计算机图形学论文.doc

基于MATLAB的道路交通标志自动识别方法的研究刘坤，王青泉，席晓哲（长安大学汽车学院，陕西 西安710064）摘要:道路交通标志自动识别系统是智能交通系统的重要组成部分,本文介绍了一种基于MATLAB的交通标志自动识别方法。该方法首先对图像进行直方图均衡化图像增强，再利用中值滤波法去除图像噪声，之后再利用二值分割法对图像进行分割，进行目标特征的提取，最后利用Hu不变矩作为匹配特征，利用欧式距离法计算特征模板和需要识别的图像之间的距离，以此来识别出图像。关键词：交通标志，Hu不变矩，模板匹配，自动识别Research of Road Sign Identification Method Based on MATLABAbstract: Road Sign automatic identification system is an important part in intelligent transportation system , This paper introduces a kind of automatic identification method of traffic signs which based on MATLAB. This method firstly enhance the image with histogram equalization.then use median filtering method removing image noise,then use binary segmentation method toSegmentation images so as to extract the target features. Finally, using the invariant Hu as matching feature,and calculate continental distance between characteristics template and the characteristics of the images,in order to identify images.Key words: traffic signs, Hu unchanged monent, template matching, automatic identification1 引言随着科技的进步和社会经济的发展，现代交通已经相当发达。汽车的保有量也越来越多，交通安全和交通堵塞也成了日益严重的问题，同时也造成了严重的经济损失,再加上环境污染和能源等问题，就使得道路交通问题的解决不得不求助于智能技术。于是，很多研究人员开始对智能交通的开发和应用感兴趣。交通标志的自动识别系统作为智能交通系统的一个重要的子系统，必将会获得更广阔的发展。特别是在无人驾驶的车辆项目研究中，交通标志的自动识别系统更是必不可少的，它是获取交通场景信息的重要手段。本文详细研究了基于MATLAB的交通标志自动识别方法，本文的研究对象主要针对公路上的红色的圆形禁令标志、蓝色的矩形或圆形的指示标志、黄色的三角形警告标志这三类交通标志。最后的试验结果表明，本文所采用的识别方法，识别速率和准确率都很高。2 图像的预处理和分割交通标志图像的预处理和分割主要涉及两个方面， 一是增强交通标志的图像效果； 二是对交通标志特征颜色的分割。在本文研究的交通标志的识别过程中， 根据交通标志的红色特征， 首先针对该特征入手,从复杂的图像中把可能为目标的区域分割出来。颜色分割所完成的任务是将某种特定颜色的像素过滤出来， 颜色分割结果将被用于形状分析和特征计算。 2.1 基于直方图均衡化的图像增强图像直方图描述图像中各灰度级出现的相对频率。基于直方图的灰度变换， 调整图像直方图到一个预定的形状1。 例如， 一些图像由于其灰度分布集中在较窄的区间， 对比度很弱， 图像细节看不清楚。 此时， 可采用图像灰度直方图均衡化处理， 使得图像的灰度分布趋向均匀， 图像所占有的像素灰度间距拉开， 加大了图像反差， 改善视觉效果， 达到增强目的。 针对本文的研究内容认为采用直方图均衡化的增强算法会得到很好的视觉效果。 直方图均衡化处理算法描述 ： 原始图像灰度级 r 归一化在 01之间，即 0r 1。pr(r) 为原始图像灰度分布的概率密度函数， 直方图均衡化处理实际上就是寻找一个灰度变换函数 T ， 使变化后的灰度值,s = T(r)， 其中归一化为0s 1 ， 即建立 r 与 s之间的映射关系， 要求处理后图像灰度分布的概率密度函数 ps(s)=1,期望所有灰度级出现概率相同。直方图均衡化的灰度变换函数为：S=T(r)=,这是原始图像灰度r的累积分布函数。对于数字图像离散情况，其直方图均衡化处理的计算步骤如下：1、 统计原始图像的直方图：Pr(rk)=式中rk是归一化的输入图像灰度级；2、 计算直方图累计分布曲线：Sk=T(rk) ；3、 用累积分布函数作变换函数进行图像灰度变换。根据计算得到的累计分布函数，建立输入图像与输出图像灰度级之间的对应关系，并将变换后灰度级恢复成原先数值范围2。2.2 基于孤立点和面积阈值去噪2.2.1 孤立点消除算法图像进行分割后， 有干扰噪声存在， 而其中的一些分散的较多的点是一些孤立的噪声， 针对这样噪声点的特点本文首先采用了孤立点消除算法去除了孤立点。 