童零晶

摘? 要： 針對當(dāng)前交通標志圖像識別錯誤率高、識別實時性差等缺陷，以提高交通標志圖像識別準確率為主要目標，提出基于視覺傳達技術(shù)的交通標志圖像智能識別方法。首先，采集交通標志圖像，并根據(jù)視覺傳達技術(shù)對圖像進行預(yù)處理，提高交通標志圖像質(zhì)量;然后，從交通標志圖像中提取識別特征，并采用機器學(xué)習(xí)算法中的支持向量機對交通標志圖像進行自動分類和智能識別;最后，采用交通標志圖像識別的數(shù)據(jù)集進行仿真模擬實驗。結(jié)果表明，所提方法提高了交通標志圖像智能識別的正確率，識別速度大大提升，交通標志圖像智能識別結(jié)果明顯優(yōu)于當(dāng)前其他方法，具有更高的實際應(yīng)用價值。

關(guān)鍵詞： 智能識別; 交通智能管理; 交通標志圖像; 視覺傳達技術(shù); 圖像預(yù)處理; 圖像自動分類

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）11?0055?04

Traffic sign image intelligent recognition based on visual communication technology

TONG Lingjing

（College of Engineering and Technology， Hubei University of Technology， Hubei 430060， China）

Abstract： In view of the defects of high error rate and poor real?time performance of the current traffic sign image recognition， a method of traffic sign image intelligent recognition based on visual communication technology is proposed to improve the recognition accuracy of traffic sign images. In the method， traffic sign images are collected and preprocessed according to visual communication technology to improve the quality of traffic sign images. The recognition features are extracted from the traffic sign images， and the support vector machine （SVM） in the machine learning algorithm is used to automatically classify and intelligently recognize the traffic sign images. The data sets for traffic sign image recognition is used to do simulation experiments. The results show that the accuracy of traffic sign image intelligent recognition of the proposed method is improved， the speed of recognition is significantly increased， and the effect of traffic sign image intelligent recognition of the proposed method is obviously better than that of other methods. Therefore， the proposed method has a higher practical application value.

Keywords： intelligent recognition; traffic intelligent management; traffic sign image; visual communication technology; image preprocessing; image automatic classification

0? 引? 言

隨著我國經(jīng)濟水平的不斷提升，人們生活水平不斷提高，同時，由于汽車生產(chǎn)成本不斷下降，普通老百姓都有能力購買汽車，汽車已經(jīng)進入許多家庭，成為人們的代步工具[1?3]。由于每天在路上行駛的汽車數(shù)量越來越多，交通安全事故、交通擁擠概率增加，然而僅依靠交通管制和引導(dǎo)無法解決交通擁擠問題，從而出現(xiàn)了智能交通管理系統(tǒng)[4?5]。在智能交通管理系統(tǒng)中，交通標志圖像檢測與識別十分關(guān)鍵，其可以幫助駕駛員了解道路各種交通狀況，保證行駛的安全，因此交通標志圖像識別具有十分重要的意義[6?8]。

多年以來，人們對交通標志圖像識別問題進行了研究，出現(xiàn)了許多交通標志圖像智能識別方法[9?11]，如基于顏色特征的交通標志圖像智能識別方法、基于形狀特征的交通標志圖像智能識別方法、基于邊緣檢測的交通標志圖像智能識別方法，這些智能識別方法均有自身的優(yōu)勢，同時也存在各自的弊端，如交通標志圖像識別存在錯誤率高、識別實時性差等缺陷，因此交通標志圖像智能識別有待進一步研究[12?14]。

交通標志圖像智能識別是計算機視覺領(lǐng)域中的一個重要研究課題，針對當(dāng)前交通標志圖像識別錯誤率高、識別實時性差等缺陷，以提高交通標志圖像識別準確率為主要目標，本文提出基于視覺傳達技術(shù)的交通標志圖像智能識別方法。仿真模擬實驗結(jié)果表明，本文方法提高了交通標志圖像智能識別準確率，識別速度大大提升，識別結(jié)果要明顯優(yōu)于當(dāng)前其他方法，具有更高的實際應(yīng)用價值。

1? 基于視覺傳達技術(shù)的交通標志圖像智能識別方法設(shè)計

1.1? 交通標志圖像的預(yù)處理

交通標志圖像在采集過程中，由于受到攝像頭性能的影響，得到的交通標志圖像質(zhì)量不一樣，最主要是由于道路條件、天氣條件、車輛抖動等因素，使得交通標志圖像包含了一定的噪聲，使得交通標志圖像模糊不清。本文基于視覺傳達技術(shù)，引入Gabor濾波算法對原始交通標志圖像進行預(yù)處理，增強交通標志圖像質(zhì)量。Gabor濾波算法具有優(yōu)異的方向和頻率選擇特性，設(shè)[（x，y）]表示像素點在交通標志圖像中的位置，Gabor濾波算法在空間域中可以表示為：

