具有Harris角點(diǎn)的RANSAC交通標(biāo)志檢測(cè)算法*

戈 俠， 于鳳琴， 陳 瑩

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122)

具有Harris角點(diǎn)的RANSAC交通標(biāo)志檢測(cè)算法*

戈 俠， 于鳳琴， 陳 瑩

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122)

考慮到交通標(biāo)志具有顏色與形狀這兩個(gè)特征，提出了一種具有Harris角點(diǎn)特征的隨機(jī)抽樣一致性(RANSAC)算法來(lái)對(duì)交通標(biāo)志進(jìn)行檢測(cè)。通過(guò)對(duì)含交通標(biāo)志圖像進(jìn)行顏色特征提取后利用Canny算子對(duì)邊緣進(jìn)行檢測(cè)，再利用Harris角點(diǎn)檢測(cè)算子來(lái)提取初步檢測(cè)后圖像的角點(diǎn)，最后通過(guò)RANSAC算法與檢測(cè)模型進(jìn)行匹配進(jìn)行檢測(cè)，得出結(jié)果。仿真實(shí)驗(yàn)表明:該算法在檢測(cè)率上達(dá)到了84%，也基本滿(mǎn)足了實(shí)時(shí)性的要求。

交通標(biāo)志檢測(cè)； Harris角點(diǎn)檢測(cè)； Canny算子； 隨機(jī)抽樣一致性算法

0 引 言

交通標(biāo)志檢測(cè)[1]就是通過(guò)圖像處理和模式識(shí)別等技術(shù)讓計(jì)算機(jī)來(lái)判斷圖像中是否含有交通標(biāo)志。它在輔助駕駛系統(tǒng)、無(wú)人駕駛智能車(chē)[2]、智能機(jī)器人[3]等領(lǐng)域有著廣泛的應(yīng)用。根據(jù)交通標(biāo)志的特點(diǎn)可知顏色和形狀是其最顯著的兩個(gè)特征，所以目前大部分主流檢測(cè)算法都是圍繞著這兩個(gè)特征進(jìn)行的。文獻(xiàn)[4]利用歸一化后的RGB彩色空間對(duì)圖像進(jìn)行分割，該方法不需進(jìn)行復(fù)雜的空間轉(zhuǎn)換，具有較好的實(shí)時(shí)性，但是對(duì)于光照強(qiáng)弱或者雨天等情況時(shí)，分割效果不理想。文獻(xiàn)[5]利用多邊形對(duì)稱(chēng)變換法來(lái)檢測(cè)矩形交通標(biāo)志，雖然可以較好地檢測(cè)出交通標(biāo)志，且具有較好的實(shí)時(shí)性，但是檢測(cè)僅對(duì)矩形交通標(biāo)志有效，有一定的局限性。文獻(xiàn)[6]將顏色特征和形狀特征結(jié)合在一起，可以很好地檢測(cè)出交通標(biāo)志，但是缺乏良好的實(shí)時(shí)性。文獻(xiàn)[7]利用Canny算子對(duì)預(yù)處理后的交通標(biāo)志進(jìn)行邊緣檢測(cè)，然后采用輪廓檢測(cè)結(jié)合形狀逼近的方法進(jìn)行交通標(biāo)志形狀檢測(cè)。該方法對(duì)交通標(biāo)志進(jìn)行檢測(cè)時(shí)，對(duì)交通標(biāo)志的輪廓容差性比較小，易造成交通標(biāo)志的錯(cuò)檢測(cè)率和漏檢測(cè)率。

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

1 基本原理

1.1 Canny邊緣檢測(cè)

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

在進(jìn)行Canny算法之前，先要利用高斯濾波器分別對(duì)圖像按照行和列進(jìn)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(jìn)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(biāo)準(zhǔn)差，用來(lái)控制平滑程度，對(duì)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(duì)兩個(gè)方向模板進(jìn)行卷積計(jì)算，來(lái)對(duì)圖像邊緣進(jìn)行增強(qiáng)，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(diǎn)的幅值，則判斷該點(diǎn)為可能的邊緣點(diǎn)。最后對(duì)邊緣點(diǎn)進(jìn)行連接，便組成了所需要的輪廓。

