戈 侠， 于凤琴， 陈 莹

(江南大学 物联网工程学院，江苏 无锡 214122)

具有Harris角点的RANSAC交通标志检测算法*

戈 侠， 于凤琴， 陈 莹

(江南大学 物联网工程学院，江苏 无锡 214122)

考虑到交通标志具有颜色与形状这两个特征，提出了一种具有Harris角点特征的随机抽样一致性(RANSAC)算法来对交通标志进行检测。通过对含交通标志图像进行颜色特征提取后利用Canny算子对边缘进行检测，再利用Harris角点检测算子来提取初步检测后图像的角点，最后通过RANSAC算法与检测模型进行匹配进行检测，得出结果。仿真实验表明:该算法在检测率上达到了84%，也基本满足了实时性的要求。

交通标志检测； Harris角点检测； Canny算子； 随机抽样一致性算法

0 引 言

交通标志检测[1]就是通过图像处理和模式识别等技术让计算机来判断图像中是否含有交通标志。它在辅助驾驶系统、无人驾驶智能车[2]、智能机器人[3]等领域有着广泛的应用。根据交通标志的特点可知颜色和形状是其最显著的两个特征，所以目前大部分主流检测算法都是围绕着这两个特征进行的。文献[4]利用归一化后的RGB彩色空间对图像进行分割，该方法不需进行复杂的空间转换，具有较好的实时性，但是对于光照强弱或者雨天等情况时，分割效果不理想。文献[5]利用多边形对称变换法来检测矩形交通标志，虽然可以较好地检测出交通标志，且具有较好的实时性，但是检测仅对矩形交通标志有效，有一定的局限性。文献[6]将颜色特征和形状特征结合在一起，可以很好地检测出交通标志，但是缺乏良好的实时性。文献[7]利用Canny算子对预处理后的交通标志进行边缘检测，然后采用轮廓检测结合形状逼近的方法进行交通标志形状检测。该方法对交通标志进行检测时，对交通标志的轮廓容差性比较小，易造成交通标志的错检测率和漏检测率。

针对交通标志具有特定颜色和形状这些特征，本文提出了基于角点检测和随机抽样一致性(random sampling consensus ，RANSAC) 融合的交通标志检测算法。

1 基本原理

1.1 Canny边缘检测

Canny算子[8]是由 John Canny提出的应用较为广泛的边缘检测算子之一，相对于传统的边缘检测算子，具有定位准确，抗噪声等优点。

在进行Canny算法之前，先要利用高斯滤波器分别对图像按照行和列进行滤波处理，其目的是消除图像中的高频噪声部分。设高斯函数为

(1)

将其与原始图像f(x,y)进行卷积操作，得到平滑图像I(x,y)为

I(x,y)=[G(x)G(y)]*f(x,y)

(2)

式中 σ为高斯函数的标准差，用来控制平滑程度，对于σ小的滤波器，可以得到较高的精确定位，但是信噪比低；σ大的滤波器则相反。

然后对两个方向模板进行卷积计算，来对图像边缘进行增强，其中

(3)

作用结果为

(4)

得到梯度幅值M(x,y)和梯度方向H(x,y)为

(5)

得到的梯度幅值M(x,y)若大于或等于沿梯度方向H(x,y)相邻的像素点的幅值，则判断该点为可能的边缘点。最后对边缘点进行连接，便组成了所需要的轮廓。

1.2 Harris角点检测

Harris角点检测[9,10]的原理为：如果在图像中某一点向任何方向移动对应的窗口w，都会引起灰度的剧烈变换，则可以说明该点是一个角点。其灰度的改变量可以表示为

(6)

(7)

R(x,y)=λ1λ2-k(λ1+λ2)

(8)

式中 λ1和λ2为自相关矩阵的特征值，而k为经验值，通常取0.04～0.06，为方便计算，本文取0.04。当角点R(x,y)大于某个设定的阈值则，该点则为Harris特征角点。

1.3 RANSAC算法

RANSAC算法[11]是从一组包含了异常值的观测数据中估算其数学模型参数的迭代算法。其基本假设为：数据由“局内点”组成，比如数据的分步可以用一些模型参数来解释，而“局外点”是不能适应该模型的数据的，除此之外的其余数据都属于噪声。在测试数据集中，与模型距离小于预先设定阈值的点则被认为是内点。每一次迭代而产生的模型比现有的模型内点数更多时则被保留，其迭代次数表达式为

(9)

式中 n为构造模型所需要的点数，p为迭代过程中选择数据为局内点的概率，此时估计模型为有效模型的可能性比较大，w为每次从数据集中选取一个局内点的概率，即局内点数与数据集点数的比例。

由于确定一条直线需要两点，所以,本文所估计参数的直线模型为

(y2-y1)x-(x2-x1)y+y1(x2-x1)-x1(y2-y1)=0

(10)

由于确定一个圆至少需要3个不共线的点，所以,需要从数据集中随机选取3个点来完成模型的估计。其中用于确定圆形轮廓的圆心和半径为

(11)

(12)

式中 (x1,y1)，(x2,y2)，(x3,y3)为数据集中的三个点，而(x,y)为测试集上的点，R为圆的半径。找出符合上述模型的局内点，当局内点的数量大于设定的阈值时，就认为检测的模型是有效的。

2 算法实现步骤

基于角点特征和RANSAC融合的交通标志检测流程图如图1所示。

图1 基于角点特征和RANSAC融合的交通标志检测流程图

3 仿真实验与结果分析

本算法运行的软件环境为Matlab7.1(R2013a)。实验中采用的图像一部分来源于GTSRB(German Traffic Sign Recognition Benchmark)图像库中的图像[12]，一部分来源于网上搜集的图像。

