計(jì)算機(jī)圖形學(xué)論文.doc

基于MATLAB的道路交通標(biāo)志自動(dòng)識(shí)別方法的研究劉坤，王青泉，席曉哲（長(zhǎng)安大學(xué)汽車學(xué)院，陜西 西安710064）摘要:道路交通標(biāo)志自動(dòng)識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分,本文介紹了一種基于MATLAB的交通標(biāo)志自動(dòng)識(shí)別方法。該方法首先對(duì)圖像進(jìn)行直方圖均衡化圖像增強(qiáng)，再利用中值濾波法去除圖像噪聲，之后再利用二值分割法對(duì)圖像進(jìn)行分割，進(jìn)行目標(biāo)特征的提取，最后利用Hu不變矩作為匹配特征，利用歐式距離法計(jì)算特征模板和需要識(shí)別的圖像之間的距離，以此來(lái)識(shí)別出圖像。關(guān)鍵詞：交通標(biāo)志，Hu不變矩，模板匹配，自動(dòng)識(shí)別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 引言隨著科技的進(jìn)步和社會(huì)經(jīng)濟(jì)的發(fā)展，現(xiàn)代交通已經(jīng)相當(dāng)發(fā)達(dá)。汽車的保有量也越來(lái)越多，交通安全和交通堵塞也成了日益嚴(yán)重的問(wèn)題，同時(shí)也造成了嚴(yán)重的經(jīng)濟(jì)損失,再加上環(huán)境污染和能源等問(wèn)題，就使得道路交通問(wèn)題的解決不得不求助于智能技術(shù)。于是，很多研究人員開始對(duì)智能交通的開發(fā)和應(yīng)用感興趣。交通標(biāo)志的自動(dòng)識(shí)別系統(tǒng)作為智能交通系統(tǒng)的一個(gè)重要的子系統(tǒng)，必將會(huì)獲得更廣闊的發(fā)展。特別是在無(wú)人駕駛的車輛項(xiàng)目研究中，交通標(biāo)志的自動(dòng)識(shí)別系統(tǒng)更是必不可少的，它是獲取交通場(chǎng)景信息的重要手段。本文詳細(xì)研究了基于MATLAB的交通標(biāo)志自動(dòng)識(shí)別方法，本文的研究對(duì)象主要針對(duì)公路上的紅色的圓形禁令標(biāo)志、藍(lán)色的矩形或圓形的指示標(biāo)志、黃色的三角形警告標(biāo)志這三類交通標(biāo)志。最后的試驗(yàn)結(jié)果表明，本文所采用的識(shí)別方法，識(shí)別速率和準(zhǔn)確率都很高。2 圖像的預(yù)處理和分割交通標(biāo)志圖像的預(yù)處理和分割主要涉及兩個(gè)方面， 一是增強(qiáng)交通標(biāo)志的圖像效果； 二是對(duì)交通標(biāo)志特征顏色的分割。在本文研究的交通標(biāo)志的識(shí)別過(guò)程中， 根據(jù)交通標(biāo)志的紅色特征， 首先針對(duì)該特征入手,從復(fù)雜的圖像中把可能為目標(biāo)的區(qū)域分割出來(lái)。顏色分割所完成的任務(wù)是將某種特定顏色的像素過(guò)濾出來(lái)， 顏色分割結(jié)果將被用于形狀分析和特征計(jì)算。 2.1 基于直方圖均衡化的圖像增強(qiáng)圖像直方圖描述圖像中各灰度級(jí)出現(xiàn)的相對(duì)頻率?；谥狈綀D的灰度變換， 調(diào)整圖像直方圖到一個(gè)預(yù)定的形狀1。 例如， 一些圖像由于其灰度分布集中在較窄的區(qū)間， 對(duì)比度很弱， 圖像細(xì)節(jié)看不清楚。 此時(shí)， 可采用圖像灰度直方圖均衡化處理， 使得圖像的灰度分布趨向均勻， 圖像所占有的像素灰度間距拉開， 加大了圖像反差， 改善視覺(jué)效果， 達(dá)到增強(qiáng)目的。 