基于AT-SBTM的交通標(biāo)志檢測(cè)

張志佳，賈夢(mèng)思，張 丹，李文強(qiáng)，何 欣

(1.沈陽工業(yè)大學(xué) 視覺檢測(cè)技術(shù)研究所 遼寧省機(jī)器視覺重點(diǎn)實(shí)驗(yàn)室,遼寧 沈陽 110870;2.沈陽工業(yè)大學(xué) 軟件學(xué)院，遼寧 沈陽 110870；3.沈陽工業(yè)大學(xué) 化工過程自動(dòng)化學(xué)院，遼寧 沈陽 110870)

基于AT-SBTM的交通標(biāo)志檢測(cè)

張志佳1，賈夢(mèng)思1，張 丹2，李文強(qiáng)3，何 欣2

(1.沈陽工業(yè)大學(xué) 視覺檢測(cè)技術(shù)研究所 遼寧省機(jī)器視覺重點(diǎn)實(shí)驗(yàn)室,遼寧 沈陽 110870;2.沈陽工業(yè)大學(xué) 軟件學(xué)院，遼寧 沈陽 110870；3.沈陽工業(yè)大學(xué) 化工過程自動(dòng)化學(xué)院，遼寧 沈陽 110870)

為解決復(fù)雜自然背景下交通標(biāo)志難檢測(cè)的問題，選取警告與禁令兩大類交通標(biāo)志進(jìn)行研究，分別針對(duì)警告和禁令標(biāo)志建立圓形、三角形模板，利用模板對(duì)圖庫中圖片進(jìn)行匹配，并提出了可變形的模板匹配算法。該算法不同于傳統(tǒng)交通標(biāo)志檢測(cè)方法，針對(duì)采用單個(gè)顏色空間對(duì)圖像進(jìn)行粗定位時(shí)出現(xiàn)漏選區(qū)域的弊端，采用疊加后的RGB、HSV顏色空間對(duì)復(fù)雜背景下的交通標(biāo)志進(jìn)行粗定位。為避免使用固定模板所帶來的誤檢與漏檢的情況，進(jìn)一步利用仿射變換使固定模板變?yōu)榭勺兡０宀⒗每勺兡０鍖?duì)結(jié)果進(jìn)行模板匹配。仿真結(jié)果表明，利用可變模板對(duì)交通標(biāo)志進(jìn)行檢測(cè)，檢測(cè)準(zhǔn)確率達(dá)85%以上，對(duì)比其他方法，準(zhǔn)確率較高。由此可見，基于AT-SBTM的交通標(biāo)志檢測(cè)算法能夠準(zhǔn)確地檢測(cè)到交通標(biāo)志，適于交通標(biāo)志的識(shí)別，可實(shí)現(xiàn)輔助駕駛。

HSV；RGB；形狀；模板匹配；仿射變換

0 引 言

隨著計(jì)算機(jī)科學(xué)技術(shù)和模式識(shí)別技術(shù)的發(fā)展，智能交通應(yīng)運(yùn)而生。交通標(biāo)志檢測(cè)和模式識(shí)別技術(shù)也逐漸成為關(guān)注的重點(diǎn)[1-5]。識(shí)別交通標(biāo)志的前提是成功檢測(cè)到交通標(biāo)志，在此基礎(chǔ)上，去除干擾，進(jìn)一步實(shí)現(xiàn)交通標(biāo)志的識(shí)別，因此交通標(biāo)志檢測(cè)成為研究人員的重點(diǎn)研究領(lǐng)域之一。

