基于HSV 的交通信号标志识别方法设计与实现

仇小鹏，田 杰，胡秋霞，贾 帅

（西安航空学院计算机学院，陕西 西安 710077）

随着计算机技术的进步和无人驾驶汽车、车载导航技术的快速发展，交通信号标志识别已经成为21 世纪最热门的话题之一，所以智能交通系统深受科学家们的关注，成为图像识别领域的一个研究热点[1]。交通标志识别(Traffic Sign Recognition，TSR)作为智能交通领域的一部分，其重要性和应用性不言而喻，在无人驾驶技术领域、智能交通监控系统中占据不可或缺的地位[2]。

中南大学蔡自兴教授等人2013 年提出了一种DT-CWT 与2DICA 分析的交通标志识别方法，该算法对50 幅标志图像的识别精度达到97%[3]。张琪等、成亚玲等、屈治华等分别提出了自然场景下的标志牌的检测算法、双背景模型自适应运动目标检测算法、复杂光照条件下的交通标志检测算法[4-8]。张万征等、王晓斌等和童英等提出了基于LeNet-5、优化和改进的卷积神经网络的交通标志识别方法，并具有较好的识别效果[9-13]，但是这些方法实现起来比较复杂。

1 交通信号标志识别概述

该文主要以警告标志、禁令标志、指示标志、指路标志和旅游区标志、道路施工安全标志、辅助标志等为研究对象研究交通标志识别方法的设计与实现，如图1 所示。

图1 交通标志类型

交通信号标志识别流程如图2 所示，主要包括交通信号标志图像输入、对灰度图像进行二值化处理、中值滤波图像增强、边缘检测、提取兴趣区域分割图像、分割图像灰度化二值化反色、图像模板匹配、最终得到图像的识别结果。

图2 交通信号标志识别流程图

2 基于图像识别的交通标志识别方法

根据图2 交通信号标志识别流程，主要介绍图像二值化、图像增强、图像分割、模板匹配及图像识别算法。

2.1 图像二值化

文中采用Otsu 算法进行图像二值化，它的最大优点是进行自适应阈值分割。其算法思想：阈值的取值应该使目标与背景的类间方差最大。在一幅图像中，设前景与背景的分割阈值为t，前景像素部分和背景像素部分占图像的比例分别为w0和w1，均值分别为u0和u1，那么整个图像的均值如式（1）所示：

建立目标函数如式（2）所示：

式中，g(t)表示的是类间方差表达式，t为阈值。

2.2 图像增强

该文在进行图像增强时，通过性能对比，决定图像增强方法。通过对原图像进行椒盐噪声加噪后，分别进行高斯平滑、均值滤波和中值滤波去噪，结果如图3 所示。从结果图明显看出中值滤波方法对图像的增强效果最好，所以选择中值滤波方法对图像进行增强操作。中值滤波对于随机噪声具有非常理想的降噪能力，相比于高斯平滑滤波，噪声点常常直接被忽略掉，不会影响像素值的计算。而且，中值滤波在降噪同时引起的模糊效应较低。

图3 图像增强方法对比

2.3 基于颜色特征的交通标志图像分割

我国的交通信号标志主要分警告标志、禁令标志、指示标志和辅助标志4 种[14]。按颜色分类为红色、黄色和蓝色。禁令标志是红色，警告标志是黄色，指示标志是蓝色。交通信号标志是具有形状特征和颜色特征的实体，颜色是交通信号标志分析中最重要的信息[15-16]。

对交通标志图像进行分割，首先选择对颜色像素进行分析和特征提取[17-19]。其基本思想是将交通标志上的颜色的像素提取出来，基于颜色特征对交通信号标志进行特征定位，再将差分图像分割后的结果用于进行特征提取和计算。基于差分图像的交通标志图像分割过程如下：

