一种基于HOG‑CTH组合特征的交通标志识别方法技术

本发明专利技术公开了一种基于HOG‑CTH组合特征的交通标志识别方法，所述方法包括：利用训练样本训练分类器模型；检测定位实景图中的交通标志图像；提取定位后交通标志图像的HOG‑CTH融合特征向量；识别测试图片所属交通标志类型。本发明专利技术提供的基于HOG‑CTH组合特征的交通标志识别方法，能在很大程度上减少计算复杂度，还能获得较高识别率，鲁棒性较强。

A traffic sign recognition method based on the combination of CTH HOG

The invention discloses a traffic sign recognition method HOG CTH based on a combination of features, the method includes: using the training samples to train the classifier model; traffic sign detection and location in the real map image; extracting after positioning the traffic sign image HOG CTH fusion feature vector; picture recognition test is a traffic sign of the type. Traffic sign recognition method based on the combination of HOG CTH provided by the invention can reduce the computational complexity to a great extent, but also get a higher recognition rate, robustness.

【技术实现步骤摘要】
一种基于HOG-CTH组合特征的交通标志识别方法
本专利技术属于图像识别
，尤其涉及一种基于HOG-CTH组合特征的交通标志识别方法。
技术介绍
汽车工业的发展极大地方便了人们的工作、生活，但也不可避免地带来了交通安全问题。解决交通安全问题的途径之一是准确、有效地设立道路交通标志，为驾驶员提供丰富的禁令、警告、指示等信息，从而起到减少交通事故的作用。为了确保交通标志的信息能够及时、准确地传达，交通标志自动识别系统(TrafficSignRecognition,TSR)受到了各国学者的关注。交通标志识别系统具有广泛的应用前景，主要应用于驾驶辅助、交通标志维护、无人驾驶等多个领域，涉及到机器视觉、模式识别、图像处理、数字信号处理、人工智能、通信与信息技术等多个学科，它和人脸识别、目标跟踪一样是典型的模式识别应用系统。交通标志识别系统主要包括两个基本技术环节：首先是交通标志的检测，包括交通标志定位及必要的预处理；其次是交通标志的分类识别，包括交通标志的特征提取与分类。在检测阶段，主要采用阈值分割，模板匹配等方法；在分类阶段，主要从学习器和图像特征方面寻求解决方案，即提取合适的图像特征采用合适的学习器完成最终的交通标志识别任务。总体来说现阶段交通标志识别方法识别准确率不高，运算时间较长，难以满足车载实时性的需求。
技术实现思路
针对现有技术中存在的问题与不足，本专利技术的目的是提供一种基于HOG-CTH组合特征的交通标志识别方法。为实现上述目的，本专利技术采取以下技术方案：一种基于HOG-CTH组合特征的交通标志识别方法，包括以下步骤：S1：利用训练样本训练分类器模型步骤S1-1：确定训练集；步骤S1-2：分别提取所述步骤S1-1所确定训练集中训练样本图像的方向梯度直方图HOG特征和统计变换直方图CTH特征，并将CTH特征向量细量化，串联HOG和CTH两种特征向量得到HOG-CTH融合特征向量；步骤S1-3：使用线性支持向量机SVM算法对所述步骤S1-2得到的HOG-CTH融合特征向量进行训练，获得SVM交通标志分类器；S2：检测定位实景图中的交通标志图像步骤S2-1：在HSV颜色空间下对自然场景下交通标志进行颜色分割；步骤S2-2：对所述步骤S2-1中经颜色分割后的区域进行形态学图像处理；步骤S2-3：定位裁剪出分割出的交通标志图像；S3：利用分类器模型识别交通标志图像步骤S3-1：对所述S2中检测定位实景图中的交通标志图像灰度化处理；步骤S3-2：提取经灰度化处理的交通标志图像的HOG-CTH融合特征；步骤S3-3：利用S1中已经训练好的SVM交通标志分类器识别出交通标志所属类型。