在眾多交通標(biāo)志檢測(cè)算法中，顏色分割是一種簡單有效的方法，特別是在物體顏色分布規(guī)律且對(duì)比度較大時(shí)，能夠得到很好的效果。文獻(xiàn)[6-7]在單個(gè)HSV顏色空間中進(jìn)行閾值分割，將彩色圖像采用HSV變換得到H、S、V，可減小光照對(duì)閾值分割的影響。同時(shí)為彌補(bǔ)光照影響的不足，利用基于交通標(biāo)志的顏色和幾何形狀特征，對(duì)投影失真的圖像進(jìn)行校正和規(guī)范化，進(jìn)一步檢測(cè)交通標(biāo)志[8]。國外研究人員利用Canny算子進(jìn)行邊緣提取，根據(jù)Hough變換提取出了交通標(biāo)志中的直線，進(jìn)而得到交通標(biāo)志中的三角形特征[9]。江治國等利用SIFT圖像局部特征具有旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化和噪聲也保持一定程度的穩(wěn)定性特點(diǎn)，在特征匹配方面取得顯著進(jìn)步，性能得到充分肯定[10]。還可進(jìn)一步利用標(biāo)準(zhǔn)交通標(biāo)志背景和內(nèi)景顏色特征建立標(biāo)準(zhǔn)模板，利用模板匹配技術(shù)和SNCC計(jì)算匹配度檢測(cè)識(shí)別交通標(biāo)志[11]。

針對(duì)現(xiàn)有的交通標(biāo)志檢測(cè)方法檢測(cè)準(zhǔn)確度低、抗干擾能力低等問題，利用圓形和三角形交通標(biāo)志的顏色特征和形狀特征，提出一種精化的圓形和三角形輪廓的模板，對(duì)自然場景下的圓形和三角形交通標(biāo)志進(jìn)行模板匹配，可達(dá)到85%以上的檢測(cè)率。

1 基于RGB、HSV的顏色分割

交通標(biāo)志撿測(cè)是在復(fù)雜背景下進(jìn)行的，受光照、天氣等外界客觀因素影響較大。根據(jù)這一特點(diǎn)，在選擇顏色空間時(shí)，應(yīng)選擇對(duì)光照和天氣變化不敏感的顏色空間。

分割彩色圖像時(shí)，判定顏色是否相似的依據(jù)是顏色之間的歐氏距離，即色差[12]，然而色差又取決于顏色空間的均勻程度。因此選擇顏色空間的條件之一是觀察其是否具有均勻性。

采用RGB與HSV疊加的顏色空間，其中RGB顏色空間簡單且不需要轉(zhuǎn)換，非均勻，而HSV顏色空間是比較均勻的，對(duì)光照強(qiáng)度不太敏感，其顏色空間是圓錐形[13]，當(dāng)S飽和度很小時(shí)，H是沒有意義的。

首先利用HSV顏色空間對(duì)圖片進(jìn)行篩選，設(shè)定S的閾值范圍[a,b],將閾值結(jié)果從H空間中分割出來，利用RGB顏色空間對(duì)分割結(jié)果進(jìn)行二次篩選，結(jié)合色譜圖以及交通標(biāo)志的顏色特點(diǎn)，利用閾值的方法將區(qū)域中的紅色和黃色分割出來。

利用RGB和HSV兩個(gè)顏色空間，精確提取交通標(biāo)志的顏色區(qū)域。

2 模板匹配與仿射變換

在交通標(biāo)志檢測(cè)方面，運(yùn)用較早的是基于灰度值的模板匹配算法，該算法操作簡單且運(yùn)行速度較快；隨著檢測(cè)領(lǐng)域的發(fā)展，提出了另一種基于形狀的模板匹配算法，該算法可排除外界光線的干擾，其模板為不可變的固定模板，在該算法的基礎(chǔ)上加入了仿射變換，仿射變換可使模板成為可變模板，進(jìn)一步提高了檢測(cè)準(zhǔn)確率。

2.1 基于灰度值的模板匹配原理

基于灰度值的模板匹配算法(Gray Value Based Template Matching，GVBTM)是一種較為傳統(tǒng)的算法，本質(zhì)是利用模板與圖像灰度值做行匹配，匹配發(fā)生在模板滑動(dòng)的整個(gè)過程中[14]。此過程包含兩種函數(shù)，一種是模板的灰度值與圖像塊灰度值做差，另一種是差的絕對(duì)值(SAD)和差的平方(SSD)。

