基于颜色与形状特征相结合的交通标志检测方法
【专利摘要】本发明提出了一种基于颜色和形状特征相结合的交通标志检测方法，首先采用HSV颜色特征，提取整幅图像中交通标志的可疑区域，然后采用形状特征，对可疑区域进行再次划分，提取出颜色和形状都满足条件的区域，滤去其它区域。本发明方法运算量小，鲁棒性好，对外界环境变化不敏感，能够准确、实时的检测出道路两旁复杂背景下的交通标志。
【专利说明】 基于颜色与形状特征相结合的交通标志检测方法
【技术领域】
[0001]本发明涉及一种道路交通标志的检测方法，特别是涉及一种基于复杂背景下的交通标志检测方法。
【背景技术】
[0002]交通标志识别(Traffic Sign Recognition, TSR)系统是指人们将先进的信息技术、数据传输技术、控制技术以及计算机处理技术等有效地综合运用于整个运输管理体系，使人、车、路及环境密切配合，从而建立起一种在大范围内、全方位发挥作用的实时、准确、高效的交通信息提示系统。其是智能交通系统的一个重要组成部分，由于交通标志中含有许多重要的交通信息，如对当前行车的速度提示、前方道路状况的变化、驾驶员行为制约等，因此在这一辅助系统中，如何快速、准确、有效地检测出道路中的交通标志并将之反馈给驾驶人员或控制系统，对于保证驾驶安全，避免交通事故的发生具有十分重要的研究意义，因此，受到越来越多专家学者的重视。
[0003]在智能交通系统研究方面比较著名的有:欧洲普罗米修斯(Program forEuropean Traffic with Highest Efficiency and Unprecedented Safety, PROMETHEUS)计划，美国提出的智能车辆道路系统(Intelligent Vehicle and Highway Systems, IVHS),以及日本的先进安全车辆(Advanced Safety Vehicle, ASV)等。目前,在智能车辆机器视觉领域研究中处于前沿的主要有德国的UBM (Universitat der Bundeswehr Munchen)大学、意大利Broggi教授领导的课题组、美国国际科技应用公司等。其中，德国UBM大学Dick-manns教授领导的智能车辆研究小组一直致力于动态机器视觉领域的研究,研制的EMS-Vision视觉可较好的模拟人眼功能。过去的10多年里,有些国家已经成功开发了一些基于视觉的道路识别和跟踪系统。其中，具有代表性的系统有=LOIS系统、GOLD系统、RALPH系统、SCARF系统和ALVINN系统。
[0004]谷歌两年半之前就推出了无人驾驶汽车项目，其中，也离不开交通标志识别系统，早在2011年的8月份谷歌无人驾驶汽车项目的带头人克里斯.厄姆森就宣布该公司的十余辆无人驾驶汽车已经在电脑控制下安全行驶了 48万公里。随后宝马、沃尔沃、奥迪等汽车厂商也相继通过配备智能软件、视野辅助及环境检测系统推出了无人驾驶概念车。主要设计用于市区驾驶，通过对路边交通标志的判断以及其它相关技术，汽车能独立加速和制动。国内无人车研发方面，从上世纪90年代中期开始国防科技大学的贺汉根教授和戴斌教授率领的“自主驾驶技术”创新团队从零起步，依靠自主创新实现了一系列关键技术突破，于2001年研制成功我国首台无人驾驶汽车，打破了国外对我国无人驾驶技术的封锁。此外，军事交通学院的徐友春教授、清华大学的邓志东教授等，也在无人车研发方面颇有建树。国内一些其它高校(如北京理工大学、清华大学、西安交通大学、武汉大学等)、研究机构、以及一些汽车企业相继也展开了一些相关方法的探索研究和初步实验。
[0005]TSR辅助系统是计算机视觉、人工智能、图像处理、模式识别等多学科的交叉应用，随着视频技术和计算机技术的发展，采用图像处理方法智能提取交通标志的视频检测识别已经成为可能。TSR系统中主要包括两个基本环节:首先是交通标志的检测(分割)，包括对采集到的图像的预处理和交通标志的分割定位；其次是交通标志的识别(分类)，包括交通标志的特征提取、特征分析及最终识别等。而检测是TSR系统的关键环节，其结果的好坏直接影响识别结果的好坏。
【发明内容】
[0006]发明目的
[0007]为了更好的对交通标志进行识别，本发明提出了一种基于颜色与形状特征相结合的交通标志检测方法。
