技术领域本发明涉及交通标志的识别方法，特别是一种基于分块识别的道路警告标志检测与识别方法。
背景技术：
道路上的交通标志是一种有着显著色彩和形状特征的公共标志，用于管理交通、指示行车方向以及保证道路畅通与行车安全的设施。交通标志是交通信息的重要载体，可以给车辆、行人准确的交通引导，因此及时准确地识别交通标志信息对于交通安全至关重要。我国的道路交通标志可分为禁令标志、警告标志和指示标志三类，其中禁令标志40种，白底红框，多为圆形；警告标志45种，黄底黑框，多为三角形；指示标志29种，蓝底白框，多为圆形。因此，通过对颜色和形状特征的检测，很容易将三种标志予以划分。道路交通标志的识别过程可归纳为交通标志检测和分类识别等两步。交通标志的检测算法多种多样，主要分为以下四种：基于颜色特征的检测、基于形状特征的检测、基于模板匹配的检测以及基于颜色几何融合特征的检测等，基于颜色特征的检测方法处理速度最快，因此应用最为广泛。在基于颜色特征的检测方法中，首先对图像进行色彩空间的分割，然后将分割得到的二值图像矢量化，最后筛选出交通标志所在的区域。在色彩空间的选择中，最常见的是RGB彩色空间和HIS彩色空间。前者在交通标志的检测过程中不需要进行色彩空间变换，实时性好，但缺点是不能很好地模拟人类对颜色的视觉感知，且易受到光照的影响。后者需要先将RGB图像经过色彩空间变换转化到HIS(Hue:色调，Intensity:亮度，Saturation:饱和度)颜色模型下，然后进行颜色分割。HIS颜色模型对颜色的描述更符合人类对颜色的视觉理解，且三个分量各不相关，因此更有利于图像处理，同时也能很好的削弱光照对交通标志成像的影响。但由于从RGB到HIS色彩空间的变换属于非线性变换，涉及到反三角计算，耗时较长，阻碍了交通标志的实时检测。另外，在RGB空间的信号发生微小的变化时，转换到HIS空间时色调信号也会有较大的变化，即呈现出不稳定的性质。交通标志的分类识别是交通标志识别问题的最终目标。目前，已有较多的交通标志分类算法，大致可分为统计分类算法、神经网络分类算法、句法分类和集成分类方法等。在分类的过程中，所采用的特征多为颜色或形状不变矩等，总体来说现阶段的交通标志识别方法存在识别准确率不高、运行时间长、不能满足车载实时性的需求等缺点。
技术实现要素：
为了解决上述技术问题，本发明提供了一种基于分块识别的道路警告标志检测与识别方法。本发明所采用的技术方案是：一种基于分块识别的道路警告标志检测与识别方法，其特征在于，包括以下步骤：1.一种基于分块识别的道路警告标志检测与识别方法，其特征在于，包括以下步骤：步骤1：获取车载视频数据，将其拆解成按时间先后顺序排列的影像，调取出对应曝光时刻车辆的GPS、IMU数据以获取车辆的车速和姿态；步骤2：将车载视频分解为帧图像，并对各帧进行预处理；所述预处理包括滤波、去雾、去霾、色彩平衡；步骤3：将步骤2中处理后的帧图像由RGB色彩空间转换到HSV色彩空间，以得到与人眼视觉系统最为符合的颜色空间；步骤4：采用优化后的HSV阈值分割方法对步骤3中转换的HSV空间的帧图像进行颜色分割，并对分割结果进行二值化处理，得到二值图像；步骤5：对二值图像进行形态学开运算和闭运算以去除孤立点，并通过边缘提取算法获取连通区域的轮廓信息，在此基础上根据轮廓的几何参数判定连通区域的形状，从而检测出图像中的三角形区域，获取三角形标志大致所在的区域即粗糙感兴趣区域Rough_ROI；步骤6：根据三角形的几何特征对粗糙感兴趣区域Rough_ROI进行交通标志的轮廓拟合，并对其进行尺度归一化和几何纠正处理，得到精确感兴趣区域Exact_ROI；步骤7：提取精确感兴趣区域Exact_ROI的分块特征；步骤8：提取精确感兴趣区域Exact_ROI的HOG特征；步骤9：结合分块特征和HOG特征，以标志库为样本，采用SVM方法对检测出的标志进行分类识别。作为优选，步骤4中所述采用优化后的HSV阈值分割方法对步骤3中转换的帧图像基于HSV颜色空间做颜色分割，其具体实现过程包括以下子步骤：步骤4.1：针对由RGB颜色空间向HSV颜色空间转换后的帧图像，计算帧图像中每个像素的黄色程度，得到表征黄色程度的灰度图像；步骤4.2：对于黄色程度的灰度图像，用正方形窗口对其进行均值滤波，去除噪声；步骤4.3：采用OTSU自动阈值法提取出黄色程度灰度图像的黄色位图，采用正方形窗口对其进行均值滤波，得到每个正方形窗口内黄色点个数所占总像素的比例；步骤4.4：设定双阈值，得到优化后的图像黄色位图。