相似度函數(shù)如下：

(1)

(2)

由于只對(duì)每個(gè)像素進(jìn)行兩步操作，故這兩種相似度量有很高的計(jì)算效率。兩種相似度量屬性的相似之處：若模板和圖像相同，則相似度量為0；若圖像與模板不同，相似度量將會(huì)大于0，即模板與圖像之間差別越大，相似度量的值也會(huì)越大。故也將這種相似度量稱為不相似度。通常，閾值分割將會(huì)得到包含一些鄰域像素的區(qū)域，為得到模板唯一位置，需要在閾值分割得到的每個(gè)連通區(qū)域中選擇相似性圖像的最小值。其中，t(r,c)表示模板圖像行r列c的灰度值，f(r+u,c+v)表示待測(cè)圖像行r+c列c+v的灰度值。

基于灰度值的模板匹配算法的原則是：使用灰度值匹配，當(dāng)模板圖像與待測(cè)圖像區(qū)別越大時(shí)，其相似度函數(shù)值也越大，故為尋找與模板最匹配的目標(biāo)，必須尋找相似度最小的值。

當(dāng)光照保持不變時(shí)，SAD和SSD的相似度量結(jié)果較好，但當(dāng)光照發(fā)生變化即圖像中的灰度值發(fā)生變化時(shí)，返回值差距就較大，即使相似的圖像，當(dāng)灰度值發(fā)生變化后，相似度函數(shù)的值也會(huì)很大，檢測(cè)準(zhǔn)確率較低?；谶@種情況，提出采用基于形狀的模板匹配算法，排除光照對(duì)檢測(cè)結(jié)果的干擾。

2.2 基于形狀的模板匹配算法

基于形狀[15]的模板匹配算法(Shape Based Template Matching，SBTM)是利用模板像素的梯度，通過計(jì)算梯度向量的內(nèi)積和最小值確定最佳匹配位置，有較強(qiáng)的穩(wěn)定性和可靠性。該算法的相似度量定義為使模板邊緣點(diǎn)與離它最近的圖像邊緣點(diǎn)之間的均方距離最小。為確定離模板邊緣上每個(gè)點(diǎn)最近的圖像邊緣點(diǎn)，可計(jì)算分割后搜索圖像背景的距離變換。如果模板邊緣點(diǎn)與圖像邊緣點(diǎn)之間的平均距離小于一個(gè)閾值，則可看作找到一個(gè)模板的實(shí)例，通過計(jì)算相似度量的局部最小值就可以找到模板的唯一位置。

根據(jù)計(jì)算出的相似度來確定目標(biāo)物體的位置，基于形狀的模板匹配算法的相似度包括像素點(diǎn)以及像素點(diǎn)方向向量，將模板圖像轉(zhuǎn)換成方向向量圖像，通過邊緣提取獲取相應(yīng)的方向向量圖像，使用模板像素點(diǎn)的方向向量與圖像相應(yīng)點(diǎn)位置的方向變量做點(diǎn)積的總和，通過歸一化處理消除光照影響，所得值為匹配分值。

相似度量S為:

(3)

歸一化后的相似度量S為：

(4)

當(dāng)圖像中被遮擋部分像素點(diǎn)的梯度向量非常小時(shí)，其與模板相應(yīng)位置梯度向量的內(nèi)積也非常小，對(duì)總合的影響可以忽略不計(jì)；當(dāng)圖像中存在混亂的情況時(shí)，混亂部分對(duì)應(yīng)的模板相應(yīng)位置梯度向量的模非常小，其與模板相應(yīng)位置梯度向量的內(nèi)積也很小，對(duì)其總和的影響可忽略不計(jì)。

