戈 俠， 于鳳琴， 陳 瑩

(江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫 214122)

具有Harris角點的RANSAC交通標志檢測算法*

戈 俠， 于鳳琴， 陳 瑩

(江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫 214122)

考慮到交通標志具有顏色與形狀這兩個特征，提出了一種具有Harris角點特征的隨機抽樣一致性(RANSAC)算法來對交通標志進行檢測。通過對含交通標志圖像進行顏色特征提取后利用Canny算子對邊緣進行檢測，再利用Harris角點檢測算子來提取初步檢測后圖像的角點，最后通過RANSAC算法與檢測模型進行匹配進行檢測，得出結(jié)果。仿真實驗表明:該算法在檢測率上達到了84%，也基本滿足了實時性的要求。

交通標志檢測； Harris角點檢測； Canny算子； 隨機抽樣一致性算法

0 引 言

交通標志檢測[1]就是通過圖像處理和模式識別等技術(shù)讓計算機來判斷圖像中是否含有交通標志。它在輔助駕駛系統(tǒng)、無人駕駛智能車[2]、智能機器人[3]等領(lǐng)域有著廣泛的應(yīng)用。根據(jù)交通標志的特點可知顏色和形狀是其最顯著的兩個特征，所以目前大部分主流檢測算法都是圍繞著這兩個特征進行的。文獻[4]利用歸一化后的RGB彩色空間對圖像進行分割，該方法不需進行復雜的空間轉(zhuǎn)換，具有較好的實時性，但是對于光照強弱或者雨天等情況時，分割效果不理想。文獻[5]利用多邊形對稱變換法來檢測矩形交通標志，雖然可以較好地檢測出交通標志，且具有較好的實時性，但是檢測僅對矩形交通標志有效，有一定的局限性。文獻[6]將顏色特征和形狀特征結(jié)合在一起，可以很好地檢測出交通標志，但是缺乏良好的實時性。文獻[7]利用Canny算子對預處理后的交通標志進行邊緣檢測，然后采用輪廓檢測結(jié)合形狀逼近的方法進行交通標志形狀檢測。該方法對交通標志進行檢測時，對交通標志的輪廓容差性比較小，易造成交通標志的錯檢測率和漏檢測率。

針對交通標志具有特定顏色和形狀這些特征，本文提出了基于角點檢測和隨機抽樣一致性(random sampling consensus ，RANSAC) 融合的交通標志檢測算法。

1 基本原理

1.1 Canny邊緣檢測

Canny算子[8]是由 John Canny提出的應(yīng)用較為廣泛的邊緣檢測算子之一，相對于傳統(tǒng)的邊緣檢測算子，具有定位準確，抗噪聲等優(yōu)點。

在進行Canny算法之前，先要利用高斯濾波器分別對圖像按照行和列進行濾波處理，其目的是消除圖像中的高頻噪聲部分。設(shè)高斯函數(shù)為

(1)

將其與原始圖像f(x,y)進行卷積操作，得到平滑圖像I(x,y)為

I(x,y)=[G(x)G(y)]*f(x,y)

(2)

式中 σ為高斯函數(shù)的標準差，用來控制平滑程度，對于σ小的濾波器，可以得到較高的精確定位，但是信噪比低；σ大的濾波器則相反。

然后對兩個方向模板進行卷積計算，來對圖像邊緣進行增強，其中

(3)

作用結(jié)果為

(4)

得到梯度幅值M(x,y)和梯度方向H(x,y)為

(5)

得到的梯度幅值M(x,y)若大于或等于沿梯度方向H(x,y)相鄰的像素點的幅值，則判斷該點為可能的邊緣點。最后對邊緣點進行連接，便組成了所需要的輪廓。

1.2 Harris角點檢測

Harris角點檢測[9,10]的原理為：如果在圖像中某一點向任何方向移動對應(yīng)的窗口w，都會引起灰度的劇烈變換，則可以說明該點是一個角點。其灰度的改變量可以表示為

(6)

(7)

R(x,y)=λ1λ2-k(λ1+λ2)

(8)

式中 λ1和λ2為自相關(guān)矩陣的特征值，而k為經(jīng)驗值，通常取0.04～0.06，為方便計算，本文取0.04。當角點R(x,y)大于某個設(shè)定的閾值則，該點則為Harris特征角點。