[0008]技术方案
[0009]本发明是通过以下技术方案实施的:
[0010]一种基于颜色与形状特征相结合的交通标志检测方法，其特征在于:该方法步骤如下:
[0011](I)、提取颜色特征
[0012]采用HSV色度模型，通过对H、S、V赋相应的值来对整幅图像提取可疑目标颜色。
[0013](2)、提取形状特征
[0014]对颜色提取之后整幅图像只剩下与目标交通标志颜色相同的区域，此时，通过对各个区域进行基于区域的形状提取，通过求圆度、矩形度、伸展度对各个区域的形状进行判断，并且只留取圆形、矩形以及三角形区域。
[0015](3)形态学过滤
[0016]采用二维高斯函数作为平滑滤波器来去除图像的边界噪声，使得目标图像更加平滑；通过膨胀与腐蚀减少图像中的毛刺、模糊噪声以及去除比结构元素小的暗色细节，保持图像整体灰度值和大的暗区域基本不变。
[0017](4)可疑目标提取
[0018]将提取出的形状特征经过形态学过滤后，与原图像进行与运算，提取出彩色的目标图像，即交通标志图像。
[0019]优点和效果
[0020]由于图像的单一特征对图像的内容描述难免过于片面，仅能对图像的部分属性予以表达，对于自然状态下实时的交通标志提取，单一特征的检索常常效果不佳，而基于颜色和形状特征相结合的检索，对图像内容的表达更全面，从而能够扬长避短，取得更好的检索效果。下面就单独应用颜色、单独应用形状、其他颜色与形状共同作用方法以及本专利所采用的颜色形状相结合来提取交通标志图标进行对比。
【专利附图】
【附图说明】
[0021]图1为交通标志检测的颜色-形状配对模型及初分类示意图；
[0022]图2为提取目标最小轮廊不意图；
[0023]图3为不同交通标志各个形状长、宽示意图；
[0024]图4为原始图像；
[0025]图5为单独采用RGB进行蓝色标志提取示意图；[0026]图6为单独采用RGB进行蓝色标志提取示意图；
[0027]图7为颜色与形状共同作用检测；
[0028]图8为采用本专利方法进行圆形标志提取示意图；
[0029]图9为实施例1原始图；
[0030]图10为实施例1HSV颜色模型；
[0031]图11为实施例1对整幅图像提取出红色区域的效果图；
[0032]图12为实施例1用形态学滤波并进行区域填充的效果图；
[0033]图13为实施例1提取目标形状图；
[0034]图14为实施例1目标提取最终结果图。
【具体实施方式】
[0035]下面结合附图对本发明进行具体说明:
[0036]本发明提供了一种基于颜色与形状特征相结合的交通标志检测方法，该方法步骤如下:
[0037](I)、提取颜色特征
[0038]采用HSV色度模型，通过对H、S、V赋相应的值来对整幅图像提取可疑目标颜色；例如，蓝色、红色、黄色等。
[0039](2)、提取形状特征
[0040]对颜色提取之后整幅图像只剩下与目标交通标志颜色相同的区域，此时，通过对各个区域进行基于区域的形状提取，通过求圆度、矩形度、伸展度对各个区域的形状进行判断，并且只留取圆形、矩形以及三角形区域。
[0041](3)形态学过滤
[0042]采用二维高斯函数作为平滑滤波器来去除图像的边界噪声，从而使得目标图像更加平滑；通过膨胀与腐蚀减少图像中的毛刺、模糊等噪声以及去除比结构元素小的暗色细节，保持图像整体灰度值和大的暗区域基本不变。
[0043](4)可疑目标提取
[0044]将提取出的形状特征经过形态学过滤后，与原图像进行与运算，从而提取出彩色的目标图像，即交通标志图像。
[0045]交通标志对驾驶员来说就是一种很生动的语言，驾驶员的驾驶过程差不多完全是依靠视觉系统对这种交通语言信息进行处理的。要想在熟悉的或不熟悉的环境中要做到遵守交通规则，准确、及时的识别出交通标志就是关键的前提。
[0046]但往往在驾驶过程中人们的注意力并不是完全集中的，容易受外界干扰物体(t匕如说电话、大小广告、路人、车辆等)的影响，而忽视了交通标志牌。故自二十世纪八十年代中期开始，各种交通标志识别方法就不断被提出，用于提醒驾驶员达到安全驾驶的目的。但由于场景任意带来的多样性和复杂性，还有对准确性、实时性以及鲁棒性等方面的高要求，导致了到目前为止还没有一个真正效果比较好的系统。由于研究对象是无法预知的复杂背景下的交通标志，因此本发明在光照变化、颜色残缺、拍摄角度、标志模糊或扭曲、以及标志的遮挡方面都做了全面的考虑，以达到排除干扰，自动的、及时的找出交通标志牌，检测标志信息，并迅速地反馈给驾驶员，最大程度的提高驾驶安全，减少事故发生的可能性，使驾驶变得更加安全和轻松。