孤立点去除的思想主要是对单个像素的邻域进行的处理。在数字图像中，每个像素都有一个邻域， 或者说每个像素都有几个近邻像素。对各个像素来说，它邻域的大小或近邻像素的个数随该像素在图像中的位置以及邻域定义的不同而不同。最常用的邻域是 4- 邻域和 8- 邻域。随着计算机能力的提高和图像处理需求的增加， 较大的邻域 ( 如 16- 邻域 ) 得到更多的重视和应用。 图 1 分别给出 4邻域、 8邻域、 16邻域的示意图。 4-邻域 8-邻域 16-邻域经过大量的实验验证，本文采用 8- 邻域进行孤立点消除，认为目标像素点的灰度值为 255 ，背景像素点的灰度值为 0 。其具体算法如下： 1.建立 3*3 模板，利用该模板遍历图像上的每一个像素点。 2.若遍历到该像素点的灰度值为 255， 则求出该像素点对应的 8-邻域像素点的灰度平均值 t。若遍历到该像素点的灰度值为 0，则跳过步骤 3。 3.对步骤 2 中求出的灰度平均值 t 与事先给定的阈值进行比较， 若t小于该阈值， 则说明该像素点是噪声点， 属于背景， 把该像素点赋值为 0， 否则赋值为 255。 4.重复步骤 2、3，遍历完整幅图像，终止程序。 图 2-19，2-20 是利用孤立点消除算法对图像进行处理前后的对比图。 图2 带有噪声的二值化图像 图3 孤立点去除噪声后的图像2.2.2 阈值面积消去法利用上节的算法去除孤立点后， 还存在一些非目标的干扰区域， 因此我们可以使用阈值面积法消去某些小区域噪声。 为此， 首先必须进行区域标示。 区域标示分四连通标示和八连通标示两种方法。四连通是指仅针对某像素的上、下、 左、 右四邻域进行操作。 八连通是指针对某像素的左上、 上、 右上、 左下、下、 右下、 左、 右八个邻域进行操作。 然后对整幅图像进行扫描， 扫描方向自左向右从上到下。 限定去噪的阈值面积为1000个像素点，可将目标区域分割出来。图4、图5是孤立点去除后面积阈值去除噪声前和面积阈值去除噪声的对比图。 图4 面积阈值去除噪声前的图像 图5 面积阈值去除噪声后的图像 3 基于形状特征提取目标区域在进行颜色分割和必要的去噪之后， 还会留下一些和目标区域面积相当或者比目标面积略大的区域。所以本文采用最简单但是准确性很高、 计算也较简单的圆形度的计算来提取目标。 3.1 基于圆形度参数的目标提取3.1.1 计算目标圆形度特征圆形度又称复杂度、分散度，其定义为： C=L2/A式中，L 为区域周长，A 为区域面积。分析可知，当图像区域为圆时 C有最小值4， 其他任何形状的图像区域4 C ， 且形状越复杂， 值越大。 这里为了便于分析，对上式进行了归一化处理，如下式所示：C=4A/L2 C(0,1，当目标为圆形时取最大值为 1。 3.1.2 圆面积的计算对图像某区域 ，其面积Ai是 Ri中像素点数。对一帧图像，设有 k 个区域，即i=1,2,3k。其总面积 A是各区域面积之和。Ai=,其中，f(x,y)= A=采用顺序扫描方式能够周密地计算面积和Ai和A 。已知分割后的图像f= ,设计计数器C1,C2Ck。扫描中辨认点的归宿并给响应的计数器计数。扫描结束，各计数器的值即为目标区域Ri的面积Ai ，累加便得到帧内目标图像总面积A。3.2 边缘检测图像的边缘是图像的重要特征 , 是计算机视觉、模式识别等的基础 , 因此边缘检测是图像处理中一个重要的环节。然而 , 边缘检测又是图像处理中的一个难题， 由于实际景物图像的边缘往往是各种类型的边缘及它们模糊化后结果的组合， 且实际图像信号存在着噪声。 因而边缘检测技术对于处理数字图像非常重要。 图像边缘检测必须满足两个条件： 一是能有效地抑制噪声； 二是必须尽量精确确定边缘的位置。 边缘检测的基本算法有很多 , 本文采用了 Log 算子进行边缘检测，满足对对象的处理要求。 Log 原理为：灰度级变形成的边缘经过微分算子形成一个单峰函数， 峰值位置对应边缘点；对单峰函数进行微分， 则峰值处的微分值为 0 ， 峰值两侧符号相反， 而原先的极值点对应二阶微分中的过零点， 通过检测过零点即可将图像的边缘提取出来。3.3 细化对于细化的处理是通过迭代扫描图像去除目标的边缘， 每一次都会去除一层边缘像素，直到目标没有再可以删除的像素时得到单像素边缘。 当迭代的次数是奇数时执行下述操作： 1. 对每一行按从左向右的顺序寻找前景点 ( 即灰度值为 l 的点 ) ， 若该前景点是匹配于模板 A 的可删除点， 则将该点去除 ( 即置为 0) ； 若该前景点是匹配于模板 B 的可删除点，则将该点去除；若该点既不匹配于模板 A ，又不匹配于模板 B ，则重复步骤 1 ，寻找下一个前景点； 2. 若该行上一个删除的前景点匹配的模板为 A ，则在该行继续扫描时只寻找与模板 B 相匹配的可删除点和单像素点。若找到的是可删除点，还应将其去除； 若该行上一个删除的前景点匹配的模板为 B ， 则在该行继续扫描时只寻找与模板 A 相匹配的可删除点和单像素点。若找到的是可删除点，还应将其去除； 3. 重复步骤 2 ，直至扫描完该行为止；4. 重复步骤 1 、 2 、 3 ，直到扫描完整幅图像。 当迭代的次数是偶数时执行下述操作： 具体步骤于上述奇数迭代的步骤差不多，只是扫描的方向改为由上到下，模板改为使用 C 、 D 模板。 通过一定的迭代次数之后， 不再有像素点可以删除， 则整个细化过程结束。图6 是使用上述细化方法得到的细化图像。 