本发明涉及无人驾驶技术领域，尤其涉及一种基于广义霍夫变换和小波变换的路标识别方法。
背景技术：
近年来，高级驾驶辅助系统(adas)和无人驾驶技术发展迅速，其中，路标识别是研究的热点之一。常见的路标有减速、停止、限速等。准确检测和识别路标可以较少事故发生的可能性，增加驾驶的安全性。对于人类而言，视觉信息传入大脑之后，可由大脑根据已有的知识进行信息处理，进而识别和判断。
对于机器来说，由于路标种类多，区分度不大，以及光照、采集、遮挡和尺度的影响，使得很难从复杂场景中准确识别路标。
现已有的技术：由于不同颜色空间对于红、黄、蓝等颜色的交通标志分割的效果，在颜色空间上使用阈值分割可以提取路标；针对红色路标的识别系统，采用红色滤波、边缘以及闭合曲线的方法进行检测，用专家系统和神经网络进行特征提取和目标分类，可以达到预期目标；将图像从rgb颜色空间转换到高斯颜色空间，使用两个对于观看角度不变的量作为图像的颜色表示，然后使用k-means对颜色聚类进而提取出路标；开发识别停止路标的系统，该系统在检测方面采用hsv空间的颜色分割方法，在识别方面，采用神经网络方法。但是这些方法总是不能保证较高的准确率，并且使用具有局限性。
本专利设计一个准确通用的路标识别方法，对于提高辅助驾驶系统和无人驾驶安全具有重要意义。
技术实现要素：
本发明的目的在于，提供一种结合高斯平滑滤波、广义霍夫变换，高效准确地识别路标的方法。
本发明解决其技术问题所采用的技术方案是：
提供一种基于广义霍夫变换和小波变换的路标识别方法，包括以下步骤：
步骤1：选标准图像构建特征图像库；
步骤2：对于采集到的图像进行去噪操作；
步骤3：对去噪后的图像利用广义霍夫变换进行边缘提取；
步骤4：将提取后的图像利用小波分解提取图像低频信息；
步骤5：根据图像低频信息建立对应的特征图像；
步骤6：采用欧式距离对所建立的特征图像和特征图像库进行匹配识别。
接上述技术方案，步骤1中具体为：选择至少20幅经过处理的标准图像作为路标的特征图像库。
接上述技术方案，步骤2具体为：利用高斯平滑滤波来消弱或去除图像中无关的信息，增强图像中的相关信息，实现图像去噪。为验证方法的有效性，在标准图像中加入人工噪声，并将去噪后的图像和标准图像进行对比；
其中，高斯平滑滤波使用二维高斯函数，其分为两步进行：1)将图像与一维高斯函数进行卷积；2)将卷积结果与方向垂直的相同的一维高斯函数卷积。
接上述技术方案，步骤3中对去噪后的图像采用广义霍夫变换进行边缘检测，主要采用一种针对所有曲线的广义霍夫变换用以检测几何形状的边缘，利用图形梯度量加快算法速度；具体包括：
3-1创建模板，在图像区域内选定参考点，对各边缘点计算其梯度方向角φ，考点和各边界点的相对位置用它们的连线方向角α及连线长度r表示，r、α和φ共同确定一个边缘点，将它们按梯度方向φ的大小一次排列成r表储存起来，存放内容为边缘点信息(r,α)，形成r表。
3-2边缘检测，根据广义霍夫变换的原理，根据预先设定的阈值，进行边缘检测，记录待检测图像的边缘点信息，在统计阶段，根据不同的多方旋转变化，改变r表重新定位参考点并统计匹配次数，针对图像中的多目标物体，定位点的匹配次数大于设定的阈值时，判定当前定位点为图像参考点；图像因旋转缩放会出现多个参考点，则需要根据坐标关系还原有效图像。
接上述技术方案，步骤4具体包括：
4-1采用haar小波进行分析,定义尺度函数，计算相应的小波函数；
4-2对信号进行小波变换，用不同的尺度函数得到加权和；
4-3小波基函数用2的乘方减小尺度，小尺度的小波体现信号的细节，而大尺度的小波体现信号的轮廓；小波分解覆盖整个频域，通过选取合适的滤波器，减小或去除所提取不同特征之间的相关性；
4-4对于二维图像数据，采用快速的mallat小波分解算法，每一层的小波变换都会将图像分解成四部分，分别代表着图像的低频近似、竖直高频、水平高频和对角高频部分。
接上述技术方案，步骤5具体为：小波变换获得图像的低频和高频信息，取多幅路标图像创建训练集图库，将所有图像进行小波分解并保存其低频小波系数生成的图像作为特征图像。
接上述技术方案，步骤6具体包括：采集到的图像组成测试集，将测试集中的每一幅低频特征图像与特征图像库中的低频图像进行匹配，然后将其分类到欧式距离最小的特征图像中，如果两个图像表示同一路标信息，表示识别成功，否则表示识别失败。
