车拍条件下交通标志实时识别

一、项目设计与实现

1.1总体设计简介

交通标志有着显著的颜色和形状特征，主要功能以指示、提示和警示为主。标志的意义：警告标志用于警告车辆、行人注意危险地点；禁令标志用于禁止或限制车辆、行人的交通行为；指示标志用于指示车辆、行人的行进；标志的颜色、形状特点：警告标志均为黄底、黑边、黑色图案；形状都为顶角向上的等边三角形；禁令标志大部为为白底，红圈、红杠、黑色图案，部分存在特例，如解除禁止超车、解除限制速度标志为白底、黑圈、黑杠、黑色图案；形状大部分为圆形（除了让路标志为顶角向下的等边三角形）；指示标志颜色为蓝底、白色图案，形状为圆形和矩形。根据交通标志的以上特点，我们将图像中的目标进行颜色和形状的分割，在处理后加以匹配和识别。

项目总体分为三个部分，分别是目标提取、特征提取、识别。下面从这三个方面介绍如何实现。

目标提取：将目标进行颜色分割，分为红、黄、蓝三部分，使用二值去噪去除噪声，之后使用八临点去除杂质等方法实现形态处理，最后实现目标提取。流程图如下。

图1

特征提取：将目标提取出来之后需要进行特征提取，根据一般路标的形态与特征，我们将目标分为红色圆形、黄色三角形、蓝色圆形、蓝色矩形、红色三角形五种，分别进行提取，提取出来之后通过Zernike矩计算，提取八个Zernike不变矩。流程图如下。

图2

识别：提取出不变矩之后，根据前面目标的分类，分别进入红色圆形神经网络、黄色三角形神经网络、蓝色圆形神经网络、蓝色矩形神经网络、红色三角形神经网络等五个神经网络，运用最小欧式距离进行相似度比较，最终实现目标。流程图如下。

图3

1.2相关算法介绍

1.2.1  颜色分割算法

1.   基于RGB空间的分割算法

分析：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)共有三种颜色(红色表示禁令，黄色表示警告，蓝色表示指示)在RGB模型中，其各分量极易受光照的影响，各个分量间关联性较大，难以较好的分割各个颜色，但RGB空间运算量小，速度快。

(1)     三色差量法：

对于所研究图像的所有像素点：

如果（R-G）>0.08&&(R-B)>0.08那么是红色像素

如果（B-G）>0.01&&(B-R)>0.01那么是蓝色像素

如果（R-B）>0.12&&(G-B)>0.12那么是黄色像素

如果(是其它数值)那么是其它色彩像素。

 

经测试和实践，我们选择了基于RGB空间的三色差量改进分割算法

具体算法如下：在上述三色差量改进算法中，实践测试下，黄色及蓝色分割并不理想。于是我们提出蓝色和黄色增强分割算法。对于蓝色分割，在RGB分割的初步条件下，确定蓝色目标大概范围，然后在截取该范围进行HSV空间的增强分割。对于黄色部分的分割，目前大多数算法都不够理想，我们提出在黄色部分的基础上在进行黑色的检测。这样对于黄色三角形标志，由于黄色部分所占的比例并不是太大，检测中容易漏检。加上黄色边缘的黑色分割，可以增大标志面积，提高提取率。

1.2.2         目标检测算法

     对分割出的图像，进行轮廓提取。然后计算每个轮廓的外接矩形。初步通过矩形的大小、长宽比去掉一些小的目标。

1.2.3         形状分类算法

对于交通标志，一共有五类。即，红色圆形，红色三角形，蓝色圆形，蓝色矩形，黄色三角形。一般形状可以用几何特征、不变矩等方法分割。HU不变矩具有旋转、伸缩不变性。但要耗费一定时间计算HU不变矩。我们采用几何特征分类^[5]。

具体算法如下：

  对于每个待提取目标，计算出每个目标轮廓的外接矩形或外接圆形、轮廓包含面积、轮廓长度等特征进行区分

对于圆形

            rate =PI*radius*radius/(rect.area());

其中radius为目标外接圆形半径

         if (rate<0.8||rate>1.4)  判断为非圆形

              else 则为圆形

对于矩形

doublerarea=abs(contourArea(contour,true));//轮廓面积

doublerate_l,rate_s;

rate_l =lc/(2*(rect.width+rect.height));

rate_s =rarea/(rect.area());

