第一论文网免费提供电气毕业论文范文,电气毕业论文格式模板下载

一种基于局部特征的交通标志检测算法的研究

  • 投稿小黄
  • 更新时间2015-09-11
  • 阅读量694次
  • 评分4
  • 11
  • 0

宋婀娜1,房俊杰1,李娜1,张妍2

(1.黑龙江科技大学,黑龙江哈尔滨150027;2.黑龙江工程学院,黑龙江鸡西158100)

摘要:给出一般交通标志识别系统的框图,交通标志的检测是系统中的重要环节。根据我国交通标志颜色的规定,确定了彩色分割空间HSV的阈值,并以圆形为例,提出一种统一对称局部特征检测模板,用来提取自然场景下获得的目标区域的特征,设计一组模糊规则判定形状,形成一种基于局部特征的交通标志检测算法。

教育期刊网 http://www.jyqkw.com
关键词 :交通标志;识别系统;检测算法;局部特征

中图分类号:TN911.73?34 文献标识码:A 文章编号:1004?373X(2015)13?0114?03

收稿日期:2014?12?25

基金项目:黑龙江省教育厅科学技术研究项目(12533059)

1 交通标志识别系统

交通标志识别系统(Traffic Signs Recognition,TSR)是高级辅助驾驶系统的重要组成部分,对提高驾车的安全性和舒适性都具有重要意义。系统所完成的功能即通过对自然场景的图像采集,经过图像处理与识别,对交通标志进行检测,及时提醒、指示和警告驾驶人员。

系统框图如图1所示。主要包括:

(1)采集数据,自然场景下的交通标志图像由机动车上的摄像设备进行采集;

(2)标志检测,对彩色图像进行增强、颜色分割、目标区域判断等过程;

(3)特征提取,获取检测出的交通标志图像的标志特征向量;

(4)分类器设计与分类决策,即模式识别,包括交通标志的特征颜色、形状等。

交通标志的检测是系统的一个关键环节,充分利用特征信息,将简化系统设计,同时大大提高系统的实时性和识别精度。系统将对交通标志的特征颜色、形状及其内部图形组成等进行算法分析,本文以圆形的标志为例,根据局部特征检测目标区域,设计了检测模板并用模糊规则确定目标区域的形状,完成一种基于局部特征的交通标志检测算法。

2 彩色空间的分割

由于安装在机动车上的数据采集设备获取的是基于RGB颜色模型的图像,而RGB颜色模型不易被模拟,即RGB 彩色空间并不适合彩色空间的精确分割,尤其不适合自然场景下的交通标志图像的分割。为了让颜色系统更接近人类对色彩的感知,更适合自然场景下对彩色图像的颜色分割,因此将分量密切相关的RGB 空间转换到分量不相关的HSV(色调、饱和度、数值)彩色空间。将RGB转换为HSV就是将数值从笛卡尔坐标系映射到柱坐标系,映射公式如下:

3 基于局部特征的交通标志检测算法

3.1 交通标志检测算法的流程图

首先根据表1中的颜色阈值,将自然场景下RGB格式的交通标志图像转换同时进行彩色分割,按照HSV空间的颜色阈值转换成为三幅二值的图像。得到的图像还需进行滤波处理,去除图像中的干扰信号,对目标区域进行列表,计算图像中联通区域的特征和个数,将非交通标志区域去除,最后根据形状判别算法确定该图像是否为交通标志。交通标志检测算法的流程图如图2所示。

3.2 自适应中值滤波器设计

为去除图像采集和传输过程中产生的噪声,减小图像分割、图像识别、图像检测的难度,必须进行图像去噪,这是标志识别系统中的一个重要环节。选用中值滤波器,它是应用最广的一种统计滤波器,拥有优秀的去噪能力[2],能将邻域内灰度值的中值代替像素的值。但中值滤波器在有效地滤出噪声的同时,往往也去掉了图像的细节,因此选用一种自适应的多级中值滤波器。自适应中值滤波器可以在平滑非脉冲噪声图像时更好地保持图像的细节,同时最大程度地滤除脉冲噪声,对系统带来的好处远远超过传统中值滤波器。

3.3 局部特征的提取

(1)统一的对称局部特征检测模板

为确认目标区域是否是交通标志,需对其形状特征进行形状判别。为此提出一种统一的对称局部特征检测模板,如图3所示。形状初步检测模板的大小为32×32像素,形状验证模板尺寸为8×8 像素,在两个模板的四个顶点和四条边的中心位置上有四个检测局部特征的子模板。

(2)子模板内含有特征颜色像素个数的隶属度函数如图5所示,横坐标为子模板内含有特征颜色像素的个数,纵坐标为隶属度函数的值。这样定义后便于用模糊推理来确定目标区域的形状[3],对交通标志的形状特征进行深入分析。

4 结果分析

任取一幅具有三个交通标志的图像,如图6(a)所示,这三个标志刚好对应红色、蓝色和黄色,因此根据颜色的阈值在HSV 空间上进行颜色分割,得到图6(b)~图6(d),再经过滤波、形状判别、用局部特征等算法流程,得到检测的交通标志图像如图6(e),图6(f)所示。

5 结论

利用设计的交通标志检测算法分别检测在不同自然场景下的交通标志图像,结果表明,该交通标志检测算法检测率基本达到90%左右;该算法具有较好的鲁棒性,对表面有污损的,但特征颜色轮廓完整的标志也能正确检测。

通过分析,天气情况、交通标志的表面颜色退化、被污染或场景中有干扰,如道路边上的广告牌、路边行人、路边的建筑物,数据采集时的角度、交通标志设计的大小等,都是影响检测率的重要因素。

图6 交通标志检测过程

教育期刊网 http://www.jyqkw.com
参考文献

[1] 杨久龄,刘会学.GB 5768?1999《道路交通标志和标线》应用指南[M].北京:中国标准出版社,1999.

[2] 边肇祺,张学工.模式识别[M].北京:清华大学出版社,2000.

[3] WANG Xin. Adaptive multistage median filter [J]. IEEE Transac?tions on Signal Processing,1992,40(4): 1015?1017.

[4] 李士勇.模糊控制·神经控制和智能控制论[M].2版.哈尔滨:哈尔滨工业大学出版社,1998.

[5] 张颖,秦光洁.一种鲁棒的交通标志检测方法[J].现代电子技术,2009,32(23):177?181.

[6] 谢小军,张绍阳.机动车辆磁像识别技术在交通控制中的应用[J].现代电子技术,2003,26(3):86?87.

作者简介:宋婀娜(1973—),女,副教授。研究方向为电力电子与电气传动等。