[h（x，y;φ，k）=exp-12（xφ）2δ2x+（yφ）2δ2ycos（2πkxφ）]? （1）

[xφ=xcos φ+ysin φ] （2）

[yφ=-xsin φ+ycos φ]? （3）

式中：[φ]和[k]分別為中心方向和中心頻率;[δx]，[δy]分別為頻率和方向通帶大小。

從式（1）可知，Gabor濾波器由二維高斯和正弦函數(shù)的乘積組成，Gabor濾波器的空間函數(shù)形式如圖1a）所示，Gabor濾波器頻率響應(yīng)的圖像如圖1b）所示。

采用Gabor濾波算法對交通標志圖像進行預(yù)處理，可以過濾掉交通標志圖像中的噪聲，獲得更加清晰、質(zhì)量高的交通標志圖像。

1.2? 交通標志圖像智能識別的特征

良好的交通標志圖像識別特征應(yīng)該具有可區(qū)分性、穩(wěn)定性，根據(jù)該原則，本文采用梯度方向直方圖算法提取交通標志圖像識別特征。交通標志圖像識別特征提取過程如下：

1） 對交通標志圖像的顏色空間進行歸一化操作，避免光照變化帶來的不利影響，然后將交通標志圖像檢測窗口劃分為多個單元格。

2） 對于每一個交通標志圖像的單元格，分別提取梯度方向直方圖特征。

3） 將相鄰單元格組成互有重疊的塊，根據(jù)重疊的邊緣信息計算整個塊的梯度方向直方圖特征。

4） 對每一個塊的梯度方向直方圖特征進行歸一化操作，減少交通標志圖像背景顏色干擾。

5） 將交通標志圖像檢測窗口中的所有塊的梯度方向直方圖特征組合在一起，得到交通標志圖像識別特征向量。

綜上可知，交通標志圖像智能識別的特征提取流程如圖2所示。

1.3? 交通標志圖像識別的分類器

對于兩類交通標志圖像數(shù)據(jù)集[（xi，yi）]，[xi∈Rn]，[yi∈{-1，1}]，[i=1，2，…，n]，[xi]為交通標志圖像特征向量，[n]表示交通標志圖像數(shù)量，那么最優(yōu)分類超平面可以描述為[15]：

[y=ω?φ（x）+b] （4）

為了使得訓(xùn)練集交通標志圖像可分，對式（4）進行轉(zhuǎn)換，得到：

[min J（ω，ξ）=12ω2+Ci=1nξi? ?] （5）

式中[C]為懲罰參數(shù)。

相應(yīng)的約束條件為：

[s.t.? ? yi（ω?φ（xi）+b）≥1-ξi? ? ? ? ?ξ≥0? ? ? ? ?i=1，2…，n] （6）

式中[ξ=（ξ1，ξ2，…，ξl）T]。

引入Lagrange乘子[αi]建立對偶形式，兩類交通標志圖像識別的決策函數(shù)為：

[f（x）=i=1nαiyi（φ（x）?φ（xi））+b] （7）

由于交通標志圖像識別特征與交通標志圖像類別之間存在一定的非線性聯(lián)系，引入核函數(shù)[K（xi，x）=φ（x）φ（xi）]，那么式（7）可變化為：

[f（x）=i=1nαiyiK（xi，x）+b] （8）

[K（xi，x）]選擇徑向基（RBF）核函數(shù)，其具體可以表示為：

[K（xi，x）=exp-xi-x22σ2 ]? ? ? ?（9）

標準支持向量機是針對兩分類交通標志圖像數(shù)據(jù)集，在實際中，不止兩分類交通標志圖像數(shù)據(jù)集，還存在有多類，這樣，標準支持向量機無法直接進行識別，因此采用“一對多”形式建立交通標志圖像識別的分類器，如圖3所示。

1.4? 基于視覺傳達技術(shù)的交通標志圖像智能識別過程

基于視覺傳達技術(shù)的交通標志圖像智能識別過程如下：

1） 采集大量的交通標志圖像，建立交通標志圖像識別的圖像庫。

2） 基于視覺傳達技術(shù)對原始交通標志圖像進行預(yù)處理，提高交通標志圖像的清晰度和信噪比。

3） 提取交通標志圖像識別的梯度方向直方圖特征。

4） 設(shè)置支持向量機的參數(shù)，并對交通標志圖像識別的梯度方向直方圖特征進行訓(xùn)練，建立交通標志圖像識別的分類器。

5） 對待識別交通標志圖像進行預(yù)處理，并提取梯度方向直方圖特征。

6） 采用建立的交通標志圖像識別分類器對待識別交通標志圖像進行分類，輸出待識別交通標志圖像的類別。

基于視覺傳達技術(shù)的交通標志圖像智能識別原理如圖4所示。

2? 交通標志圖像智能識別的仿真實驗

2.1? 交通標志圖像數(shù)據(jù)

為了測試基于視覺傳達技術(shù)的交通標志圖像智能識別方法的性能，采用Matlab 2018作為實驗工具，共收集10類交通標志圖像作為測試對象，由于篇幅有限，只列部分類型交通標志圖像，具體如圖5所示。

