基于R分量的交通标志ROI提取∗

徐先峰 郎 彬 张 丽 王 研

（长安大学电子与控制工程学院 西安 710064）

1 引言

随着经济的发展，汽车这种便捷的交通工具越来越多，使得道路交通环境越来越复杂，交通标志能够通过向驾驶员提供道路状况和道路限制信息来调节交通，协助车辆控制［1］。交通标志识别作为智能交通系统重要的一部分，无论是利用前置摄像头帮助司机识别道路前方的交通标志，达到规范交通，减少交通事故的目的，还是在自动驾驶、辅助驾驶领域都有举足轻重的地位［2～3］。

交通标志识别是在交通标志检测的基础上实现的，一个成功的交通标志识别算法离不开前期的ROI提取工作，自然场景下的交通标志图像在提取目标区域时可供利用的特征有颜色特征［4～5］、形状特征［6～7］和边缘特征［8］等，依据不同特征提取的ROI质量和数量是不相同的，更何况，可以同时利用多种特征进行交通标志的检测［9］。ROI提取的正确率和数量直接关系后面每一步的正确率和实时性，ROI提取的准确率越高，交通标志识别的准确率越高且漏检率越低，同时，ROI关键信息提取数量越少，交通标志识别算法耗时越短，实时性就越高。Hasan Fleyeh［10］提出了一种仅利用交通标志边缘梯度特征检测交通标志位置的算法，该算法利用两级多尺度滑动窗口对交通标志进行精确定位，虽然精度满足要求，但因为计算量极大导致算法实时性很差。

交通标志大多采用鲜艳的颜色以达到警示人们的作用，所以现在提取交通标志的ROI多利用图像的颜色特征，德国交通标志数据集含有43类交通标志，其中红色分量占主导的交通标志就有31种，占比很大。Sungho Kim［11］等基于 ROI提取对交通标志识别算法的重要意义及红色分量占主导交通标志的广泛性，提出了一种红色通道增强方法来改善交通标志识别算法。基于同样的驱动力，本文充分考虑了图像的R分量特征和灰度特征，提出了一种基于R分量的交通标志检测算法，该算法首先将原始图像转移到RGBN空间，然后利用图像的红色特征和灰度特征相减后得到的图像的纯色信息提取ROI，该算法不仅克服了光照和天气变化对交通标志检测的影响，在和其他常用的ROI提取方法进行对比时，所提算法对最广泛的含有红色特征的交通标志ROI提取正确率提高到98.3%，有效比从10.3%提高到38.3%，实时性大幅度提高，为交通标志的高精度识别奠定了基础。

2 基于RGBN空间的颜色分割

Mohit Bhairav Mahatme等在文献［12］中提出了一种基于RGB颜色空间中红色分量的交通标志检测与识别算法，该算法直接为图像中的每一个像素值设置阈值，提取出图像中红色分量占优的像素点，二值化后边缘检测提取ROI，这表明可以根据交通标志中的某一个醒目的特征来提取ROI，考虑到大多数的交通标志为了达到警示人们的作用都选用最醒目的红色作为交通标志的主导色，本文算法在此基础上做了改进，克服了光照和天气变化对交通标志检测的影响，同时加入灰度特征使算法更完善。

RGB颜色空间中各分量之间有极大的相关性，且易受光照强度和天气的影响，不易于颜色的准确识别，为了提高该算法对恶劣天气的鲁棒性，将RGB颜色空间的交通标志实景图像转换到RGBN空间。RGBN颜色空间是独立于各种光照条件和光照强度而形成的，将RGB图像转换到RGBN空间能够消除光照强度变化对交通标志检测的影响［13～14］。

式中R，G，B为转换前的红色分量，绿色分量和蓝色分量，R′，G′，B′为转换后的红色分量，绿色分量和蓝色分量。

实验所用图片来自德国交通标志数据集，为检验该方法对不同天气的鲁棒性，选择了晴天、阴天、逆光和大雾四种天气各一张且含有交通标志的图片作为实验对象，分别将其转换到RGBN空间，转换效果图如图1所示，图示结果表明，通过将原始图片转换到RGBN空间可以将红色分量占优部分凸显出来，方便后续交通标志的ROI提取。

图1 实验示例图

3 基于R分量的ROI提取

3.1 算法原理

图像灰度化的公式是：

其中：H为图像灰度像素值；R、G、B为图像的R、G、B分量的像素值；ωR、ωG、ωB为灰度化时各颜色分量权值，从人体生理学角度出发取ωR=0.299，ωG=0.114，ωB=0.587。

由于灰度图像可以看做是R、G、B分量像素值相同的彩色图像，即灰度图像每一点的像素值可以看做三原色分量的强度信息，所以将R分量图和灰度图相减后得到的是图像红色分量的纯色信息，这正是本文算法提取ROI所需要的判别依据。

