基于HSB颜色空间的交通标志识别研究

吕凯凯 韦德泉 王猛

摘要：交通标识是道路交通重要组成部分，为交通参与者的安全出行提供必要的指示.交通标识颜色鲜明、固定，在亮度信息与色度信息分离的HSB颜色空间中，使用色度信息来检测交通标志可以去除因光线或雾霾天气的影响，取得了不错的检测效果.本文使用HSB颜色空间检测交通标志，然后分割目标区域并缩放到统一大小，定义64维特征，最后计算欧式距离进行交通标志的识别.

关键词：交通标志;HSB颜色空间;图像分割;图像特征;图像缩放

中图分类号：TP391.41  文献标识码：A  文章编号：1673-260X（2019）05-0036-03

1 引言

随着社会不断的发展和人类的不断进步，人们物质生活水平也不断提高，私家车已经成为人们生活的必备交通工具，几乎每家每户都配置了小汽车.私家车虽然给人们带来了出行的便利，然而随着道路上车辆不断的增加，也出现了一些让人焦虑的交通问题，比如道路交通安全.产生这些问题主要有两个因素：一是主观因素，即驾驶员的驾驶行为会影响交通安全，比如路怒、驾驶经验不足或是不规范的驾驶行为;二是客观因素，我国的交通管理措施并不完善，建立规范有效健全的解决方案是世界各国需要解决的难题[1～3].综合分析，主观因素无法控制，完善的交通安全解决方案也很难克服，智能交通技术便应运而生.智能交通技术借助一些智能化手段可以帮助人们提升安全意识，解决道路安全问题.

交通标志是道路中的非常重要的基础辅助设施，通过它来规范人们的交通行为，人们通过辨识交通标志进行道路安全行驶，确保交通秩序井然有序.交通标志识别可以作为汽车的辅助安全系统之一，对驾驶者提供路上有用的交通标志信息，帮助驾驶者安全驾驶.世界各国在研究的无人驾驶汽车，其中一项关键技术便是交通标志识别技术，通过交通标志的识别，告知汽车往哪行驶，但是由于路况复杂，无人驾驶汽车还不能完全适应复杂多变的路面，还有很长的路需要走[4～5].因此，对交通标志识别技术的研究非常有必要.

2 HSB颜色空间

颜色空间也称为彩色空间，或称为彩色模型，是对彩色加以表述的一套标准.颜色空间从提出到现在已经有很多种，不同的颜色空间用于不用的领域或用途.现在比较为人民所熟知的顏色空间包括RGB颜色空间、YUV颜色空间、YIQ颜色空间、YCbCr颜色空间和HSB颜色空间等等.其中，RGB颜色空间是所有颜色空间的基础，其余颜色空间都是通过对RGB颜色空间进行一定的线性或非线性的变换而来.RGB颜色空间跟我们的肉眼看世界是最接近的，各种颜色都是红（R）、绿（G）、蓝（B）的不同组合，同时也是目前使用最多的颜色空间，市面上大部分的采集设备通过RGB颜色空间采集图像，而图像输出设备同样地以RGB颜色空间进行图像的显示.RGB颜色空间中，颜色信息与亮度信息是混合在一起的，在计算机中用颜色进行检测特定物体时，图像的亮度信息是干扰信息，对检测效果起反作用，所以用RGB颜色空间进行颜色检测效果不够好.

HSB颜色空间中，H代表颜色（Hues），S代表饱和度（Saturation），B代表亮度（Brightness），这三个分量的不同取值便会组成不同的颜色.H的不同取值表示不同颜色，它的取值范围是0～360间，比如取H=0时，代表红色，取H=120时，代表绿色，取H=240时，代表蓝色.S是指颜色的深浅，即单个色素的相对纯度，如红色可以分为深红、洋红、浅红等，它的取值范围是0～100%间，0代表灰色，100%为最纯色，最纯色代表此时颜色最纯最鲜明;B表示颜色的亮度，它描述的是物体反射光线的数量与吸收光线数量的比值，它的取值范围是0～100%间，0为黑，100%为最亮色，100%时该颜色最明亮.HSB颜色空间可以用一个立体的六面体来表示，如图1所示[6].RGB色彩空间到HSB色彩空间的转换可由如下公式进行：

H=0（当Delta=0时）;H=60（G-B）/Delta（当Max=R且G>=B时）;H=60（G-B）/Delt+360（当Max=R且G<B时）;H=60（B-R）/Delt+120（当Max=G时）;H=60（R-G）/Delt+240（当Max=B时）;S=0（当Max=0时）;S=Delta/Max（其他情况时）;B=Max;其中Max=max（R，G，B），Min=min（R，G，B），Delta=Max-Min.

