CN105469124A

CN105469124A - 一种交通标志分类方法

Info

Publication number: CN105469124A
Application number: CN201510811639.2A
Authority: CN
Inventors: 刘晨曦; 叶德焰; 陈从华; 许宁; 汤益明
Original assignee: Xiamen Yaxon Networks Co Ltd
Current assignee: Xiamen Yaxon Networks Co Ltd
Priority date: 2015-11-20
Filing date: 2015-11-20
Publication date: 2016-04-06

Abstract

本发明公开了一种交通标志分类方法，包括以下步骤：S1.通过车载摄像头对道路上方及两旁感兴趣区域采集用于识别的原始识别图像，将该原始识别图像输入车载交通标志检测系统；S2.将原始识别图像的感兴趣区域分成若干重叠块，并计算每块图像正交Fourier-Mellin矩的旋转不变量、缩放不变量及模糊不变量的组合不变量；S3.将原始识别图像计算得到的组合不变量与交通标志模板图像进行匹配，识别出原始识别图像的感兴趣区域含有交通标志的位置和类别；本发明利用不变矩理论一次性解决交通标志旋转、扭曲和运动模糊的情况，具有模糊不变特性，且抗噪能力强，还不需要对图像进行滤波、复原等预处理，稳定性强，分类准确，误检率低，抗干扰能力强。

Description

一种交通标志分类方法

技术领域

本发明涉及图像处理及计算机视觉技术领域，特别是一种交通标志分类方法。

背景技术

随着计算机视觉技术的不断发展，基于计算机视觉的驾驶辅助系统是解决交通安全和运输效率问题的重要措施之一。交通标志包含许多保障交通安全的重要信息，如驾驶前方道路状况的改变、速度限制、驾驶行为限制等信息，保证了驾驶安全，避免交通事故的发生。因此车载交通标志检测系统具有很广阔的市场前景。

车载交通标志检测系统能够将摄像头获取的图像进行处理，以对图像中的交通标志进行识别及分类，在基于单目视觉的道路交通标志识别系统中，常用的图像处理方法一般可分为两类：一是传统图像处理方法；二是机器学习方法。

在传统图像处理方法中，首先对图像进行锐化、模糊、色彩空间变换等预处理，再基于形状的交通标志识别方法进行匹配与识别。基于形状的交通标志识别方法又可以分为(1)基于边缘轮廓的方法；(2)基于模板匹配的方法。

(1)基于边缘轮廓的方法，利用边缘检测或轮廓区域检测的方法，配合特定的形态学方法检测出可能存在交通标志的图像区域，然后通过几何不变特征轮廓不变特征进一步侦测出交通标志。(2)基于模板匹配的方法，则一般采用整幅交通标志图形或一部分交通标志的图形作为模板，通过对感兴趣区域的颜色特征或者形状特征等进行提取，再用模板进行匹配侦测出交通标志。

无论是基于边缘轮廓的方法还是基于模板匹配的方法，远远没有解决交通标志识别过程中必然会存在的如交通标志的扭曲、运动的模糊等特殊情况，并且受噪声影响较大，导致识别效果并不理想。如专利申请号201210245774.1“一种基于分类模板匹配的交通标志检测方法”，由于复杂的光照变化会导致交通标志图像的颜色分布产生较大偏移，从RGB空间转换到HSV空间也无法消除这种偏移，导致遗漏大部分不良照度条件下的交通标志，而降低交通标志的识别准确率。

对于交通标志的旋转、扭曲等情况，通过不变矩方法进行分析可以有效处理。Hu不变矩具有旋转，缩放和平移不变性，Hu矩在图像识别领域都有着很好的应用，但Hu矩无法消除因运动模糊带来的影响。如专利申请号201410222122.5“一种面向无人驾驶车的交通标志识别方法”，轮廓的模糊化会影响Hu不变矩特征的稳定性，降低检测可靠性。

发明内容

本发明为解决上述问题，提供了一种交通标志分类方法，利用不变矩理论一次性解决交通标志旋转、扭曲和运动模糊的情况，具有模糊不变特性，且抗噪能力强，还不需要对图像进行滤波、复原等预处理，稳定性强，分类准确，误检率低，抗干扰能力强。

