CN106529482A - 一种采用集合距离的交通路标识别方法 - Google Patents

Abstract

本发明给出了一种采用集合距离的交通路标识别方法。本发明首先建立标准图像模板库。模板库的建立是通过选取能够代表每幅标准图像的标志点，然后分别计算每两个标志点之间的距离和他们所在直线与正x轴间的角度。其次，观测图像特征点的得到。该步利用马尔科夫随机场，极大后验估计准则和ICM算法对观测图像进行去噪得到其边缘。为减少计算量，提高实时性，去掉边缘点中角度相近，距离在一定范围内的点，利用得到的这些点作为标志点计算特征点。尽管如此，观测图像与标准图像特征点数差别还是较大，所以采用可以度量元素值和元素个数的点集距离计算观测图像与标准图像的差别。本发明能有效减少交通路标识别处理时间，同时提高了识别的准确性。

Description

一种采用集合距离的交通路标识别方法

技术领域

本发明属于图像处理与模式识别领域，特别涉及一种交通路标识别的集合距离方法。

背景技术

交通路标的快速识别在无人车辆，智能交通具有非常广泛的应用背景，由于光照等的变化，颜色的识别难度增大，采用交通路标的形态学识别具一定的优势。这也是本发明研究的现实依据。

发明内容

本发明针对现有技术的不足，给出了一种采用集合距离的交通路标识别方法。

本发明解决技术问题所采取的技术方案为：

本发明主要分为三部分：首先，建立标准图像模板库。模板库的建立是通过选取能够代表每幅标准图像的标志点，然后分别计算每两个标志点之间的距离和他们所在直线与正x轴间的角度，这样一个向量作为一个标志点。其次，观测图像特征点的得到。该步利用马尔科夫随机场，极大后验估计准则和ICM算法对观测图像进行去噪得到其边缘。为减少计算量，提高实时性，去掉边缘点中角度相近，距离在一定范围内的点，利用得到的这些点作为标志点计算特征点。尽管如此，观测图像与标准图像特征点数差别还是较大，所以采用可以度量元素值和元素个数的点集距离计算观测图像与标准图像的差别。

本发明的有益效果：本发明能有效减少交通路标识别处理时间，同时提高了识别的准确性。

附图说明

图1为10幅标准图像；

图2为标准图像标志点；

图3为第7幅图像去噪效果图；

图4为第3幅图像去噪后效果；

图5为第7幅OSPA距离曲线图；

图6为第3幅OSPA距离曲线图。

具体实施方式

以下结合附图对本发明作进一步说明。

模板库的建立：

本发明随机选取了10幅路标图像作为标准图像，如图1所示：图中第1-3幅标准图像是警告标志，第4-6幅标准图像是禁止标志，第7-10幅标准图像是指示标志。从图中可以看到警告标志与禁止标志、指示标志的最大区别是最外边形状不一样，因此，对于警告标志，选取外三角形的三个顶点作为标志点，禁止标志与指示标志选取相互垂直的两条直径与圆的四个交点作为标志点。对于禁止标志和指示标志的区别在于大多数的禁止标志都有一条斜线，因此在斜线上取两个标志点。最后对标准图像内部图像取一些能够代表本图像但与其他图像不同的点作为标志点。这样便得到了如图2的标准图像的标志点。

图2中得到了标准图像的标志点，特征点的计算采取欧氏距离，计算公式如下：

其中(x₁,y₁),(x₂,y₂)分别是两个标志点的位置，这样便组成了一个特征点。为增加识别的准确性添加了每条直线的角度θ，公式如下

每个特征点由两个量组成，即距离和该特征点对应的角度。因此可将每幅标准图像表示为一个二维的矩阵std。一幅图像可表示如下：

其中，m为该图像中所选特征点数。

通过计算各标志点之间的欧氏距离或标志点之间的角度，把距离和角度组成的矩阵作为标准图像的特征点。这样便形成了标准图像的模板库。由于当图像发生旋转时，该图像的内部结构并没有发生变化，所以该方法可以处理图像发生旋转，微度比例变化，微度尺度变化引起的噪声。此外，这种结构模版的获得是利用图像的结构，所以对于光照条件，天气等变化引起的像素值变化的噪声不敏感。

MRF-MAP理论与ICM算法：

1.马尔科夫随机场与Gibbs场

对于采集到的路标图像，可以先对其进行灰度化，使其成为二维图像，这样便可将其看作二维的随机场。用F表示该随机场，记f_s是F_s的实现，其中s是像素点。假设像素点s的邻域是N_s，设S是有限的M*N的点集，S＝{s＝(i,j)|1≤i≤M,1≤j≤N}。若满足以下两个条件：

P(F_s＝f_s)>0 (4)

P(F_s＝f_s|F_r＝f_r,r∈S,r≠s)＝P(F_s＝f_s|F_r＝f_r,r∈N_s) (5)