图6 细化前后对比效果4 基于模板匹配法的识别相似准则计算（欧式距离）图像匹配在机器人视觉、 工业自动化及无人监视系统中被广泛的应用。 在机器识别事物的过程中， 常需把不同的传感器或同一传感器在不同时间、 不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准， 或根据已知模式到另一幅图中寻找相应的模式， 这就叫做匹配。 图像的模板匹配法就是研究一幅图像中是否存在某种已知的模板图像。 特征模板改进的Hu不变矩特征选择模板二值图像识别分类 待识别二值图特征矢量4.1 特征提取与选择特征提取与选择的基本任务是研究如何从众多特征中求出那些对分类识别最有效的特征， 从而实现特征空间维数的压缩。 一般由图像或波形所获得的数据量是相当大的， 为了有效的实现分类识别， 就要对原始数据进行变换， 得到最能反映分类本质的特征， 这就是特征提取与选择的过程。 一般把原始数据组成的空间叫做测量空间， 把分类识别赖以进行的空间叫做特征空间。 通过变换， 可把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。 应用不变量理论进行特征提取一般包含两个阶段： 一个阶段是对图像进行分割， 提取目标区域或其边界， 提取目标的基本特征， 如灰度、 纹理、 形状直接描述。 这个阶段已经在前面章节做了描述和试验， 并将目标分割出来。 第二个阶段是找出或构造目标作某种运动或无论目标作何运动都不变化的目标图像特性， 这样的特性或特征量分别称为不变性或不变量。 正是这样的不变性和不变量才反映了在视觉信息上同一目标或同一类目标不变特性， 或者说不同模式之间的本质差别， 人们根据它们容易做出正确的分类识别决策。 目标特征提取的内容包括特殊点（如角点）、线、边界、区域等数值或符号的描述。4.2 矩技术及不变量矩可以用于描述一幅图像的特征， 并提取为与统计学和力学中相似的特征。图像的矩特征是以图像分布的各阶矩来描述灰度的统计特性的方法。 在二值图像和灰度图像中， 矩函数得到了广泛的应用。 矩函数是一种全局不变量，而且它对噪声不太敏感;矩的另一个特性是不管目标是否封闭， 都能较好地识别目标。 近年来， 由二维和三维形状所求取的矩值的不变特性已引起了图像界人士的高度重视， 并开发了大量的应用。 几乎没有任何图像特征可以直接与矩特征相比较， 因而矩技术在图像识别方面也应用的越来越广泛。 在图像识别中，不变量是指目标的特性在经历了如下的一个或几个变换后仍然保持不变的特征量：（ 1 ） 目标尺度的改变；（ 2 ） 目标图像的平移；（ 3 ）目标图像的旋转（ 4 ）具有放射不变性。5 结束语 本文研究的交通标志识别技术涉及到多方面的知识系统，包括视觉导航，图像处理和模式识别的知识领域， 所以研究工作比较复杂， 研究起来也有一定的难度。 本文提出的基于MATLAB的交通标志自动识别方法，不仅计算简单明了易于理解，而且识别的准确率相当高。但是交通标志的实际情况较为复杂多样，本文只针对了几种交通标志进行了研究， 研究的路况也不是很全面， 所以对在实际的应用中有待进一步的试验论证和研究。本文方法还有一些需要注意和改进的方面： (1) .本文研究的内容还不够多， 只针对几种典型的交通标志做了研究， 在今后的研究工作中希望能根据本文的算法对识别其他的交通标志有一定的帮助和启发。 (2) .本文研究的内容没有在实际的车辆行驶中做实际的验证工作， 只是针对通过视觉传感器采集到的图片进行了研究， 所以这个有待今后的实际应用中做更深入的研究。 参考文献 ：1 H.Akatsuka and S.Imai Road sign posts recognition system.In Proc SAE vehicle highway infrastructure ： safety compatibility ， 1987 ： 189196 2 M.de Saint Blancard Road sign recognition ： A study of vision-based decision making for road environment recognition In Vision-based Vehicle Guidance ， Springer Series in Perception Engineering Springer-Verlag ， 1992 3 Jun Miura ， Tsuyoshi Kanda ， Yoshiaki Shirai An Active Vision System for RealTime Traffic Sign Recognition Proc.2000 IEEE Int.Conf.On Intelligent Transportation Systems ， Dearborn ， MI.USA ， 2000 ： 5257 4 Henry X.Liu ， Bin Ran Vision-Based Stop Sign Detection and Recognition System for Intelligent Vehicle Transportation Research Record ， 2001 ， 1748 ： 161166 5 蒋刚毅，郑义. 形态骨架匹配算法及其在交通标志识别中的应用.电路与系统学报，1996，1(3):1