針對(duì)本文的研究?jī)?nèi)容認(rèn)為采用直方圖均衡化的增強(qiáng)算法會(huì)得到很好的視覺(jué)效果。 直方圖均衡化處理算法描述 ： 原始圖像灰度級(jí) r 歸一化在 01之間，即 0r 1。pr(r) 為原始圖像灰度分布的概率密度函數(shù)， 直方圖均衡化處理實(shí)際上就是尋找一個(gè)灰度變換函數(shù) T ， 使變化后的灰度值,s = T(r)， 其中歸一化為0s 1 ， 即建立 r 與 s之間的映射關(guān)系， 要求處理后圖像灰度分布的概率密度函數(shù) ps(s)=1,期望所有灰度級(jí)出現(xiàn)概率相同。直方圖均衡化的灰度變換函數(shù)為：S=T(r)=,這是原始圖像灰度r的累積分布函數(shù)。對(duì)于數(shù)字圖像離散情況，其直方圖均衡化處理的計(jì)算步驟如下：1、 統(tǒng)計(jì)原始圖像的直方圖：Pr(rk)=式中rk是歸一化的輸入圖像灰度級(jí)；2、 計(jì)算直方圖累計(jì)分布曲線：Sk=T(rk) ；3、 用累積分布函數(shù)作變換函數(shù)進(jìn)行圖像灰度變換。根據(jù)計(jì)算得到的累計(jì)分布函數(shù)，建立輸入圖像與輸出圖像灰度級(jí)之間的對(duì)應(yīng)關(guān)系，并將變換后灰度級(jí)恢復(fù)成原先數(shù)值范圍2。2.2 基于孤立點(diǎn)和面積閾值去噪2.2.1 孤立點(diǎn)消除算法圖像進(jìn)行分割后， 有干擾噪聲存在， 而其中的一些分散的較多的點(diǎn)是一些孤立的噪聲， 針對(duì)這樣噪聲點(diǎn)的特點(diǎn)本文首先采用了孤立點(diǎn)消除算法去除了孤立點(diǎn)。 孤立點(diǎn)去除的思想主要是對(duì)單個(gè)像素的鄰域進(jìn)行的處理。在數(shù)字圖像中，每個(gè)像素都有一個(gè)鄰域， 或者說(shuō)每個(gè)像素都有幾個(gè)近鄰像素。對(duì)各個(gè)像素來(lái)說(shuō)，它鄰域的大小或近鄰像素的個(gè)數(shù)隨該像素在圖像中的位置以及鄰域定義的不同而不同。最常用的鄰域是 4- 鄰域和 8- 鄰域。隨著計(jì)算機(jī)能力的提高和圖像處理需求的增加， 較大的鄰域 ( 如 16- 鄰域 ) 得到更多的重視和應(yīng)用。 圖 1 分別給出 4鄰域、 8鄰域、 16鄰域的示意圖。 4-鄰域 8-鄰域 16-鄰域經(jīng)過(guò)大量的實(shí)驗(yàn)驗(yàn)證，本文采用 8- 鄰域進(jìn)行孤立點(diǎn)消除，認(rèn)為目標(biāo)像素點(diǎn)的灰度值為 255 ，背景像素點(diǎn)的灰度值為 0 。其具體算法如下： 1.建立 3*3 模板，利用該模板遍歷圖像上的每一個(gè)像素點(diǎn)。 2.若遍歷到該像素點(diǎn)的灰度值為 255， 則求出該像素點(diǎn)對(duì)應(yīng)的 8-鄰域像素點(diǎn)的灰度平均值 t。若遍歷到該像素點(diǎn)的灰度值為 0，則跳過(guò)步驟 3。 3.對(duì)步驟 2 中求出的灰度平均值 t 與事先給定的閾值進(jìn)行比較， 若t小于該閾值， 則說(shuō)明該像素點(diǎn)是噪聲點(diǎn)， 屬于背景， 把該像素點(diǎn)賦值為 0， 否則賦值為 255。 4.重復(fù)步驟 2、3，遍歷完整幅圖像，終止程序。 圖 2-19，2-20 是利用孤立點(diǎn)消除算法對(duì)圖像進(jìn)行處理前后的對(duì)比圖。 圖2 帶有噪聲的二值化圖像 圖3 孤立點(diǎn)去除噪聲后的圖像2.2.2 閾值面積消去法利用上節(jié)的算法去除孤立點(diǎn)后， 還存在一些非目標(biāo)的干擾區(qū)域， 因此我們可以使用閾值面積法消去某些小區(qū)域噪聲。 為此， 首先必須進(jìn)行區(qū)域標(biāo)示。 