本发明还提供一种基于广义霍夫变换和小波变换的路标识别系统，包括：
特征图像库建立模块，用于选标准图像构建特征图像库；
去噪模块，用于对于采集到的图像进行去噪操作；
边缘提取模块，用于对去噪后的图像利用广义霍夫变换进行边缘提取；
图像低频信息提取模块，用于将提取后的图像利用小波分解提取图像低频信息；
特征图像建立模块，用于根据图像低频信息建立对应的特征图像；
识别模块，用于采用欧式距离对所建立的特征图像和特征图像库进行匹配识别。
本发明还提供一种计算机可读存储介质，包括可被处理器执行的计算机程序，该计算机程序具体执行上述技术方案的基于广义霍夫变换和小波变换的路标识别系统。
本发明产生的有益效果是：本发明利用广义霍夫变换可以检测任意形状的曲线，相比于传统的霍夫变换检测具有更广阔的应用。利用小波分解获取图像低频信息，从而构建特征图像库，保留了图像中最本质、识别效果最好的特征信息，相比传统的识别方法，其准确率更高。
进一步地，结合高斯平滑滤波、广义霍夫变换和小波变换对采集到的图像进行处理与识别，是一种高效准确的识别方法，其识别效果较传统方法有较大改善。
进一步地，本发明利用二维高斯函数进行平滑滤波有以下优点：
1)、二维高斯函数具有旋转对称性，这意味着高斯平滑滤波在后续边缘检测中不会偏向任一方向。
2)、高斯函数是单值函数，这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的。
3)、高斯函数的傅里叶变换频谱是单瓣的，这意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号。
4)、高斯滤波器宽度有参数σ表征的，而且σ和平滑程度是非常简单的，σ越大，高斯滤波器频宽就越宽，平滑程度就越好。
5)、由于高斯函数的可分离性，大高斯滤波器可以得以有效地实现。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明基于广义霍夫变换和小波变换的路标识别算方法流程图；
图2为本发明的训练集图库；
图3为本发明利用高斯平滑滤波去噪后的对比图；
图4为本发明利用广义霍夫变换得到的边缘图像
图5为本发明利用小波分解得到的图像；
图6为本发明的特征图像库；
图7和图8为本发明的测试结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例基于广义霍夫变换和小波变换的路标识别算方法，如图1所示，包括以下步骤：
步骤1：选标准图像构建特征图像库；
步骤2：对于采集到的图像进行去噪操作；
步骤3：对去噪后的图像利用广义霍夫变换进行边缘提取；
步骤4：将提取后的图像利用小波分解提取图像低频信息；
步骤5：根据上述得到的低频信息建立对应的特征图像；
步骤6：采用欧式距离对上述建立的特征图像和特征图像库进行匹配识别；
所述的步骤1中具体包括：选择20幅标准图像构建特征图库。
步骤2具体包括：
2-1首先是对图像进行去噪工作，采用高斯平滑滤波。为验证方法的有效性，在标准图像中加入人工噪声，并将去噪后的图像和标准图像进行对比。
2-2本专利使用的高斯模板为：
2-3本专利的高斯平滑滤波使用的是二维高斯函数，分为两步进行：1)将图像与一维高斯函数进行卷积；2)将卷积结果与方向垂直的相同的一维高斯函数卷积。
步骤3对去噪后的图像利用广义霍夫变换进行边缘提取及具体包括：
3-1首先创建模板，在图像区域内选定参考点(一般为质心)，然后对各边缘点计算其梯度方向角φ，考点和各边界点的相对位置可以用他们的连线方向角α及连线长度r表示。r、α和φ共同确定一个边缘点，将它们按梯度方向φ的大小一次排列成r表储存起来，存放内容为边缘点信息(r,α)，形成r表。
3-2然后是边缘检测，根据广义霍夫变换的原理，根据预先设定的阈值，进行边缘检测，记录待检测图像的边缘点信息，在统计阶段，根据不同的多方旋转变化，改变r表重新定位参考点并统计匹配次数。针对图像中的多目标物体，定位点的匹配次数大于设定的阈值时，判定当前定位点为图像参考点。图像因旋转缩放会出现多个参考点，则需要根据坐标关系还原有效图像。
步骤4中将提取后的图像利用小波分解提取图像低频信息具体包括：
4-1采用haar小波进行分析,定义尺度函数为
4-2计算相应的小波函数为
