曹晨潔,王夏黎,趙嘉興,王麗紅

(1.長(zhǎng)安大學(xué) 信息工程學(xué)院，陜西 西安 710000； 2.長(zhǎng)安大學(xué) 智能交通與圖像處理實(shí)驗(yàn)室，陜西 西安 710000)

0 引言

智能交通系統(tǒng)(Intelligent Transport System,ITS)的研究及其發(fā)展中，不管是對(duì)車(chē)輛行駛的自動(dòng)控制還是輔助駕駛員的安全駕駛，對(duì)于道路標(biāo)線信息的獲取分析以及識(shí)別都是一個(gè)重要的研究方向[1]?，F(xiàn)有的道路地圖，雖然可以對(duì)車(chē)輛駕駛進(jìn)行道路指引，但無(wú)法提供道路上面標(biāo)線的信息，同時(shí)，因?yàn)榉直媛实南拗?，無(wú)法提供清楚明了的道路圖像，因此，快速有效且準(zhǔn)確地實(shí)現(xiàn)道路標(biāo)線的識(shí)別仍是ITS領(lǐng)域中需解決的難題之一。此外，由于交通標(biāo)線的類(lèi)型較多,圖像背景復(fù)雜,多種不同類(lèi)型的標(biāo)線有相似之處,同類(lèi)型標(biāo)線的差異很小,道路交通標(biāo)線識(shí)別仍存在很大挑戰(zhàn)。因此對(duì)道路交通標(biāo)線的準(zhǔn)確識(shí)別的研究是很有必要的[2]。

目前使用較多的有關(guān)圖像識(shí)別的算法有FAST算法、SIFT算法、SURF算法、CNN和支持向量機(jī)等，通過(guò)實(shí)驗(yàn)對(duì)比，SURF算法的執(zhí)行速度在視頻道路標(biāo)線識(shí)別中較為合適。然而在實(shí)際應(yīng)用中該算法存在車(chē)載視頻圖像紛繁復(fù)雜、光照條件不定等問(wèn)題，對(duì)識(shí)別結(jié)果的準(zhǔn)確性造成了很大的影響，對(duì)視頻的整幅截圖進(jìn)行特征點(diǎn)檢測(cè)的速度和準(zhǔn)確率較低。因此本文提出了先對(duì)圖片進(jìn)行顏色模式轉(zhuǎn)換處理，再通過(guò)標(biāo)線顏色及其輪廓信息粗定位標(biāo)識(shí)所在位置后再做分割處理，在此基礎(chǔ)上檢測(cè)SURF特征點(diǎn)并利用基于快速近似最近鄰搜索算法進(jìn)行標(biāo)線識(shí)別，提高在視頻中對(duì)道路標(biāo)線特征點(diǎn)識(shí)別的速度和準(zhǔn)確率。

1 實(shí)驗(yàn)平臺(tái)搭建

首先進(jìn)行采集處理系統(tǒng)的搭建，基于MFC搭建系統(tǒng)界面如圖1所示，包括視頻選擇及打開(kāi)模塊、截屏顯示模塊、圖片處理顯示模塊、特征點(diǎn)提取顯示模塊、匹配模塊等，便于實(shí)驗(yàn)結(jié)果效果的展示和對(duì)比。

圖1 搭建系統(tǒng)界面

考慮對(duì)比圖像在RGB顏色空間和HSL顏色空間中實(shí)現(xiàn)道路交通標(biāo)線的圖像分割處理效果，選取對(duì)后期圖像分割效果好的顏色空間進(jìn)行處理。并利用各種分割方法將標(biāo)線所在圖像中的位置進(jìn)行粗略檢測(cè)標(biāo)定，從而確定感興趣區(qū)域ROI[3]。

圖像標(biāo)定完成后，對(duì)標(biāo)定的圖像通過(guò)對(duì)比各種形態(tài)學(xué)方法(黑帽、頂帽、開(kāi)運(yùn)算、閉運(yùn)算、形態(tài)學(xué)梯度、腐蝕、膨脹等)選取最優(yōu)方法進(jìn)行圖像增強(qiáng)處理，提高后期圖像分割結(jié)果的準(zhǔn)確性。

最后進(jìn)行特征提取及目標(biāo)識(shí)別，在定位分割后的圖像中檢測(cè)SURF特征點(diǎn)后使用快速近似最近鄰搜索算法進(jìn)行匹配。

本研究的處理流程是首先進(jìn)行圖片采集，然后進(jìn)行圖像處理，對(duì)處理后的圖像進(jìn)行基于ROI的定位與分割，最后進(jìn)行圖像識(shí)別，輸出識(shí)別結(jié)果。處理流程如圖2所示。