为了客观评价本文所提出的改进的RANSAC算法的有效性，在检测中，将本文算法、颜色检测算法、形状检测算法和角点检测算法进行了比较。

图2是仅仅提取了颜色特征对交通标志进行检测的结果，图2(a)中正确检测出了道路指示标志，但是也将与警告类交通标志颜色相近的公交车也检测了出来。图2(b)可以正确地检测出两种指示类交通标志，但是却错误地检测出了护栏，安全提示杆等影响了检测结果。而图2(c)中禁止类交通标志被正确地检测了出来，但是由于工程车颜色与警告类交通标志相近，也被检测了出来。

图2 通过颜色阈值检测出的错误交通标志结果

图3是通过Canny算子对含交通标志图像进行检测的结果。图3(a)可以很好地检测出交通标志的边缘，但是当场景边缘比较复杂时，如图3(b),3(c)，可以看出背景边缘较多，对后面正确检测出交通标志要求较高，且处理复杂。

图3 通过Canny算子对含交通标志图像的检测结果

图4是通过Harris角点检测算子对含交通标志场景图像进行角点检测的结果。由图4(a)可以看出，通过对图像进行角点算子检测，可以很好地将交通标志检测出来。但是图4(b),4(c)中，错落的树叶会产生大量的角点，不易检测出交通标志。

图4 通过Harris角点检测算子对含交通标志图像的检测结果

图5是通过本文算法对交通标志场景图片进行检测，得出的两个交通标志检测结果。通过图5(a)，5(b)可以看出，本文算法可以很好地检测出交通标志。但是通过图6(a)，6(b)可以看出由于窗户的颜色与指示类交通标志的颜色相近，且窗户的轮廓符合指示类交通标志的轮廓类型，所以,在对交通标志进行检测时，窗户被错误的检测了出来。

图5 通过本文算法对含交通标志图像的检测结果

图6 通过本文算法对含交通标志图像的检测结果

表1给出了用颜色特征、Canny边缘算子、Harris角点算子和本文算法在检测率和平均时间上的对比，从表1可以看出，本文算法在检测率要高于其他三种算法。同时，从平均检测率上来说，本文的算法在时间检测上要比其他检测方法慢，但是基本满足了系统检测的实时性。

表1 四种方法检测结果和平均时间的比较

4 结 论

仿真实验表明：该方法能够得到较好的交通标志检测性能。但是，在场景中有与交通标志相似物体干扰的情况下，本文算法会产生错误的检测结果，今后还有待对相似物体检测排除做进一步研究。

[1] Mogelmose A,Trivedi M,Moselund T.Traffic sign detection and analysis:Recent studies and emerging trends[C]∥2012 The 15th International IEEE Conference on Intelligent Transportation Systems (ITSC),2012:1310-1314.

[2] Ross P.Robot,you can drive my car[J].IEEE Spectrum,2014,6(51):60-90.

[3] Shen Xiangrong,Dumpert J,Farritor S.Design and control of robotic highway safety makers[J].IEEE Transactions on Mechatronics,2005,10(5):513-520.

[4] Yu Yuanlong,Gu Zhaojie,Liu Huaping.A visual attention based method for detecting traffic signs of interest[C]∥2014 IEEE International Conference on Information and Automation (ICIA),2014:290-294.

[5] Jeongmok H,Sungyong J,Hong J,et al.Polygonal symmetry transform for decting rectangular traffic signs[C]∥2014 The 14th International Conference on Control,Automation and Systems(ICCAS),2014:1064-1069.

[6] Wang Qiang,Liu Xinxin.Traffic sign segmentation in natural scenes based on color and shape features[C]∥2014 IEEE Workshop on Advanced Research and Technology in Industry Applications(WARTIA),2014:374-377.

[7] 卢艳君.交通标志自动检测与识别算法研究[D].武汉：武汉大学，2015.

[8] Geng Hao,Luo Min,Hu Feng.Improved self-adaptive edge detection method based on canny[C]∥2013 The 5th International Intelligent Human-Machine Systems and Cybernetics(IHMSC),2013:527-530.

[9] Loog M,Lzuza F.The improbability of Harris interest points[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,6(32):1141-1147.

[10] Dong K,Raehong P.New image quality metric using the harris response[J].IEEE Signal Processing Letters,2009,7(16):616-619.

[11] Li Bin,Ming Delie,Yan Wenwen,et al.Image matching based on two-colum histogram hashing and improved ransac[J].IEEE Geoscience and Remote Sensing Letters,2014,8(11):1433-1437.

[12] Zaklouta F,Stanciulescu B.Real-time traffic-sign recognition using tree classifiers[J].IEEE Transactions on Intelligent Transportation Systems,2012,4(13):1507-1514.

RANSAC algorithm with Harris angular point for detecting traffic signs*

GE Xia， YU Feng-qin， CHEN Ying

(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)

In consideration of two features of traffic signs,colour and shape,a random sampling consensus (RANSAC) which posses Harris angular point is proposed to detect traffic signs.The first phase is to conduct detection through Canny operator after colour extraction of the image.The second phase includes extracting initial image angular point with the help of Harris corner detector.The result is achieved by the matching between RANSAC algorithm and detection model.The simulation experiment shows that the 84 % of detection rate,basically meet the demand of instantaneity.

traffic sign detection;Harris angularpoint detection;Canny calaclator; random sampling consensus (RANSAC) algorithm

10.13873/J.1000—9787(2017)03—0124—04

2016—03—10

国家自然科学基金资助项目(61104213)

TP 391.4

A

1000—9787(2017)03—0124—04

戈 侠(1989-)，男，硕士研究生，研究方向为嵌入式技术应用与开发。