區(qū)域標(biāo)示分四連通標(biāo)示和八連通標(biāo)示兩種方法。四連通是指僅針對(duì)某像素的上、下、 左、 右四鄰域進(jìn)行操作。 八連通是指針對(duì)某像素的左上、 上、 右上、 左下、下、 右下、 左、 右八個(gè)鄰域進(jìn)行操作。 然后對(duì)整幅圖像進(jìn)行掃描， 掃描方向自左向右從上到下。 限定去噪的閾值面積為1000個(gè)像素點(diǎn)，可將目標(biāo)區(qū)域分割出來(lái)。圖4、圖5是孤立點(diǎn)去除后面積閾值去除噪聲前和面積閾值去除噪聲的對(duì)比圖。 圖4 面積閾值去除噪聲前的圖像 圖5 面積閾值去除噪聲后的圖像 3 基于形狀特征提取目標(biāo)區(qū)域在進(jìn)行顏色分割和必要的去噪之后， 還會(huì)留下一些和目標(biāo)區(qū)域面積相當(dāng)或者比目標(biāo)面積略大的區(qū)域。所以本文采用最簡(jiǎn)單但是準(zhǔn)確性很高、 計(jì)算也較簡(jiǎn)單的圓形度的計(jì)算來(lái)提取目標(biāo)。 3.1 基于圓形度參數(shù)的目標(biāo)提取3.1.1 計(jì)算目標(biāo)圓形度特征圓形度又稱復(fù)雜度、分散度，其定義為： C=L2/A式中，L 為區(qū)域周長(zhǎng)，A 為區(qū)域面積。分析可知，當(dāng)圖像區(qū)域?yàn)閳A時(shí) C有最小值4， 其他任何形狀的圖像區(qū)域4 C ， 且形狀越復(fù)雜， 值越大。 這里為了便于分析，對(duì)上式進(jìn)行了歸一化處理，如下式所示：C=4A/L2 C(0,1，當(dāng)目標(biāo)為圓形時(shí)取最大值為 1。 3.1.2 圓面積的計(jì)算對(duì)圖像某區(qū)域 ，其面積Ai是 Ri中像素點(diǎn)數(shù)。對(duì)一幀圖像，設(shè)有 k 個(gè)區(qū)域，即i=1,2,3k。其總面積 A是各區(qū)域面積之和。Ai=,其中，f(x,y)= A=采用順序掃描方式能夠周密地計(jì)算面積和Ai和A 。已知分割后的圖像f= ,設(shè)計(jì)計(jì)數(shù)器C1,C2Ck。掃描中辨認(rèn)點(diǎn)的歸宿并給響應(yīng)的計(jì)數(shù)器計(jì)數(shù)。掃描結(jié)束，各計(jì)數(shù)器的值即為目標(biāo)區(qū)域Ri的面積Ai ，累加便得到幀內(nèi)目標(biāo)圖像總面積A。3.2 邊緣檢測(cè)圖像的邊緣是圖像的重要特征 , 是計(jì)算機(jī)視覺(jué)、模式識(shí)別等的基礎(chǔ) , 因此邊緣檢測(cè)是圖像處理中一個(gè)重要的環(huán)節(jié)。然而 , 邊緣檢測(cè)又是圖像處理中的一個(gè)難題， 由于實(shí)際景物圖像的邊緣往往是各種類型的邊緣及它們模糊化后結(jié)果的組合， 且實(shí)際圖像信號(hào)存在著噪聲。 因而邊緣檢測(cè)技術(shù)對(duì)于處理數(shù)字圖像非常重要。 圖像邊緣檢測(cè)必須滿足兩個(gè)條件： 一是能有效地抑制噪聲； 二是必須盡量精確確定邊緣的位置。 邊緣檢測(cè)的基本算法有很多 , 本文采用了 Log 算子進(jìn)行邊緣檢測(cè)，滿足對(duì)對(duì)象的處理要求。 Log 原理為：灰度級(jí)變形成的邊緣經(jīng)過(guò)微分算子形成一個(gè)單峰函數(shù)， 峰值位置對(duì)應(yīng)邊緣點(diǎn)；對(duì)單峰函數(shù)進(jìn)行微分， 則峰值處的微分值為 0 ， 峰值兩側(cè)符號(hào)相反， 而原先的極值點(diǎn)對(duì)應(yīng)二階微分中的過(guò)零點(diǎn)， 通過(guò)檢測(cè)過(guò)零點(diǎn)即可將圖像的邊緣提取出來(lái)。