李光瑞，夏　凌，杜　健，强　策

(西华大学电气与电子信息学院,四川 成都 610039)



基于颜色特征和SVM的交通标志检测

李光瑞，夏凌*，杜健，强策

(西华大学电气与电子信息学院,四川 成都 610039)

摘要：为提高道路交通标志识别系统的实时性和准确度，提出一种改进的RGB空间颜色检测和SVM相结合的交通标志检测算法。首先使用直方图均衡化和Gabor滤波相结合的方法进行图像增强，突出目标颜色；然后使用改进的RGB空间颜色检测方法初步提取并切割出候选标志区域；最后使用HOG特征训练SVM分类器，对候选标志进行精确检测并判断其形状。在检测精度和检测用时2方面进行对比试验，其结果表明，本文算法的检测用时较短，误检率和错检率都较低。该算法能对亮度较低的图像进行有效处理，对旋转、部分遮挡等多种情况也有较优的稳定性和准确性，适用于复杂背景下的标志检测。

关键词：交通标志检测；直方图均衡化；Gabor滤波；颜色检测；SVM分类器

交通标志检测与识别技术是机器视觉研究领域的一个热点。它主要通过机器识别标志给驾驶者提供有效的信息，达到增强交通安全，提高交通运输效率的目的；但在实际应用中由于标志的实景特性不同(如旋转、剥落、遮挡、复杂背景)或天气变化(如雨、雪、雾)等多种因素的影响，给标志的自动检测和识别带来了挑战[1]。

目前，标志检测算法大都是基于颜色和形状的，因为这是标志区别于其他物体的鲜明特征[2-10]。本文从算法的复杂度和实现的准确度出发，提出一种交通标志检测算法。首先，针对亮度过低的交通标志图像，采用直方图均衡化和Gabor滤波结合的方法进行预处理；对处理后的图像，使用改进的颜色增强算法进行候选标志的分割处理；最后将候选标志送入SVM分类器进行精确检测和形状判别。本文的交通标志检测流程图如图1所示。

图1　检测流程图

1图像增强

自然环境中采集的标志图像受到光照、拍摄时间等影响，容易出现亮度过低的情况，这对标志的检测影响较大；因此，针对图像亮度和对比度较低的情况，本文提出一种直方图均衡化和Gabor滤波相结合的标志增强算法。

直方图均衡化是对图像进行非线性拉伸处理，从而达到图像中的灰度值在全部灰度范围内均匀分布的目的。由于一定灰度范围内的像素数变得大致相同，从而使图像的对比度得到增强。

Gabor滤波器具有能够使空间域和频率域同时取得最优局部化的特性，这与人类生物视觉感知的特点具有相似性[11]，其实质是对二维图像进行卷积处理。二维Gabor函数可以视作二维高斯函数被某空间频率调制，其数学表达式为：

h(x,y)=g(x′,y′)exp[2πjω(xcosθ+ysinθ)]；

(1)

(2)

式中：σ为方差；ω为滤波器的径向中心频率；θ为方向角；g为Gaussian窗函数[12]。

由式(1)可知，Gabor函数有实部和虚部2个分量，二者具有正交相位关系，可以分别称为实Gabor函数hreal和虚Gabor函数himag，h=hreal+himag。

hreal=g(x′,y′)cos(2πjω(xcosθ+ysinθ))；

(3)

himag=g(x′,y′)sin(2πjω(xcosθ+ysin θ))。

(4)

通过修改Gabor滤波函数的角度和尺度，能够提取不同局部细节的纹理特征，也能提取全局性较强的特征，同时减少噪声干扰。

由于直接采用直方图均衡化增强图像容易造成图像细节特征丢失、放大噪声，故本文在直方图均衡化基础上引入Gabor滤波。首先对输入图像进行直方图均衡化，然后对均衡化后的图像采用Gabor滤波。具体实验结果如图2所示，图(a)是原图像，图(b)是直方图均衡化后的图像，图(c)是对图(b)Gabor滤波后的图像。

