交通路標識別

1、交通路標識別交通路標識別：1、交通標志的檢測與定位，包括交通標志的定位及必要的預處理2、其次是交通標志的判別，包括交通標志的特征提取與分類。實際情況下難點：實際場景中的交通標志檢測存在一些難點。首先是道路情況的復雜性,導致交通標志的背景相當復雜,交通標志甚至會因振動和運動而變得模糊、或被其他物體（如樹木、行人、車輛等）遮擋住一部分;其次是光照條件的復雜性,導致交通標志的顏色失真極為嚴重;第三是同一種交通標志的形狀結構比例的不一致性和拍攝視角的不同,都會不可避免地導致交通標志出現不同程度的幾何失真,有時甚至非常嚴重。圖像預處理、圖像分割、目標提取、特征提取、標志識別1、圖像預處理：改善圖像質量的

2、處理稱為圖像預處理，主要是對圖像進行適當的變換突出某些有用的信息，去除或削弱無用的信息，使圖像的對比度得到增強。交通標志圖像預處理過程是交通標志識別系統重要的組成部分，是進行交通標志正確識別的前提。交通標志圖像受天氣、光照、周圍環境的影響具有復雜的背景并參雜各種噪聲。為了更有利后續的圖像分割和圖像識別，對交通標志進行圖像增強是必要的。圖像增強：圖像增強的方法可分為兩大類：空間域方法和頻域方法。空間域是指圖像平面自身，這類方法是以對圖像的像素直接處理為基礎的。頻域處理技術是以修改圖像的變換域為基礎的，比如傅里葉變換。顯然從實時性的角度考慮變換域是不可取的，而空域與頻域相結合的方法也不常見。【灰度

3、圖的增強方法比較成熟，空域中的灰度圖像增強方法有：對比度線性展寬、灰級窗與灰級窗切片、線性和非線性動態范圍調整、直方圖均衡化、偽彩色方法等。頻率域處理：高通濾波、低通濾波、同態濾波等，其中直方圖均衡化是最常用的方法。彩色圖像增強技術相對較少，比如白平衡發法、最大顏色值平衡法、彩色圖像平滑、彩色圖像銳化，偽彩色增強等。】（預處理在上節形狀識別里也有可參考，不算重點。）2、圖像分割：【在對圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣，這些部分常稱為目標或者前景，它們在圖像中對應特定的、具有獨特性質的區域。為了辨識和分析目標，需要將這些有關的區域分離出來，在此基礎上對目標進行進一步的利用。

4、圖像分割就是把圖像分成各具特性的區域并提取感興趣區域的過程。這些特性可以是灰度、顏色、紋理等等。目標可以使單個區域，也可以是多個區域。圖像分割是圖像分析的關鍵步驟，也是一種基本的計算機視覺技術。因為圖像的分割、目標提取、特征提取、和參數測量將原始圖像轉化為更抽象更緊湊的形式，使得高層的分析和理解成為可能。圖像分割一直是圖像工程中的重點和熱點，多年來得到人們的高度重視，對圖像分割研究涉及的內容和層次比較多，至今已提出了上千種各種類型的分割算法。】(上一節形狀檢測部分有關于圖像分割的內容，以下是之前沒提到但在路標識別中使用更多更有效的方法。)(1)、基于顏色顏色無疑是交通標志最顯著的特征之一.基于

5、顏色的分割能通過少量運算去除大片非感興趣區域,對交通標志檢測系統的實時性非常有益。基于RGB顏色空間：1】直接分割gUy)=KGafg(x,y)GhBafb(x,y)Bb(_x?y)-inanyotherease受光照影響較大，但對于標準圖片(無自然背景和光照變化)，可用此方法直接分割。2】基于比值：對于某種顏色的像素點，即便是受到光線的影響，其R，G，B的比值能夠保持在一定的范圍內，而且比值關系有多種組合形式。式3-(13),3-(14)是文獻20中給出的在RGB空間中基于RGB比值的分割表達式，表達式把r分量作為參考，當然也可以把其他分量作為一個參考量。九（兀y）TB伏g&g/b兀訕基于H

6、SV空間：SV顏色模型為例，對RGB空間中掃描的每一個像素計算其色調H和飽和度S的值，設定不同顏色對應的H，S的閾值，滿足某一閾值大小就將其歸為某種顏色。對于紅色、黃色、藍色，直接分割法采用的閾值為：紅色:(ft0&h330&h0.3藍色：(ft210&/?0.3黃色：(A30&A0.8基于不同的顏色空間交通標志的紅藍黃設置閾值。(2)、基于紋理因為路標處于復雜的自然景物下，某些灌木、樹木與路標的顏色接近，所以經過上述去“s彩色空間粗分割后,還不能將路標提取出來,因此,還必須進一步利用路標的表面紋理相對平坦的特點,將其他表面紋理較粗糙的自然景物過濾掉。灰度共生矩陣及一些統計量比較復雜用不上吧。

7、具體在【路標識別算法研究_劉佳】這篇論文里如果想介紹的話可以參考但可行性不太大。3、形狀檢測與判斷【形狀的表達和描述要基于形狀的特征，形狀特征的提取既可以基于區域本身，也可以基于區域的邊界。最重要的形狀特征就是幾何特征，幾何特征主要有：面積、周長、質心、偏心率、局部曲率、圓形度、球狀性、矩形度、長寬比、凹凸性、扁度、歐拉數等。對于規則的形狀最直觀的特征就是圖形的角點或頂點，邊和兩邊所成的角度，對特定形狀的分類就可以根據上述特征，比如利用圓形度判斷圓形，利用矩形度判斷矩形，利用頂點和邊的關系判斷三角形等。在交通標志分割識別的研究中，對于形狀的分析大多是基于邊緣檢測、角點檢測、模板、神經網絡的方法

