基于最大稳定极值区域和SVM的交通标志识别方法与流程

本发明属于图像处理领域，应用在智能交通场景中，涉及应用最大稳定极值区域(mser)算法，实现对rgb图像中交通标志部分的有效处理，应用方向梯度直方图(hog)对兴趣区域进行边缘检测与分割，最后送入向量机分类器(svm)来完成识别阶段的工作。

背景技术：

图像处理技术是智能交通领域中重要的组成部分，高效准确的自动化交通标志识别能够引导交通参与者规范地参与交通行为，减轻驾驶员信息处理压力，从而降低事故发生概率。目前，交通标识识别(trafficsignrecognition,tsr)系统主要是通过安装在车辆上的摄像机采集道路上的交通标识信息，传送到图像处理模块进行标志检测和识别，之后系统将根据识别的结果做出不同的应对措施。检测阶段需要根据交通标识的颜色和形状特征，从采集的图像中寻找和定位包含交通标识的感兴趣区域。识别阶段要对感兴趣区域，用不同的方法提取特征，并用合适的分类算法对这些感兴趣区域进行分类，得到交通标识的类型信息。

随着研究的深入，涌现出很多交通标志自动识别的方法理论。目前大多数的识别理论在检测阶段都采用颜色信息作为图像分割的方法，但是，颜色信息在受到强光、弱光、阴霾、雾气、标志自身颜色剥蚀等情况的影响下效果会变差。另外，尽管交通标识通常具有醒目的颜色，肉眼易于辨识，但是在现代化的城市场景下(比如炫彩灯光、墙面颜色等)，使得交通标识与背景颜色难以区分，从而在标志检测过程中不易发现标识区域。在识别阶段，大部分现有的系统由使用手工标记的真实图像训练的分类器组成，这是一个重复耗时，并且容易出错的处理过程。为此，要尽量规避这种人工操作和手工标记训练。同时，由于交通标志识别系统对检测识别的实时性要求较高，尤其在道路状况复杂、车速较高的情况下，系统需要在尽可能短的时间内做出识别，并将结果通知驾驶员，以便驾驶员有充足的时间做出反应。因此，鉴于颜色识别在复杂环境应用的弊端，手工标记的易错性和机器训练的大量耗时，以及系统对实时性的要求，没有一种性能更为均衡，效果更加稳定的算法，来实现交通标志的智能识别。

技术实现要素：

本发明着眼于交通标志识别中的几个重要性能指标，提出了一种基于最大稳定极值区域和svm的交通标志识别方法，目的在于优化先有方法的性能，克服已有技术的不足。主要运用最大稳定极值区域等方法，对含有交通标志的图片进行提取分割，将初始的普通rgb照片，预处理成利于识别检测的二值图像；之后利用hog进行特征提取并送入svm分类器中进行分类和识别。

本发明的技术方案：

基于最大稳定极值区域和svm的交通标志识别方法，步骤如下：

步骤1.颜色转换：采用最大稳定极值区域(mser)算法对兴趣区域进行检测，并对图像进行灰度化处理。

步骤2.边缘检测：计算兴趣区域中每个像素的水平和垂直一阶梯度，并将其作为hog特征向量对兴趣区域进行边缘检测。

步骤3.分类识别：运用svm分类器对兴趣区域的形状进行分类并识别。并按照数据库中的标准图像，输出所识别的交通标志。

本发明的有益效果：本发明所提出的基于最大稳定极值区域和svm的交通标志识别方法，突出发挥了最大稳定极值区域算法的稳定性，并运用hog特征向量作为兴趣区域边缘检测和图像分割的方法，该方法能够在一定程度上抑制平移和旋转带来的影响，由于其对于光照的变化不敏感，因此还能降低图像因光照强度变化带来的干扰，在分类识别阶段使用svm分类器，避免了人工标记的易错性和机器训练的大量耗时，综合各方法的优势，较好地平衡了准确性和实时性的要求，实现了交通标志的自动检测和识别。

附图说明

图1是本发明交通标志识别方法的流程图

图2是本发明的实例识别流程的效果图

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

针对上述3个步骤，对每一个步骤进行以下具体说明：

步骤1：颜色转换

图像归一化：由于交通标志多为红色和蓝色，首先运用公式

对红色和蓝色部分进行统计，选取较大的一个作为阈值，对图片进行红/蓝归一化处理。

步骤2：边缘检测

2.1计算图像梯度。图像中，相邻像素点灰度值变化较小的，其梯度幅值也比较小；反之，灰度突变的地方，梯度幅值较大。因此，需要通过一阶倒数计算得到幅值的大小来详细判定图像的位置以及边缘的存在性。而对于不同的边缘灰度值可以通过二阶导数的计算来确定，边缘的位置就是二阶导数的过零点，其梯度为对应的图像函数的一阶导数。在图像函数f(x，y)中选定(x，y)点，其对应梯度为：

其中gx(x，y)和gy(x，y)分别是像素点(x,y)处的水平方向梯度和垂直方向梯度。f(x，y)在其最大变化率方向上单位长度变化的量值即为对应梯度的幅值。相应的梯度幅值以及相应方向角的数学关系式为:

对于图像函数f(x，y)用差分代替微分来实现梯度的计算，即：

因此，在像素点(x，y)处的梯度幅值g(x，y)和梯度方向α(x，y)可以表示为：

2.2为每个细胞单元构建梯度方向直方图。当得到一张梯度影像后，把影像切割成相同大小(8x8pixel)的格子称为cell，对每个cell统计里面的方向，tan^-1的角度范围是介于-90度到+90之间，把它的角度拉到0到a80度，并均匀划分为9块，即九个票箱，每块之间相差20度，当像素的方向符合某个票箱时，就把该像素的强度值(magnitude)给累加放入相对应的票箱中，每个cell会以九维向量表示，最后可以画出这个cell的方向梯度直方图。

2.3把细胞单元组合成大的块(block)，块内归一化梯度直方图。每相邻的4个cell构成一个块(block)，把一个块内的特征向量联起来得到36维的特征向量，用块对样本图像进行扫描，扫描步长为一个cell。特征向量数量用n来表示：

其中b＝4，h＝9，r是兴趣区域，对于一幅64*64的图像，共产生1764个维度的特征向量，即该区域的hog特征。

步骤3.分类识别

3.1多类svm分类器的结构选择。svm是一种两类分类器，为了将其推广到多类分类，本发明采取的策略是构造一系列两类svm分类器，每个分类器用于识别其中两个类别，并将它们的判别结果以某种方式组合起来实现两类及两类以上分类。为了实现多类判别，运用1-a-r即1-aginst-rest算法，对于n个分类问题构造n个两类分类器，第i个svm用第i类中的训练样本作为正的训练样本，而将其他的样本作为负的训练样本，最后输出是两类分类器输出为最大的那一类，这种方法简便易行，容易实现。

3.2svm分类器的训练与识别。用标准交通标志图像集，对svm分类器进行训练，得到训练样本的支持向量以及支持向量对应的决策函数和类别标签。将经过预处理的图像的特征向量输入svm分类器，判定并输出分类结果。