基于机器学习算法的交通标志图像智能识别

2021-01-28曹海燕张大维

微型电脑应用 2021年1期

曹海燕，张大维

(中国传媒大学南广学院传媒技术学院，江苏南京 211172)

0 引言

随着道路交通不断的增长，再加上我国经济迅速发展，机动车保有量的数量增长十分明显，尤其家用汽车数量增速最快，道路交通需求与机动车数量之间矛盾越来越突出，道路交通安全面临严峻的挑战，在此背景下出现了智能辅助驾驶系统[1-2]。智能辅助驾驶系统集成了人工智能、计算机视觉等先进技术，可以实时感知车辆周围环境，降低事故发生概率[3]。交通标志图像智能识别是智能辅助驾驶系统最为关键的内容，通过计算机视觉技术对交通标志图像进行检测和识别，然后将结果反馈给驾驶员，从而对行驶车辆进行及时控制，因此交通标志图像识别具有十分重要的社会和学术价值[4]。

交通标志图像识别从本质上讲是一种分类问题，国外一些发达国家对识别交通标志图像的研究时间早，交通标志图像识别成熟，而国内由于机动车出现时间晚，对交通标志图像识别起步晚，但由于我国对交通标志图像识别研究投入大，目前存在许多交通标志图像识别方法[5-6]，当前主要有最近邻域法的交通标志图像识别方法、决策树分类法的交通标志图像识别方法、人工神经网络的交通标志图像识别方法、支持向量机的交通标志图像识别方法[7-9]，这些方法均有各自的优势，但是缺陷也十分明显，如最近邻域法的交通标志图像识别时间长、实时性差；决策树分类法的交通标志图像识别速度快，但是交通标志图像的误识率极高；人工神经网络的交通标志图像识别的抗干扰能力差、结果不稳定；支持向量机的交通标志图像识别时间长、速度慢[10-12]。

针对当前交通标志图像识别过程中存在的问题，以提高交通标志图像识别准确率和识别速度为目标，提出基于机器学习算法的交通标志图像智能识别方法，与传统交通标志图像识别方法进行了仿真对照测试结果表明，本文方法的交通标志图像识别正确率得到了提高，可以满足交通标志图像识别实际要求，减少了交通标志图像识别时间，可以实现实时的交通标志图像识别。

1 机器学习算法的交通标志图像智能识别方法

1.1 交通标志图像的预处理

由于外界环境的干扰，采集原始交通标志图像存在的噪声，同时交通标志图像采集通常在户外进行，易受光照变化的影响，使得交通标志图像对比度低，各种交通标志图像尺寸不一样，因此需要对原始交通标志图像进行预处理，基本过程为：首先采用小波变换对原始交通标志图像进行滤波处理，去掉交通标志图像中的噪声，消除噪声对交通标志图像识别特征的不利影响；然后采用直方均衡算法对去噪后的图像进行增强处理，消除光照变化的干扰，提高交通标志图像的对比度，使交通标志图像更加清晰;最后对所有交通标志图像尺寸进行归一化操作，使它们具有大小相同。

综合上述,交通标志图像的预处理流程，如图1所示。

图1 交通标志图像预处理流程

对于一幅视觉效果差的交通标志图像，如图2所示。

图2 原始交通标志图像

通过预处理后，如图3所示。

图3 预处理后的交通标志图像

由图3可知，交通标志图像效果得到了明显的改善。

1.2 提取交通标志图像特征

1.2.1 交通标志图像的形状特征

方向梯度直方图特征是一种交通标志图像局部特征，可以描述交通标志图像的形状，因此本文将方向梯度直方图特征作为交通标志图像识别的一种特征，具体提取步骤如下。

(1) 对预处理的交通标志图像进行gamma标准化处理，降低图像的局部阴影，如式(1)。

I(x,y)=I(x,y)gamma

(1)

(2) 计算交通标志图像像素点(x,y)的水平和垂直梯度，如式(2)、式(3)。

Gx(x,y)=H(x+1,y)-H(x-1,y)

(2)

Gy(x,y)=H(x,y+1)-H(x,y-1)

(3)

式中，H(x,y)表示点(x,y)的像素值。

点(x,y)的梯度幅值和梯度方向，如式(4)、式(5)。

(4)

(5)

(3) 将交通标志图像划分为多个单元，统计每一个单元的梯度信息，对交通标志图像的全部像素点、梯度方向进行投影和加权，得到方向梯度直方图的特征向量。

(4) 由于方向梯度直方图的特征向量的值不一样，因此对它们进行归一化，得到归一化后的方向梯度直方图的特征向量，如图4所示。

图4 方向梯度直方图特征的提取流程

1.2.2 交通标志图像的纹理特征

局部二值模式特征也是一种交通标志图像局部特征，可以描述交通标志图像的纹理分布情况，因此本文将局部二值模式特征作为交通标志图像识别的一种特征，具体提取步骤如下。

(1) 确定检测窗口，并根据检测窗口的大小将交通标志图像划分为多个单元；

(2) 计算交通标志图像检测窗口的中心像素点局部二值模式特征；

(3) 计算交通标志图像计算所有单元的直方图；

(4) 将计算所有单元的直方图连接在一起，得到交通标志图像的局部二值模式特征，并进行归一化处理，如图5所示。

图5 局部二值模式特征的提取流程

1.3 极限学习机算法设计交通标志图像识别的分类器

极限学习机算法是一种新型的机器学习算法，采用单隐含层，与传统人工神经网络不一样，避免了反复迭代调整连接权值的过程，训练时间大幅度减少，训练效率高[13]，为此本文引入其设计交通标志图像识别的分类器。

设交通标志图像训练样本集合为(xi,yi)，i=1,2,…,n，xi表示输入向量，yi表示输出向量，L表示隐含层节点数，那么极限学习机算法，如式(6)。

(6)

极限学习机学习和训练的目标是输出误差最小，如式(7)。

(7)

存在一组：βi，wi，bi，满足如下条件,如式(8)。

(8)

采用矩阵表示式(8)，如式(9)。

Hβ=T

(9)

(10)

(11)

1.4 机器学习算法的交通标志图像智能识别原理

机器学习算法的交通标志图像智能识别原理具体为：首先采集交通标志图像，并对其进行预处理，提高交通标志图像质量；然后提取交通标志图像的方向梯度直方图特征和局部二值模式特征，将其作为极限学习机的输入，并将交通标志图像类型作为输出；最后确定极限学习机的相关参数，并通过学习，建立可以描述交通标志图像类型和特征之间的分类器，如图6所示。