图2　图像增强效果

由结果图可以看出，直接采用直方图均衡化使图像对比度得到提高，但是图像容易出现过增强甚至失真的现象，而对直方图均衡化后的图片使用Gabor滤波后亮度更均匀，且保留了对比度，更加符合人类的视觉感知特点。

2改进的标志初检测算法

交通标志的检测是通过算法确定自然场景图片中交通标志的位置并将其分割出来。标志中最易区分的特征是颜色，颜色特征具有大小和视角不变性，且分布大致稳定在一定的范围内；因此，使用颜色特征进行标志检测，可以很快确定采集图像中标志的大体位置。

RGB颜色空间是最简单和直接的颜色空间。虽然HSV等颜色空间可以将亮度和色度分离，减弱光照影响，但是需要将图片由RGB空间转换到HSV或HSI空间，而这种变换是非线性的，需要占用一定的计算时间；因此，找到一种直接在RGB空间中进行标志检测的算法很重要。

(5)

(6)

(7)

在文献[13]的方法中，感兴趣区域通过使用四叉树循环寻找阈值得到。在本文中采用的方法是直接使用标准差产生一个阈值分割模板，从而加快分割速度。设置阈值的具体步骤为：1)求得式(5)、(6)、(7)中的vr、vb和vy的值；2)分别计算vr、vb和vy的标准差σr、σb和σy；3)设置阈值θ=3σ；4)分别比较vr、vb和vy与θ的大小，找到感兴趣区域，如式(8)所示。

(8)

使用本文方法进行标志检测的结果如图3所示。图(a)是原图像，标志为禁止长时间停车标志，标志底色为蓝色，边缘及斜线为红色；图(b)是红色标志检测结果；图(c)是蓝色标志检测结果；图(d)和图(e)分别是感兴趣的红色和蓝色标志在原图中的位置。图(d)和图(e)是根据先验知识(如连通域面积、长宽比等)去除了不符合交通标志特征的干扰区域。

图3　改进的颜色增强算法检测效果图

由图可知，本文的颜色检测算法能够很好地提取感兴趣区域。当存在与标志颜色相近的物体时，本文算法也将其检测到，但这种误检在后续的精检环节会去除；因此不会对识别造成很大负担。

3基于HOG特征和SVM的标志形状判别

3.1　HOG特征的提取

方向梯度直方图(histogram of oriented gradient, HOG)是一种局部区域的描述符。它通过计算局部区域上的梯度方向直方图来构成目标特征。HOG特征具有计算速度快、受光照及尺度变化干扰小等优势，因而能够较好地描述目标边缘。相较于 Haar或控制点特征等，HOG特征具备的另一个优势是采用无方向梯度(0~180°)，而前2种特征采用有方向梯度(0~360°)，因而不能达到动态的和静态的标志都能用同一个检测器找到的效果[14]。

具体的提取过程如图4所示。首先将1个64×64大小的样本分成多个8×8的单元，每个单元中的180°方向平均分为9个区间，分别计算这9个区间中的HOG特征；然后将每相邻的4个单元组成1个块，以1个块大小为模板，1个单元的大小为步长扫描整幅图像，最后得到样本的HOG特征[15]。

图4　HOG特征的提取过程

3.2　SVM分类原理及分类器训练

SVM的主要分类原理是将分类数据投影到一个合适的空间内，找到在这个空间内能够区分待分类数据的最大间隔超平面，并最终转化为一个凸二次规划问题的求解。

给定一个未知的样本x，支持向量为xj，n为支持向量的个数，拉格朗日乘子为αj，类别标签为lj，则SVM分类函数f(x)如式(9)所示，求解该分类函数即可得到样本的分类情况。

(9)

本文分别以红色圆形、红色倒三角形和蓝色圆形标志等3类交通标志作为正样本共训练3个SVM线性分类器，采用HOG特征作为训练特征。正样本选取实景中合适距离采集的标志图片及GTSRB中的部分样本图像，红色圆形、红色倒三角形和蓝色圆形分别选取6 521幅、1 980幅、5 126幅；负样本选取实景中除标志外的背景图像共7 536幅。其中，每种图像取100幅作为测试样本，其他的作为训练样本。样本大小都归一化为64×64，故样本的HOG特征维数为1 764维。将正样本标签置1，负样本标签置0。