所述步骤S1-2具体为：采用gamma校正法对输入的交通标志图像进行颜色空间归一化，先转化为灰度图，设Ig(x,y)是(x,y)坐标像素点的灰度值，gamma压缩公式：Ig(x,y)＝Ig(x,y)gamma，取gamma＝0.5(1)计算交通标志图像每个像素的梯度幅值和方向，使用3×3Sobel模板对交通标志图像进行卷积计算，则Ig(x,y)的梯度为：Gx(x,y)、Gy(x,y)分别代表横向及纵向边缘检测的梯度，而像素点(x,y)的梯度幅值大小G(x,y)和方向θ(x,y)如式(4)和式(5)所示：对于彩色图像可以分别计算它们各个颜色通道的梯度，选择其中幅值最大的值作为该像素点的梯度；统计单元内梯度直方图，将图像窗口区域划分成均匀分布的cell单元，每个cell单元包含4×4个像素，每个cell单元内把的梯度方向平均分成9个bin区间，然后在每个cell单元内所有像素的梯度值再分别在各个bin区间进行直方图统计，分别统计cell单元内方向梯度直方图；归一化区域块内梯度方向直方图，每2×2个cell组成一个block块，一个block块形成36维的特征向量，利用L2-范数对整个block块进行归一化，如式(6)所示：其中v为特征向量，||v||2表示v的2阶范数，ε表示一个常数，用以避免分母为0；序列化形成HOG特征向量，将所有block块的HOG特征进行序列化处理，构成训练样本或检测窗图像最终的HOG特征向量。计算像素点的统计变换，依次顺时针编号为：p0～p7；依据幅值关系，获得像素点之间的符号差分值：T＝t(s(pc-p0),s(pc-p1),..,s(pc-p7))(7)其中：式中，t()函数表示符号差分值的联合分布函数；s(pc-pi)表示当前像素点pc与第i邻域点pi之间的符号差分值；此时当前像素点pc的对应CTH值由式(9)计算得出：式中，N为邻域像素点数量，R为CTH计算半径；细量化处理：引入0-1变换的概念，由0到1或由1到0都认为是一次0-1变换，中心像素点pc的0-1变换次数u的计算可用式(10)表示：根据像素点的0-1变换次数来统一化CTH特征值，如式(11)所示：通过统计上述稀疏化的CTH特征值的直方图，得到相应的特征；统计block块直方图并做归一化处理，对block块中的CTH直方图也采用L2-范数进行归一化处理，使HOG和CTH两种特征向量这两类特征相互融合，得到HOG-CTH融合特征向量；将HOG-CTH融合特征向量放入线性支持向量机SVM算法中训练，得到SVM交通标志分类器。有益效果：与现有技术相比，本专利技术使用的基于HOG-CTH融合特征来进行交通标志识别，在检测阶段，使用基于HSV色彩空间下交通标志检测方法，在HSV空间里进行颜色阈值分割，然后将分割出的区域进行填充膨胀，并标记下一系列特征，然后通过计算这些特征满足的条件与否进行候选区域的筛选，最后再从原图中把交通标志的区域裁剪下来，完成检测。此方法尺度恒定，能够在复杂的交通标志场景中进行可靠的交通标志检测，便于进行下一步识别。在识别阶段，结合了梯度特征和纹理特征，在描述性能上比单一特征要丰富，能弥补单一特征的局限性从而提高识别率。在采用融合特征提高识别率的同时，由于对CTH特征细量化，使得特征维度得到很大降低，因此不仅大大缩短了识别的时间，同时也提高了系统的鲁棒性。附图说明图1是本专利技术的流程图；图2是本专利技术中HOG-CTH组合特征提取流程图；图3是本专利技术中CTH特征计算图。具体实施方式下面结合附图对本专利技术的技术方案进行详细的描述。如图1所示，一种基于HOG-CTH组合特征的交通标志识别方法，包括以下步骤：步骤A：选择训练样本，这里选用我国的交通标志数据库作为正样本，样本集中一共包含了43种不同的交通标志，每一种交通标志为一个类别，对43种不同的交通标志设定类标签，随机拍摄多个不包含交通标志的图像集作为负样本。步骤B：如图2所示，提取步骤A中训练样本的HOG(HistogramofOrientedGradient特征；步骤B1：采用gamma校正法对输入图像进行颜色空间归一化，平方根gamma标准化可以很好地消除图像整体光照和对比度的影响。因为颜色信息作用不大，通常先转化为灰度图，设Ig(x,y)是(x,y)坐标像素点的灰度值，gamma压缩公式：Ig(x,y)＝Ig(x,y)gamma，取gamma＝0.5(1)步骤B2：计算图像每个像素的梯度幅值和方向，使用3×3Sobel模板对交通标志图像进行卷积计算，则Ig(x,y)的梯度为：Gx本文档来自技高网...