则称F为关于邻域N_s的马尔科夫随机场。

依据马尔科夫随机场与Gibbs场的等价性，采用符合Gibbs分布随机场即Gibbs常来描述图像。关于邻域N_s的Gibbs分布表示为：

上式中U(f)称为能量函数

C表示邻域N_s中包含的集簇的集合，V_c(f)称为关于集簇C的势函数，Z为正则化因子。马尔科夫随机场中，相应的集簇势函数定义如下：

2马尔科夫随机场建模

若观测图像对应的随机场为Y，那么后验概率即可表示为：

上式中，P(Y)为常数，P(F)为观测图像的先验概率，P(F|Y)为已知Y时关于原图像的后验概率，因此应用贝叶斯准则，观测图像的恢复可转化为求解最大后验概率条件下对原图像的估计值。

3.ICM算法

对于给定观测路标图像Y，P(Y＝y)是常数，路标图像的观测模型如下式所示：

y_i＝f_i+e_i (7)

其中y_i是观测图像在点i处得像素值，f_i为标准图像在点i处的像素值，e_i为噪声。则后验概率可表示为下式：

其中，h,β,η为调节参数，f_s,f_r为观测图像s,r像素点的标志值，y_s为估计图像s像素点的标志值。

因此，求解原图像的最大后验概率问题可转化为求解能量函数U(f|y)的最小值。即

求解算法采用ICM算法优化得到。选择ICM算法的优点在于此算法运算执行效率高，执行效果可靠。ICM算法流程如下：

(1)根据图像的灰度直方图选取灰度阈值，以及各颜色的均值。对于不同的颜色均值范围内的像素赋予不同的标志变量值。

(2)遍历每个像素点，计算其属于不同颜色均值的能量大小，能量最小对应的均值即为要估计的均值。

点集距离识别路标：

由第2部分得到了标准图像的数据X，由第3部分得到了观测图像去噪后图像，利用ICM算法得到的标志变量求得了观测图像的边缘点。但是组成边缘的点数过多，所以将角度相近，距离在一定范围内的点合并，以此来减少特征点数，降低集合距离的计算复杂度，提高识别的实时性。由采样得到的标志点来计算观测图像的特征点。这里将观测图像的特征点记作

为了能够得到标准图像X与观测图像之间的相似程度，本发明采用了不仅能够度量元素值，而且还能度量元素个数之间区别的OSPA距离。OSPA距离定义如下：

式(10)(11)(12)中的p代表阶数，c代表一个水平参数，用于调节集合势的估计误差比重，该算法中由于观测图像特征点与标准图像特征点差别较大，因此c较小。X,分别代表标准路标图像和观测路标图像特征点矩阵。

4仿真实验

本发明随机选取了10幅标准图像来建立图像库，标准图像标注点选取如图2所示。并选取其中二幅图像加入高斯白噪声并发生了微度的旋转和比例变化，利用马尔科夫随机场与极大后验估计准则来建模，采用ICM算法进行优化求解。去噪结果及其边缘结果如图3和图4所示

第7幅图像的ICM参数分别为：h＝0.01,β＝1.0,η＝2.0

第3幅图像的ICM参数分别为：h＝0.01,β＝1.0,η＝1.8

从图3与图4可知，本发明算法的去噪效果较好。ICM算法还可以对灰度值曲线变化较缓慢的图像进行去噪，去噪原理的区别在于选取了多个颜色阈值。

识别方法采用OSPA距离，观测图像特征点的获得是通过计算对边缘均匀采样得到的标志点，然后计算观测图像特征点与标准图像特征点的OSPA距离。距离曲线如下图所示，

由图5可知，观测图像与第7幅标准图像的OSPA距离最小，所以，观测图像为右转弯路标图像。由图6可知，观测图像为向左急转弯路标。由此可见，OSPA距离可以较好的识别出路标。

Claims (2)

1.一种采用集合距离的交通路标识别方法，其特征在于该方法包括以下步骤：

步骤1.路标模板库建立与特征点选取；

选择具有典型路标的标准图像，建立路标模板库，对每一个路标图像进行图像大小尺寸的标准化；

针对不同形状的路标，选取适当数量的标志点，在得到了标准图像的标志点后，特征点的计算采取欧氏距离，计算公式如下：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(1\right)$

其中(x₁,y₁),(x₂,y₂)分别是两个标志点的位置，这样便组成了一个特征点；为增加识别的准确性添加每条直线的角度θ，计算公式如下：

每个特征点由两个量组成，即距离和该特征点对应的角度；将每幅标准图像表示为一个二维的矩阵std；一幅图像表示如下：

$std=\left[\begin{array}{cccc}{d}_1& d_2& ...& d_m\\ {\mathrm{\θ}}_1& {\mathrm{\θ}}_2& ...& {\mathrm{\θ}}_m\end{array}\right]---\left(3\right)$