4实验结果及分析

为充分验证本文算法的性能，本文选取了447幅共769个标志进行检测并判断标志形状，部分样本如图5所示，样本照片包含光照过低、标志颜色剥落、雾霾等极端天气、不同程度遮挡、动态模糊、相似物体干扰等各种实际环境中可能出现的情况。本文中所有实验测试平台均为Intel双核CPU,2G内存，Matlab7.1。所得的判别结果如图6所示，检测到的标志用白色矩形框框出。

图5　部分试验样本

(a)沙尘天气检测标志 (b)晴天检测标志

(c)沙尘天气检测结果

(d)晴天检测结果

(e)阴天检测标志 (f)雪天检测标志

(g)阴天检测结果

(h)雪天检测结果

图6的标志检测结果表明：使用本文算法能够正确确定标志位置并将其切割出来；基于HOG特征的SVM分类器对于小范围的遮挡及拍摄角度变化、光照变化的标志图像具有很好的稳定性和准确性。

文献[14]中的标志分割算法也是在颜色增强基础上改进的，该文献设置阈值时采用图像的均值和方差相结合的方法，在此，将本文算法与该文献算法进行比较。以晴天标志为例，2种算法的处理效果如图7所示。图(b)、图(c)为文献[14]算法检测效果图，图(d)、图(e)为本文算法检测效果图。

(a) 原图像

(b)文献[14]的红色标志检测结果

(c) 文献[14]的蓝色标志检测结果

(d)本文算法的红色标志检测结果

(e) 本文算法的蓝色标志检测结果

由图7可以看出：在红色标志检测时本文算法的结果比文献[14]的算法结果少了一些杂点，蓝色标志检测效果相当，2种算法最后的检测精确度也相当；但是由于文献[14]算法需要计算图像均值，因此检测耗时比本文算法长。由于图片大小不同，处理时间相应不同，因此本文采用2种方法对不同大小的图像进行检测，并对其用时做比较，其结果如表1所示。

表1　同一幅图像2种算法检测用时比较

对447幅(共含有769个标志)的样本图像(图像尺寸统一为221×162)，使用本文算法与文献[14]算法分别进行检测并判断标志形状，将2种算法在检测精度和检测用时2方面进行比较，其结果如表2所示。

表2　2种算法的性能比较

5结论

本文根据交通标志的颜色特征，提出一种RGB空间颜色检测与SVM相结合的交通标志检测算法。使用直方图均衡化和Gabor滤波增强图像；使用改进的颜色检测算法以提高检测速度；使用HOG特征和SVM结合进行标志精检，以去除粗检测中的干扰物体。

大量实验表明，本算法适用于复杂背景下的标志检测，在目标被小部分遮挡或环境中存在与交通标志类似的物体等情况下也能保持93.9%的检测精度。相较于文献[14]的算法，本文算法不需要计

算均值，检测用时较短，误检率和错检率都较低；然而，文中也出现了一些漏检和错检，主要原因是标志颜色脱落过于严重或者遮挡面积较大。未来的工作是对此情况找到一种好的解决方法。

参考文献

[1]付诚, 贾年.基于混合高斯模型和GPU的车辆闯红灯快速检测算法及实现[J].西华大学学报(自然科学版),2012,31(2):9.

[2]Oruklu E,Pesty D,Neveux J, et al. Real Time Trafc Sign Detection and Recognition for in-car Driver Assistance System[C]//IEEE Conference on Circuits and Systems(MWSCAS). Boise, USA:IEEE,2012:976-979.

[3]Andrey V,Kang Hyun Jo. Automatic Detection and Recognition of Traffic Signs using Geometric Structure Analysis[C]//SICE-ICASE International Joint Conference. Busan, Korea:IEEE,2006:1451-1456.