基于形狀的模板匹配算法的相似度包括像素點(diǎn)以及像素點(diǎn)方向向量，將模板圖像轉(zhuǎn)換成方向向量圖像，可通過邊緣提取獲得相應(yīng)的方向向量圖像，并使模板像素點(diǎn)的方向向量與圖像相應(yīng)點(diǎn)位置的方向向量做點(diǎn)積的總和，并通過歸一化處理消除光照的影響。

由于梯度向量進(jìn)行了歸一化，該相似度量將返回一個(gè)小于等于1的值。當(dāng)s=1時(shí)，說明模板與圖像之間一一對(duì)應(yīng)；當(dāng)圖像中目標(biāo)物體的50%被遮擋時(shí)，相似度量將不會(huì)超過0.5。因此，SBTM可以讓用戶選擇一個(gè)直觀的閾值來決定具體的匹配對(duì)象。

2.3 仿射變換

復(fù)雜環(huán)境中的圖片，因?yàn)榕臄z角度與拍攝距離的變化，導(dǎo)致圖像中物體的尺寸會(huì)發(fā)生明顯變化，此時(shí)為準(zhǔn)確檢測(cè)交通標(biāo)志，需要調(diào)整被測(cè)目標(biāo)的位置和方向，故需要借助幾何運(yùn)算(幾何變換)。幾何運(yùn)算不同于代數(shù)運(yùn)算，它是通過改變圖像中物體(像素)之間的空間關(guān)系來調(diào)整物體的位置和方向。

幾何運(yùn)算中灰度級(jí)插值是必不可少的組成部分，因?yàn)閳D像的定義一般是使用整數(shù)位置處的像素來定義的，而幾何變換后的圖像灰度值一般由幾何變換之前處在非整數(shù)坐標(biāo)上的圖像的值來決定，故經(jīng)過幾何運(yùn)算后，會(huì)出現(xiàn)圖像中一個(gè)像素對(duì)應(yīng)于原圖中幾個(gè)像素之間的位的現(xiàn)象。其中，最簡單的插值方法是最鄰近插值，就是令輸出像素的灰度值等于映射最近的位置像素。

仿射變換(Affine Transformation，AT)為一類常見的幾何運(yùn)算，屬于射影幾何變換，多用于圖像配準(zhǔn)(Image Registration)作為比較或匹配的預(yù)處理過程，也可以理解為對(duì)坐標(biāo)進(jìn)行放縮、旋轉(zhuǎn)和平移后取得新坐標(biāo)的值。

利用縮放變換可改變物體大小。若對(duì)一個(gè)多邊形進(jìn)行縮放變換，變換中心假設(shè)為原點(diǎn)，則可把各項(xiàng)頂點(diǎn)的坐標(biāo)(x,y)均乘以比例因子Sx、Sy，得到變換后坐標(biāo)(x',y')。對(duì)目標(biāo)進(jìn)行旋轉(zhuǎn)變換時(shí)，物體上的各點(diǎn)繞一固定點(diǎn)沿圓周路徑作轉(zhuǎn)動(dòng)。通常在做仿射變換時(shí)，需要同時(shí)對(duì)目標(biāo)進(jìn)行平移、放縮和旋轉(zhuǎn)操作，故用矩陣表示一個(gè)仿射變換，如下式：

(5)

由式(5)可知，一個(gè)仿射變換由一個(gè)2×2矩陣給定的線性部分和一個(gè)平移部分。因?yàn)槊看味家獑为?dú)列出平移部分，較為繁瑣，所以在原坐標(biāo)基礎(chǔ)上引入第三個(gè)數(shù)值為1的坐標(biāo)，可用簡單的矩陣乘法表示：

(6)

其中，a13和a23表示平移部分，這種表示方法叫齊次坐標(biāo)。

在實(shí)際情況中，圖像中交通標(biāo)志會(huì)發(fā)生不同程度的形變、放縮和平移，單用形狀模板對(duì)其進(jìn)行匹配，會(huì)出現(xiàn)很高的漏檢和誤檢的情況，對(duì)模板進(jìn)行仿射變換后，采用經(jīng)放縮、旋轉(zhuǎn)和平移后的模板對(duì)其進(jìn)行匹配，可達(dá)到較高的檢測(cè)率。

