基于神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別系統(tǒng)

基于神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別系統(tǒng)

交通標(biāo)志是道路系統(tǒng)不可或缺的一部分。在方向、方向和駕駛員操作方面發(fā)揮著重要作用。隨著社會(huì)的進(jìn)步和經(jīng)濟(jì)的發(fā)展，智能交通系統(tǒng)受到國(guó)家政府和交通部的高度重視。道路倡議的自動(dòng)劃分和識(shí)別已成為智能循環(huán)系統(tǒng)的重要組成部分?，F(xiàn)有的交通標(biāo)志識(shí)別方法大多是基于標(biāo)準(zhǔn)圖的,針對(duì)實(shí)景圖的研究較少;在標(biāo)志檢測(cè)階段大多采用復(fù)雜算法,使系統(tǒng)實(shí)時(shí)性難以得到滿(mǎn)足;多以標(biāo)志中的某一類(lèi)為例,而且僅選該類(lèi)中的若干個(gè)標(biāo)志為對(duì)象,缺乏普遍意義;處理方法比較單一,智能方法較少.針對(duì)上述問(wèn)題,作者設(shè)計(jì)了一套適用于自然背景下的交通標(biāo)志識(shí)別系統(tǒng).該系統(tǒng)分為交通標(biāo)志的檢測(cè)和識(shí)別兩大部分.在檢測(cè)方面,提出一種基于RGB視覺(jué)模型的快速交通標(biāo)志分割算法,該方法通過(guò)RGB分量值互減的方法來(lái)避免不同光照的影響,能有效定位自然背景下的交通標(biāo)志且計(jì)算量小,運(yùn)算速度快.在識(shí)別方面,針對(duì)我國(guó)交通標(biāo)志的特點(diǎn)對(duì)標(biāo)志進(jìn)行分類(lèi),采用兩級(jí)神經(jīng)網(wǎng)絡(luò),最終識(shí)別出各類(lèi)不同的交通標(biāo)志.實(shí)驗(yàn)結(jié)果證明該方法具有較強(qiáng)的魯棒性,能準(zhǔn)確檢測(cè)、識(shí)別出自然場(chǎng)景下的交通標(biāo)志圖.根據(jù)我國(guó)交通標(biāo)志的顏色和幾何屬性,以紅色、藍(lán)色和黃色作為我國(guó)交通標(biāo)志的3種基本顏色,以矩形、三角形和圓形作為基本形狀,根據(jù)其顏色和幾何屬性的對(duì)應(yīng)關(guān)系,將我國(guó)道路交通標(biāo)志劃分出5個(gè)子類(lèi).這樣就使每個(gè)子類(lèi)的樣本數(shù)大為減少,從而提高交通標(biāo)志識(shí)別系統(tǒng)的識(shí)別效率和正確率.算法整體流程如圖1所示.首先對(duì)輸入圖像進(jìn)行色彩分割,檢測(cè)出交通標(biāo)志,之后對(duì)檢測(cè)出的交通標(biāo)志進(jìn)行形狀分類(lèi),最后將同一類(lèi)別的交通標(biāo)志圖像送入相應(yīng)的標(biāo)志識(shí)別網(wǎng)絡(luò)進(jìn)行識(shí)別.1色彩分割算法交通標(biāo)志是具有鮮明色彩的物體.由于色彩信息具有大小和視角不變性,而且有較強(qiáng)的可分離性,通過(guò)色彩特征分割,可在拍攝到的交通標(biāo)志圖像中大致偵測(cè)出交通標(biāo)志的位置.利用交通標(biāo)志的色彩特征信息實(shí)現(xiàn)交通標(biāo)志的偵測(cè)有多種方法,通過(guò)直接定義RGB顏色值域的方法可以達(dá)到色彩分割的目的,但是由于R、G、B三分量之間有很高的相關(guān)性,而且RGB的值容易受到光照的影響,產(chǎn)生某部分的數(shù)值偏高而某部分的數(shù)值偏低的現(xiàn)象,使得分割結(jié)果極不穩(wěn)定.另外,使用HSV模型可以避免光照影響,但是會(huì)使算法的運(yùn)算量大大增加.根據(jù)RGB模型的特點(diǎn)研究發(fā)現(xiàn):3種色彩分量的差值基本保持在一定的范圍.通過(guò)大量實(shí)驗(yàn),提出一種基于RGB視覺(jué)模型的快速交通標(biāo)志分割算法,即采用RGB分量值互減的方法來(lái)避免光照對(duì)圖像的影響.