基于颜色和边缘信息的交通标志检测

摘要：根据我国交通标志的颜色和几何属性，提出了一种适用于自然背景下的交通标志检测方法。该方法采用RGB彩色分量差对自然背景下的禁令标志图像进行分割，结合最小二乘法对像素坐标进行椭圆拟合，再根据边界的圆形度参数判断是否为圆形区域。实验证明了该方法的有效性与鲁棒性。
关键词：标志检测；RBG模型；椭圆拟合

0 引言
    据世界卫生组织发布的“道路安全全球现状报告”指出，全球每年高达127万人死于交通事故，而随着我国城市化的进展以及汽车的普及，公路交通的安全以及运输效率问题变得日益突出。智能交通系统(Intelligent Transportation System，ITS)已经成为国内外广泛研究的课题。如何实时、准确地实现复杂场景下的道路交通标志识别(Trafic Sign Recognition，TSR)成为ITS的热点与难点问题，交通标志的自动检测是对交通标志进行正确识别的前提，现有的交通标志检测大多基于标志图，针对实景图的研究较少，且大多数算法较为复杂，实时性难以得到保障。同周围环境相比，每种交通标志都具有颜色和几何形状的特殊性，本文利用这个特点，采用基于颜色信息和基于边缘特征相结合的方法实现标志的检测。首先，根据交通标志的颜色特征，在RGB模型下对交通标志场景图进行粗分割，得到感兴趣区域，然后采用Can-ny算子提取轮廓，再根据交通标志的几何特征，利用最小二乘法对轮廓进行椭圆拟合，检测出交通标志。对于禁令标志、警告标志和指示标志三种常见的交通标志，本文选择红色圆形的禁令标志进行实验分析。

1 基于颜色的交通标志粗分割
    颜色分割的任务是将某种特定颜色的像素提取出来，其分割的结果进行一系列的处理后用于下一步交通标志的几何形状分析，从而达到交通标志检测的结果。在实际应用中，交通标志是通过车载摄像头在行驶过程中拍摄所获得的。一般为RGB模型，得到的是直接具有R，G，B特征的影像，相比较HSI模型，由于RGB三分量之间有很高的相关性，使得RGB三分量容易受光照的影响，但不需要进行颜色模型之间的转化，使得计算量大大地减少，而满足交通标志检测的实时性要求。根据RGB颜色模型的特点，通过大量的实验发现，对三分量进行简单的组合运算，再进行阈值分割，不仅能快速有效地得到感兴趣区域，还能使得分割的效果受光照的影响减小，从而得出一种基于RGB模型的快速交通标志粗分割算法，将满足(1)R—B>25，(2)2G<R+B，(3)R+G+B>175。其中条件(1)，条件(2)为判断影像中像素主要为红色，条件(3)表示整个影像中整体颜色的明暗度。通过大量实验，将条件(1)的参数选为25，条件(3)中的参数选为175，对于满足上述条件的像素同时置为0，这样影像中红色区域都为白色，将不符合红色禁令标志颜色特征的区域从背景中除去，从而得到感兴趣区域，有利于下一步交通标志的检测。分割结果如图1所示，从图中可以看到，即使在光照条件不好的情况下，算法依然能得到较好的分割结果。

    在实验过程中发现，当背景图片存在其它红色物体时，进行本文算法对影像颜色分割时，会产生大量的干扰，许多非红色禁令标志也被分割出来当作感兴趣区域，因此在这基础上，必须利用交通标志的几何特征，对边缘信息做进一步的分析从而确定交通标志。

2 基于标志边缘的分割
    本文研究的是以圆形为几何特征的禁令标志的检测方法，检测圆形常用的方法有：基于圆形边缘积分特性的环路积分微分法、模板匹配法和组合法，Hough变换法等，Hough变换在直线、圆和椭圆的检测中都有着广泛的应用，其缺点是算法计算时间长与储存量大，不符合交通标志检测中实时性的要求，本文利用最小二乘原理完成了对任意位置椭圆的拟合。
2．1 椭圆拟合的基本理论
    处于XY平面内任意位置的椭圆可以用下列5个独立参数来唯一确定：椭圆中心坐标(x0，y0)、长轴半径a、短轴半径b、长轴与x轴的夹角θ。用数学语言可将平面任意位置椭圆的方程表达为：
   
    这是一个5元4次非线性方程，通过文献中的变量代换方法将此复制的非线性方程变成线性方程。然后根据下面最小二乘原理，建立椭圆拟合的数学模型，获取代表平面任意位置理想椭圆的5个特征参数。
2．2 最小二乘椭圆的拟合
    所谓最小二乘椭圆的拟合，就是当在椭圆轮廓上的测量点数大于最少测点数5时，依据最小二乘法准则确定“最具代表性”椭圆(或称理想椭圆)的一种计算方法。也就是说，用所有测量点到理想椭圆的距离的平方和为最小这一准则来确定理想椭圆的5个参数：x0，y0，a，b和θ。圆形图像的形状信息可以由图形的圆形度这个特征很好地表达，所以选用这个特征作为交通标志的形状分类特征，其定义分别为：圆形度(R0，R0=4πS／L2，S为圆形面积，L为图形周长，0≤R0≤1。当R0越接近1时，目标与圆形的相似度越高。实验结果如图2所示。

3 实验结果与分析
    本文中算法在VC++6．0环境和OpenCV图像处理库下实现，所用PC配置：CPU T4300 2．10G，内存2 GB；图像大小为：720×576。进行了大量实验。—些实验结果如图3所示。系统对含有较小的光照变化、旋转、模糊及形变的交通标志的正确识别率可达93％。实验数据是针对由车载摄像头所拍摄的影像，当车速很快或路面颠簸时，由于获取图像的质量变差，而使得识别准确率大大下降。