1.2 Harris角點(diǎn)檢測(cè)

Harris角點(diǎn)檢測(cè)[9,10]的原理為：如果在圖像中某一點(diǎn)向任何方向移動(dòng)對(duì)應(yīng)的窗口w，都會(huì)引起灰度的劇烈變換，則可以說(shuō)明該點(diǎn)是一個(gè)角點(diǎn)。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(yàn)值，通常取0.04～0.06，為方便計(jì)算，本文取0.04。當(dāng)角點(diǎn)R(x,y)大于某個(gè)設(shè)定的閾值則，該點(diǎn)則為Harris特征角點(diǎn)。

1.3 RANSAC算法

RANSAC算法[11]是從一組包含了異常值的觀測(cè)數(shù)據(jù)中估算其數(shù)學(xué)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(diǎn)”組成，比如數(shù)據(jù)的分步可以用一些模型參數(shù)來(lái)解釋?zhuān)熬滞恻c(diǎn)”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(cè)試數(shù)據(jù)集中，與模型距離小于預(yù)先設(shè)定閾值的點(diǎn)則被認(rèn)為是內(nèi)點(diǎn)。每一次迭代而產(chǎn)生的模型比現(xiàn)有的模型內(nèi)點(diǎn)數(shù)更多時(shí)則被保留，其迭代次數(shù)表達(dá)式為

(9)

式中 n為構(gòu)造模型所需要的點(diǎn)數(shù)，p為迭代過(guò)程中選擇數(shù)據(jù)為局內(nèi)點(diǎn)的概率，此時(shí)估計(jì)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(gè)局內(nèi)點(diǎn)的概率，即局內(nèi)點(diǎn)數(shù)與數(shù)據(jù)集點(diǎn)數(shù)的比例。

由于確定一條直線(xiàn)需要兩點(diǎn)，所以,本文所估計(jì)參數(shù)的直線(xiàn)模型為

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

(10)

由于確定一個(gè)圓至少需要3個(gè)不共線(xiàn)的點(diǎn)，所以,需要從數(shù)據(jù)集中隨機(jī)選取3個(gè)點(diǎn)來(lái)完成模型的估計(jì)。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(gè)點(diǎn)，而(x,y)為測(cè)試集上的點(diǎn)，R為圓的半徑。找出符合上述模型的局內(nèi)點(diǎn)，當(dāng)局內(nèi)點(diǎn)的數(shù)量大于設(shè)定的閾值時(shí)，就認(rèn)為檢測(cè)的模型是有效的。

2 算法實(shí)現(xiàn)步驟

基于角點(diǎn)特征和RANSAC融合的交通標(biāo)志檢測(cè)流程圖如圖1所示。

圖1 基于角點(diǎn)特征和RANSAC融合的交通標(biāo)志檢測(cè)流程圖

3 仿真實(shí)驗(yàn)與結(jié)果分析

本算法運(yùn)行的軟件環(huán)境為Matlab7.1(R2013a)。實(shí)驗(yàn)中采用的圖像一部分來(lái)源于GTSRB(German Traffic Sign Recognition Benchmark)圖像庫(kù)中的圖像[12]，一部分來(lái)源于網(wǎng)上搜集的圖像。

為了客觀評(píng)價(jià)本文所提出的改進(jìn)的RANSAC算法的有效性，在檢測(cè)中，將本文算法、顏色檢測(cè)算法、形狀檢測(cè)算法和角點(diǎn)檢測(cè)算法進(jìn)行了比較。

圖2是僅僅提取了顏色特征對(duì)交通標(biāo)志進(jìn)行檢測(cè)的結(jié)果，圖2(a)中正確檢測(cè)出了道路指示標(biāo)志，但是也將與警告類(lèi)交通標(biāo)志顏色相近的公交車(chē)也檢測(cè)了出來(lái)。圖2(b)可以正確地檢測(cè)出兩種指示類(lèi)交通標(biāo)志，但是卻錯(cuò)誤地檢測(cè)出了護(hù)欄，安全提示桿等影響了檢測(cè)結(jié)果。而圖2(c)中禁止類(lèi)交通標(biāo)志被正確地檢測(cè)了出來(lái)，但是由于工程車(chē)顏色與警告類(lèi)交通標(biāo)志相近，也被檢測(cè)了出來(lái)。

