利用图像处理技术识别道路交通标志牌

摘 要 随着社会的发展，汽车的普及，现有的道路通过能力已经很难满足交通量快速增长的需要，因此导致了交通拥堵、事故频发等一系列问题。在这一背景下，智能交通（ITS）应运而生。ITS是一个集通信，控制，检测和计算机等技术为一体的综合信息管理系统，而数字图像处理则是ITS系统中一个重要的组成部分。本文主要介绍了如何利用交通标志牌其颜色的特征，将其从自然环境图片中分离并且识别的过程。可以识别出缩放，偏斜等形式的交通标志牌。

【关键词】图像处理 特征匹配 HSV色彩空间

1 应用背景

自上世纪八十年代以来，我国的经济迅速发展，城市化的不断推进。汽车大范围普及，除了公交车和出租汽车，小轿车也走进千家万户。虽然汽车的出现使人们的出行更加便捷，但是随着汽车的大量增长，导致交通的负荷能力已经不能满足交通量的需求，出现了许多拥堵现象，交通事故。为了能够更好地解决目前交通存在的各种问题，结合了计算机技术，电子信息技术，通信技术等新兴技术的ITS诞生了。ITS可以有效地利用现有的交通设施、减少交通负荷和环境污染，同时能够保证交通安全，提高运输效率，目前收到了各国的重视。

在智能交通领域中，车载视觉系统一直是一个重要的研究课题，也是目前没有解决的难题之一，其在辅助驾驶方面具有重要的意义。交通标志牌在交通道路中不可或缺，起到提示方向，指示操作的作用。能够实时的判断前方的交通标志牌，能够为司机提供很好的驾驶体验，并且保障出行的安全。本文就将研究，介绍对交通标志牌识别的过程。

2 交通标志牌分类

我国的交通标志牌按功能类型区分可以分为主标志牌和辅助标志牌。

主标志牌又分为警告标志牌，禁令标志牌，指示标志牌，指路标志牌，旅游区标志牌，道路施工安全标志牌和限速标志牌。而辅助标志牌多附设在主标志牌下，起到辅助说明的作用。

按照标志牌主要颜色分类可以分为：红色标志牌，蓝色标志牌，绿色标志牌，棕色标志牌，黑色标志牌，白色标志牌，橙色或荧光橙色标志牌和荧光黄绿色标志牌。

按照形状分类可以分为：正等边三角形，圓形，倒等边三角形，八角形，叉形，方形等。

想要在一张自然环境的图片中准确的找到交通标志牌的位置，就要根据交通标志牌的一种或多种特征进行识别。所以最直观的识别特征就是颜色和形状特征。下文中将介绍如何通过颜色和形状特征对交通标志牌进行定位。

3 交通标志牌的识别

3.1 识别对象

由于我国交通标志牌类型和数量都较多，所以本文选择了其中具有代表性的三类交通标志牌作为重点研究对象。分别是

3.1.1 禁令标志

禁令标志用来禁止车辆或者限制车辆、行人的交通行为，我国大部分的禁令标志的颜色特征为红白两种颜色。其特征是形状为圆形，外圈为红色，底色为白色，图中有黑色的图案。图1为禁令标志示例。

3.1.2 警告标志

警告标志用来警告车辆、行人注意道路安全的，我国警告标志的形状大多我正等边三角形，外圈是黑色，底色是黄色，图中有黑色图案。图2为警告标志示例。

3.1.3 指示标志

指示标志是向车辆和行人指示正确的道路和方向的。我国指示标志牌大多为圆形和矩形，底色为蓝色，图中是白色图案。图3为指示标志示例。

3.2 识别主题流程图

图4是识别交通标志牌的流程图。

3.3 HSV介绍

在通过颜色特征识别标志牌的过程中使用到了HSV颜色模型，下面对该模型做简单介绍：

HSV（Hue，Saturation，Value）色彩模型反映了人的视觉对颜色的感觉，.能够直观的反应颜色的特性。

如图5所示，HSV色彩模型是对应于圆柱坐标系的一个圆锥形子集，圆锥的顶面对应的value=1，也就是说表示顶面所有点的value值都是1。这个顶面包含RGB模型中R=1，G=1以及B=1的三个面，是颜色最亮的面。色度H表示绕V轴旋转的角度。比如红色对应的H值为0°，绿色大约为120°，蓝色大约为240°。在HSV色彩模型中，每一种颜色和其补色均相差180°。饱和度S的取值范围是0到1之间，所以圆锥顶面的半径为1。所以HSV模型就是从亮度，色度，饱和度三个维度确定一个颜色的。