R-H的运行结果表明R分量图和灰度图相减后所得数值越大，该部分红色分量越占优，即为本文算法所需要的红色特征分量部分。而红色分量和绿色分量、蓝色分量相差无几的部分，即红色特征不明显的部分运行结果很低，可以很清楚地在处理后的图片中区分两部分，为后续二值化阈值分割做准备。

3.2 算法流程图

本文算法流程如图2所示，首先将含有交通标志的实景图转换到RGBN空间，以此来消除光照强度变化对交通标志ROI检测的影响，在RGBN空间中得到图像的R分量图和灰度图，将两者做减法得到提取ROI所需的红色纯色信息，最后将图片二值化得到所需的ROI。

图2 算法流程图

3.3 算法中间环节结果示意图

取德国交通标志数据集中的一幅含有两个交通标志的实景图如图3所示。图（a）为原图转换到RGBN空间后的图像；图（b）为RGBN空间的灰度图；图（c）为R分量图减去灰度图后的图像，该图中目标区域与背景区域差异明显，证明本文算法效果明显；图（d）为在原图中标出ROI后的图像，从该图中可以看出ROI提取正确且没有误ROI，表明本文算法ROI的提取精度很高。

4 实验结果对比分析

为了检验上述方法，本文进行了大量的对比实验。实验图像均来自德国交通标志数据集（GTSRB），数据集包含45幅分辨率为800*1360*3的图像，都是在不同天气、不同角度下拍摄的实景图像，包含各种恶劣的自然情况比如运动模糊、大雾、背光、强光、阴天、雨天等，使数据集更具有现实意义。

方法一是基于HSV颜色空间的交通标志ROI提取，文献［4，15～16］等中对红色在HSV颜色空间的H、S、V分量的阈值波动划分了范围，考虑到本文实验对象的实际情况，为了减小漏检率，提高检测精度，选择下面的红色阈值范围。方法二是本文提出的基于R分量的交通标志ROI提取算法。该算法实验环境为一台CPU为Intel Celeron 2957U，4.00G内存的联想笔记本，所用软件为Matlab 2018a，实验结果显示在图4和表2中。

表1 HSV彩色空间分割阈值

表2 对比实验

实验中的两种方法采用相同的数据集，两组实验结果的对比表明本文方法在提取正确率和降低漏检率方面具有明显的优势，其优势总结如下。

图4 两种算法实验结果对比图

1）提取正确率高，漏检率低。本文算法在将RGB空间的交通标志图像转换到RGBN空间的时候极大地克服了光照强度变化等恶劣环境对色彩的影响，此时将R分量图和灰度图相减后使原图中的红色部分凸现出来，极大地方便了接下来的二值化阈值分割。两种算法对比中可以看出，基于HSV颜色空间的交通标志ROI提取方法（以下简称方法一）正确率为74.1%，漏检率为25.9%。基于R分量的交通标志ROI提取方法（以下简称方法二）正确率为98.3%，漏检率为1.7%。

2）相对来说本文所提算法实时性高。由于硬件设施的限制，在仿真算法时所得时间数据较差，但是通过相同条件下的对比实验可以发现方法一和方法二对比中方法二运行时间占优，实时性更好。前文中提到交通标志ROI的提取工作是为接下来的交通标志识别做准备的，ROI提取的准确性和数量至关重要。方法一共提取ROI 416个，其中正确的只有43个，有效比为10.3%，而方法二共提取ROI 149个，其中正确的有57个，有效比为38.3%。两相对比，方法二优势明显。

3）对恶劣环境的鲁棒性更好。为了凸显不同情况下的交通标志ROI提取的效果优劣，将恶劣天气的交通标志实景图放在了数据集的后半部分，从图中可以看出，为了不漏检交通标志，此时方法一和方法二提取的ROI数量明显增加，两相对比可以看出方法一依然存在漏检情况，方法二甚至在第39、40、41幅图像中出现了有效比100%的情况，效果显著。

5 结语

能否从含有交通标志的实景图中提取高精度的ROI是限制交通标志识别算法应用于实际的重要因素，鉴于交通标志ROI的提取对交通标志识别工作的巨大作用，本文提出了一种基于R分量的交通标志ROI提取算法，该算法首先将原始图像转移到RGBN空间，然后利用图像的红色特征和灰度特征相减后得到的图像的纯色信息提取ROI，实验结果表明所提算法在检测精度，鲁棒性和实时性方面均优于传统的交通标志ROI提取算法。另外，需要强调指出的是，本文算法是基于红色分量来实现交通标志感兴趣区域的提取，显然，通过提取图像中的蓝色分量图或黄色分量图，所提算法同样可以基于蓝色分量或者黄色分量来实现对应颜色占优交通标志ROI的精确提取，为交通标志的高精度识别奠定了基础。