机器视觉技术在交通路标识别中的实现方法

刘金龙+薛名芷

摘 要 介绍了机器视觉技术在交通路标识别中的应用。路标区域的分割主要依据路标颜色在HSI颜色空间的类聚特征，路标指示的识别采用基于尺度不变特征提取算法的模板匹配来实现。

关键词 机器视觉；智能交通；交通标志；路标定位；路标识别

中图分类号：TP391.4 文献标识码：A 文章编号：1671-7597（2014）05-0046-01

由于信息的采集技术得到了长足的发展，信息处理方式越来越多样化，机器视觉逐渐成为人们生活中的关键技术之一。所谓机器视觉就是用计算机来模拟人的视觉功能的技术，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。随着机器视觉技术的引入，智能交通技术得到了飞速的发展。智能公交、电子警察、交通信号控制、交通视频监控等智能技术为城市交通运输系统的疏导与协调作出了重大贡献。先进驾驶辅助系统作为关键技术之一，不但能帮助司机更好驾驶，并且能在一定程度上避免交通事故的发生。交通路标识别作为其核心技术，在城市交通的安全上具有深远的意义。大体上，交通路标识别技术主要包含两方面，即路标区域的分割和路标指示信息的识别。

1 路标区域的提取

对路标区域与背景区域的分割是在HSI颜色空间上进行的。HSI是用色调、饱和度和亮度来描述颜色空间的，与人的视觉系统保持一致。色度是描述纯色的属性，与光波的波长有关，它表示人的感官对不同颜色的感受；饱和度给出一种纯色被白光稀释的程度的度量，饱和度越大，颜色看起来就会越鲜艳；亮度是一个主观的描述，体现了无色的强度概念。

标准交通路标主要有蓝色和黄色两种底色。对于蓝色路标，背景颜色为蓝色并且占据大部分面积，路标指示的描述部分为白色；对于黄色路标，背景颜色为黄色并且占据大部分面积，路标指示部分的描述部分为红色。黄色与蓝色在HSI颜色空间呈现类聚性：对于蓝色，H取值在132到175之间，S取值在100到240之间，I取值在53到179之间；对于黄色，H取值在28到48之间，S取值在114到240之间，I取值在61到175之间。

基于此两种颜色特征可以在目标图像中进行路标嫌疑区域分割；通过形态学处理可以去掉较小空洞以及路标指示的描述信息；最后依据连通域的面积与形状等判断并提取出路标区域。形态学处理是一种对邻域的运算形式。通过形态学处理不但可以过滤由于噪音或者其他原因引起的一些较小的不可能为路标背景的区域，减少候选区域和提高检测速度，而且可以填补路标中由于路标指示信息灰度不同导致的较小空洞，降低了误判的可能性。

路标区域提取的具体步骤如下所示。

Step1：在HSI颜色空间里依据颜色通道取值范围对目标图像进行二值化处理。

Step2：对二值图像进行膨胀处理，腐蚀掉路标指示描述等干扰。

Step3：查询连通区域边界。

Step4：依据连通区域的面积和形状来定位出路标区域。

如果目标中只有蓝色路标像素点，则该路标是以蓝色为底色的路标；如果目标中只有黄色路标像素点，则该路标是以黄色为底色的路标。

2 路标指示识别

路标指示信息的识别主要依据尺度不变特征提取与模板匹配的方法。

尺度不变特征提取方法包含尺度不变性与旋转不变性的特点。所谓尺度不变性是指不管物体是远是近，都能进行正确的辨识；所谓旋转不变性是指当物体发生旋转时，依然能正确的识别它。尺度不变特征提取算法主要有SIFT算法和SURF算法。SIFT算法是最有效的，SURF算法对SIFT算法进行了简化，在运算速度上提高了3倍，综合性能要更优。

在指示信息识别之前需要建立路标特征数据库。依据路标底色的不同，需要建立蓝色路标数据库和黄色路标数据库。

模板匹配就是用路标数据库中的每个模板一一与目标图像中的路标区域进行匹配，计算相似度，相似度最大的一组就是对应的路标指示信息。其中进行匹配的方面就是尺度不变的特征。另外，路标的背景颜色部分足够表示该路标的所有特征了，因为背景提取图恰到好处的得到了路标指示的边框部分，所以提取背景部分可以进行路标识别。

路标指示识别的具体步骤如下所示。

Step1：建立路标特征数据库。

Step2：在HSI颜色空间中提取出路标区域中的指示边框部分。

Step3：提取出来的部分作为尺度不变特征提取算法的输入图像，进行特征点检测和特征向量提取。

Step4：将提取出来的特征点、特征向量与数据库中的标准路标的特征点、特征向量进行比对，得出匹配结果。

按照以上步骤处理后，如果所有匹配相似度都很低，说明目标图像中不存在交通路标。

3 结论

文章阐述了交通路标识别技术的实现方法。路标区域定位部分主要依据路标底色的颜色特征并在HSI颜色空间完成，从而极大的提高了定位的实时性；路标指示识别部分利用模板匹配的方法来实现，基于尺度不变特征提取算法的特征点匹配对尺度变化、旋转变化、照度变化和视角变化具有良好的鲁棒性。

参考文献

[1]唐向阳，张勇，李江有，等.机器视觉关键技术的现状及应用展望[J].昆明理工大学学报（理工版），2004，29（2）：36-39.

[2]许祥祥.计算机视觉技术的应用研究[J].硅谷，2013（16）：114-114.

[3]王宇锋.国内外智能交通系统现状简介[J].硅谷，2008（23）：181-181.

[4]李峰.智能交通系统在国外的发展趋势[J].国外公路，1999，19（1）：1-5.

[5]孙龙林.先进驾驶辅助系统的发展现状和趋势[J].汽车电器，2009（7）：4-7.

[6]朱双东，陆晓峰.道路交通标志识别的研究现状及展望[J].计算机工程与科学，2007，28（12）：50-52.

[7]阮秋琦.数字图像处理学[M].电子工业出版社，2007.

[8]刘小飞.基于边缘检测和形态学的车牌定位[J].硅谷，2012（12）：24-24.

[9]彭皓.局部不变特征提取算法的研究及其在图像识别中的应用[J].电子测量技术，2009（2）：135-139.

[10]张锐娟，张建奇，杨翠.基于SURF的图像配准方法研究[J].红外与激光工程，2009，38（1）：160-165.

[11]田娟，郑郁正.模板匹配技术在图像识别中的应用[J].传感器与微系统，2008，27（1）：112-114.

作者简介

刘金龙（1990-），男，黑龙江哈尔滨人，在读硕士，研究方向：新能源汽车与模式识别。

薛名芷（1990-），女，黑龙江黑河人，本科毕业，研究方向：模式识别。endprint