3.3 細(xì)化對(duì)于細(xì)化的處理是通過(guò)迭代掃描圖像去除目標(biāo)的邊緣， 每一次都會(huì)去除一層邊緣像素，直到目標(biāo)沒(méi)有再可以刪除的像素時(shí)得到單像素邊緣。 當(dāng)?shù)拇螖?shù)是奇數(shù)時(shí)執(zhí)行下述操作： 1. 對(duì)每一行按從左向右的順序?qū)ふ仪熬包c(diǎn) ( 即灰度值為 l 的點(diǎn) ) ， 若該前景點(diǎn)是匹配于模板 A 的可刪除點(diǎn)， 則將該點(diǎn)去除 ( 即置為 0) ； 若該前景點(diǎn)是匹配于模板 B 的可刪除點(diǎn)，則將該點(diǎn)去除；若該點(diǎn)既不匹配于模板 A ，又不匹配于模板 B ，則重復(fù)步驟 1 ，尋找下一個(gè)前景點(diǎn)； 2. 若該行上一個(gè)刪除的前景點(diǎn)匹配的模板為 A ，則在該行繼續(xù)掃描時(shí)只尋找與模板 B 相匹配的可刪除點(diǎn)和單像素點(diǎn)。若找到的是可刪除點(diǎn)，還應(yīng)將其去除； 若該行上一個(gè)刪除的前景點(diǎn)匹配的模板為 B ， 則在該行繼續(xù)掃描時(shí)只尋找與模板 A 相匹配的可刪除點(diǎn)和單像素點(diǎn)。若找到的是可刪除點(diǎn)，還應(yīng)將其去除； 3. 重復(fù)步驟 2 ，直至掃描完該行為止；4. 重復(fù)步驟 1 、 2 、 3 ，直到掃描完整幅圖像。 當(dāng)?shù)拇螖?shù)是偶數(shù)時(shí)執(zhí)行下述操作： 具體步驟于上述奇數(shù)迭代的步驟差不多，只是掃描的方向改為由上到下，模板改為使用 C 、 D 模板。 通過(guò)一定的迭代次數(shù)之后， 不再有像素點(diǎn)可以刪除， 則整個(gè)細(xì)化過(guò)程結(jié)束。圖6 是使用上述細(xì)化方法得到的細(xì)化圖像。 圖6 細(xì)化前后對(duì)比效果4 基于模板匹配法的識(shí)別相似準(zhǔn)則計(jì)算（歐式距離）圖像匹配在機(jī)器人視覺(jué)、 工業(yè)自動(dòng)化及無(wú)人監(jiān)視系統(tǒng)中被廣泛的應(yīng)用。 在機(jī)器識(shí)別事物的過(guò)程中， 常需把不同的傳感器或同一傳感器在不同時(shí)間、 不同成像條件下對(duì)同一景物獲取的兩幅或多幅圖像在空間上對(duì)準(zhǔn)， 或根據(jù)已知模式到另一幅圖中尋找相應(yīng)的模式， 這就叫做匹配。 圖像的模板匹配法就是研究一幅圖像中是否存在某種已知的模板圖像。 特征模板改進(jìn)的Hu不變矩特征選擇模板二值圖像識(shí)別分類 待識(shí)別二值圖特征矢量4.1 特征提取與選擇特征提取與選擇的基本任務(wù)是研究如何從眾多特征中求出那些對(duì)分類識(shí)別最有效的特征， 從而實(shí)現(xiàn)特征空間維數(shù)的壓縮。 一般由圖像或波形所獲得的數(shù)據(jù)量是相當(dāng)大的， 為了有效的實(shí)現(xiàn)分類識(shí)別， 就要對(duì)原始數(shù)據(jù)進(jìn)行變換， 得到最能反映分類本質(zhì)的特征， 這就是特征提取與選擇的過(guò)程。 一般把原始數(shù)據(jù)組成的空間叫做測(cè)量空間， 把分類識(shí)別賴以進(jìn)行的空間叫做特征空間。 通過(guò)變換， 可把在維數(shù)較高的測(cè)量空間中表示的模式變?yōu)樵诰S數(shù)較低的特征空間中表示的模式。 應(yīng)用不變量理論進(jìn)行特征提取一般包含兩個(gè)階段： 一個(gè)階段是對(duì)圖像進(jìn)行分割， 提取目標(biāo)區(qū)域或其邊界， 提取目標(biāo)的基本特征， 如灰度、 紋理、 形狀直接描述。 