一种基于图像处理的交通标志检测识别方法技术

本发明专利技术公开了一种基于图像处理的交通标志检测识别方法。该方法包括以下步骤：获取原始的含有交通标志的图像，基于YCrCb彩色空间对图像进行增强，利用HSV颜色空间进行颜色阈值分割获取感兴趣的颜色区域并且将图像二值化，转入下一步；利用圆形和三角形检测算法对二值化图片进行进一步处理，对检测出的圆形和三角形目标进行定位，转入下一步；采用HOG特征与SVM分类器结合的方法对定位出来的目标进行识别，辨别分割到的图像中是否含有交通标志，转入下一步；将经过SVM分类器分类后含有交通标志的感兴趣区域图片输入到训练后的卷积神经网络中，得到交通标志的类别信息。本发明专利技术提高了交通标志检测识别的效率和精度。高了交通标志检测识别的效率和精度。高了交通标志检测识别的效率和精度。

【技术实现步骤摘要】
一种基于图像处理的交通标志检测识别方法


[0001]本专利技术涉及智能交通
，特别是一种基于图像处理的交通标志检测识别方法。

技术介绍

[0002]为了提高交通运输效率，保障道路安全，维护社会和谐稳定，世界各国相继投入到智能交通系统ITS(Intelligent Transportation System,ITS)，智能交通系统包括了各种车辆的管理系统、机动车控制系统、交通信息监管系统等多个子系统，涵盖了如今多个领域的先进技术，例如环境感知技术、数字通信技术、以及图像方面和汽车制造领域的各项尖端技术等，实现了任何角度、精确、实时的交通管理。其中，交通标志的检测与识别系统是现代智能车辆环境感知系统至关重要的部分，不仅可以有效地规范各种交通参与人员的行为，而且可以减小驾驶员的驾驶压力，从而降低交通事故的发生概率，并且交通标志的检测与识别系统也为交通标志的日常维护提供便利。与此同时，人工智能的发展极大的促进了智能驾驶的快速进步，其中无人驾驶汽车的研究获得了重大突破。无人驾驶汽车能够完成自主驾驶，也离不开对交通标志检测与识别。
[0003]目前，对于交通标志的检测主要是基于交通标志的形状和颜色提取感兴趣区域，在交通标志的识别方面主要采用传统机器学习方法和深度学习进行分类识别。但是由于光照、环境干扰等影响导致目前的检测效果还不能用于日常生活中，随着人们对行车安全的越来越重视，对交通标志的检测识别的准确和实时性提出了更高的要求。