[0047]我国直接与道路交通安全有关的交通标志分为3大类，合计131种(不包括可派生的标志)。其中，禁令标志48个，指示标志36个，警告标志47个。本发明的研究对象为这131个交通标志。
[0048]I)指示标志:用来指示车辆和行人的行进，以蓝色为特征色，形状为圆形或长方形。
[0049]2)警告标志:用来警告车辆和行人注意危险地点，以黄色为特征色，除“避险车道”为矩形外，形状均为角向上的等边三角形。
[0050]3)禁令标志:用来禁止或限制车辆和行人的行进，除“禁令解除”外以红色为特征色，除“停车让行”和“减速让行”外形状均为圆形。
[0051]由以上分析可知，交通标志边框有蓝、黑、红三种颜色，形状有圆形、三角形及矩形，因此，可根据交通标志边框的颜色与形状定位检测出交通图像中交通标志所在的区域位置。所以通过对整幅图像先进行黄色、红色、蓝色以及黑色部分的提取，之后通过扫描提取区域的形状特征如三角形、圆形和矩形。就可大概提取出交通标志的可疑区域。图1为交通标志检测的颜色-形状配对模型及初分类。
[0052]由于图像的单一特征对图像的内容描述难免过于片面，仅能对图像的部分属性予以表达，对于不同用户的不同需求，单一特征的检索常常效果不佳，而基于颜色和形状特征相结合的检索，对图像内容的表达更全面，从而能够扬长避短，取得更好的检索效果。
[0053](I)提取颜色特征
[0054]在颜色提取方面主要采用的颜色空间有RGB、HS1、LAB、HSV等。其中，RGB颜色空间是最基础的、应用最广泛的，几乎所有的其它空间都可以通过RGB空间进行转换。但其反应图像的信息不够直观，不符合人类视觉的感知，而且RGB颜色空间中三个变量具有一定的相关性，使得图像比较容易受光照的影响。在HSI模型中，虽然H、S、I三个分量关联性很小，较为独立，但当饱和度和亮度较低时会导致色调的不稳定，无法用于交通标志的检测，只有具备一定的饱和度和亮度值才可以得到稳定的色调，因此，不适用实时的颜色检测。LAB颜色空间是由专门制定测量颜色标准的国际照明委员会制定的一种色彩模式。能够直接用颜色空间的几何距离进行不同颜色的比较，因此可有效地用于测量小的色差，但由于其是非线性变换，因此计算量较大，而且颜色空间存在奇异点。
[0055]HSV颜色空间是孟塞尔色彩空间的简化形式，是以颜色的色调(H)、饱和度(S)、亮度(V)为三要素来表示的，是非线性颜色表示系统。其中，色调是描述纯色的属性，饱和度是描述纯色被白光稀释的程度的度量，亮度是一个主观的描述子，体现了无色的亮度概念，是描述色彩感觉的关键参数。HSV颜色空间同人对色彩的感知相一致，且在HSV空间中，人对色差的感知较均匀，是适合人的视觉特性的颜色空间。下面我们从视觉一致性，完整性，紧凑性，自然性等几个方面，对上述颜色空间进行比较，如表I所示。
[0056]表I几个色度空间的比较
[0057]
【权利要求】
1.一种基于颜色与形状特征相结合的交通标志检测方法，其特征在于:该方法步骤如下: (1)、提取颜色特征 采用HSV色度模型，通过对H、S、V赋相应的值来对整幅图像提取可疑目标颜色； (2)、提取形状特征 对颜色提取之后整幅图像只剩下与目标交通标志颜色相同的区域，此时，通过对各个区域进行基于区域的形状提取，通过求圆度、矩形度、伸展度对各个区域的形状进行判断，并且只留取圆形、矩形以及三角形区域； (3)、形态学过滤 采用二维高斯函数作为平滑滤波器来去除图像的边界噪声，使得目标图像更加平滑；通过膨胀与腐蚀减少图像中的毛刺、模糊噪声以及去除比结构元素小的暗色细节，保持图像整体灰度值和大的暗区域基本不变； (4)、可疑目标提取 将提取出的形状特征经过形态学过滤后，与原图像进行与运算，提取出彩色的目标图像，即交通标志图像。
【文档编号】G06K9/46GK103559507SQ201310582174
【公开日】2014年2月5日 申请日期:2013年11月18日 优先权日:2013年11月18日
【发明者】张志佳, 李文强, 齐芳, 才中 申请人:沈阳工业大学