具體算法如圖2所示.其中R,G,B分別表示紅色、綠色和藍(lán)色分量值.這種方法能保證系統(tǒng)正確進(jìn)行色彩分割,同時(shí)不至于過(guò)度靈敏而分割出不必要的像素.作者分別采用基于HSV顏色空間的傳統(tǒng)閾值分割算法和本文提出的基于RGB顏色空間的快速交通標(biāo)志分割算法對(duì)6幅實(shí)景拍攝的紅色、藍(lán)色和黃色交通標(biāo)志圖片進(jìn)行顏色分割,并計(jì)算2種方法所消耗的時(shí)間,結(jié)果如表1所示.實(shí)驗(yàn)證明,作者提出的基于RGB顏色空間的快速交通標(biāo)志分割算法能在保證分割質(zhì)量的前提下,大大減少運(yùn)算量.實(shí)驗(yàn)發(fā)現(xiàn),采用RGB值互除的方法也可以避免光照的影響,甚至比本文系統(tǒng)定義的方法更加靈敏;但是,過(guò)度靈敏的系統(tǒng)會(huì)在圖片上選出過(guò)多和交通標(biāo)志無(wú)關(guān)的雜點(diǎn),從而影響后面的偵測(cè),因此作者采用折衷的相減方法,分割結(jié)果如圖3所示,從圖中可以看到,即使在光照條件不好的情況下,算法依然能得到較好的分割結(jié)果.對(duì)分割后的結(jié)果再進(jìn)行區(qū)域檢測(cè)和輪廓提取,以濾除背景信息,截取出可能的交通標(biāo)志.2交通標(biāo)志形狀分類(lèi)檢測(cè)出交通標(biāo)志后,需要判斷它屬于哪種具體形狀.目前國(guó)內(nèi)的研究多采用尋找拐點(diǎn),計(jì)算Hough變換,最小二乘法直線(xiàn)擬合,模版匹配等方法來(lái)檢測(cè)圓形,三角形和矩形3種形狀.但已有方法計(jì)算復(fù)雜、耗時(shí),而且主要是通過(guò)交通標(biāo)志的邊緣信息或者邊緣上的點(diǎn)來(lái)進(jìn)行計(jì)算,這就對(duì)邊緣提取方法提出了更高的要求.若獲取的邊緣結(jié)果不理想將進(jìn)一步增加算法復(fù)雜度和計(jì)算量.由于邊緣信息較易受噪聲的影響,使得這些方法的準(zhǔn)確率隨噪聲增大而有所降低.作者針對(duì)我國(guó)道路交通標(biāo)志的特點(diǎn),根據(jù)其顏色和幾何屬性的對(duì)應(yīng)關(guān)系,將交通標(biāo)志劃分為5個(gè)子類(lèi),采用形狀參數(shù)描述的方法提取色彩分割后的圖片形狀特征,送入BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器,從而完成交通標(biāo)志的形狀分類(lèi).這種方法充分利用了感興趣區(qū)域的整體信息,且計(jì)算量小,不易受噪聲的干擾.2.1交通標(biāo)志的形狀分類(lèi)圖形的形狀信息可以由圖形輪廓的圓形度、離散指數(shù)和矩形度等3個(gè)特征很好地表達(dá),所以作者選用這3個(gè)特征作為交通標(biāo)志的形狀分類(lèi)特征,其定義分別為:圓形度(Ro)Ro=4πS/L2(1)式中,S為圖形面積;L為圖形周長(zhǎng);0≤Ro≤1.離散指數(shù)(e)e=L2/S(2)矩形度(R)R=S/(H·W)(3)式中,H為圖形高度;W為圖形寬度.2.2s形傳遞函數(shù)交通標(biāo)志形狀分類(lèi)采用BP神經(jīng)網(wǎng)絡(luò),所用網(wǎng)絡(luò)結(jié)構(gòu)為3-4-3,其傳遞函數(shù)為雙曲正切S形傳遞函數(shù),輸入層節(jié)點(diǎn)數(shù)為3,分別對(duì)應(yīng)圖像輪廓的圓形度、離散指數(shù)和矩形度;輸出層節(jié)點(diǎn)數(shù)為3,期望輸出分別對(duì)應(yīng)矩形[001]、三角形[010]和圓形.圖4給出網(wǎng)絡(luò)訓(xùn)練誤差曲線(xiàn),可以看出該網(wǎng)絡(luò)有較好收斂效果,網(wǎng)絡(luò)訓(xùn)練完成后可用于交通標(biāo)志的形狀分類(lèi).2.3圖像形狀分類(lèi)實(shí)驗(yàn)中選取矩形、三角形、圓形交通標(biāo)志各100幅作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本.