为实现上述目的，本发明采用的技术方案为：

一种交通标志分类方法，包括以下步骤：

S1.通过车载摄像头对道路上方及两旁感兴趣区域采集用于识别的原始识别图像，将该原始识别图像输入车载交通标志检测系统；

S2.将采集到的原始识别图像根据交通标志在图像中可能出现的位置划分出感兴趣区域，再将原始识别图像的感兴趣区域分成若干重叠块，并计算每个重叠块图像正交Fourier-Mellin矩的旋转不变量、缩放不变量及模糊不变量的组合不变量；

S3.将原始识别图像计算得到的组合不变量与交通标志模板图像进行匹配，识别出原始识别图像的感兴趣区域含有交通标志的位置和类别；

所述在步骤S2和步骤S3之间包括步骤S21，所述步骤S21具体为：建立一个模板库，对每个交通标志模板图像计算包括正交Fourier-Mellin矩的旋转不变量、缩放不变量及模糊不变量的组合不变量，并将所有交通标志模板图像及其组合不变量存入模板库中。

所述步骤S3具体包括以下步骤：

S31.设定欧几里得距离阈值；

S32.将原始识别图像计算得到的组合不变量与模板库中的交通标志模板图像的组合不变量比较，通过欧几里得距离判断两个组合不变量的相似性，选取与原始识别图像的组合不变量最接近的交通标志模板图像的组合不变量；

S33.判断：当计算两个组合不变量的欧几里得距离小于给定阈值时，判定该原始识别图像的感兴趣区域含有与交通标志模板图像上相同的交通标志。

所述组合不变量的计算公式如下：

S I (p, q) = \exp (- j q θ) Σ_{m = 0}^{p} Σ_{k = m}^{p} Γ^{- (k + 2)} c_{p, k} d_{k, m} I_{m, q}

式中，SI(p,q)为组合不变量，p为Fourier-Mellin矩的阶数，q为矩的重复度，j为虚部，m，k为索引号，c_p,k为下三角矩阵，d_k,m为c_p,k的逆矩阵；

θ＝arctan(I_1,1)，

Γ = \sqrt{I_{0, 0}};

c_{p, k} = {(- 1)}^{p + k} \frac{p + 1}{π} \cdot \frac{p + k + 1}{(p - k)! k! (k + 1)!};

d_{k, m} = \frac{(2 m + 2) π}{m + 1} \cdot \frac{k! (k + 1)!}{(k - m)! (k + m + 2)!};

I_m,q是图像的Fourier-Mellin矩的模糊不变量；

所述I_m,q的表达式如下：

I_{m, q} = F_{m, q} - \frac{1}{F_{0, 0}} Σ_{x = 0}^{m - 1} I_{x, q} Σ_{y = 0}^{m - x} F_{y, 0} A (m, q, x, y),

式中，

A (m, q, x, y) = Σ_{k = x + y}^{m} Σ_{n = k}^{(k - q) / 2} (\begin{matrix} (k + q) / 2 \\ n + q \end{matrix}) (\begin{matrix} (k - q) / 2 \\ n \end{matrix}) c_{p, k} d_{2 n + q, x} d_{k - 2 n - q, y},

模糊不变量I_m,q中，F_a,q为图像的正交Fourier-Mellin矩，根据Fourier-Mellin的快速算法求得。

本发明的有益效果是：本发明充分考虑了交通标志的旋转、扭曲、模糊问题对交通标志分类的影像，提出了一种抗干扰能力强的交通标志分类方法，相比于传统分类方法，本发明不需要对图像进行滤波、复原等预处理，具有抵抗旋转、扭曲和模糊的能力，而且稳定性强，分类准确，误检率低，抗干扰能力强。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种交通标志分类方法的流程简图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、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。