圖2 處理流程

2 圖像采集與處理

2.1 圖像采集

采用車(chē)載攝像頭在西安市小寨街區(qū)部分街道進(jìn)行道路交通標(biāo)線的采集，針對(duì)不同的道路交通標(biāo)線分別進(jìn)行采集，共采集道路視頻5組，選取圖像樣本150個(gè)，采集到的道路交通標(biāo)線樣本如圖3所示。

2.2 圖像處理

2.2.1 圖像顏色模式轉(zhuǎn)換

在圖像的采集過(guò)程中，由于光照條件的復(fù)雜性，會(huì)導(dǎo)致道路交通標(biāo)線提取的顏色失真，光照強(qiáng)弱容易引起對(duì)道路交通標(biāo)志信息識(shí)別的偏差,加大識(shí)別難度，因此對(duì)圖像進(jìn)行顏色轉(zhuǎn)換，來(lái)提高圖像的顏色識(shí)別精度，將圖片由GRB彩色模式轉(zhuǎn)換為HSL模式從而削弱光照因素對(duì)識(shí)別準(zhǔn)確率的影響[4]。

HSL的H(hue)分量表示的是人類(lèi)眼睛可以感知的顏色范圍，這些顏色分布在色相環(huán)上，取值范圍是0°～360°的圓心角，每個(gè)角度可以代表一種顏色。HSL的S(saturation)分量代表色彩的飽和度，數(shù)值越大，顏色中的灰色越少，顏色越鮮艷[5]。HSL的L(lightness)分量代表色彩的明度，作用是控制色彩的明暗變化。其數(shù)值越小，色彩越暗，越接近于黑色；數(shù)值越大，色彩越亮，越接近于白色。采用HSL的圖像轉(zhuǎn)換能夠有效地減弱光照對(duì)于圖像的影響。

RGB到HSL的轉(zhuǎn)換首先設(shè)(r,g,b) 分別是一個(gè)顏色的紅、綠、藍(lán)坐標(biāo)，它們的值是在 0～1之間的實(shí)數(shù)。設(shè)max等價(jià)于r、g和b中的最大者，設(shè)min等于這些值中的最小者。要找到在HSL空間中的(h,s,l) 值，這里的h∈ [0,360)是角度的色相角，而s,l∈ [0,1] 是飽和度和亮度，計(jì)算如下：

(1)

(2)

(3)

經(jīng)過(guò)顏色模式轉(zhuǎn)換后得到的道路交通標(biāo)線圖如圖4所示。

圖4 顏色轉(zhuǎn)換處理圖

2.2.2 圖像信息提取

通過(guò)圖像顏色的轉(zhuǎn)換，圖像相比于原圖像削弱了光照對(duì)標(biāo)線提取的影響，接下來(lái)需將圖中主要的標(biāo)線進(jìn)行提取。本文采用閾值化分割與邊緣檢測(cè)相結(jié)合的方法進(jìn)行提取。

圖像閾值化分割是常用的圖像分割方法，因其實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)[6]。它特別適用于目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的圖像?；驹硎牵和ㄟ^(guò)設(shè)定不同的特征閾值，把圖像像素點(diǎn)分為若干類(lèi)。常用的特征有來(lái)自原始圖像的灰度或彩色特征，本文通過(guò)標(biāo)線的顏色特征設(shè)定相應(yīng)閾值對(duì)標(biāo)線進(jìn)行分割。

圖像的邊緣是指圖像局部區(qū)域亮度變化顯著的部分，該區(qū)域的灰度剖面一般可以看作是一個(gè)階躍，即從一個(gè)灰度值在很小的緩沖區(qū)域內(nèi)急劇變化到另一個(gè)灰度相差較大的灰度值。圖像的邊緣部分集中了圖像的大部分信息，圖像邊緣的確定與提取對(duì)于整個(gè)圖像場(chǎng)景的識(shí)別與理解是非常重要的，同時(shí)也是圖像分割所依賴的重要特征。邊緣檢測(cè)主要包括圖像的灰度變化的度量、檢測(cè)和定位。而實(shí)現(xiàn)圖像的邊緣檢測(cè)，就是要用離散化梯度逼近函數(shù)根據(jù)二維灰度矩陣梯度向量來(lái)尋找圖像灰度矩陣的灰度躍變位置，然后在圖像中將這些位置的點(diǎn)連起來(lái)就構(gòu)成了所謂的圖像邊緣(圖像邊緣在這里是一個(gè)統(tǒng)稱(chēng)，包括了二維圖像上的邊緣、角點(diǎn)、紋理等基元圖)[7]。