2.4 基于AT-SBTM的交通標(biāo)志檢測(cè)

基于形狀的模板匹配其模板是固定的，在目標(biāo)發(fā)生較大旋轉(zhuǎn)和縮放的情況下，很難通過這種方法找到目標(biāo)。為使模板成為可變的模板，提高檢測(cè)準(zhǔn)確率，在固定模板的基礎(chǔ)上加入仿射變換，在采用固定模板匹配前，對(duì)模板進(jìn)行仿射變換，使模板成為可旋轉(zhuǎn)、縮放和平移的模板，即基于AT-SBTM的交通標(biāo)志檢測(cè)算法。

利用可變形的模板對(duì)交通標(biāo)志進(jìn)行檢測(cè)，首先創(chuàng)建圓形模板，選取國家標(biāo)準(zhǔn)交通標(biāo)志圖庫中限速標(biāo)志為模板圖片，目的是提取交通標(biāo)志的邊緣輪廓。限速標(biāo)志為圓形禁令標(biāo)志，以白色為底，紅色寬帶為邊緣輪廓，操作步驟如下：

(1)針對(duì)選取的模板圖片，繪制目標(biāo)矩形減小模板提取范圍，即確定ROI區(qū)域；

(2)利用截取算子將矩形區(qū)域部分的圖片從原圖中分割出來，并對(duì)分割后的圖片設(shè)置閾值；

(3)排除過大或過小的面積區(qū)域，面積下限值設(shè)定為1 000 pixel；

(4)對(duì)閾值后圓形區(qū)域中出現(xiàn)的空洞進(jìn)行填充操作并利用膨脹、腐蝕對(duì)填充后圓形區(qū)域進(jìn)行處理，將腐蝕膨脹得到的兩張圖片進(jìn)行求差運(yùn)算，得到圓環(huán)區(qū)域，其大小為96 650 pixel,如圖1所示。

三角形模板創(chuàng)建過程：警告標(biāo)志牌為正三角形，頂角向上，以黃色為底，黑色寬帶為邊緣輪廓。其創(chuàng)建過程可參照?qǐng)A形模板創(chuàng)建過程，三角形模板大小為21 773 pixel，如圖1所示。

圖1 圓形模板與三角形模板

模板匹配過程為：

(1)設(shè)定圓形(三角形)模板的旋轉(zhuǎn)角度、搜索步長、放縮范圍。旋轉(zhuǎn)角度設(shè)為α,步長設(shè)為自動(dòng)模式，放縮范圍為[c1,c2]倍；

(2)根據(jù)式(6)對(duì)模板進(jìn)行仿射變換；

(3)進(jìn)行模板匹配，根據(jù)式(3)、式(4)的返回值是否符合設(shè)定值d確定目標(biāo)。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)為車載采集圖像，分別用CVBTM、SBTM和AT-SBTM對(duì)圖像進(jìn)行圓形和三角形交通標(biāo)志檢測(cè)。

CVBTM檢測(cè)結(jié)果如圖2所示。

兩張圖片所拍攝的交通標(biāo)志是同一交通標(biāo)志，但因拍攝角度和距離的不同，導(dǎo)致圖像的灰度值發(fā)生變化，CVBTM無法處理這種變化，所以在檢測(cè)交通標(biāo)志時(shí)準(zhǔn)確率較低。

SBTM檢測(cè)結(jié)果如圖3所示。其中第一張圖片含有兩個(gè)交通標(biāo)志，但是只檢測(cè)出一個(gè)，第二張圖片中三角形交通標(biāo)志未被檢測(cè)出來，之所以出現(xiàn)漏檢，是因?yàn)槠ヅ淠０迮c目標(biāo)的大小、旋轉(zhuǎn)角度等有出入，固定模板不能對(duì)已經(jīng)發(fā)生形變或者放縮的目標(biāo)進(jìn)行檢測(cè)，所以存在一定程度的漏檢。