作为优选，步骤6的具体实现包括以下子步骤：步骤6.1：对步骤5中提取出的粗糙感兴趣区域Rough_ROI，按逆时针方向将粗糙感兴趣区域Rough_ROI的轮廓转点进行编号，记为P1、P2、P3、…、Pn，n≥3，并将拟合出的轮廓线段分别记作L1、L2、L3、…、Ln；步骤6.2：取L1、L2、L3、…、Ln序列中长度排前三的线段作为待拟合三角形标志的三边，将三条边根据角度关系、相对位置关系确定三边关系，分别记为L左、L右和L底；步骤6.3：分别在L左、L右和L底所在直线方向，同时对三条线段进行延长，最终得到两两相交的三边；记L左、L右的延长线交于P顶；L右、L底延长线相交于点P右；L左、L底延长交于P左；步骤6.4：P左、P顶、P右即检测出的三角形的三个顶点，两两连接P左、P顶、P右三点，所组成的三角形区域即为分割出的交通标志精确感兴趣区域Exact_ROI；步骤6.5：采用双线性差值算法将所有精确感兴趣区域Exact_ROI尺寸归一化到40*40像素；步骤6.6：采用仿射变换对精确感兴趣区域Exact_ROI进行几何纠正，使其于标志库中的正三角形状相同。作为优选，步骤7的具体实现包括以下子步骤：步骤7.1：将三角形分为14块，相互不重叠且互为领域分开，每个块大小为10×10像素，第1号块左上起点坐标为(30，35)，依次划分为14小块，第14号小块在所有分块的最右下方，14块小块全部位图三角形黑色外框内部；步骤7.2：利用OTSU二值化方法，对灰度影像进行处理，得到二值内核图案；步骤7.3：以每一小块内提取的内核二值图案所有前景色像素的总数占分块窗口大小的比值作为特征值，其中前景色像素值为1，背景为0，窗口面积大小为10×10；并将这14个小块的特征值合并成一个向量，由此得到每个交通标志精确感兴趣区域Exact_ROI的1×14维特征向量，作为其分块特征。作为优选，步骤8的具体过程为：将角度空间平均划分为8个通道，并以每个像素在8个方向的梯度幅度为权值，采用三线性差值方法对各个通道进行加权投票。作为优选，步骤9的具体实现包括以下子步骤：步骤9.1：采用HOG特征对图像粗分类，得到标志大类；步骤9.2：根据具体大类，利用HOG融合分块特征，采用SVM对标志进行精分类。相对于现有技术，本发明的有益效果是：1)提出了基于暗通道假设法的图像复原技术，能明显提高雾霾天气下交通标志的饱和度，提高检测效果。2)对HSV空间下的门限法分割进行了优化，能更清晰地分割出交通标志。3)针对分割标志不完整的问题，提出了精确拟合分割图斑轮廓的方法，能对存在遮挡、分割不全情况下的交通标志进行完整提取。4)融合HOG特征和分块特征，并构建适用于SVM的由粗到精的分层分类框架，大大地提高了标志分类的精度。附图说明图1为本发明实施例的流程图；图2为本发明实施例的传统门限值阈值分割方法与优化后阈值分割方法的效果对比图，其中第一列为彩色原影像，第二列为传统分割结果，第三列为优化分割结果；图3为本发明实施例的分块特征提取方法中分块示意图；图4为本发明实施例的45种参考警告标志的分块特征之间的互相关系数图，图中的相关系数值由0到1，值越大表示相关程度越来大，反之则越不相关；图5为本发明实施例的交通标志分层分类算法流程图。具体实施方式为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。请见图1，本发明提供的一种基于分块识别的道路警告标志检测与识别方法，包括以下步骤：步骤1：获取车载视频，将其拆解成按时间先后顺序排列的影像，调取出对应曝光时刻车辆的GPS、IMU数据；步骤2：将车载视频采样以及预处理，预处理的具体方式如下：首先，在VisualStudio2010平台下，利用GDAL、OpenCV等支持库，通过卷积运算等操作完成视频数据的滤波。其次，由于阴雨雾霾等不良天气状况会对车载视频成像过程产生影响，导致交通标志模糊，因此需要对视频图像进行去雾处理以增强图像信息，此处采用暗通道假设算法进行去雾增强处理。所谓暗通道假设算法，是指在晴朗无雾霾的自然场景下的图像，在大部分非天空的局部范围内，某一些像素会有至少一个颜色通道具有很低的值，即该区域光强度的最小值是一个很小的值，对于任何这样的图像J，可以式(1)表达图像暗通道。Jdark(x)=miny∈Ω(x)(minc∈{r,g,b