在對(duì)傳統(tǒng)的幾種邊緣檢測(cè)算法進(jìn)行實(shí)驗(yàn)后，選取CANNY算法為本實(shí)驗(yàn)的邊緣檢測(cè)方法。CANNY邊緣檢測(cè)是從不同視覺(jué)對(duì)象中提取有用的結(jié)構(gòu)信息并大大減少要處理的數(shù)據(jù)量的一種技術(shù)。利用CANNY算法檢測(cè)出被分割出來(lái)的標(biāo)線輪廓信息，為后期圖像處理做好鋪墊工作。本文實(shí)現(xiàn)的CANNY算法中所采用的卷積表達(dá)式如下：

(4)

其x向、y向的一階偏導(dǎo)數(shù)矩陣、梯度幅值以及梯度方向的數(shù)學(xué)表達(dá)式分別為：

P[i,j]=(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2

(5)

Q[i,j]=(f[i,j]-f[i+1,j]+f[i,j+1]-f[i+1,j+1])/2

(6)

(7)

θ[i,j]=arctan(Q[i,j]/P[i,j])

(8)

根據(jù)式(5)～式(8)對(duì)梯度幅值進(jìn)行非極大值抑制，圖像梯度幅值矩陣中的元素值越大，圖像中該點(diǎn)的梯度值越大，由于圖像增強(qiáng)的原因，不能確定該點(diǎn)就是邊緣。在CANNY算法中，非極大值抑制是進(jìn)行邊緣檢測(cè)的重要步驟，其原理圖如圖5所示，即尋找像素點(diǎn)局部最大值，將非極大值點(diǎn)所對(duì)應(yīng)的灰度值置為0，這樣可以剔除掉一大部分非邊緣的點(diǎn)[7]。

圖5 非極大值抑制原理圖

進(jìn)行非極大值抑制，目的是排除非邊緣像素，僅僅保留一些細(xì)線條，其工作原理首先要確定像素點(diǎn)C的灰度值在其8值鄰域內(nèi)是否為最大。圖5中過(guò)點(diǎn)dTmp1和點(diǎn)dTmp2的線條方向?yàn)镃點(diǎn)的梯度方向，這樣就可以確定其局部的最大值分布在這條線上，即除了C點(diǎn)外，梯度方向的交點(diǎn)dTmp1和dTmp2這兩個(gè)點(diǎn)的值也可能會(huì)是局部最大值[8]。CANNY算法中減少假邊緣數(shù)量的方法是采用雙閾值法，本研究閾值選擇為20和60，根據(jù)高閾值得到一個(gè)邊緣圖像，這樣一個(gè)圖像含有很少的假邊緣，但是由于閾值較高，產(chǎn)生的圖像邊緣可能不閉合，因此采用了另外一個(gè)低閾值[9]。高閾值圖像中把邊緣連接成輪廓，當(dāng)?shù)竭_(dá)輪廓的端點(diǎn)時(shí)，該算法會(huì)在斷點(diǎn)的8鄰域點(diǎn)中尋找滿足低閾值的點(diǎn)，再根據(jù)此點(diǎn)收集新的邊緣，直到整個(gè)圖像邊緣閉合[10]。

使用CANNY算法進(jìn)行邊緣檢測(cè)會(huì)得到如圖6所示效果。

圖6 邊緣檢測(cè)圖

從圖6可看到在直行標(biāo)線內(nèi)部仍存在著干擾性邊緣，車(chē)道線邊緣也不平滑，因此要進(jìn)行去噪處理。

在實(shí)驗(yàn)中通過(guò)對(duì)比均值濾波、自適應(yīng)維納濾波、中值濾波、小波濾波，以及其他的濾波方法，小波去噪方法保留了大部分包含信號(hào)的小波系數(shù),因此可以較好地保持圖像細(xì)節(jié)[11]，故本文最終選取小波濾波作為圖片去噪的方法。經(jīng)過(guò)上述系列操作得到如圖7所示效果。

圖7 去噪后邊緣檢測(cè)圖

3 結(jié)果與分析

對(duì)視頻中的標(biāo)線進(jìn)行識(shí)別需要對(duì)視頻各幀截圖做快速處理，因此選取速度較快的算法對(duì)特征點(diǎn)進(jìn)行檢測(cè)[12]。本文對(duì)兩種方法進(jìn)行了實(shí)驗(yàn)對(duì)比，一種是傳統(tǒng)的結(jié)合SURF(Speeded Up Robust Features)和快速近似最近鄰搜索算法對(duì)交通標(biāo)線進(jìn)行識(shí)別，另一種是改進(jìn)后的匹配方法，即將圖片先進(jìn)行圖像ROI定位再進(jìn)行識(shí)別的方法。

