江治國(guó)（安徽國(guó)防科技職業(yè)學(xué)院機(jī)電工程系,安徽六安237011）

HU不變矩特征在道路交通標(biāo)志識(shí)別系統(tǒng)中的應(yīng)用

江治國(guó)
（安徽國(guó)防科技職業(yè)學(xué)院機(jī)電工程系,安徽六安237011）

在交通標(biāo)志識(shí)別系統(tǒng)設(shè)計(jì)過(guò)程中,對(duì)于交通標(biāo)志的特征提取是關(guān)鍵技術(shù)之一.針對(duì)交通標(biāo)志圖像的不變矩特征,利用Hu不變矩檢測(cè)交通標(biāo)志,并采用最小距離分類(lèi)器對(duì)其特征向量進(jìn)行分類(lèi),最后通過(guò)Matlab和C++仿真驗(yàn)證,結(jié)果表明能夠較好地檢測(cè)出交通標(biāo)志的特征.

交通標(biāo)志識(shí)別；圖像矩特征；最小距離分類(lèi)器

車(chē)輛的安全性是當(dāng)前汽車(chē)制造商和消費(fèi)者普遍關(guān)心的問(wèn)題之一,很多國(guó)家的科研人員致力于智能交通系統(tǒng)（intelligenttransportation system,ITS）的研究.該系統(tǒng)通過(guò)車(chē)載攝像頭采集行車(chē)中遇到的人、車(chē)、物、景、指示標(biāo)志等圖像信息,處理后進(jìn)行智能判別,主要通過(guò)軟件實(shí)現(xiàn),設(shè)備成本很低.道路交通標(biāo)志的識(shí)別是ITS中關(guān)鍵技術(shù)之一,要正確識(shí)別出交通標(biāo)志,在對(duì)圖像進(jìn)行預(yù)處理后,需能正確地檢測(cè)出交通標(biāo)志的特征.交通標(biāo)志的特征提取的算法很多,基于顏色的特征、基于形狀的特征、基于紋理的特征、基于圖像特征點(diǎn)等均能夠提取出交通標(biāo)志的特征,然后利用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)聚類(lèi)等算法對(duì)交通標(biāo)志進(jìn)行識(shí)別,但在最后的識(shí)別系統(tǒng)設(shè)計(jì)中一般都需要對(duì)樣本進(jìn)行訓(xùn)練,過(guò)程比較繁瑣復(fù)雜[1-3].

本文主要探討ITS道路交通標(biāo)志識(shí)別過(guò)程中Hu不變矩特征在道路交通標(biāo)志檢測(cè)中的應(yīng)用.通過(guò)采用基于邊界的Hu不變矩來(lái)提取交通標(biāo)志的特征,然后采用最小距離分類(lèi)器對(duì)交通標(biāo)志進(jìn)行分類(lèi)識(shí)別,既降低了運(yùn)算量,同時(shí)又保證了系統(tǒng)的識(shí)別率.

1 HU不變矩特征理論

Hu利用代數(shù)不變性理論,提出幾何矩的概念[4].定義為：二維M×M的圖像{f(x,y),x,y=0,...,M-1},則(p+q)階幾何矩定義為

為保持不一樣圖像的幾何矩相同,故將圖像標(biāo)準(zhǔn)化處理,使M×M大小的圖像轉(zhuǎn)變成正方形,當(dāng)x ∈[-1,+1],y∈[-1,+1]時(shí)（,p+q）階中心距變成

為讓幾何矩具備平移不變性,將幾何中心距定義成

這時(shí)對(duì)規(guī)則化的中心距進(jìn)行非線性組合,產(chǎn)生7個(gè)大小、平移和旋轉(zhuǎn)不變性的Hu不變矩.