其中lc为轮廓周长

if(rate_l<1.15&&rate_l>0.85&&rate_s<1.15&&rate_s>0.85)则为矩形

否则进行HSV空间提取，再用同样的条件选取目标。

对于三角形

double rate_s =2*abs(contourArea(contour,true))/(rect.area());

coun为轮廓

通过轮廓面积与外接矩形的比值确定

if (rate_s<0.75||rate_s>1.35)   判断为非三角形

否则为三角形

1.2.4         特征提取算法

图像特征一般有几何特征、不变矩特征通过提取zernike不变矩，考虑到时间，我们提取了8个zernike不变矩特征作为神经网络的输入。

1.2.5         目标识别算法

    目前识别算法主要有图片特征匹配、神经网络、支持SVM等 

我们选取了应用较为广泛的BP神经网络算法。

根据目标分类，共设计训练了5类BP神经网络

具体特征如下：

/*****************************************

BP ANN NAME:     innode     hidenode    outnode     

redcircle         8           12         6

redtri            8           6          2

bluecircle        8           10         5

bluerect          8           8          4

yellowtri         8           12        6

****************************************/

平台为OPENCV CVANN_MLP 神经网络；

1.3各模块设计与实现

  1.3.1 图像分割

在image_segmentation.h下

       //color division

void   colordivision(Mat rgbimage,Mat &redbw,Mat &yellowbw,Mat &bluebw );

void   hsvdivision(const Mat &src,Mat &division,int whichcolor);

  1.3.2 目标提取

在image_segmentation.h下

//提取圆形、三角形、矩形标志

      void   findCircleRegion(Mat&image ,Mat&bw,vector< vector<Point>> contours,vector<Rect> &signroi,bool Isdrawrectangle);

void   findRectangleRegion(Mat&image ,Mat&bw,vector< vector<Point>> contours,vector<Rect> &signroi,bool Isdrawrectangle);

void   findTriangleRegion(Mat&image ,Mat&bw,vector< vector<Point>> contours,vector<Rect> &signroi,bool Isdrawrectangle);

1.3.3 特征提取

 在zernike.h目录小

         void getZernikeMoment(const Mat &src, double Ze[8]);

1.3.4 神经网络识别

 在data目录下5个XML文件通过加载可以直接识别

        bpredcircle.load("data/redcircle.xml");

        bpredtri.load("data/redtri.xml");

        bpbluecircle.load("data/bluecircle.xml");

        bpbluerect.load("data/bluerect.xml");

        bpyellowtri.load("data/yellowtri.xml");

二、测试与分析

2.1数据来源与真实性

  由于并没有找到可靠地数据库资源，为了保证图片来源的广泛性和真实性，我们通过互联网搜集与路标相关的图片，比较具有代表性,且真实的反映出实际环境下的识别和检测效果。

2.2基本分类器实现效果

     

 对于红色：红色比较容易分割，目标提取率较高

 对于蓝色：蓝色比较容易受环境的影响，比如天空的颜色，很容易干扰识别效果。

 对于黄色：黄色范围比较小，识别较为困难，若增大识别范围，很容易识别多余的目标，比如偏于黄色的树叶等环境物体。在整体光线不强的情况下，黄色也十分难以分割出来。

                             目标检测测试

类型	测试数量	正确检测数量	正确检测率
红色圆形	30	28	93.3%
红色三角形	10	8	80%
黄色三角形	30	26	86.7%
蓝色圆形	20	18	90%
蓝色矩形	20	18	90%

 

2.3识别效果

由于我们训练的数据有限，我们选取了10组红色圆形标志、10组黄色三角形标志、10组蓝色圆形标志、7组蓝色矩形标志、4组红色三角形标志。对于已经训练过的图片，可以正确识别，和训练图片环境接近的图片也可以识别出来。受于训练数据的影响，对于其他受环境影响较大，残缺不完整的交通标志，识别准确率不高，还必须进一步优化和提高。

                             识别测试

类型	测试数量	正确识别数量	正确识别率
红色圆形	30	25	83.3%
红色三角形	10	7	70%
黄色三角形	30	23	76.7%
蓝色圆形	20	16	80%
蓝色矩形	20	16	80%

 

2.4 实时性

  由于我们采用的RGB分割图像，减少了HSV浮点数运算的计算量，可以减小检测间，提高实时性。

       硬件平台：

      

软件平台：

 VS2010 +OPENCV 2.4.5实时性测试(图片没有归一化为640x480，仅供参考)

类型	图片大小	图片数量/张	平均时间/ms
红色	640x480~320x220	20	170
黄色	640x480~320x220	20	177
蓝色	640x480~320x220	20	160
混合	640x480~320x220	20	185