1.3 RANSAC算法

RANSAC算法[11]是從一組包含了異常值的觀測數(shù)據(jù)中估算其數(shù)學模型參數(shù)的迭代算法。其基本假設(shè)為：數(shù)據(jù)由“局內(nèi)點”組成，比如數(shù)據(jù)的分步可以用一些模型參數(shù)來解釋，而“局外點”是不能適應(yīng)該模型的數(shù)據(jù)的，除此之外的其余數(shù)據(jù)都屬于噪聲。在測試數(shù)據(jù)集中，與模型距離小于預先設(shè)定閾值的點則被認為是內(nèi)點。每一次迭代而產(chǎn)生的模型比現(xiàn)有的模型內(nèi)點數(shù)更多時則被保留，其迭代次數(shù)表達式為

(9)

式中 n為構(gòu)造模型所需要的點數(shù)，p為迭代過程中選擇數(shù)據(jù)為局內(nèi)點的概率，此時估計模型為有效模型的可能性比較大，w為每次從數(shù)據(jù)集中選取一個局內(nèi)點的概率，即局內(nèi)點數(shù)與數(shù)據(jù)集點數(shù)的比例。

由于確定一條直線需要兩點，所以,本文所估計參數(shù)的直線模型為

(y2-y1)x-(x2-x1)y+y1(x2-x1)-x1(y2-y1)=0

(10)

由于確定一個圓至少需要3個不共線的點，所以,需要從數(shù)據(jù)集中隨機選取3個點來完成模型的估計。其中用于確定圓形輪廓的圓心和半徑為

(11)

(12)

式中 (x1,y1)，(x2,y2)，(x3,y3)為數(shù)據(jù)集中的三個點，而(x,y)為測試集上的點，R為圓的半徑。找出符合上述模型的局內(nèi)點，當局內(nèi)點的數(shù)量大于設(shè)定的閾值時，就認為檢測的模型是有效的。

2 算法實現(xiàn)步驟

基于角點特征和RANSAC融合的交通標志檢測流程圖如圖1所示。

圖1 基于角點特征和RANSAC融合的交通標志檢測流程圖

3 仿真實驗與結(jié)果分析

本算法運行的軟件環(huán)境為Matlab7.1(R2013a)。實驗中采用的圖像一部分來源于GTSRB(German Traffic Sign Recognition Benchmark)圖像庫中的圖像[12]，一部分來源于網(wǎng)上搜集的圖像。

為了客觀評價本文所提出的改進的RANSAC算法的有效性，在檢測中，將本文算法、顏色檢測算法、形狀檢測算法和角點檢測算法進行了比較。

圖2是僅僅提取了顏色特征對交通標志進行檢測的結(jié)果，圖2(a)中正確檢測出了道路指示標志，但是也將與警告類交通標志顏色相近的公交車也檢測了出來。圖2(b)可以正確地檢測出兩種指示類交通標志，但是卻錯誤地檢測出了護欄，安全提示桿等影響了檢測結(jié)果。而圖2(c)中禁止類交通標志被正確地檢測了出來，但是由于工程車顏色與警告類交通標志相近，也被檢測了出來。

圖2 通過顏色閾值檢測出的錯誤交通標志結(jié)果

圖3是通過Canny算子對含交通標志圖像進行檢測的結(jié)果。圖3(a)可以很好地檢測出交通標志的邊緣，但是當場景邊緣比較復雜時，如圖3(b),3(c)，可以看出背景邊緣較多，對后面正確檢測出交通標志要求較高，且處理復雜。

圖3 通過Canny算子對含交通標志圖像的檢測結(jié)果

圖4是通過Harris角點檢測算子對含交通標志場景圖像進行角點檢測的結(jié)果。由圖4(a)可以看出，通過對圖像進行角點算子檢測，可以很好地將交通標志檢測出來。但是圖4(b),4(c)中，錯落的樹葉會產(chǎn)生大量的角點，不易檢測出交通標志。

圖4 通過Harris角點檢測算子對含交通標志圖像的檢測結(jié)果

圖5是通過本文算法對交通標志場景圖片進行檢測，得出的兩個交通標志檢測結(jié)果。通過圖5(a)，5(b)可以看出，本文算法可以很好地檢測出交通標志。但是通過圖6(a)，6(b)可以看出由于窗戶的顏色與指示類交通標志的顏色相近，且窗戶的輪廓符合指示類交通標志的輪廓類型，所以,在對交通標志進行檢測時，窗戶被錯誤的檢測了出來。