2 HU不變矩特征檢測(cè)交通標(biāo)志

利用基于邊界的Hu不變矩來(lái)提取交通標(biāo)志的特征,因?yàn)榛趨^(qū)域的Hu不變矩在提取交通標(biāo)志特征時(shí)計(jì)算像素過(guò)多,增加了計(jì)算量[5].首先對(duì)圖像進(jìn)行二值化處理,再使用canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)[6],圖1為交通警告標(biāo)志經(jīng)過(guò)二值化和邊緣檢測(cè)處理后的效果.

圖1 二值化和邊緣檢測(cè)處理后的效果Fig.1 The effectofbinarization and edge detection

將圖1（a）經(jīng)過(guò)縮小、旋轉(zhuǎn)變換得到圖2所示的3個(gè)樣本模板,對(duì)其分別進(jìn)行二值化和邊緣檢測(cè)處理后,利用基于邊界的Hu不變矩得到4個(gè)樣本的7個(gè)Hu不變矩,如表1所示.

圖2 原圖及變換后圖片F(xiàn)ig.2 Originaland transformed picture

表1 樣本的邊界不變矩Tab.1 Unchanged from the sample boundary

采用歐式距離法來(lái)描述兩個(gè)特征值之間的相似度[7],根據(jù)上述計(jì)算的邊界不變矩特征值,將區(qū)別明顯的平均值作為匹配模板的特征值令(φ1,φ2,φ3,φ4,φ5,φ6,φ7),φ1～φ7是標(biāo)記區(qū)域的7個(gè)邊界不變矩.設(shè)圖像區(qū)域?yàn)镾,D（ii=1,2,…,n）是圖像邊界封閉子區(qū)域,n是預(yù)處理后圖像獨(dú)立子區(qū)域數(shù).當(dāng)Di∈S時(shí),計(jì)算與Di相對(duì)應(yīng)的.得到模板如表2所示.

表2 模板樣本邊界不變矩Tab.2 Unchanged from the template boundary

采用歐式距離來(lái)測(cè)度樣本與模板的相似性,對(duì)提取出的特征向量與模板進(jìn)行匹配,歐式距離公式為：為自然數(shù),x、y為待測(cè)目標(biāo)向量和模板向量.

基于邊界的Hu不變矩來(lái)提取交通標(biāo)志的特征的程序流程圖如圖3所示,部分C++程序代碼如下//利用OpenCV函數(shù)求7個(gè)Hu矩

CvMoments moments；

CvHuMoments hu；

cvMoments（bkImgEdge,&moments,0）；

cvGetHuMoments（&moments&hu）；cout＜＜hu.hu1＜＜"/"＜＜hu.hu2＜＜"/"＜＜hu.hu3＜＜"/"＜＜hu.hu4＜＜"/"＜＜hu.hu5＜＜"/"＜＜hu.hu＜＜"/"＜＜hu. hu7＜＜"/"＜＜"/"＜＜endl；

cvMoments（testImgEdge,&moments,0）；

cvGetHuMoments（&moments,&hu）；cout＜＜hu.hu1＜＜"/"＜＜hu.hu2＜＜"/"＜＜hu.hu3＜＜"/"＜＜hu.hu4＜＜"/"＜＜hu.hu5＜＜"/"＜＜hu.hu6＜＜"/"＜＜hu. hu7＜＜"/"＜＜"/"＜＜endl；

//計(jì)算相似度

double dbR=0；//相似度

double dSigmaST=0；

double dSigmaS=0；

double dSigmaT=0；

double temp=0；

{for（inti=0；i＜7；i++）

{

temp=fabs（Sa[i]*Ta[i]）；

dSigmaST+=temp；

dSigmaS+=pow（Sa[i],2）；

dSigmaT+=pow（Ta[i],2）；

}}

dbR=dSigmaST/（sqrt（dSigmaS）*sqrt（dSigmaT））；

圖3 算法流程Fig.3 Algorithm flow chart

3 實(shí)驗(yàn)結(jié)果與分析

采用基于邊界的Hu不變矩來(lái)提取交通標(biāo)志的7個(gè)不變矩特征值,將其當(dāng)做一個(gè)特征向量,利用最小距離法作為識(shí)別的判決準(zhǔn)則與標(biāo)準(zhǔn)模板進(jìn)行匹配[8].表3是通過(guò)實(shí)驗(yàn)得到的匹配計(jì)算列表.