[4]Broggi A, Cerri P, Medici P, et al.Real Time Road Signs Recognition[C]// IEEE Conference on Intelligent Vehicles Symposium.Istanbul,Turkey:IEEE,2007: 81-86.

[5]De la Escalera A, Armingol J M, Mata M.Traffic Sign Recognition and Analysis for Intelligent Vehicles[J]. Image Vis Comput,2002, 21(3): 247.

[6]Ishak K A, Sani M M, Tahir N M.A Speed Limit Sign Recognition System using Artificial Neural Network[C]//4th Student Conference on Research and Development(SCOReD). Selangor, Malaysia:IEEE,2006: 127-131.

[7]Zaklouta F,Stanciulescu B. Warning Trafc Sign Recognition using a HOG-based K-d Tree [C]//Intelligent Vehicles Symposium. Baden-Baden, Germany: IEEE,2011:1019-1024.

[8]Yuan Xie,Li-Feng Liu,Cui-Hua Li， et al. Unifying Visual Saliency with HOG Feature Learning for Traffic Sign Detection[C]//Intelligent Vehicles Symposium.Xi an,China: IEEE, 2009: 24-29.

[9]杨军，刘妍丽.基于图像的单样本人脸识别研究进展[J].西华大学学报(自然科学版)，2014，33(4)：1.

[10]马杨林，王海滨，徐学良.基于Pseudo-zernike不变矩的肺部图像特征提取及分类研究[J].西华大学学报(自然科学版)，2012，31(1)：67.

[11]赵银娣, 张良培, 李平湘. 一种方向 Gabor 滤波纹理分割算法[J]. 中国图象图形学报, 2006, 11(4): 504.

[12]回红, 陈祥献, 周泓,等. Gabor 函数实现基于结构的指纹识别[J]. 浙江大学学报(工学版), 2004, 38(6): 712.

[13]Ruta A, Li Y, Liu X. Real-time Traffic Sign Recognition from Video by Class-specific Discriminative Features[J]. Pattern Recognition, 2009, 43 (1): 416.

[14]Zaklouta F, Stanciulescu B. Real-time Traffic Sign Recognition in Three Stages[J]. Robotics and Autonomous System, 2014(62): 16.

[15]常发亮,黄翠,刘成云,等.基于高斯颜色模型和SVM的交通标志检测[J].仪器仪表学报,2014,35(1):43.

(编校：饶莉)

Traffic Sign Detection Based on Color Feature and SVM

LI Guangrui, XIA Ling*，DU Jian，QIANG Ce

(SchoolofElectricalEngineeringandElectronicInformation,XihuaUniversity,Chengdu610039China)

Abstract:Focused on the problem of time consumption and accuracy of traffic sign recognition system，an efficient algorithm for traffic sign detection based on improved color detection in RGB color space combined with support vector machine is presented. Firstly，the histogram equalization and Gabor filter are applied for image enhancement to highlight the image color. Secondly, an improved color detection method is proposed to select the coarse candidate areas. Thirdly, a SVM classifier is trained using HOG feature for further detection and shape judgment. Comperative tests are done about detection accuracy and detection time consumption. The experimental results show that this algorithm testing time is short, error detection rate and false detection rate are low. The algorithm can detect signs quickly and determine the shape. It can also deal with various cases such as images with low brightness, rotation and partial occlusion with high accuracy. Compared with color enhancement algorithm, this method can achieve better accuracy and has less time consumption.

Keywords:traffic sign detection; histogram equalization; Gabor filter; color detection; SVM(support vector machine) classifier

doi:10.3969/j.issn.1673-159X.2016.01.019

中图分类号：TP391.4

文献标志码：A

文章编号：1673-159X(2016)01-0089-05

*通信作者：夏凌(1962—)，女，副教授，博士，主要研究方向为模式识别与图像处理、机器学习等。E-mail：xialing-cd@qq.com

基金项目：教育部春晖计划合作科研项目(Z2011090)。

收稿日期：2015-03-24

·计算机软件理论、技术与应用·