交通禁令标志自动图像识别方法设计与仿真
2022-07-20高宇鹏梁世军
高宇鹏，梁世军
(1. 晋中信息学院信息工程学院，山西 晋中 030800；2. 南京大学物理学院，江苏 南京 210008)
1 引言
在现实生活中交通禁令标志随处可见，道路中的交通标志保障着人们出行的便捷性和安全性，包括车辆引流、安全警示和减速限行等。目前已有的交通禁令标志识别方法已经取得了一些成绩，但受天气状况、光照强度等自然因素的影响，在道路中车辆实际获取的交通禁令标志图像的清晰度较差，对交通禁令标志的识别产生了影响，因此需要对交通禁令标志识别方法进行分析和研究。
丁博等人结合卷积神经网络和AdaBoost-SVM构建混合预测模型，通过卷积神经网络提取交通禁令标志的特征，利用AdaBoost-SVM分类器根据提取的特征完成交通禁令标志的识别。该方法获取交通禁令标志时受自然因素的影响，导致图像的清晰度较低。张文炽等人对交通禁令标志进行增广处理，并通过超分辨技术扩大交通禁令标志图像的细节信息，结合VGG11和AlexNet获取图像特征，将其输入Softmax分类器中，完成交通禁令标志的识别，该方法存在召回率低的问题。于平平等人对交通禁令标志进行预处理，利用视觉注意模型获取交通禁令标志图像的初级特征，包括方向特征、亮度特征和颜色特性，根据获取的特征得到交通禁令标志的感兴趣区域，在嵌入式平台中根据交通禁令标志的几何特征完成识别，该方法没有对获取的交通禁令标志图像进行增强处理，无法获得细节信息，导致方法的识别精度低。
为了解决上述方法中存在的问题，提出基于改进YOLOv4的交通禁令标志自动识别方法。
2 图像增强处理
由于自然和人为因素导致获取的交通禁令标志的清晰度较低，为了获取交通禁令标志中存在的细节信息，在识别之前采用混合蛙跳算法对交通禁令标志进行增强处理。
2.1 混合蛙跳算法模型
在混合蛙跳算法中通过下式更新族群的位置
(1)
随机处理每一维上存在的分量时，容易错过最优解，为了解决上述问题，通过阈值选择策略对混合蛙跳算法进行优化。
更新分量时，需要对|D
-1-D
|和|D
-2-D
|的大小进行判断，如果|D
-1-D
|的值大于|D
-2-D
|的值，此时容易错过最优解，应该通过较小的更新概率更新第j
维数值；如果|D
-1-D
|的值小于|D
-2-D
|的值，容易出现局部最优的问题，为了使第j
维数据在较短时间内靠近全局最优解，需要利用较大的更新概率更新第j
维数值。通过上述分析，可将局部更新策略改进为
(2)
(3)
式中，q
代表的是局部更新阈值；g
代表的是更新一次的循环次数；g
代表的是族内存在的最大循环次数；q
代表的是随机数，在区间[-1，1]内取值；更新完参数D
后，再对X
进行更新。设p
代表的是与每只蛙目标函数对应的概率分布，其计算公式如下
(4)
式中，n
代表的是蛙的数量。2.2 图像增强
通过归一化非完全Beta函数对交通禁令标志图像进行增强处理，非完全Beta函数F(u)的表达式如下
(5)
式中，B
(α
，β
)代表的是Beta函数；t代表的是归一化系数。交通禁令标志图像增强变化曲线的拟合可以通过Beta函数中与参数α
、β
对应的最佳组合得以实现，获取交通禁令标志图像变换函数的最优参数值，完成交通禁令标志图像的增强处理。设(x
，y
)为交通禁令标志图像的中心，矩形区域A
由尺寸为M
×N
的区域构成，G
代表的是像素在各区域中存在的数量，E
代表的是区域对应的灰度平均值，如果区域中存在噪声点，则该区域内存在一些点与灰度平均值的差值较大。利用点在区域中对应的灰度值l
(x
′，y
′)对区域中存在的噪声点进行判断|E
-(E
-E
)|<|E
-l
|(6)
式中，E
、E
分别代表的是点的最大灰度平均值和最小灰度平均值。设置混合蛙跳的适应值函数为fitness
(i
)，其表达式如下
(7)
fitness
(i
)的值增大分布得更均匀，交通禁令标志图像的增强质量随着图像对比度的增加而提高。青蛙的适应度函数选取各区域内像素的灰度平均值E
，采用混合青蛙算法对交通禁令标志图像进行增强的具体步骤如下：1)归一化处理交通禁令标志图像
(8)
式中，g
(x
，y
)代表的是归一化处理后的图像。2)对青蛙子群进行初始化处理，随机在划分区域内获取一组(α
，β
)，对交通禁令标志图像进行增强处理。按照从大到小的顺序对(α
，β
)进行排序，在每个子群位置中获取最差的蛙(α
，β
)和最佳的蛙(α
，β
)，通过改进后的混沌蛙跳算法更新所有子群，当满足终止条件时，停止迭代，获得最佳(α
，β
)值。3)根据上述获取的(α
，β
)对噪声点进行判断，获得符合混沌蛙跳的适应度函数。4)对交通禁令标志图像进行归一化处理，完成交通禁令标志图像的增强处理。
3 交通禁令标志自动识别
