基于三分量色差法和Ostu法的交通标志检测

薛玉利

（山东青年政治学院 信息工程学院山东省高校信息安全与智能控制重点实验室，山东 济南 250103）

0 引言

驾驶辅助系统能在车辆行驶过程中实时识别交通标志信息并将其提供给驾驶员，能使驾驶员减轻驾驶压力，提前做出反应，有利于驾驶安全，对避免交通事故的发生具有重要意义。交通标志自动检测是该系统的重要组成部分[1]，该领域的研究对现代交通管理有重要意义。

为便于驾驶员及时掌握道路信息，交通标志通常被设计成特定的颜色和形状[2]，从而能最大限度地与自然和人造背景区分开[3]。交通标志检测方法主要有两类，即颜色分割方法和形状检测方法。目前，国内外学者对交通标志分割的研究主要是针对交通标志的颜色特征，在不同的彩色空间实现。一类方法是直接分析RGB（红绿蓝）彩色空间中标志颜色特征中R（红）、G（绿）、B（蓝）三分量的关系，并设定阈值实现[4-5]，该方法运算简单，但由于三分量有较高的耦合度，易受光照影响。另一类方法是转换到HSI空间实现分割[6-7]，将颜色的色度（H）、饱和度（S）与亮度（I）分开，通过设定H分量范围实现，但彩色空间转换过程中的计算量较大，且对饱和度低的情况分割效果较差。以上两类方法分割阈值相对固定，难以适应复杂的自然场景。

针对上述问题，本文提出一种基于三分量色差法和Ostu法的交通标志检测算法。算法首先在RGB空间对R、G、B三分量求色差，得到红、蓝、黄三种颜色分量图像；然后利用Ostu法对三种颜色分量图像进行阈值分割，得到检测结果。实验结果表明，本方法有效地提高了交通标志分割效率，满足驾驶员的实时性要求。

1 基于三分量色差法和Ostu法的交通标志检测

1.1 三分量色差法

我国的交通标志基本分为三种：警告标志、禁令标志、指示标志。红色表示禁令，黄色表示警告，蓝色表示指示。

在RGB模型中R、G、B分量极易受光照的影响，这也是人们很少直接采用RGB模型实现分割的主要原因，但是三种色彩对应三分量的差值却保持在一定的范围之内，即受光照影响不大。因此本文通过计算R、G、B分量的差值来得到红、蓝、黄三种颜色分量。对RGB空间的每个像素I=[Ir，Ig，Ib]进行 式（1）所示的变换，就 可以得到红色（red）、蓝色（blue）和黄色（yellow）三种颜色分量，如图1所示。

图1 三种颜色分量图

1.2 Ostu分割方法

由于光照条件的不同，采集的实景图各不相同，灰度直方图的形状多变，双峰和低谷不明显，因此，采用固定阈值分割无法适应不同光照条件获得的实景图。Ostu算法以图像的直方图为依据，将图像分为目标和背景两大类，以两类的类间方差最大或类内方差最小为阈值选取准则，不需要人为设定任何参数，可以自动获取阈值level。分别对三种颜色分量求得阈值level，以红色分量为例，利用式（2）得到交通标志的分割图。蓝色和黄色的分割图与此类同。三种颜色的分割图如图2所示。

图2 三种颜色分割图

2 实验结果与分析

本文实验以MATLAB7.0为开发环境，基于开发的交通图像集Traffic Signs UAH Dataset[8]进行了一组实验。Traffic Signs UAH Dataset包括474张交通标志图像，涵盖了光照变化、部分遮挡、旋转、阴影及交通标志污损变形等情形下多种颜色和多种形状的交通标志。

图3为不同情形下的实验结果，分为光照变化、部分遮挡、旋转、阴影和污损变形5种情况。第1、2列是原始图像，第3、4列是通过算法处理后得到的检测结果，可以看出本算法可以较好地检测出上面5种情况的交通标志。

图3 实验结果

统计结果分为成功检测和未成功检测两类。前者代表图像中能被算法检测出来的标志，后者表示图像中未能被算法检测出来的标志。在成功检测标志中，存在正确检测和虚报（标识出来并非交通标志）两类。在未成功检测标志中，存在漏检（对正常行驶有影响但没能检测出来）和其他（对正常行驶没有影响且没能检测出来）。统计的详细数据如表1所示。

表1 检测结果的统计数据

通过表1的统计数据来看，正确检测和其他结果都属于能满足实际要求的情况，且占据了绝大部分比例，表明算法有较高的检测正确性。

本算法的虚报主要出现在与交通标志颜色类似的车辆、栏杆等；漏检主要出现在距离较远处的交通标志上，在车辆由远及近接近交通标志的过程中，漏检的交通标志逐渐占据较大的图像区间，算法会重新检测到该交通标志。综上所述，该方法对交通标志检测的有效性是可以保证的。

本算法以MATLAB7.0为开发环境，实验在Windows7系统的PC上完成，处理器为CORE i5，主频2.4 GHz，内存6 GB，平均检测时间为7.8 ms，因此本算法能够满足车辆安全驾驶的实时性要求。

3 结论

本文提出了一种基于三分量色差法和Ostu法的交通标志检测算法，实验证明，该方法简单有效，能够满足交通标志检测有效性和实时性的要求，并且对交通标志的光照变化、部分遮挡、旋转、阴影和污损变形5种常见情况具有较好的鲁棒性。

本文算法的不足之处在于较远的交通标志存在漏检的情况，在实际车辆驾驶过程中，车辆由远及近接近交通标志，算法会自动检测到漏检的交通标志。

综上所述，本算法能够满足车辆安全驾驶时交通标志检测的实时性和鲁棒性要求，为下一步交通标志的识别奠定了良好的基础。

[1]朱双东，陆晓峰.道路交通标志识别的研究现状及展望[J].计算机工程与科学，2006，28（12）：50-52.

[2]JIANG G，CHOI T.Robust detection of landmarks in color image based on fuzzy set theory[C].ICSP.Beijing：IEEE Signal Processing Society，1998：968-971.

[3]HOOSE N.Computer image processing in traffic engineering[M].New York：John Wiley&sons Inc.，1991.

[4]SOETEDIO A，YAMADA K.An efficient algorithm for traffic sign detection[J].Journal of Advanced Computational Intelligence and Intelligent Informatic，2006，10（3）：409-417.

[5]黄志勇，孙光民，李芳.基于RGB视觉模型的交通标志分割[J].微电子学与计算机，2004，21（10）：147-148.

[6]朱双东，张懿，陆晓峰.三角形交通标志的智能检测方法[J].中国图象图形学报，2006，11（8）：1127-1131.

[7]ISHIZUKA Y，HIRAI Y.Segmentation of road sign symbols using opponent-color filters[C].Proceedings of 11th World Congress on ITS，Nagoya，Aichi Japan，2004：18-22.

[8]GRAM.Traffic sign UAH dataset（2007-03-16）[2014-07-20].http：//agamenon.tsc.uah.es/Investigacion/gram/traffic_signs.html.