圖2 CVBTM檢測(cè)結(jié)果圖

圖3 SBTM檢測(cè)結(jié)果圖

AT-SBTM檢測(cè)結(jié)果如圖4所示。

(a)AT-SBTM圓形交通標(biāo)志檢測(cè)結(jié)果

(b)AT-SBTM三角形交通標(biāo)志檢測(cè)結(jié)果

AT-SBTM實(shí)驗(yàn)結(jié)果表明，該算法在檢測(cè)圓形和三角形交通標(biāo)志的過程中，根據(jù)對(duì)圖庫中所有交通標(biāo)志進(jìn)行的統(tǒng)計(jì)整理，利用仿射變換，設(shè)定模板旋轉(zhuǎn)角度為rad(±15)、放縮[0.5,51]倍，并對(duì)其進(jìn)行全局平移，從而以較高的準(zhǔn)確率檢測(cè)到交通標(biāo)志。在圖(a)中可觀察到，對(duì)于發(fā)生一定角度的旋轉(zhuǎn)、放縮和在一定程度上被遮擋的交通標(biāo)志，利用該算法可以準(zhǔn)確檢測(cè)出交通標(biāo)志的位置。

CVBTM、SBTM與AT-SBTM檢測(cè)結(jié)果對(duì)比如表1和表2所示。

表1 三角形交通標(biāo)志檢測(cè)結(jié)果

表2 圓形交通標(biāo)志檢測(cè)結(jié)果

由表1、2可知，無論是檢測(cè)三角形標(biāo)志還是圓形標(biāo)志，相比之下AT-SBTM的準(zhǔn)確率都是最高的。因此，采用AT-SBTM可提高檢測(cè)的準(zhǔn)確率。

對(duì)于漏檢和誤檢的圓形和三角形標(biāo)志進(jìn)行核查分析，主要原因如下：遮擋太嚴(yán)重和交通標(biāo)志顏色嚴(yán)重褪色導(dǎo)致漏檢；拍攝圖片清晰度太差導(dǎo)致漏檢的情況增多；交通信號(hào)燈的存在導(dǎo)致誤檢率升高。

4 結(jié)束語

在利用交通標(biāo)志顏色特征的基礎(chǔ)上，根據(jù)交通標(biāo)志特有的形狀特征創(chuàng)建模板，并對(duì)模板進(jìn)行仿射變換，提出了AT-SBTM算法。該算法使原有的固定模板成為可變形模板，可變形模板可以更靈活準(zhǔn)確地檢測(cè)出目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該方法能有效提高交通標(biāo)志檢測(cè)的準(zhǔn)確率。

[1] 李厚杰,邱天爽,宋海玉,等.基于曲率尺度空間角點(diǎn)檢測(cè)的交通標(biāo)志分離算法[J].光學(xué)學(xué)報(bào),2015,35(1):239-247.

[2] Sindha P D,Shah D M,Patel A.A color and shape based real time traffic sign detection and recognition system[J].International Journal in IT & Engineering,2015,3(1):36-42.

[3] 湯智超,蘇 琳,何 超,等.導(dǎo)盲機(jī)器人的交通標(biāo)志視覺識(shí)別技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2014,24(9):23-27.

[4] 陳興華,萬幼川,王曉華.基于街景影像的交通標(biāo)志識(shí)別[J].地理空間信息,2014,12(5):75-77.

[5] Wang G Y,Ren G H,Jiang L H,et al.Hole-based traffic sign detection method for traffic signs with red rim[J].The Visual Computer,2014,30(5):539-551.

[6] 賈永紅,胡志雄,周明婷,等.自然場景下三角形交通標(biāo)志的檢測(cè)與識(shí)別[J].應(yīng)用科學(xué)學(xué)報(bào),2014,32(4):423-426.