4-3对信号进行小波变换，用不同的尺度函数得到加权和。
4-4小波基函数用2的乘方减小尺度，小尺度的小波体现信号的细节，而大尺度的小波体现信号的轮廓。小波分解可以覆盖整个频域，通过选取合适的滤波器，可以极大的减小或去除所提取不同特征之间的相关性。
4-5对于二维图像数据，采用快速的mallat小波分解算法。每一层的小波变换都会将图像分解成四部分，分别代表着图像的低频近似、竖直高频、水平高频和对角高频部分。
4-6代表不同信息的尺度函数为：
其中hh、lh和hl则分别代表对角、竖直和水平方向的高频信息，ll代表低频信息，
步骤5中根据上述得到的低频信息建立对应的特征图像具体包括：
5-1小波变换获得图像的低频和高频信息，而高频信息一般是图像中的干扰信息，低频信息是本质的、识别效果好的特征信息。因此，我们取多幅路标图像创建训练集图库，将所有图像进行小波分解并保存其低频小波系数生成的图像作为特征图像，建立特征图像库。
步骤6中用欧式距离对上述建立的特征图像和特征图像库进行匹配识别具体包括：
6-1拍摄到的图像被组成测试集，将测试集中的每一幅低频图像与特征图像库中的低频图像进行匹配，然后将其分类到欧式距离最小的特征图像中，如果两个图像表示同一路标信息，表示识别成功，否则表示识别失败。
本发明的特征提取和识别采用基于小波变换的特征提取与识别方法，克服传统的基于傅立叶的特征提取方法的缺点，保证即不丢失高频信息又不丢失低频信息；实验结果与标准图像相比表明：该算法能够克服有天气变化、光照变化引起的高斯白噪音以及采集路标图像发生微度旋转、比例变化和平移时引起的噪声的影响。与现有技术相比，本发明可以实时有效地识别路面路标信息，精度高可靠性强，识别过程中判断误差率小，可以广泛的用于无人驾驶车辆的高级驾驶辅助系统中。
本发明还提供一种基于广义霍夫变换和小波变换的路标识别系统，包括：
特征图像库建立模块，用于选标准图像构建特征图像库；
去噪模块，用于对于采集到的图像进行去噪操作；
边缘提取模块，用于对去噪后的图像利用广义霍夫变换进行边缘提取；
图像低频信息提取模块，用于将提取后的图像利用小波分解提取图像低频信息；
特征图像建立模块，用于根据图像低频信息建立对应的特征图像；
识别模块，用于采用欧式距离对所建立的特征图像和特征图像库进行匹配识别。
本发明还提供一种计算机可读存储介质，包括可被处理器执行的计算机程序，该计算机程序具体执行上述技术方案的基于广义霍夫变换和小波变换的路标识别系统。
本发明的一个具体实施例中，基于广义霍夫变换和小波变换的路标识别方法，包括以下步骤：
步骤1：构建训练集图库,如图2为本发明构建的训练集图库；
步骤2：对于采集到的图像进行去噪操作，如图3为对某一噪声图像去噪后的对比图；
步骤3：对去噪后的图像利用广义霍夫变换进行边缘提取，如图4为本发明得到的边缘图像；
步骤4：利用小波分解提取图像低频信息，如图5为本发明利用小波分解得到的图像；
步骤5：根据低频信息建立对应的特征图像库，如图6为本发明利用低频信息建立的特征图像库；
步骤6：采用欧式距离匹配图像进行识别，如图7和图8为本发明得到的测试结果图；
本发明在进行实地测试时，算法平均每帧耗时61ms，准确率在90％以上,拥有很好的实时性和准确性。
综上，本发明利用二维高斯函数进行平滑滤波有以下优点：
1)、二维高斯函数具有旋转对称性，这意味着高斯平滑滤波在后续边缘检测中不会偏向任一方向。
2)、高斯函数是单值函数，这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的。
3)、高斯函数的傅里叶变换频谱是单瓣的，这意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号。
4)、高斯滤波器宽度有参数σ表征的，而且σ和平滑程度是非常简单的，σ越大，高斯滤波器频宽就越宽，平滑程度就越好。
5)、由于高斯函数的可分离性，大高斯滤波器可以得以有效地实现。
本发明利用广义霍夫变换可以检测任意形状的曲线，相比于传统的霍夫变换检测具有更广阔的应用。
本文发明利用小波分解获取图像低频信息，从而构建特征图像库，保留了图像中最本质、识别效果最好的特征信息，相比传统的识别方法，其准确率更高。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。