如图1所示，本发明揭示的一种交通标志分类方法，其包括以下步骤：

图像的感兴趣区域分成若干重叠块：即将感兴趣区域图像分成矩形的子块，每个子块与其相邻的子块有着相同面积的重叠区域；

所述步骤S3具体包括以下步骤：

S31.设定欧几里得距离阈值；

所述组合不变量的计算公式如下：

S I (p, q) = \exp (- j q θ) Σ_{m = 0}^{p} Σ_{k = m}^{p} Γ^{- (k + 2)} c_{p, k} d_{k, m} I_{m, q}

θ＝arctan(I_1,1)，

Γ = \sqrt{I_{0, 0}};

c_{p, k} = {(- 1)}^{p + k} \frac{p + 1}{π} \cdot \frac{p + k + 1}{(p - k)! k! (k + 1)!};

d_{k, m} = \frac{(2 m + 2) π}{m + 1} \cdot \frac{k! (k + 1)!}{(k - m)! (k + m + 2)!};

θ表示图像极坐标系下的方位角，Г表示图像0阶0重复度的模糊不变量的开根号(中间变量)，I_m,q是图像的Fourier-Mellin矩的模糊不变量；

所述I_m,q的表达式如下：

I_{m, q} = F_{m, q} - \frac{1}{F_{0, 0}} Σ_{x = 0}^{m - 1} I_{x, q} Σ_{y = 0}^{m - x} F_{y, 0} A (m, q, x, y),

式中，

A (m, q, x, y) = Σ_{k = x + y}^{m} Σ_{n = k}^{(k - q) / 2} (\begin{matrix} (k + q) / 2 \\ n + q \end{matrix}) (\begin{matrix} (k - q) / 2 \\ n \end{matrix}) c_{p, k} d_{2 n + q, x} d_{k - 2 n - q, y},

模糊不变量I_m,q中，F_m,q为图像的正交Fourier-Mellin矩，根据Fourier-Mellin的快速算法求得，m、n、x、y等符号，表示一个自然数，属于计数的索引值。

本发明充分考虑了交通标志的旋转、扭曲、模糊问题对交通标志分类的影像，相比于传统分类方法，本发明不需要对图像进行滤波、复原等预处理，具有抵抗旋转、扭曲和模糊的能力，而且稳定性强，分类准确，误检率低，抗干扰能力强。

例如，在本发明应用于一个由摄像头、控制器、以及传感器组成的交通标志识别系统中，车前挡风玻璃下的一个摄像头时刻采集前方图像，识别道路交通标志，通过声音或影像的方式提醒驾驶员当前道路信息，减少因不明道路状况引发的交通事故。

具体处理中，控制器中的交通标志分类单元用于接收车辆前方影像数据，并解析出包含的交通标志，将交通标志送入预警决策单元进行分析(包括图形处理、技术过程)和判断，提醒驾驶员道路信息情况和超速情况，采用本发明的一种交通标志分类方法，具有抵抗旋转、扭曲和模糊的能力，稳定性强，分类准确，误检率低，达到对驾驶员有效预警的目的。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims

1.一种交通标志分类方法，其特征在于，包括以下步骤：

S3.将原始识别图像计算得到的组合不变量与交通标志模板图像进行匹配，识别出原始识别图像的感兴趣区域含有交通标志的位置和类别。

2.根据权利要求1所述的一种交通标志分类方法，其特征在于：所述在步骤S2和步骤S3之间包括步骤S21，所述步骤S21具体为：建立一个模板库，对每个交通标志模板图像计算包括正交Fourier-Mellin矩的旋转不变量、缩放不变量及模糊不变量的组合不变量，并将所有交通标志模板图像及其组合不变量存入模板库中。

3.根据权利要求2所述的一种交通标志分类方法，其特征在于：所述步骤S3具体包括以下步骤：

S31.设定欧几里得距离阈值；

4.根据权利要求1或2所述的一种交通标志分类方法，其特征在于：所述组合不变量的计算公式如下：

θ＝arctan(I_1,1)，

I_m,q是图像的Fourier-Mellin矩的模糊不变量；

所述I_m,q的表达式如下：

式中，

模糊不变量I_m,q中，F_m,q为图像的正交Fourier-Mellin矩。