1）获取图像像素的RGB值，并转换到HSV空间；

2）计算交通标志图像在HSV 颜色空间内的差分图像R-B、R-G、B-R、B-G、G-R、G-B 的值，找出分割这些差分图像的阈值，进行分割；

3）将满足红、黄、蓝三色R-B、R-G、B-R、B-G、G-R、G-B 的值的范围保留，不满足则设为白色；

4）合成像素，显示分割后的结果图像。

2.4 模板匹配

识别采用基于模板匹配的识别方法，模板匹配是一门在测试库图像中寻找与模板库中图像最相似部分的技术，通过对读取的图像的各个图像块（像素）同时比对相似度，然后对模板库中的图像特征和输入图像进行匹配的方法。文中用欧氏距离公式作为计算两张图像相似度的公式（通道数、数据格式相同，大小和分辨率可以不同），如式（3）所示：

二维图像中两点距离：D=x2+y2，若D=0，说明图片相等；或者是小的一张图片已经找到在大图中的位置。但是在数字图像处理中D值的取值范围太广，甚至可以达到无穷大，会超出计算机的计算范围，故使用归一化处理。

处理步骤如下：

1）将这个相似性函数展开，可得式（4）：

2）可以看出，只有第二项是有意义的，因为第一项和第三项的值在选定模板后是固定的。对于欧式距离相似函数，值越大表示越不相似，也就是说，第二项的值越小则越不相似。将第二项进行归一化得式（5）：

那么当R(i,j)为1 时，表示模板与子图完全相等。

2.5 基于图像识别的交通信号标志识别算法

基于图像识别的交通信号标志识别需要先进行训练，选取含有交通信号标志的图像作为训练集，通过颜色特征提取方法，得到相应分类器的参数，如图4 所示。交通信号标志识别算法步骤如下：

图4 训练过程

1）按照图4 所示步骤进行训练；

2）完成训练之后进行检测识别。将输入图像转换为灰度级图像，然后采用Otsu 算法进行二值化；

3）利用中值滤波算法进行图像增强，随后基于HSV 颜色空间对图像进行分割，并将定位的图像进行归一化处理；

4）使用模板匹配方法进行识别。

3 实验结果与分析

3.1 实验环境参数设置

1）硬件环境

表1 是实验中计算机硬件环境配置。

表1 电脑硬件配置

2）软件环境

该文实验在Windows 10 操作系统下进行，采用的主要软件是Matlab R2016b 软件，编辑图片用的软件是Photoshop。

3.2 界面设计

为了验证交通信号标志识别方法，用Matlab R2016b 软件设计了一种交通信号标志识别程序（GUI），其运行主界面如图5 所示。

图5 交通信号标志识别操作界面

在界面中根据程序功能设置了“打开图像”、“图像增强”、“图像分割”、“边缘检测”、“二值化”、“归一图”、“识别”和“清除”等按钮。

3.3 实验结果分析

在测试库中选择一张交通标志图像，然后进行检测，如果弹出警告框，则说明此类图像没有进行训练，特征库中不存在该数据，也就不会显示对应的识别结果。

所以，在进行识别操作之前必须一一对模板库里的交通信号标志图像进行训练，然后该标志的特征信息便会存放到特征信息库中，便于后面的图像分割和图像识别等步骤顺利进行，如图6 所示。

图6 模板库训练

然后运行交通信号标志识别程序，读取测试库中的图像，并对其进行图像增强、图像分割等一系列操作，得到的验证结果如图7 所示。

图7 交通标志识别结果图

4 结论

文中在现有的数字图像分析、处理技术的基础上，结合模糊图像特点和交通标志特征对交通标志识别进行了研究、设计和实验。此次研究主要完成了以下工作：

1）交通标志的类型及特征分析；

2）通过对国内外大量文献的阅读研究之后，综合运用各种算法提高识别率；

3）颜色和形状特征是提取交通标志的重要方法，它能够更好地找到标志部分，从而省去对复杂背景的处理，即使背景出现相似的部分，也可以在后续的处理中进行解决；

4）通过Matlab 语言开发，结合GUI 界面完成交通信号标志识别方法的设计与实现。