8、。】形狀檢測這部分主要是上節課的那些內容，canny算子之類的。主要也就是基于邊緣或者基于角點。我找到的新的適用于交通路標的算法如下：參考【交通標志自動分割識別算法研究_郭慶銳】這篇論文比較詳細可以讀下。經過分割后的圖像只是得到了交通標志的紅色，黃色，藍色區域，其他的重要區域并沒得到。由標記的目標區域的外輪廓，利用種子填充法可以在原圖上將每一個區域設置為ROI區域，即該ROI區域全部為白色像素點，其他的區域全部為黑色像素點，然后以該ROI區域的最小外接矩在源圖像上提取該目標。每個連通域的外輪廓都可以找到其一個最小外接矩，對正立的三角形，倒立的三角形，圓形，甚至六邊形，八邊形在外接矩中都呈現不同

9、的分布特點。根據不同形狀輪廓在外接矩中八個方向點的分布特征可以較好的區分出圓形，正立三角形，倒立三角形。所以基于這樣一個特點，本文在輪廓分析的基礎上提出了一種八方向檢測方法：八個監測點中當0值像素點的個數大于一定的閾值(T)，就將相應的此點置為0,否則置為1。八個方向點都檢測完成后，根據所有檢測點的值的組合即可判斷目標區域的形狀，表4.1給出了檢測點的值和對應的形狀之間的關系。表41檢測點的值和對應的形狀表R1R2113H1R5R6R71?8形狀10101】止角1010100倒二角01010101圓形01)01】方形由于提取的候選目標大小不一，即便是對同一形狀的目標其判斷閾值也不相同，在應用上

10、述方法時，首先要將提取的候選目標的尺寸歸一化，本文中將候選目標的大小歸一化為50 x50大小。八個檢測方向點的矩形區域大小為8x8的矩形區域，對于每個方向點，Ri置1置0的閾值T=45。八個方向監測點(中心)在歸一化的圖像上的位置為：rect1=(0,0)rect5=(42,42)rect2=(0,21)rect6=(42,21)rect3=(0,42)rect7=(42,0)rect4=(21,42)rect8=(21,0)3、特征提取與識別基于交通標志圖像進行目標檢測和識別時,由于交通標志圖像的維數相當高,直接在原始圖像上進行處理,將加大算法的復雜度,因此,交通標志特征提取成為最基本的問題

11、之一,抽取有效的鑒別特征是解決問題的關鍵,實際中交通標志特征選擇和抽取往往結合使用。交通標志圖像特征提取的基本思想是將原始樣本映射（或變換）到某一低維特征空間,得到最能反映樣本本質的低維樣本特征,這樣能有效的減少樣本的存儲量,提高處理速度,實現自動檢測和識別這一部分算法非常多，我的想法是先確定能用的代碼然后再整理文檔。示例：hu不變矩和歐式距離；SIFT算法；【交通標志自動分割識別算法研究_郭慶銳】我覺的hu不變矩好像簡單些。這個在上次的形狀識別里有整理。3.1計鼻姮不變種征向量不變矩的方注是一種比較經典的特征提取方臥單範的中心矩或是原點矩犀替可以表征平面物體的幾何形狀但都不具有不變性，然瞄可

12、以從這些基構擔不變設有圖鍥二攤帝數Xk）,其（儀C階矩定宜如節tTOC o 1-5 h z=S=Oil+2.U4）將上述矩得征進行拉歸化得乳圖橡“4切的中心矩為伽=為（工-刁-孑）乎JZ（15式中的質心匸二FH1XJ,_yPltfli/XH）0!再將中心矩進行大小歸一化t定義歸一代中血矩為伽-h4*7）總+1,pfg=13,4,（16本文采陽HuMKtHS利用二階和三階申心矩枸適的7個具有平移博魄和擁轉蘇變性的矩不變，良你表迭式如下：r=恤帕如=丨伽-W+4謚札二（血-對17尸+（3松-和$鳳=（伽+7LJ）2+（仙+血尸*%h（題-弭預+7ij）IX牧兒恥尸-3（也卜陽;（3阻-3佃）（知+

13、陽）図取+7U）1-（?n+血尸h=（伽一En）【f恤+啟2尸一扯L-陸3尸j+4如（他，+響Z）（您+加）*1-（3和-弼（74曲）H取亠豹-列知+他円*I.（3Tii-加）1他亠陽丿加+7U）1-加+他円（在且標識別系址，當已純選定用某種方法來提取圖像的形狀蒔證后.本文采用歐式距團的方憩對路標進行橇式祥舉向量X與Y之間的聊氏距離定義為Dgy)-IX-V=Jgk_比尸(18)式中“為特證空間的維數上面樸紹了利用圖博的矩特征轉到圖嫁的&亍旋轉不變矩這6亍程轉不變矩對平棒誕轉和尺度是不變丄在蠱行目標識別過程中，可以分別利用基于區城圖像的fi個不變距不變組成這個圈愎的特征向仇計算兩幫圖値的特征向it的歐氏距寓禪曲兩福囲燎的相徵度利用不變矩的呂標識別算ferjeu下步驟進軒：門)對初始目標圖俾和圖試増擁進行預柱理播目標從宵景中分割出札經過圖煤處理后，貝標滾突出+背最被麗優，從而粳日標的辨識出較窘易。(2)對圖像宵標的區域圖Hu犍出的計算公式進行中心矩的