圖8為傳統(tǒng)的結(jié)合SURF的識(shí)別方法匹配結(jié)果，可以看到，在傳統(tǒng)方法中，除了直行標(biāo)線的特征點(diǎn)被檢測(cè)到以外，車(chē)道線上的特征點(diǎn)也被檢測(cè)到并被誤匹配到標(biāo)準(zhǔn)模塊庫(kù)中的直行標(biāo)識(shí)中。

圖8 對(duì)整幅圖進(jìn)行匹配

此外，傳統(tǒng)方法對(duì)整張圖片進(jìn)行處理會(huì)影響處理效率，過(guò)大的圖片傳輸速度明顯小于較小圖片的速度[13]，這會(huì)延長(zhǎng)從視頻中提取照片再對(duì)照片進(jìn)行處理的時(shí)間，因此改進(jìn)方法只對(duì)圖像中需要的重點(diǎn)部分進(jìn)行處理[14]。圈定這個(gè)重點(diǎn)區(qū)域，以便進(jìn)行下一步的處理，提高了精度。本文通過(guò)包圍輪廓的最小矩形邊界對(duì)原始圖像進(jìn)行分割來(lái)實(shí)現(xiàn)。將經(jīng)過(guò)上述處理的圖片創(chuàng)建出包圍輪廓的最小矩形邊界并進(jìn)行截取，得到的效果如圖9所示。

圖9 分割后效果圖

將經(jīng)過(guò)處理、ROI定位及分割的圖片繼續(xù)進(jìn)行SURF特征點(diǎn)檢測(cè)，減少了對(duì)冗余特征點(diǎn)的檢測(cè)和描畫(huà)[15]，精確定位分割后的圖片更小，加快了對(duì)圖片特征點(diǎn)的檢測(cè)速度。實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 對(duì)ROI進(jìn)行匹配

將150個(gè)樣本對(duì)象通過(guò)上述兩種方法進(jìn)行圖像處理，得到結(jié)果對(duì)比如表1所示。

表1 兩種識(shí)別方法實(shí)驗(yàn)對(duì)比

由表1可知，本文提出的方法識(shí)別率比傳統(tǒng)方法高且平均識(shí)別時(shí)間少，能夠快速有效地提取出交通道路標(biāo)線區(qū)域并實(shí)現(xiàn)視頻中道路標(biāo)線的檢測(cè)。

通過(guò)實(shí)驗(yàn)對(duì)比表明，基于CANNY算法提取圖像邊緣信息對(duì)自然道路條件下的標(biāo)線識(shí)別有很好的效果，并有效減少了SURF算法對(duì)與目標(biāo)物無(wú)關(guān)的特征點(diǎn)的檢測(cè)，有效提升了后期匹配的正確率；基于ROI定位的標(biāo)線識(shí)別方法相對(duì)于直接對(duì)整個(gè)視頻截圖進(jìn)行SURF特征點(diǎn)檢測(cè)及匹配效果更好、速度更快，更適用于在視頻中實(shí)現(xiàn)對(duì)道路交通標(biāo)線的檢測(cè)。

4 結(jié)論

在智能駕駛的交通標(biāo)線識(shí)別中，圖像的特征提取十分重要，用CANNY算法對(duì)圖像進(jìn)行特征提取有效地提高了后期識(shí)別效率；此外，對(duì)道路上的標(biāo)線進(jìn)行定位也很重要，處理整幅圖片會(huì)影響算法的處理速度，本研究采用了ROI定位的方法，將整幅圖片分割開(kāi)來(lái)進(jìn)行圖片的精確處理，這種方法更適用于現(xiàn)實(shí)場(chǎng)景中道路環(huán)境復(fù)雜、干擾物較多的情況，并有效減少了SURF算法對(duì)于和目標(biāo)物無(wú)關(guān)的特征點(diǎn)檢測(cè)，有效提升了后期匹配的正確率。通過(guò)實(shí)驗(yàn)證明，本文方法能夠快速有效地提取出交通道路標(biāo)線區(qū)域并實(shí)現(xiàn)視頻中道路標(biāo)線的檢測(cè)，但依然存在問(wèn)題，比如對(duì)特別模糊或周?chē)h(huán)境極度復(fù)雜下的交通標(biāo)線不能很好地檢測(cè)等，設(shè)計(jì)出實(shí)時(shí)性好和準(zhǔn)確率高的算法是下一步的研究方向。