表3 歐式距離匹配計(jì)算Tab.3 Matching calculation based on leasteuclidean distance

由表3可知,基于邊界的Hu不變矩提取交通標(biāo)志的7個(gè)不變矩特征值,采用最小距離法與標(biāo)準(zhǔn)模板進(jìn)行匹配,能夠較好地識(shí)別出交通標(biāo)志.

4 結(jié)語(yǔ)

采用Hu不變矩特征對(duì)道路交通標(biāo)志進(jìn)行檢測(cè),能夠較好地檢測(cè)出交通標(biāo)志的特征,而且Hu不變矩特征能夠降低運(yùn)算量,這樣就提高了系統(tǒng)的運(yùn)行速度.采用Hu不變矩特征進(jìn)行匹配,不需要進(jìn)行復(fù)雜的訓(xùn)練學(xué)習(xí),計(jì)算簡(jiǎn)單,而且匹配的速度較快.當(dāng)然對(duì)于交通標(biāo)志的檢測(cè)還有其他更為簡(jiǎn)潔的算法,還需做進(jìn)一步的研究和探討.

[1]朱國(guó)康,王運(yùn)峰.基于多特征融合的道路交通標(biāo)志檢測(cè)[J].信號(hào)處理,2011,27（10）：1616-1617.

[2]王永平,史美萍,吳濤.快速魯棒的交通標(biāo)志檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46（32）：163-165.

[3]李寧,陳彬.實(shí)用交通標(biāo)志自動(dòng)識(shí)別方法[J].上海師范大學(xué)學(xué)報(bào),2006,35（5）：53-59.

[4]Besserer B,Estable S,Ulmer B.Multiple knowledge sources and evidential reasoning for shape recognition[C].IEEE,Computer Vision,Proceedings.,Fourth InternationalConference on,1993：624-631.

[5]田存?zhèn)?葛廣英,魏麗芹.基于彩色圖像不變矩的交通標(biāo)志特征提取方法[J].聊城大學(xué)學(xué)報(bào),2009,22（4）：29-31.

[6]Gonzalez R C,Woods R E.數(shù)字圖像處理：MATLAB版[M].Eddins S L,阮秋琦,譯.北京：電子工業(yè)出版社,2012：46-77.

[7]張錚.數(shù)字圖像處理與機(jī)器視覺(jué)[M].北京：人民郵電出版社,2010：140-175.

[8]朱雙東,張懿,陸曉峰.三角形交通標(biāo)志的智能檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào),2006,11（8）：1129-1130.

（責(zé)任編輯：盧奇）

Application of HU invariant moment features on road traffic signs identification systems

Jiang Zhiguo
（AnhuiNationalDefence VocationalCollege,Lu'an,237011,China）

In the design process of traffic sign recognition system,feature extraction is one of the key technologies for traffic signs．Aiming at traffic signs image invariant moment feature,by means of typical characteristic of Hu invariant moment detection of traffic signs,feature vectors are classified by using of minimum distance classifier．Finally, adoption of the C++and Matlab simulation,results showed better detect traffic signs features．

traffic sign recognition；image moments；minimum distance classifier

TP391

A

1008-7516（2013）01-0077-05

10．3969/j．issn．1008-7516．2013．01．019

2012-11-20

中央財(cái)政支持“高等職業(yè)學(xué)校提升專(zhuān)業(yè)服務(wù)能力項(xiàng)目”（580202）

江治國(guó)（1982-）,男,安徽六安人,助教,碩士．主要從事數(shù)字圖像處理研究．