其中，m为该图像中所选特征点数；

通过计算各标志点之间的欧氏距离和标志点之间的角度，把距离和角度组成的矩阵作为标准图像的特征点；这样便形成了标准图像的模板库；

步骤2.路标图像去噪处理；

对于采集到的路标图像，先对其进行灰度化，使其成为二维图像，这样便可将其看作二维的随机场；用F表示该随机场，记f_s是F_s的实现，其中s是像素点；假设像素点s的邻域是N_s，设S是有限的M*N的点集，S＝{s＝(i,j)|1≤i≤M,1≤j≤N}；若满足以下两个条件：

P(F_s＝f_s)>0 (4)

P(F_s＝f_s|F_r＝f_r,r∈S,r≠s)＝P(F_s＝f_s|F_r＝f_r,r∈N_s) (5)

则称F为关于邻域N_s的马尔科夫随机场；

依据马尔科夫随机场与Gibbs场的等价性，采用符合Gibbs分布随机场，即Gibbs场来描述图像；关于邻域N_s的Gibbs分布表示为：

$P(F=f)=\frac{1}{Z}{e}^{-U\left(f\right)}---\left(6\right)$

上式中U(f)称为能量函数

$U\left(f\right)=\underset{c\∈C}{\Σ}{V}_c\left(f\right)---\left(7\right)$

C表示邻域N_s中包含的集簇的集合，V_c(f)称为关于集簇C的势函数，Z为正则化因子；马尔科夫随机场中，相应的集簇势函数定义如下：

若观测图像对应的随机场为Y，那么后验概率表示为：

$P\left(F\right|Y)=\frac{P\left(Y\right|F)P\left(F\right)}{P\left(Y\right)}---\left(9\right)$

上式中，P(Y)为常数，P(F)为观测图像的先验概率，P(F|Y)为已知Y时关于原图像的后验概率，应用贝叶斯准则，观测图像的恢复可转化为求解最大后验概率条件下对原图像的估计值；

对于给定观测路标图像Y，P(Y＝y)是常数，路标图像的观测模型如下式所示：

y_i＝f_i+e_i (10)

其中y_i是观测图像在点i处得像素值，f_i为标准图像在点i处的像素值，e_i为噪声；则后验概率表示为下式：

$P\left(F\right|Y)\≅e^{-U\left(y\right|f)}=e^{-(h\underset{s}{\mathrm{\Σ}}{f}_s-\mathrm{\β}\underset{N_s}{\mathrm{\Σ}}\mathrm{\δ}(f_s,f_r)-\mathrm{\η}\underset{s}{\mathrm{\Σ}}\mathrm{\δ}\left(f_s,y_s\right))}---\left(11\right)$

$\mathrm{\δ}(f_s,f_r)=\left\{\begin{array}{c}1,f_s=f_r\\ -1,f_s\≠f_r\end{array}\right.---\left(12\right)$

其中，h,β,η为调节参数，f_s,f_r为观测图像s,r像素点的标志值，y_s为估计图像s像素点的标志值；

求解原图像的最大后验概率问题可转化为求解能量函数U(f|y)的最小值；即

求解采用ICM算法优化得到；

步骤3.点集集合距离识别；

由步骤1得到了标准图像的数据，由步骤2得到了观测图像去噪后图像，利用ICM算法得到的标志变量求得了观测图像的边缘点；将角度相近、距离在设定范围内的边缘点合并，以此来减少特征点数，降低OSPA距离的计算复杂度，提高识别的实时性；由采样得到的标志点来计算观测图像的特征点；

为了能够得到标准图像与观测图像之间的相似程度，采用了点集集合计算观测图像与标准图像的差别，其定义如下：

$OSPA(p,c,X,\hat{X})={\left(\frac{1}{n}\left(\underset{\mathrm{\π}\∈{\mathrm{\Π}}_{\mathrm{\π}}}{min}\underset{i=1}{\overset{n}{\Σ}}d{\left(c,x_i,{\hat{x}}_{\mathrm{\π}\left(i\right)}\right)}^p+c^p\left(m-n\right)\right)\right)}^{1/p},n\≤m---\left(14\right)$

式(14)中的p代表阶数，c代表一个水平参数，用于调节集合势的估计误差比重，X,分别代表标准路标图像和观测路标图像特征点矩阵。

2.根据权利要求1所述的一种采用集合距离的交通路标识别方法，其特征在于：所述的ICM算法流程如下：

(1)根据图像的灰度直方图选取灰度阈值，以及各颜色的均值；对于不同的颜色均值范围内的像素赋予不同的标志变量值；

(2)遍历每个像素点，计算其属于不同颜色均值的能量大小，能量最小对应的均值即为要估计的均值。