【技术保护点】
一种基于HOG‑CTH组合特征的交通标志识别方法，其特征在于，包括以下步骤：S1：利用训练样本训练分类器模型步骤S1‑1：确定训练集；步骤S1‑2：分别提取所述步骤S1‑1所确定训练集中训练样本图像的方向梯度直方图HOG特征和统计变换直方图CTH特征，并将CTH特征向量细量化，串联HOG和CTH两种特征向量得到HOG‑CTH融合特征向量；步骤S1‑3：使用线性支持向量机SVM算法对所述步骤S1‑2得到的HOG‑CTH融合特征向量进行训练，获得SVM交通标志分类器；S2：检测定位实景图中的交通标志图像步骤S2‑1：在HSV颜色空间下对自然场景下交通标志进行颜色分割；步骤S2‑2：对所述步骤S2‑1中经颜色分割后的区域进行形态学图像处理；步骤S2‑3：定位裁剪出分割出的交通标志图像；S3：利用分类器模型识别交通标志图像步骤S3‑1：对所述S2中检测定位实景图中的交通标志图像灰度化处理；步骤S3‑2：提取经灰度化处理的交通标志图像的HOG‑CTH融合特征；步骤S3‑3：利用S1中已经训练好的SVM交通标志分类器识别出交通标志所属类型。

【技术特征摘要】
2016.05.12 CN 20161031911561.一种基于HOG-CTH组合特征的交通标志识别方法，其特征在于，包括以下步骤：S1：利用训练样本训练分类器模型步骤S1-1：确定训练集；步骤S1-2：分别提取所述步骤S1-1所确定训练集中训练样本图像的方向梯度直方图HOG特征和统计变换直方图CTH特征，并将CTH特征向量细量化，串联HOG和CTH两种特征向量得到HOG-CTH融合特征向量；步骤S1-3：使用线性支持向量机SVM算法对所述步骤S1-2得到的HOG-CTH融合特征向量进行训练，获得SVM交通标志分类器；S2：检测定位实景图中的交通标志图像步骤S2-1：在HSV颜色空间下对自然场景下交通标志进行颜色分割；步骤S2-2：对所述步骤S2-1中经颜色分割后的区域进行形态学图像处理；步骤S2-3：定位裁剪出分割出的交通标志图像；S3：利用分类器模型识别交通标志图像步骤S3-1：对所述S2中检测定位实景图中的交通标志图像灰度化处理；步骤S3-2：提取经灰度化处理的交通标志图像的HOG-CTH融合特征；步骤S3-3：利用S1中已经训练好的SVM交通标志分类器识别出交通标志所属类型。2.根据权利要求1所述的一种基于HOG-CTH组合特征的交通标志识别方法，其特征在于，所述步骤S1-2具体为：采用gamma校正法对输入的交通标志图像进行颜色空间归一化，先转化为灰度图，设Ig(x,y)是(x,y)坐标像素点的灰度值，gamma压缩公式：Ig(x,y)＝Ig(x,y)gamma，取gamma＝0.5(1)计算交通标志图像每个像素的梯度幅值和方向，使用3×3Sobel模板对交通标志图像进行卷积计算，则Ig(x,y)的梯度为：Gx(x,y)、Gy(x,y)分别代表横向及纵向边缘检测的梯度，而像素点(x,y)的梯度幅值大小G(x,y)和方向θ(x,y)如式(4)和式(5)所示：对于彩色图像可以分别计算它们各个颜色通道的梯度，选择其中幅值最大的值作为该像素点的梯度；统计单元内梯...

【专利技术属性】
技术研发人员：张尤赛，孙露霞，李永顺，周旭，张硕，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏,32