部分圖像如圖5所示,其中包括實(shí)景圖像40幅和對(duì)標(biāo)準(zhǔn)圖像添加隨機(jī)噪聲和傾斜隨機(jī)角度(-5～5)得到的60幅圖像.采用基于RGB視覺(jué)模型的快速算法對(duì)訓(xùn)練樣本進(jìn)行色彩分割,得到的圖像區(qū)域作為模板與原圖像進(jìn)行掩模運(yùn)算,得到僅含標(biāo)志區(qū)域的圖像,并規(guī)格化為30×34的二值圖,提取圖形的形狀特征值,作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入數(shù)據(jù),表2列出部分標(biāo)志的特征值.另外選取矩形、三角形、圓形交通標(biāo)志各60幅,其中實(shí)景圖像40幅,標(biāo)準(zhǔn)圖像及其變換20幅,得到共180幅圖像作為神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本.采用相同方法計(jì)算其特征值送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行形狀分類(lèi),結(jié)果如表3所示,獲得了非常滿(mǎn)意的分類(lèi)結(jié)果,分類(lèi)正確率達(dá)到100%.3基于多個(gè)神經(jīng)網(wǎng)絡(luò)的識(shí)別根據(jù)上述色彩分割和形狀分類(lèi)的結(jié)果,可對(duì)交通標(biāo)志作進(jìn)一步識(shí)別,文獻(xiàn)采用BP神經(jīng)網(wǎng)絡(luò)直接對(duì)交通標(biāo)志進(jìn)行識(shí)別,但由于訓(xùn)練集規(guī)模較大,網(wǎng)絡(luò)收斂速度慢,而且對(duì)于多類(lèi)交通標(biāo)志識(shí)別,分類(lèi)精度也不高.作者利用多個(gè)神經(jīng)網(wǎng)絡(luò)分別對(duì)不同子類(lèi)交通標(biāo)志進(jìn)行識(shí)別,將提取的Hu不變矩作為識(shí)別特征,分別送入對(duì)應(yīng)的子類(lèi)神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,子網(wǎng)絡(luò)選用概率神經(jīng)網(wǎng)絡(luò).3.1歸一化中心矩的一般特征對(duì)于灰度分布為f(x,y)的圖像,其(p+q)階普通矩定義為mpq=?xPyqf(x,y)dxdyp,q=0,1,2,…(4)(p+q)階中心矩定義為upq=?(x-x0)p(y-y0)qf(x,y)dxdy(5)其中矩心(x0,y0)為x0=m10m00,y0=m01m00(6)x0=m10m00,y0=m01m00(6)對(duì)式(4)和(5)進(jìn)行離散化,得到離散狀態(tài)下f(x,y)的(p+q)階普通矩和中心矩的公式mpq=∑x=1M∑y=1N∑x=1Μ∑y=1ΝxPyqf(x,y)p,q=0,1,2,…(7)μpq=∑x=1M∑y=1N∑x=1Μ∑y=1Ν(x-x0)P(y-y0)qf(x,y)p,q=0,1,2,…(8)當(dāng)圖像發(fā)生變化時(shí),mpq也發(fā)生變化,而μpq具有平移不變性但對(duì)旋轉(zhuǎn)和比例變換依然敏感.如果對(duì)中心矩進(jìn)行歸一化,則特征不僅具有平移不變性,而且具有比例不變性.歸一化中心矩定義為ηpq=upqur00r=p+q+22,p+q=2,3,?(9)ηpq=upqu00rr=p+q+22,p+q=2,3,?(9)1962年,Hu提出代數(shù)不變矩的概念,給出一組基于通用矩組合的代數(shù)矩不變量.