為了使基于視覺傳達技術(shù)的交通標志圖像智能識別結(jié)果具有可比性，選擇文獻[14?15]的交通標志圖像智能識別方法進行對比測試。

2.2? 交通標志圖像智能識別結(jié)果與分析

提取1類和2類交通標志圖像的梯度方向直方圖特征，具體如圖6所示，橫坐標表示特征編號，縱坐標為梯度值。從圖6可以看出，兩類交通標志圖像的特征差異比較明顯，這表明采用梯度方向直方圖特征可以對交通標志圖像進行識別。

統(tǒng)計10類交通標志圖像的識別正確率和識別時間，分別如表1和表2所示。從表1可以看出：基于視覺傳達技術(shù)的交通標志圖像智能識別正確率平均值為96.76%;文獻[14]的交通標志圖像智能識別正確率平均值為91.93%;文獻[15]的交通標志圖像智能識別正確率平均值為91.83%。相對于文獻[14?15]的交通標志圖像智能識別方法，基于視覺傳達技術(shù)的識別正確率分別提高了4.83%和4.93%。同時，從表2可以看出：基于視覺傳達技術(shù)的交通標志圖像智能識別時間平均值為2.51 s;文獻[14]的交通標志圖像智能識別時間平均值為4.50 s;文獻[15]的交通標志圖像智能識別時間平均值為3.45 s，相對于文獻[14?15]的交通標志圖像智能識別方法，時間平均值分別減少了1.99 s和0.94 s，本文方法加快了交通標志圖像智能識別效率。

3? 結(jié)? 語

針對當(dāng)前交通標志圖像識別錯誤率高、識別實時性差等缺陷，本文提出基于視覺傳達技術(shù)的交通標志圖像智能識別方法。仿真模擬實驗結(jié)果表明，本文方法是一種識別正確率高、速度快的交通標志圖像智能識別方法，具有更高的實際應(yīng)用價值。

參考文獻

[1] 李志軍，崔利娟.基于深度森林的交通標志識別方法研究[J].工業(yè)控制計算機，2019，32（5）：114?115.

[2] 張淑芳，朱彤.基于殘差單發(fā)多框檢測器模型的交通標志檢測與識別[J].浙江大學(xué)學(xué)報（工學(xué)版），2019，53（5）：940?949.

[3] 董娜，劉欣宇，吳愛國.基于人工蜂群的新型圓形交通標志識別算法[J].天津大學(xué)學(xué)報（自然科學(xué)與工程技術(shù)版），2019，52（6）：585?593.

[4] 伍錫如，雪剛剛.基于圖像聚類的交通標志CNN快速識別算法[J].智能系統(tǒng)學(xué)報，2019，14（4）：670?678.

[5] 朱永佳，張靜.基于卷積神經(jīng)網(wǎng)絡(luò)的交通標志識別方法[J].上海師范大學(xué)學(xué)報（自然科學(xué)版），2018，47（5）：617?621.

[6] 張傳偉，崔萬豪.基于Gabor特征提取和SVM交通標志識別方法研究[J].現(xiàn)代電子技術(shù)，2018，41（17）：136?140.

[7] 宋青松，張超，田正鑫，等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的交通標志識別[J].湖南大學(xué)學(xué)報（自然科學(xué)版），2018，45（8）：131?137.

[8] 鄧瓊，何星.基于組合矩特征和PTSVM的交通標志識別[J].洛陽理工學(xué)院學(xué)報（自然科學(xué)版），2018，28（2）：51?56.

[9] 張興國，劉曉磊，李靖，等.BP神經(jīng)網(wǎng)絡(luò)下的限速交通標志實時檢測識別[J].西安電子科技大學(xué)學(xué)報，2018，45（5）：136?142.

[10] 譚臺哲，盧劍彪，溫捷文，等.應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)與RPN的交通標志識別[J].計算機工程與應(yīng)用，2018，54（21）：251?256.

[11] 姚漢利，趙金金，鮑文霞.基于特征融合和字典學(xué)習(xí)的交通標志識別[J].計算機技術(shù)與發(fā)展，2018，28（1）：51?55.

[12] 甘露，田麗華，李晨.基于融合特征和BP網(wǎng)絡(luò)的交通標志識別方法[J].計算機工程與設(shè)計，2017，38（10）：2783?2787.

[13] 張震，程偉偉，吳磊，等.基于不變矩和SVM的圓形交通標志識別方法研究[J].電子測量與儀器學(xué)報，2017，31（5）：773?779.

[14] 郝永杰，周博文.基于圖像特征及改進支持向量機算法的交通標志識別[J].現(xiàn)代電子技術(shù)，2017，40（8）：97?99.

[15] 張秀玲，張逞逞，周凱旋.基于感興趣區(qū)域的CNN?Squeeze交通標志圖像識別[J].交通運輸系統(tǒng)工程與信息，2019，19（3）：48?53.