基于维纳复原的道路限速交通标志检测

乔敏 孙国强

摘 要：超速引发的交通事故数量急剧增加，为了提高道路驾驶安全性，提出一种基于维纳复原的道路限速交通标志检测方法。首先，对原始街景进行维纳滤波复原图像预处理;然后，根据道路限速标志牌轮廓形状和颜色等特征，在HSI彩色空间进行红色阈值分割、Canny边缘检测和Hough圆检测，对图像中的道路限速交通标志进行检测，定位出可能是道路限速交通标志的区域;最后，根据限速标志的内部特征排除定位出的非限速交通标志区域。实验结果表明，该方法对于我国常见的6类限速标志检测正确率达到了98.76%，符合限速标志检测系统的准确率要求。

关键词：限速交通标志;检测;维纳滤波器;二值化;伪目标排除

DOI：10. 11907/rjdk. 192084 开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2020）005-0234-04

0 引言

随着国民经济的发展，我国汽车拥有量急剧增加，同时道路交通事故数量也显著增长，交通安全问题已成为一个全民关注的社会问题。根据国家统计局2018年发布的《中国统计年鉴》显示，2017年民用汽车拥有量达到    20 906.67万辆，汽车驾驶员31 658.20万人;而全国汽车交通事故发生139 412起，导致46 817人死亡和139 180人受伤，造成的直接财产损失达103 978万元，其中由超速引发的交通事故占大部分，解决道路行车超速问题迫在眉睫。道路限速交通标志检测系统作为智能交通系统（Intelligent Transportation System，ITS）的重要组成部分，可以及时告知驾驶员或无人驾驶系统最高行驶速度，减少因超速造成的交通事故。

道路限速交通标志检测和识别算法研究很多，最常用的检测算法有基于颜色信息、轮廓信息和机器学习的检测算法;识别算法有模板匹配法、特征提取结合分类器的机器学习法、神经网络识别法等。文献[1]提出一种在HSV颜色空间利用机器学习检测图像中的限速交通标志方法，通过颜色信息设置排除限速标志之外的图像;文献[2]提出一种针对实景限速交通标志进行检测的算法，首先对采集到的街景图片进行去噪，然后将图像进行二值化和连通域处理，最后根据处理后的连通域特征和同心圆判断限速交通标志位置;文献[3]提出一种基于CUDA的实时限速牌识别算法，首先在HSV颜色空间提取感兴趣区域，然后结合霍夫圆算法定位限速牌位置，最后利用CNN对定位区域进行数字识别;文献[4]提出一种基于彩色图像的道路限速交通标志检测模型，检测过程中将圆覆盖和基于梯度信息的Hough 变换圆检测方法相结合。

本文方法分3个过程：①对采集到的原始街景图像进行基于维纳滤波的图像复原;②将彩色图像由RGB颜色空间转换到HSI颜色空间，并进行红色阈值分割，对阈值分割后的图像进行Canny边缘检测和Hough椭圆检测;③对分割出的感兴趣区域进行伪目标排除，从而确定限速交通标志的具体位置。对维纳滤波复原的图像进行预处理，可以降低“减速玻璃”和车辆晃动等带来的图像模糊;而根据限速标志内部统计特征数据进行的伪目标排除，可以有效排除定位出的非限速交通标志。

1 图像复原

由于限速交通标志是在车辆行驶过程中由行车记录仪等图像采集设备所得，存在因车辆移动、图像采集设备质量不高和“减速玻璃”影响，以及限速标志牌在复杂场景中受自然环境和人为因素影响等造成的图像污损、模糊、形变等情况。因此，在设计限速交通标志检测与识别算法过程中，首先对采集到的街景图像使用维纳滤波器[5-7]进行图像复原处理。通常，退化图像[F（x，y）]是由于原始采集图像[f（x，y）]与退化函数[H（x，y）]作卷积运算[？]，同时受到噪声[n（x，y）]影响而形成的，可以表示为：