交通禁令标志自动识别的主要流程为对增强处理后的交通禁令标志图像进行颜色空间转换，根据颜色特征提取交通禁令标志图像的感兴趣区域。
获取感兴趣区域：将增强处理后的交通禁令标志图像的颜色空间由RGB转变为HSV
(9)
(10)
V
=C
(11)
式中，H
、S
、V
代表的是HSV
颜色空间中的分量；R
、G
、B
代表的是RGB
颜色空间中的分量，参数C
=max(R
′，G
′，B
′)。在HSV
颜色空间中获取交通禁令标志图像的主要颜色，包括红色、黄色和蓝色，并对H
、S
、V
分量进行归一化处理，将其控制在[0，1]范围内
(12)
式中，red
、yellow
、bule
分别为红色分量、黄色分量和蓝色分量。对交通禁令标志图像进行二值化处理，消除图像中的较小连通区域，得到交通禁令标志图像Image
。用U
=(x
，y
)、D
=(x
，y
)描述标志图像感兴趣区域的左上点坐标和右下点坐标，其中：
(13)
式中，x
、x
分别代表的是像素在交通禁令标志图像x
方向中存在的最小值和最大值；y
、y
分别代表的是像素在交通禁令标志图像y
方向中存在的最小值和最大值；h
描述的是交通禁令标志图像在x
方向上对应的长度，通过上述过程获得交通禁令标志图像的感兴趣区域。
soft
-max在分类过程中存在类间互斥的现象，会对交通禁令标志图像的识别产生影响，通过二元交叉熵函数loss
在训练阶段对交通禁令标志图像进行预测
(14)
预测跨尺度：基于改进YOLOv4的交通禁令标志自动识别方法在特征金字塔网络思想的基础上获取交通禁令标志图像中存在的细粒度和语义信息，将其作为特征信息。利用YOLOv4算法对边界框进行预测，获得不同尺度的锚点。在边界框中利用k-means算法获取先验信息。
提取特征：YOLOv4算法通过Darknet-53网络提取交通禁令标志图像的特征，将残差单元添加到Darknet-19网络中，将去除dropout操作和批量归一化操作添加到卷积层中，避免特征提取过程中存在的拟合现象。损失函数在训练过程中的表达式如下
(15)
通过YOLOv4算法通过上述过程获取交通禁令标志的特征，实现交通禁令标志的识别。
4 实验与分析
为了验证基于改进YOLOv4的交通禁令标志自动识别方法的整体有效性，需要对其进行测试，采用Matlab软件对实验中的图像与数据进行处理。
清晰度是影响交通禁令标志识别结果的重要因素，分别采用基于改进YOLOv4的交通禁令标志自动识别方法、文献[3]方法和文献[4]方法对清晰度较低的交通禁令标志进行处理，处理结果如图1所示。
图1 不同方法的图像处理结果
图1(a)为模糊交通禁令标志，分别采用所提方法、文献[3]方法和文献[4]方法对其进行处理，根据图1可知，采用所提方法对模糊交通禁令标志图像进行处理后，交通禁令标志图像的清晰度有所提高，采用文献[3]方法和文献[4]方法对模糊交通禁令标志图像进行处理后，交通禁令标志的清晰度较低，对比上述方法的测试结果可知，所提方法可获取高清晰度的模糊交通禁令标志图像，表明所提方法的图像增强效果好，因为该方法利用混合蛙跳算法对获取的交通禁令标志图像进行了增强处理，提高了图像的清晰度。
采用所提方法、文献[3]方法和文献[4]方法对交通禁令标志进行识别，对比不同方法的识别精度，识别精度P的计算公式如下
(16)
式中，Z
代表的是正确识别的数量；Z
代表的是错误识别的数量。不同方法的识别精度对比结果如图2所示。
图2 不同方法的识别精度
分析图2中的数据可知，随着交通禁令标志数量的增加，所提方法、文献[3]方法和文献[4]方法的识别精度不断降低，但在相同交通禁令标志数量下，所提方法的识别精度均高于文献[3]方法和文献[4]方法的识别精度，因为所提方法在识别交通禁令标志之前对其进行了增强处理，获得了标志的细节信息，进而提高了识别精度。
为了进一步验证所提方法、文献[3]方法和文献[4]方法的整体有效性，将召回率作为指标进行测试，召回率R
的计算公式如下
(17)
式中，Z
代表的是漏检的图像数量。不同方法的召回率对比结果如表1所示。
表1 不同方法的召回率
根据表1中的数据可知，在多次交通禁令标志识别测试过程中，所提方法获得的召回率均在90%以上，远远高于文献[3]方法和文献[4]方法获得的召回率，验证了所提方法的整体有效性。
5 结束语
在辅助驾驶和无人驾驶中交通禁令标志识别是重要部分，同时也是一个重要环节，通过识别交通禁令标志可以获取道路前方的信息，减少事故发生的概率，提高车辆行驶的安全性。目前交通禁令标志识别方法存在图像清晰度低、识别精度低和召回率低的问题。提出基于改进YOLOv4的交通禁令标志自动识别方法，首先对交通禁令标志图像进行增强处理，提取标志特征，完成交通禁令标志的识别，解决了目前方法中存在的问题，为无人驾驶和辅助驾驶技术的发展奠定了基础。