3.4 标志牌分割

在HSV模型中，H分量是区分颜色的，所以我们可以直接通过H分量进行阈值分割。我们得到黄色在HSV中H分量对应的角度约为60度，转化为比例约为0.167。那我们可以认为H分量在0.12到0.2中间的颜色都为黄色，这样就能得到图片中的交通标志牌了。我们是用MATLAB（是一款非常强大的工具软件，能够仿真出各类信号的波形图，包含大量数学公式，能够对图像进行处理）中的roicolor（）函数，对图片进行处理，使图片中H分量在[0.12，0.20]中的颜色变为白色，其他部分的颜色都变成黑色。可以得到以下效果：

原图（如图6所示）。

处理后的效果（如图7所示）。

我们可以看出，仅仅使用H分量去获得图中的黄色区域是不妥的。因为在自然环境中，会有很多其他颜色对标志牌进行干扰。比如后方的黄土，汽车上的颜色。

经分析后得到，交通标志牌的饱和度是比较高的，而背景色保护度较低。那么就可以使用HSV模型中的另一个分量S去进行第2层处理。我们认为[0.5，1]这个区域内的饱和度是交通标志牌的饱和度范围，经过使用roicolor（）函数处理后得到图8效果。

从图片可以看出，前方的标志牌饱和度较高，主要呈白色，而背景色由于饱和度较低，多为黑色。那么我们将两次过滤得到的图片结果相“与”。应该就能得到H分量在黄色范围内，并且S分量在0.5到1的范围内的颜色。结果如图9。

可以看出，我们从图片中分割出了标志牌所在的位置。

3.5 截取标志牌主要信息

在获取到图片中的主要颜色区域后，需要将图片中主要的提示信息截取下来，这里我们截取的方法是截取出图片中拥有最大连通域的子图像。这样可以更好地保证该图像中包含了标志牌的主要信息。

首先调用MATLAB中s=regionprops（L，‘Area，‘BoundingBox）； 函数，将每一个连通区的面积和定位信息储存在s中。这样就比较出最大面积的连通区域，再通过坐标并利用imcrop（）函数截取出目标物。最后，为了规定图的大小，调用imresize（）函数使图片的大小固定。

3.6 标准库匹配

在截取出目标图像后，就可以将其与库中的标准标志牌进行匹配了，为了能够更好地得出两张图像的相似性，这里使用了相关系数比较法。相关系数比较法是衡量两个随机变量之间线性相关程度的指标。相关系数公式为：

公式中的分子為X，Y的协方差，D（X）、D（Y）分别为X、Y的方差。正数代表相似程度，负值代表相悖程度，绝对值越大，相似或相悖程度越大。为了使结果更加准确，我们从水平，垂直，两个斜角方向分别对目标图像和库中标准图像进行比对。将每个方向得到的相关系数值相加，最终，对应相关系数值最大的库中标准图片为输出结果。

4 总结

本文主要介绍了如何在自然环境下识别出交通标志牌的过程。主要的思路就是通过颜色和形状对图片进行分割，找出目标图像与库中的标准图像进行对比。其中，分割图片和匹配图片的过程是比较复杂的，也是比较容易出现问题的。这里需要多次尝试阈值的设置，选择出最佳的阈值范围。也需要不断地尝试不同的匹配算法，才能找出识别率更高的方法。也许我的识别方法正确率不能达到非常高，但是在研究的过程中我获得了很多知识，也锻炼了动手能力。

参考文献

[1]冯凯.城市智能交通系统的发展现状与趋势[J].环球市场信息导报，2017（01）：111-112.

[2]杨奥博，盛家川，李玉芝等.基于HSV空间的颜色特征提取[J].电脑知识与技术：学术交流，2017，13（18）：193-195.

[3]王琨，李海生.MATLAB软件在《信号与系统》实验教学中的应用[J].电脑知识与技术：学术交流，2017，13（18）：198-200.

[4]严丽坤.相关系数与偏相关系数在相关分析中的应用[J].云南财经大学学报，2003，19（03）：78-80.

作者简介

施易廷（2000-），男，江苏省海门市人。就读于江苏省海门市海门中学。

作者单位

江苏省海门市海门中学 江苏省海门市 226100