2 限速交通标志检测

限速交通标志具有特定的颜色信息和形状信息，但受到自然因素和人为因素的影响会产生遮挡、污损、倾斜、变形、扭曲等情况，使仅依靠单一特征信息进行限速交通标志检测的准确率较低，所以结合限速交通标志的颜色信息和形状信息进行检测，能够有效提高准确率。

2.1 限速交通标志初定位

街景采集设备采集到的街景图片通常使用RGB色彩模式保存，但RGB模式中的3个分量受光照影响较大，而HSI（Hue、Saturation、Intensity，色调、饱和度、强度）[8-10]颜色模型受光照强弱的影响较小，其中强度分量[I]不受图像的彩色信息影响且符合人类的视觉感知特性。将从RGB颜色空间转换到HSI颜色空间的原始街景图像逐像素进行判断，若[H]、[S]和[I]分量均在红色阈值内，则将其置为白色，否则置为黑色。

图像采集设备前方与限速标志牌距离[y]越大，夹角[θ]越接近[90°]，限速标志牌的红色外形轮廓就越接近正圆形;与限速标志牌前方距离[y]越小，夹角[θ]越接近[0°]，所拍摄到的限速标志牌中红色椭圆的最长半径[rmax]和最短半径[rmin]的比值就越大。使用[Re]表示这一比值，则：

通过计算和处理每个轮廓，可以获得每个轮廓的[rmax]和[rmin]，通过规定半径[r]的阈值和[Re]阈值，筛选出图像中的椭圆。正圆内的半径是等长的，故[Re]为1。考虑到汽车驾驶员在接收到车辆提示的限速信息后有一定的反应时间，出于安全考虑，设置限速标志牌检测中[Re]的阈值为[1，1.5]。

上述限速交通标志初定位方法，在HSI颜色空间中利用连通区域最长半径与最短半径的比值进行椭圆判断，比直接进行圆检测具有更高的检测效率，实用性更强。

2.2 伪目标排除

2.2.1 类似限速标志的伪目标

根据限速交通标志检测可以得到图像中疑似限速交通标志的具体位置，抠选出来作为进一步检测对象。因为红色圆形轮廓不仅是限速交通标志颜色和轮廓特征，也是禁止通行标志、禁止驶入标志、禁止机动车通行标志、会车让行标志、限制质量标志、禁止车辆临时或长时停放标志等交通标志的颜色和轮廓特征。因此，還要对检测到的交通标志进行伪目标排除，以最终确定检测到的图像为限速交通标志。

2.2.2 交通标志Otsu二值化

使用Otsu二值化[18-20]方法将分割出的可能是限速交通标志的彩色图像转化为黑白二值图像，并通过分析限速标志二值图像具备的特征，排除分割出的伪限速交通标志，以减少后期识别过程工作量。交通标志的背景有颜色深浅之分，比如晴朗的蓝天比交通标志的非白色部分浅，而树叶或深色建筑物等比交通标志的非白色部分深。因此，对分割出的交通标志进行Otsu二值化时，相同交通标志因背景不同会产生不同的二值化结果。

针对我国常见的5种固定限速交通标志（5km/h、30km/h、40km/h、50km/h、80km/h）和1种LED可变限速交通标志（60km/h），通过计算分析这些限速交通标志经过Otsu二值分割后所具有的特征，进一步确定分割出的图像中哪些为限速交通标志图像[21]。对固定限速交通标志计算二值化特征时，要区别对待浅色背景和深色背景图像，而可变限速交通标志牌不论背景颜色深浅，分割出的图像均为黑色底色。本文对上述限速标志牌中白色像素的占比[P1]、最大黑色连通区域面积占比[P2]和超过总面积1%的白色连通区域个数[N]进行分析，进一步确定分割出的图像中哪些为限速交通标志图像。

根据表1对6种分割出的限速标志图像计算出[P1]、[P2]和[N]，确定这3个特征的阈值。然后通过阈值匹配处理，进一步判断分割出的图像是否为限速标志，实现对分割出的伪限速交通标志牌图像的排除。判断步骤如下：