综上，HSB颜色空间中，亮度信息B是被单独分离出来的，颜色信息与亮度信息是分离的，在用于检测颜色时，可以很好地去掉亮度信息的干扰，提高检测准确度.在道路交通中，白天与傍晚的光线不同，会导致采集到的交通标志图像的亮度不同，而HSB颜色恰好可以去除亮度信息的干扰，从而提高检测准确度.本文采用HSB颜色空间进行交通标志的检测，实验表示，检测效果不错，如图2所示，分别是一个交通标志的RGB原始图像、利用HSB颜色空间检测的二值化图像.

3 图像标准化

在实际过程中，采集到的交通标志图像并不是统一大小的，在后续的特征提取与识别过程中，大小不一的图像，给特征提取与识别工作造成很大困难，因此，必须将图像标准化为统一大小.

图像标准化为统一大小就是将图像放大或缩小到统一尺寸，也叫作图像缩放.图像由大缩小会丢失一些像素点，而图像由小放大就意味着要补充一些像素点，图像处理中，我们采用插值方法来估计需要补充的像素点的像素值，对于新图像中没有对应原始像素点的位置就使用其周围像素点像素值来估计此点的像素值.缩放方法中，双线性插值算法缩放效果好，实现简单，速度较快，所以本文采用双线性插值算法缩放图像.双线性插值算法是指分别在X轴和Y轴上进行共计两次插值计算得出未知像素点的值，利用双线性插值方法得到的图像缩放结果如图3所示.

4 交通标志特征提取

使用HSB颜色空间检测出交通标志后，本文通过求得交通标志的上、下、左、右的邊缘以及形状的判断等提取出待识别的交通标志，随后为了方便提取交通标志的特征，又将其统一缩放到64*64像素大小.本文利用8*8模板去统计待识别交通标志的64维特征，如图4所示.

通过统计每个格子内白色像素点的个数，我们可以得到一个64维的统计特征，为了方便识别我们还统计了每类交通标志中其主要颜色点整个交通标志的比例，最后加上代表该交通标志的flag，我们分类将交通标志的统计特征存在文本文档中.图5是部分交通标志按照本文的方法提取的64维特征值.

为了方便分析，我们将64维特征按照8*8的模板进行排列摆放，可以看出，每个特征与它所代表的交通标志是非常相符的，这也说明本文采用的8*8模板提取的交通标志的64维特征是可以用来进行交通标志识别的.在进行交通标志识别前，本文把常用的交通标志都进行了特征提取，并作为交通标志模板使用.

5 交通标志识别

通过采集设备采集到的待识别图像我们一般通过上述步骤，就可以得到该交通标志的64维特征，最后采用两步进行交通标志的最后识别与确认.首先，我们计算待识别交通标志与事先我们存好的交通标志模板之间的欧式距离，取与之最接近的3个交通标志模板作为候选.最后，我们计算待识别标志与第一步中选出的最接近的3个交通标志模板的重合率，取重合率最大者作为最终的识别结果.

6 总结

综上，HSB颜色空间可以把亮度信息与颜色信息相分离，用于交通标志检测与识别，可以排除亮度信息的干扰.本文使用HSB颜色空间检测交通标志，使用二次线性插值方法缩放图像，定义8*8模板的64维特征，最后用两步方法进行交通标志最后的识别与确认，取得了不错的效果.

参考文献：

〔1〕王昔鹏.复杂场景下的交通标志识别技术研究[D].合肥工业大学，2017.

〔2〕姚汉利.基于特征融合和字典学习的交通标志识别[D].安徽大学，2017.

〔3〕杨振杰.基于CNN的交通标志识别方法研究[D].天津工业大学，2017.

〔4〕宋文杰，付梦印，杨毅.一种面向无人驾驶汽车的高效交通标志识别方法[J].机器人，2015，37（01）：102-111.

〔5〕马永杰，李雪燕，宋晓凤.基于改进深度卷积神经网络的交通标志识别[J].激光与光电子学进展，2018，55（12）：250-257.

〔6〕吕凯凯.复杂背景下人脸检测与人脸识别方法研究[D].湖南大学，2012.