這個(gè)階段已經(jīng)在前面章節(jié)做了描述和試驗(yàn)， 并將目標(biāo)分割出來(lái)。 第二個(gè)階段是找出或構(gòu)造目標(biāo)作某種運(yùn)動(dòng)或無(wú)論目標(biāo)作何運(yùn)動(dòng)都不變化的目標(biāo)圖像特性， 這樣的特性或特征量分別稱為不變性或不變量。 正是這樣的不變性和不變量才反映了在視覺(jué)信息上同一目標(biāo)或同一類目標(biāo)不變特性， 或者說(shuō)不同模式之間的本質(zhì)差別， 人們根據(jù)它們?nèi)菀鬃龀稣_的分類識(shí)別決策。 目標(biāo)特征提取的內(nèi)容包括特殊點(diǎn)（如角點(diǎn)）、線、邊界、區(qū)域等數(shù)值或符號(hào)的描述。4.2 矩技術(shù)及不變量矩可以用于描述一幅圖像的特征， 并提取為與統(tǒng)計(jì)學(xué)和力學(xué)中相似的特征。圖像的矩特征是以圖像分布的各階矩來(lái)描述灰度的統(tǒng)計(jì)特性的方法。 在二值圖像和灰度圖像中， 矩函數(shù)得到了廣泛的應(yīng)用。 矩函數(shù)是一種全局不變量，而且它對(duì)噪聲不太敏感;矩的另一個(gè)特性是不管目標(biāo)是否封閉， 都能較好地識(shí)別目標(biāo)。 近年來(lái)， 由二維和三維形狀所求取的矩值的不變特性已引起了圖像界人士的高度重視， 并開發(fā)了大量的應(yīng)用。 幾乎沒(méi)有任何圖像特征可以直接與矩特征相比較， 因而矩技術(shù)在圖像識(shí)別方面也應(yīng)用的越來(lái)越廣泛。 在圖像識(shí)別中，不變量是指目標(biāo)的特性在經(jīng)歷了如下的一個(gè)或幾個(gè)變換后仍然保持不變的特征量：（ 1 ） 目標(biāo)尺度的改變；（ 2 ） 目標(biāo)圖像的平移；（ 3 ）目標(biāo)圖像的旋轉(zhuǎn)（ 4 ）具有放射不變性。5 結(jié)束語(yǔ) 本文研究的交通標(biāo)志識(shí)別技術(shù)涉及到多方面的知識(shí)系統(tǒng)，包括視覺(jué)導(dǎo)航，圖像處理和模式識(shí)別的知識(shí)領(lǐng)域， 所以研究工作比較復(fù)雜， 研究起來(lái)也有一定的難度。 本文提出的基于MATLAB的交通標(biāo)志自動(dòng)識(shí)別方法，不僅計(jì)算簡(jiǎn)單明了易于理解，而且識(shí)別的準(zhǔn)確率相當(dāng)高。但是交通標(biāo)志的實(shí)際情況較為復(fù)雜多樣，本文只針對(duì)了幾種交通標(biāo)志進(jìn)行了研究， 研究的路況也不是很全面， 所以對(duì)在實(shí)際的應(yīng)用中有待進(jìn)一步的試驗(yàn)論證和研究。本文方法還有一些需要注意和改進(jìn)的方面： (1) .本文研究的內(nèi)容還不夠多， 只針對(duì)幾種典型的交通標(biāo)志做了研究， 在今后的研究工作中希望能根據(jù)本文的算法對(duì)識(shí)別其他的交通標(biāo)志有一定的幫助和啟發(fā)。 (2) .本文研究的內(nèi)容沒(méi)有在實(shí)際的車輛行駛中做實(shí)際的驗(yàn)證工作， 只是針對(duì)通過(guò)視覺(jué)傳感器采集到的圖片進(jìn)行了研究， 所以這個(gè)有待今后的實(shí)際應(yīng)用中做更深入的研究。 參考文獻(xiàn) ：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 蔣剛毅，鄭義. 形態(tài)骨架匹配算法及其在交通標(biāo)志識(shí)別中的應(yīng)用.電路與系統(tǒng)學(xué)報(bào)，1996，1(3):1