（1）计算白色像素占比。对二值化后的上述6类限速标志图像分别求出[Re=1]、[Re=65]和[Re=32]在深色背景下的最小[P1]，及在浅色背景下的最大[P1]，获得限速标志白色像素占比阈值[P1∈0.2122，0.8426];然后判断检测到的感兴趣区域的二值图像中的[P1]是否在阈值内。若不在，则判断为伪限速标志;若在，则进行下一步判断。

（2）计算最大黑色连通区域面积占比。对二值化后的上述6类限速标志图像分别求出[Re=1]、[Re=65]和[Re=32]在深色背景下的最大[P2]和在浅色背景下的最小[P1]，获得限速标志最大黑色连通区域面积占比阈值[P2∈[0.121 2，][0.833 3]];然后判断限速交通标志的二值图像中的[P2]是否在阈值内。若不在，则判断为伪限速标志;若在，则进行下一步判断。

（3）计算超过总面积1%的白色连通区域个数。对二值化后的上述6类限速标志图像分别求出[Re=1]、[Re=65]和[Re=32]在深色背景、浅色背景下的最大值[N]，获得限速标志二值图像中白色像素的数量占其外接矩形区域面积的比例超过1%的白色连通区域个数，阈值[N∈1，8];然后判断限速交通标志的二值图像中的[N]是否在阈值内。若不在，则判断为伪限速标志;若在，则进行下一步判断。

（4）计算交通标志外接矩形的高度[Hrec]和最大白色连通区域内部各个黑色连通区域外接矩形的高度[H]。若经过步骤（3）判断为限速交通标志的二值图像中存在[H（i）][14Hrec]，则判断为伪限速交通标志，否则进行下一步判断。

（5） 计算最大白色连通区域内部各个黑色连通区域外接矩形的最大高度[Hmax]与最小高度[Hmin]。若经过步骤（4）判断为限速交通标志的二值图像中[Hmax2Hmin]，则判断其为伪限速交通标志，否则即判断为限速交通标志。

根据上述判断过程，对于满足限速标志条件的候选区域则判断为限速交通标志，进行下一步的限速数值识别;当感兴趣区域为伪限速交通标志区域时，该图像将被排除，无需进行后续限速数值的识别处理，提高了算法执行效率。

3 实验结果与分析

实验使用的计算机配置为I7-4790处理器，3.60GHz主频，8G内存，Intel HD Graphics 4600显卡。在Windows系统上采用MATLAB语言编程实现。实验采用的样本图片来自清华—腾讯联合实验室发布的Tsinghua-Tencent100K街景数据库中的9 000张街景图像，图像大小均为[2 048×2 048]像素，包含了不同光照条件和运动模糊等情况，符合复杂多变的现实情况。具体针对固定限速标志中的5km/h、30km/h、40km/h、50km/h、80km/h和可变限速标志中的60km/h这6种共685张国内常见的限速标志牌进行检测。同时，样本集中还包含527张没有限速交通标志牌的街景图像。

从表2可以看出，本文提出的算法中，维纳滤波提高了整个检测系统的抗噪声能力，伪目标排除降低了误检率。说明本文设计的道路限速交通标志检测算法具有较高的准确度，基本满足道路安全性要求，误检原因主要是限速标志牌被污损或在夜间受灯光照射影响。

4 结语

本文根据交通标志特点提出了一种基于维纳复原的道路限速交通标志检测算法，针对“减速玻璃”以及车辆晃动等造成的图像模糊畸变进行预处理，利用限速标志的形状和颜色特征提取交通标志牌所在区域，排除提取到的非限速标志牌区域。实验结果表明，本方法具有较高的检测准确率。下一步将针对夜间限速标志图像的检测进行算法优化，提高检测精度。

参考文献：

[1] SHIGEHARU M. Automatic recognition of speed limits on speed-limit signs by using machine learning[J]. Journal of Imaging， 2017， 3（3）：25-42.

[2] 徐丽霞， 徐志刚. 基于实景图像的道路限速标志检测算法研究[J]. 宁夏大学学报（自然科学版）， 2013， 34（2）：64-71.

[3] 王超， 陈庆奎. 基于CUDA的交通限速牌識别[J]. 软件导刊， 2018，17（7）：48-52.