[7] 金旭暉.基于區(qū)域顏色分割的交通標(biāo)志檢測(cè)和識(shí)別[J].電氣自動(dòng)化,2016,38(3):14-16.

[8] 陳亦欣,葉 鋒,肖 鋒,等.基于HSV空間和形狀特征的交通標(biāo)志檢測(cè)識(shí)別研究[J].江漢大學(xué)學(xué)報(bào):自然科學(xué)版,2016,44(2):119-125.

[9] Garcíagarrido M A,Ocaa M,Llorca D F,et al.Complete vision-based traffic sign recognition supported by an I2V communication system[J].Sensors,2012,12(2):1148-1169.

[10] 江治國,陳小林.基于特征匹配的交通標(biāo)志識(shí)別算法[J].吉首大學(xué)學(xué)報(bào):自然科學(xué)版,2013,34(1):28-32.

[11] 房澤平,段建民,鄭榜貴.基于特征顏色和SNCC的交通標(biāo)志識(shí)別與跟蹤[J].交通運(yùn)輸系統(tǒng)工程與信息,2014,14(1):47-52.

[12] 湯 凱,李實(shí)英,劉 娟,等.基于多特征協(xié)同的交通標(biāo)志檢測(cè)[J].計(jì)算機(jī)工程,2015,41(3):211-217.

[13] Chen Y X,Xie Y,Wang Y L.Detection and recognition of traffic signs based on HSV vision model and shape features[J].Journal of Computers,2013,8(5):1366-1370.

[14] 傅建安,萬 文,熊震宇.雙能圖像的亞像素匹配方法[J].南昌航空大學(xué)學(xué)報(bào):自然科學(xué)版,2015,29(4):40-44.

[15] 潘銘星,孫 涵.自然場景中道路交通標(biāo)志形狀的檢測(cè)與校正[J].計(jì)算機(jī)與現(xiàn)代化,2016(2):5-10.

Traffic Sign Detection with AT-SBTM

ZHANG Zhi-jia1，JIA Meng-si1，ZHANG Dan2，LI Wen-qiang3，HE Xin2

(1.Key Laboratory of Machine Vision in Liaoning Province，Institute of Visual Inspection,Shenyang University of Technology,Shenyang 110870,China;2.School of Software,Shenyang University of Technology,Shenyang 110870,China;3.School of Chemical Process Automation,Shenyang University of Technology,Shenyang 110870,China)

To solve the problem of difficult detection of traffic signs under the complex background of nature,the two kinds of warning and ban traffic signs are selected to be studied,according to which the templates of circle and triangle are established which are used to match the pictures of gallery.Then the template matching algorithm based on the variable shape is proposed,which is different from the traditional traffic sign detection method.According to the disadvantages of selection leakage when the single color space is applied in coarse location of image,the coarse location is conducted in traffic signs with complex background by RGB and HSV after superposition.In order to avoid error and leak inspection using fixed template,the affine transformation is employed further to make fixed template variable which matches the results.Simulation shows that by using the variable template for traffic sign detection,its accuracy has been more than 85%,higher than other methods.Therefore,it could be able to accurately detect the traffic signs,which is suitable for recognition on traffic signs and implemented in the auxiliary driving.

RGB;HSV;shape;template matchine;affine transformation

2016-09-09

2016-12-15 網(wǎng)絡(luò)出版時(shí)間：2017-07-05

國家自然科學(xué)基金資助項(xiàng)目(61540069)

張志佳(1974-)，男，博士，副教授，研究方向?yàn)闄C(jī)器視覺檢測(cè)技術(shù)、圖像處理與模式識(shí)別；賈夢(mèng)思(1991-)，女，碩士研究生，研究方向?yàn)闄C(jī)器視覺。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1651.056.html

TP39

A

1673-629X(2017)08-0195-05

10.3969/j.issn.1673-629X.2017.08.041