圖5 通過本文算法對含交通標志圖像的檢測結(jié)果

圖6 通過本文算法對含交通標志圖像的檢測結(jié)果

表1給出了用顏色特征、Canny邊緣算子、Harris角點算子和本文算法在檢測率和平均時間上的對比，從表1可以看出，本文算法在檢測率要高于其他三種算法。同時，從平均檢測率上來說，本文的算法在時間檢測上要比其他檢測方法慢，但是基本滿足了系統(tǒng)檢測的實時性。

表1 四種方法檢測結(jié)果和平均時間的比較

4 結(jié) 論

仿真實驗表明：該方法能夠得到較好的交通標志檢測性能。但是，在場景中有與交通標志相似物體干擾的情況下，本文算法會產(chǎn)生錯誤的檢測結(jié)果，今后還有待對相似物體檢測排除做進一步研究。

[1] Mogelmose A,Trivedi M,Moselund T.Traffic sign detection and analysis:Recent studies and emerging trends[C]∥2012 The 15th International IEEE Conference on Intelligent Transportation Systems (ITSC),2012:1310-1314.

[2] Ross P.Robot,you can drive my car[J].IEEE Spectrum,2014,6(51):60-90.

[3] Shen Xiangrong,Dumpert J,Farritor S.Design and control of robotic highway safety makers[J].IEEE Transactions on Mechatronics,2005,10(5):513-520.

[4] Yu Yuanlong,Gu Zhaojie,Liu Huaping.A visual attention based method for detecting traffic signs of interest[C]∥2014 IEEE International Conference on Information and Automation (ICIA),2014:290-294.

[5] Jeongmok H,Sungyong J,Hong J,et al.Polygonal symmetry transform for decting rectangular traffic signs[C]∥2014 The 14th International Conference on Control,Automation and Systems(ICCAS),2014:1064-1069.

[6] Wang Qiang,Liu Xinxin.Traffic sign segmentation in natural scenes based on color and shape features[C]∥2014 IEEE Workshop on Advanced Research and Technology in Industry Applications(WARTIA),2014:374-377.

[7] 盧艷君.交通標志自動檢測與識別算法研究[D].武漢：武漢大學，2015.

[8] Geng Hao,Luo Min,Hu Feng.Improved self-adaptive edge detection method based on canny[C]∥2013 The 5th International Intelligent Human-Machine Systems and Cybernetics(IHMSC),2013:527-530.

[9] Loog M,Lzuza F.The improbability of Harris interest points[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,6(32):1141-1147.

[10] Dong K,Raehong P.New image quality metric using the harris response[J].IEEE Signal Processing Letters,2009,7(16):616-619.

[11] Li Bin,Ming Delie,Yan Wenwen,et al.Image matching based on two-colum histogram hashing and improved ransac[J].IEEE Geoscience and Remote Sensing Letters,2014,8(11):1433-1437.

[12] Zaklouta F,Stanciulescu B.Real-time traffic-sign recognition using tree classifiers[J].IEEE Transactions on Intelligent Transportation Systems,2012,4(13):1507-1514.

RANSAC algorithm with Harris angular point for detecting traffic signs*

GE Xia， YU Feng-qin， CHEN Ying

(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)

In consideration of two features of traffic signs,colour and shape,a random sampling consensus (RANSAC) which posses Harris angular point is proposed to detect traffic signs.The first phase is to conduct detection through Canny operator after colour extraction of the image.The second phase includes extracting initial image angular point with the help of Harris corner detector.The result is achieved by the matching between RANSAC algorithm and detection model.The simulation experiment shows that the 84 % of detection rate,basically meet the demand of instantaneity.

traffic sign detection;Harris angularpoint detection;Canny calaclator; random sampling consensus (RANSAC) algorithm

10.13873/J.1000—9787(2017)03—0124—04

2016—03—10

國家自然科學基金資助項目(61104213)

TP 391.4

A

1000—9787(2017)03—0124—04

戈 俠(1989-)，男，碩士研究生，研究方向為嵌入式技術(shù)應(yīng)用與開發(fā)。