技术实现思路

[0004]本专利技术的目的在于提供一种准确、高效的基于图像处理的交通标志检测识别方法。
[0005]实现本专利技术目的的技术解决方案为：一种基于图像处理的交通标志检测识别方法，包括以下步骤：
[0006]步骤S1、获取原始的含有交通标志的图像，基于YCrCb彩色空间对图像进行增强，利用HSV颜色空间进行颜色阈值分割获取感兴趣的颜色区域并且将图像二值化，转入步骤S2；
[0007]步骤S2、利用圆形和三角形检测算法对二值化图片进行进一步处理，对检测出的圆形和三角形目标进行定位，转入步骤S3；
[0008]步骤S3、采用HOG特征与SVM分类器结合的方法对定位出来的目标进行识别，辨别分割到的图像中是否含有交通标志，转入步骤S4；
[0009]步骤S4、将经过SVM分类器分类后含有交通标志的感兴趣区域图片输入到训练后的卷积神经网络中，得到交通标志的类别信息。
[0010]进一步地，步骤S1所述获取原始的含有交通标志的图像，基于YCrCb彩色空间对图像进行增强，利用HSV颜色空间进行颜色阈值分割获取感兴趣的颜色区域并且将图像二值
化，转入步骤S2，具体包括：
[0011]步骤1-1)基于YCrCb颜色模型进行图像增强；
[0012]将图像从RGB空间转换为YCrCb空间，分离出Y通道得到原图的灰度图后进行自适应直方图均衡，调整图像的全局亮度和对比度，将YCrCb图像中分离的“Cr”通道与“Cb”通道进行合并得到增强处理后的彩色图像；
[0013]步骤1-2)将RGB空间转换为HSV颜色空间，根据HSV颜色空间中各个颜色的分布情况，从HSV颜色空间的“H”通道中分离出蓝、黄、红三色分量，以“或”运算制作图像掩膜，与原始图像进行按位“与”运算得到颜色阈值分割后的二值图像。
[0014]进一步地，步骤S2所述利用圆形和三角形检测算法对二值化图片进行进一步处理，对检测出的圆形和三角形目标进行定位，转入步骤S3，具体包括：步骤2-1)利用圆形度检测圆形目标，圆形度的大小代表了该区域与圆形的相似程度，利用该区域的周长和面积进行计算，圆形度接近于1时越接近圆，圆形度如公式(1)所示：
[0015][0016]其中p
c
表示该区域与圆形的相似程度，S
c
表示连通区域的面积S
c
＝πr2，C
c
为连通区域像素点连接的长度，C
c
＝2πr；
[0017]步骤2-2)利用正三角形的特征检测三角形的交通标志，正三角形具有对称性，根据标志的几何特性计算感兴趣连通区域的周长、面积及其三角形度p
t
，当三角形度接近于1时图形接近于圆。
[0018]进一步地，步骤S3所述采用HOG特征与SVM分类器结合的方法对定位出来的目标进行识别，辨别分割到的图像中是否含有交通标志，转入步骤S4，具体包括：
[0019]步骤3-1)提取目标图像的HOG特征；
[0020]首先对图像的像素大小作归一化处理，缓解图像局部的质量问题，然后计算图像的梯度，像素梯度的大小和方向如式(2)和(3)所示：
[0021][0022][0023]式中G
x
(x,y)、G
y
(x,y)分别表示图像中(x,y)像素位置的水平梯度、垂直梯度，α(x,y)代表(x,y)像素位置梯度的方向；
[0024]将原始图像划分为多个相同单元区域，整理获得每个单元上的梯度直方图，最后将细胞单元的梯度合并，在空间上形成一个连接空间，得到由所有单元区域直方图组成的HOG特征向量；
[0025]步骤3-2)训练SVM分类器；
[0026]采用GTSRB数据集作为训练分类器的正样本数据，利用平移、旋转、仿射变换对数据集进行扩充加强，其他图像作为负样本，训练过程为：
[0027]将训练样本的图片尺寸大小变为统一的32
×
32，计算所有样本的HOG的特征向量；将图像中每8
×
8个像素点作为一个细胞单元，相邻的四个细胞单元作为一个块，统计每个细胞单元9个方向上的梯度信息，采用L2归一化函数，以此获得样本图片的HOG特征向量；将
HOG特征输入到支持向量机进行训练，支持向量机的训练过程看作是一个优化问题，即最小化函数
[0028][0029]其中ω为样本分隔面的法向量，ζ为松弛参量，l为样本的数目，i为样本的编号，C为惩罚因子，惩罚因子C决定了训练过程中对于离群样本数据的在意与否。
[0030]进一步地，步骤S4所述将经过SVM分类器分类后含有交通标志的感兴趣区域图片输入到训练后的卷积神经网络中，得到交通标志的类别信息，具体包括：
[0031]步骤4-1)经典神经网络LeNet-5是卷积神经网络模型，由卷积层、池化层、全连接层、激活函数和目标函数这些部分组成，基于LeNet-5网络结构，在卷积操作形成的特征层后添加局部响应归一化函数，归一化函数公式为：
[0032][0033]式中，表示卷积层处理后的输出结果，这个输出结果是一个四维数据结构[a,b,c,d]，即第a张图的第d个通道下，高度为b宽度为c的点，N表示总通道数，k、α、β均为自定义参数；为归一化后的值；
[0034]步骤4-2)使用两个3
×
3的卷积核代替5
×
5的卷积核。
[0035]本专利技术与现有技术相比，其显著本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的交通标志检测识别方法，其特征在于，包括以下步骤：步骤S1、获取原始的含有交通标志的图像，基于YCrCb彩色空间对图像进行增强，利用HSV颜色空间进行颜色阈值分割获取感兴趣的颜色区域并且将图像二值化，转入步骤S2；步骤S2、利用圆形和三角形检测算法对二值化图片进行进一步处理，对检测出的圆形和三角形目标进行定位，转入步骤S3；步骤S3、采用HOG特征与SVM分类器结合的方法对定位出来的目标进行识别，辨别分割到的图像中是否含有交通标志，转入步骤S4；步骤S4、将经过SVM分类器分类后含有交通标志的感兴趣区域图片输入到训练后的卷积神经网络中，得到交通标志的类别信息。2.根据权利要求1所述的交通标志检测识别方法，其特征在于，步骤S1所述获取原始的含有交通标志的图像，基于YCrCb彩色空间对图像进行增强，利用HSV颜色空间进行颜色阈值分割获取感兴趣的颜色区域并且将图像二值化，转入步骤S2，具体包括：步骤1-1)基于YCrCb颜色模型进行图像增强；将图像从RGB空间转换为YCrCb空间，分离出Y通道得到原图的灰度图后进行自适应直方图均衡，调整图像的全局亮度和对比度，将YCrCb图像中分离的“Cr”通道与“Cb”通道进行合并得到增强处理后的彩色图像；步骤1-2)将RGB空间转换为HSV颜色空间，根据HSV颜色空间中各个颜色的分布情况，从HSV颜色空间的“H”通道中分离出蓝、黄、红三色分量，以“或”运算制作图像掩膜，与原始图像进行按位“与”运算得到颜色阈值分割后的二值图像。3.根据权利要求1所述的交通标志检测识别方法，其特征在于，步骤S2所述利用圆形和三角形检测算法对二值化图片进行进一步处理，对检测出的圆形和三角形目标进行定位，转入步骤S3，具体包括：步骤2-1)利用圆形度检测圆形目标，圆形度的大小代表了该区域与圆形的相似程度，利用该区域的周长和面积进行计算，圆形度接近于1时越接近圆，圆形度如公式(1)所示：其中p
c
表示该区域与圆形的相似程度，S
c
表示连通区域的面积S
c
＝πr2，C
c
为连通区域像素点连接的长度，C
c
＝2πr；步骤2-2)利用正三角形的特征检测三角形的交通标志，正三角形具有对称性，根据标志的几何特性计算感兴趣连通区域的周长、面积及其三角形度p
t
，当三角形度接近于1时图形接近于圆。4.根据权利要...

【专利技术属性】
技术研发人员：李军，徐康民，王茂琦，李浩，程光皓，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：