這些矩同時(shí)具有平移、旋轉(zhuǎn)和比例不變性,被成功應(yīng)用于很多領(lǐng)域,Hu不變矩具體定義為I1=y20+y02(10)I2=(y20-y02)2+4y211112(11)I3=(y30-3y12)2+(3y21-y03)2(12)I4=(y30+3y12)2+(3y21-y03)2(13)I5=(y30-3y12)(y30+y12)[(y30+y12)2-3(y21+y03)2]+(3y21-y03)(y21+y30)[3(y30+y12)2-(y21+y03)2](14)I6=(y20-y02)[(y30+y12)2-(y21+y03)2]+4y11(y30+y12)(y21+y03)(15)I7=(3y21-3y03)(y30+y12)[(y30+y12)2-3(y21+y03)2]-(y30-3y12)(y21+y03)[3(y30+y12)2-(y21+y03)2](16)由于這7個(gè)不變矩的變化范圍很大,為了便于比較,可以利用取對(duì)數(shù)的方法進(jìn)行數(shù)據(jù)壓縮,同時(shí)考慮到不變矩有可能出現(xiàn)負(fù)值的情況,因此實(shí)際采用的不變矩為I′k=lg|Ik|(k=1,2,…,7)(17)3.2徑向基映射后的td-pcr算法交通標(biāo)志識(shí)別系統(tǒng)采用概率神經(jīng)網(wǎng)絡(luò)(PNN),其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示,它具有一個(gè)徑向基網(wǎng)絡(luò)層和一個(gè)競(jìng)爭(zhēng)型網(wǎng)絡(luò)層.PNN第1層的徑向基神經(jīng)元個(gè)數(shù)等于輸入樣本數(shù),其權(quán)值等于輸入向量的轉(zhuǎn)置IW=PT(18)其中,IW為網(wǎng)絡(luò)的權(quán)值向量,P為輸入向量.所有徑向基神經(jīng)元的閾值為b=[-log(0.5)]1/2/s(19)式中s為徑向基函數(shù)的擴(kuò)展系數(shù).合理的選擇s是很重要的.該層首先計(jì)算訓(xùn)練樣本與權(quán)值向量的距離,然后通過(guò)徑向基進(jìn)行非線(xiàn)性映射后獲得輸出向量.該輸出向量為輸入訓(xùn)練樣本與權(quán)值向量的距離加權(quán)值,表示其屬于各類(lèi)模式的不同概率.PNN第2層神經(jīng)元個(gè)數(shù)等于分類(lèi)模式數(shù),其權(quán)值為目標(biāo)向量T,無(wú)閾值向量.第2層神經(jīng)元的傳輸函數(shù)為競(jìng)爭(zhēng)型傳輸函數(shù),它選擇那些最大距離加權(quán)值(最可能的訓(xùn)練樣本模式),作為網(wǎng)絡(luò)的輸出,即獲得正確分類(lèi)結(jié)果的概率最大.根據(jù)5個(gè)不同子類(lèi)情況而有所不同,其中紅色-圓形子類(lèi),包括38種交通標(biāo)志,考慮到可能的非交通標(biāo)志情況,則相應(yīng)分類(lèi)模式數(shù)為39;紅色-三角形子類(lèi),僅包括1種交通標(biāo)志,則相應(yīng)分類(lèi)模式數(shù)為2;藍(lán)色-圓形子類(lèi),包括15種交通標(biāo)志,則相應(yīng)分類(lèi)模式數(shù)為16;藍(lán)色-矩形子類(lèi),包括13種交通標(biāo)志,則相應(yīng)分類(lèi)模式數(shù)為14;黃色-三角形子類(lèi),包括33種交通標(biāo)志,則相應(yīng)分類(lèi)模式數(shù)為34.3.3不同子類(lèi)的交通標(biāo)志實(shí)驗(yàn)中,分別從紅色-圓形子類(lèi)、藍(lán)色-圓形子類(lèi)、藍(lán)色-矩形子類(lèi)和黃色-三角形子類(lèi)中各選取6種交通標(biāo)志進(jìn)行識(shí)別測(cè)試,如圖7所示,而紅色-三角形子類(lèi)僅有1個(gè)交通標(biāo)志,網(wǎng)絡(luò)結(jié)構(gòu)較簡(jiǎn)單,本文不做詳述.每個(gè)子類(lèi)中6種交通標(biāo)志各選30幅,其中實(shí)景圖像20幅,標(biāo)準(zhǔn)圖像及其變換10幅,另外增加非交通標(biāo)志圖像20幅,共200幅圖像,提取不變矩特征,作為對(duì)應(yīng)子神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,表4列出部分藍(lán)色-圓形標(biāo)志的特征值.同一子類(lèi)中,另外選取6種交通標(biāo)志各30幅,其中實(shí)景圖像20幅,標(biāo)準(zhǔn)圖像及其變換10幅,同樣增加非交通標(biāo)志圖像20幅,共200幅圖像作為神經(jīng)