圖2 通過(guò)顏色閾值檢測(cè)出的錯(cuò)誤交通標(biāo)志結(jié)果

圖3是通過(guò)Canny算子對(duì)含交通標(biāo)志圖像進(jìn)行檢測(cè)的結(jié)果。圖3(a)可以很好地檢測(cè)出交通標(biāo)志的邊緣，但是當(dāng)場(chǎng)景邊緣比較復(fù)雜時(shí)，如圖3(b),3(c)，可以看出背景邊緣較多，對(duì)后面正確檢測(cè)出交通標(biāo)志要求較高，且處理復(fù)雜。

圖3 通過(guò)Canny算子對(duì)含交通標(biāo)志圖像的檢測(cè)結(jié)果

圖4是通過(guò)Harris角點(diǎn)檢測(cè)算子對(duì)含交通標(biāo)志場(chǎng)景圖像進(jìn)行角點(diǎn)檢測(cè)的結(jié)果。由圖4(a)可以看出，通過(guò)對(duì)圖像進(jìn)行角點(diǎn)算子檢測(cè)，可以很好地將交通標(biāo)志檢測(cè)出來(lái)。但是圖4(b),4(c)中，錯(cuò)落的樹(shù)葉會(huì)產(chǎn)生大量的角點(diǎn)，不易檢測(cè)出交通標(biāo)志。

圖4 通過(guò)Harris角點(diǎn)檢測(cè)算子對(duì)含交通標(biāo)志圖像的檢測(cè)結(jié)果

圖5是通過(guò)本文算法對(duì)交通標(biāo)志場(chǎng)景圖片進(jìn)行檢測(cè)，得出的兩個(gè)交通標(biāo)志檢測(cè)結(jié)果。通過(guò)圖5(a)，5(b)可以看出，本文算法可以很好地檢測(cè)出交通標(biāo)志。但是通過(guò)圖6(a)，6(b)可以看出由于窗戶(hù)的顏色與指示類(lèi)交通標(biāo)志的顏色相近，且窗戶(hù)的輪廓符合指示類(lèi)交通標(biāo)志的輪廓類(lèi)型，所以,在對(duì)交通標(biāo)志進(jìn)行檢測(cè)時(shí)，窗戶(hù)被錯(cuò)誤的檢測(cè)了出來(lái)。

圖5 通過(guò)本文算法對(duì)含交通標(biāo)志圖像的檢測(cè)結(jié)果

圖6 通過(guò)本文算法對(duì)含交通標(biāo)志圖像的檢測(cè)結(jié)果

表1給出了用顏色特征、Canny邊緣算子、Harris角點(diǎn)算子和本文算法在檢測(cè)率和平均時(shí)間上的對(duì)比，從表1可以看出，本文算法在檢測(cè)率要高于其他三種算法。同時(shí)，從平均檢測(cè)率上來(lái)說(shuō)，本文的算法在時(shí)間檢測(cè)上要比其他檢測(cè)方法慢，但是基本滿(mǎn)足了系統(tǒng)檢測(cè)的實(shí)時(shí)性。

表1 四種方法檢測(cè)結(jié)果和平均時(shí)間的比較

4 結(jié) 論

仿真實(shí)驗(yàn)表明：該方法能夠得到較好的交通標(biāo)志檢測(cè)性能。但是，在場(chǎng)景中有與交通標(biāo)志相似物體干擾的情況下，本文算法會(huì)產(chǎn)生錯(cuò)誤的檢測(cè)結(jié)果，今后還有待對(duì)相似物體檢測(cè)排除做進(jìn)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(biāo)志自動(dòng)檢測(cè)與識(shí)別算法研究[D].武漢：武漢大學(xué)，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(guó)家自然科學(xué)基金資助項(xiàng)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?yàn)榍度胧郊夹g(shù)應(yīng)用與開(kāi)發(fā)。