第1类是圆形伪目标，如汽车备胎、路灯光晕等，如图4所示。第2类是非速度标识牌的圆形交通标志，如各种禁止标志和指示标志等，如图5所示。

图4 圆形伪目标

图5 非速度标识牌的圆形交通标志

对第1类伪目标，通过分析候选区域内部灰度的分布来排除。速度标识牌内部由白色底和黑色数字组成，前景和背景的灰度差异较大，边缘处灰度值跳变明显；而如汽车备胎、路灯光晕等圆形目标内部的灰度分布较均匀。据此可以排除该类非标识牌的误检。

对第2类伪目标，根据速度标识牌内部的数字特征排除。将候选图像自适应二值化后，提取交通标志内部的黑色连通区域，如果连通区域满足以下任意一个条件，则认为是误检：

（1）Nconnected＜2或Nconnected＞3，Nconnected是交通标志内部连通区域的个数。

（2）hmax／hmin＞0.2，hmax是连通区域外接矩形的最大高度，hmin是最小高度。

（3）hi＜0.25＊H，hi是任意一个连通区域外接矩形的高度，H是交通标志外接矩形的高度。

伪目标排除的流程如图6所示。

滤除结果如图7所示。

图7 不同交通标志内部图案的连通域

2 实验结果分析

为验证上述算法的有效性，本文实地拍摄多种环境的道路视频对算法进行实验，分析了算法检测率、误检率、漏检率、检测速度等技术指标，取得了较为理想的实验结果。视频样本主要采集路段为天津市内快速路及周边的高速路，采集到的文件涵盖晴天、阴天、雨天和雾天4种天气条件下6：00～22：00的道路图像。统计数据见表1和表2，表中可以看出，白天速度标识牌的正确检测率为98.54%，早晨和晚上速度标识牌的正确检测率为95.5%。

实验统计过程中发现，误检错误主要出现在检测视频图像中限重标志时，由于采集到的图像质量良莠不一，部分限重标志图像内部字母信息丢失而将其误判为速度标识牌。漏检错误主要出现在速度标识牌遮挡较多、严重变形、光线特别昏暗或图像极其模糊时，提取到的标识牌图像轮廓信息不够完整而使得目标检测失败。

图8 、图9和图10为不同场景下速度标识牌检测的实验结果。

表1 速度标识牌检测结果统计一

表2 速度标识牌检测结果统计二

图8 不同天气条件下的实验结果

图9 不同时段时的实验结果

图10 不同路段上的实验结果

本方法在主频2.93GHz、内存2G字节的PC机上处理时间为35～45ms／frame。与几种同类检测速度标识牌的算法在处理时间、图像分辨率和所用硬件平台的比较结果见表3。由于文献 ［10－12］处理的图像都是在白天采集得到的，所以本文也选择白天的实验结果进行比较。从表中可知，本文方法提高了检测率，满足实时性的要求。

表3 本文方法与其他几种方法的比较

3 结束语

本文对实际道路视频中速度标识牌的检测方法进行了研究。利用径向对称变换的圆检测方法粗定位标识牌，通过分析标识牌内部的数字特征排除伪目标，提高了速度标识牌检测的准确率，此外，应用本文方法初步实现了夜间条件下的目标检测。实验结果表明，该方法在不同天气条件、不同时段和不同道路环境下均能准确检测出速度标识牌，白天的平均检测率为98.54%，早晨和晚上的平均检测率为95.50%，系统处理时间为35～45ms／frame，准确率高，鲁棒性强。

［1］Saturnino Maldonado－Bascon，Sergio Lafuente－Arroyo.Roadsign detection and recognition based on support vector machines［J］.IEEE Transactions on Intelligent Transportation Systems，2007，8 （2）：264－278.

［2］Philip Siegmann，Roberto Javier Lopez－Sastre.Fundaments in luminance and retroreflectivity measurements of vertical traffic signs using a color digital camera ［J］.IEEE Transactions on Instrumentation and Measurement，2008，57 （3）：607－615.

［3］Gary Overett，Lars Petersson.Boosting a heterogeneous pool of fast hog features for pedestrian and sign detection ［C］／／Intelligent Vehicles Symposium，2009：1－7.

［4］Jack Greenhalgh， Majid Mirmehdi.Real－time detection and recognition of road traffic signs ［J］.IEEE Transactions on Intelligent Transportation Systems，2012，13 （4）：1498－1506.

［5］WANG Yongping.Research on speed limit sign recognition system based on DSP ［D］.Changsha：National University of Defense Technology，2009 （in Chinese）.［王永平.基于DSP的限速标志识别系统研究 ［D］.长沙：国防科学技术大学，2009.］

［6］Deng Xiao，Wang Donghui.Traffic sign recognition using dictionary learning method ［C］／／WRI Global Congress on Intelligent Systems，2010：372－375.

［7］YANG Heng，LIU Xiaolin.Real－time on vehicle traffic sign recognition system based on SURF ［J］.Microcomputer Information，2011，27 （6）：101－102 （in Chinese）.［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，2011，27 （6）：101－102.］

［8］CHEN Na.Research on recognition method of speed limit signs based on ASM model［D］.Shenyang：Liaoning University，2011（in Chinese）.［陈娜.基于ASM模型的限速标志识别方法的研究 ［D］.沈阳：辽宁大学，2011.］

［9］Hauagge DC，Snavel N.Image matching using local symmetry features［C］／／Proceedings of IEEE Conference on Computer Vision and Patern Recognition，2012：206－213.

［10］Liu Wei，Liu Yujie.Real－time speed limit sign detection and recognition from image sequences ［C］／／International Conference on Artificial Intelligence and Computational Intelligence，2010：262－267.

［11］Liu Wei，Lv Jin.An efficient real－time speed limit signs recognition based on rotation invariant feature ［C］／／Proceedings of IEEE Intelligent Vehicles Symposium，2011：1000－1005.

［12］Huang Yea－Shuan，Le Yun－Shin， Cheng Fang－Hsuan.A method of detecting and recognizing speed－limit signs ［C］／／International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2012：371－374.