基于主成分特征向量系數(shù)的交通標(biāo)志識(shí)別方法研究*

鄒柏賢，苗 軍，孟 斌

(1.北京聯(lián)合大學(xué) 應(yīng)用文理學(xué)院，北京 1000191; 2.北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院,北京 100101)

基于主成分特征向量系數(shù)的交通標(biāo)志識(shí)別方法研究*

鄒柏賢1，苗 軍2，孟 斌1

(1.北京聯(lián)合大學(xué) 應(yīng)用文理學(xué)院，北京1000191;2.北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院,北京100101)

對(duì)交通標(biāo)志的識(shí)別研究一直是模式識(shí)別領(lǐng)域的研究熱點(diǎn)。提出一種利用主成分特征向量系數(shù)和最近鄰分類識(shí)別交通標(biāo)志的方法，經(jīng)驗(yàn)證取得較好的識(shí)別效果；同時(shí)，還研究探討了交通標(biāo)志圖像的分辨率大小、主成分特征個(gè)數(shù)對(duì)正確識(shí)別率的影響。該方法的特點(diǎn)是交通標(biāo)志圖像來自真實(shí)環(huán)境，減小了計(jì)算量。

交通標(biāo)志圖像；主成分特征向量系數(shù)；正確識(shí)別率

0 引言

交通標(biāo)志識(shí)別在車輛自動(dòng)駕駛系統(tǒng)中具有重要意義。隨著道路上車流量的增加以及氣候條件、交通環(huán)境的日趨復(fù)雜，交通安全和擁堵已經(jīng)成為日益嚴(yán)重的社會(huì)問題。為提高交通安全性，協(xié)助解決車輛駕駛中的問題，國內(nèi)外學(xué)者一直在研究、探索道路交通標(biāo)志的識(shí)別。因?yàn)榻煌?biāo)志和道路交通的復(fù)雜性，很難有固定的方法實(shí)現(xiàn)交通標(biāo)志的自動(dòng)識(shí)別，交通標(biāo)志識(shí)別技術(shù)的發(fā)展還比較緩慢。目前雖在交通標(biāo)志的識(shí)別方面已經(jīng)取得了積極的成果，但是從總體來看，仍然存在一些不足：(1)識(shí)別對(duì)象單一化。多數(shù)工作是以計(jì)算機(jī)仿真的交通標(biāo)志代替實(shí)際交通標(biāo)志進(jìn)行識(shí)別研究，處理比較簡單，這種方法在識(shí)別現(xiàn)實(shí)中復(fù)雜環(huán)境下的交通標(biāo)志圖像時(shí)存在不足[1]；(2)較復(fù)雜的識(shí)別過程和方法以及各國的交通標(biāo)志復(fù)雜多樣，使得識(shí)別的難度增加。

本文求出真實(shí)背景下交通標(biāo)志圖像的主成分特征向量，以主成分特征向量的系數(shù)組成的向量作為描述交通標(biāo)志圖像的特征，然后根據(jù)歐氏距離最近原則進(jìn)行交通標(biāo)志的識(shí)別。同時(shí)通過比較不同分辨率的交通標(biāo)志圖像、不同的主成分特征個(gè)數(shù)與識(shí)別率之間的關(guān)系對(duì)識(shí)別方法展開研究。這里的特征向量提取方法不同于一般的主成分分析特征提取方法。

1 相關(guān)研究工作

交通標(biāo)志的識(shí)別是智能交通系統(tǒng)研究領(lǐng)域尚未解決的難題之一,也是難度較大的實(shí)景圖形識(shí)別問題之一[2]。技術(shù)難點(diǎn)主要有：客觀因素復(fù)雜多變，交通標(biāo)志圖像容易模糊、變形或失真嚴(yán)重，容易被遮擋。

感興趣區(qū)域的獲取通常是利用交通標(biāo)志的顏色和幾何形狀信息來實(shí)現(xiàn)的。最常用的方法是對(duì)圖像進(jìn)行邊緣檢測后通過標(biāo)志的幾何形狀特征檢測交通標(biāo)志的位置。文獻(xiàn)[3]提出利用方向梯度直方圖特征和k個(gè)決策樹或隨機(jī)森林方法進(jìn)行交通標(biāo)志的分類，引入空間加權(quán)機(jī)制改進(jìn)k個(gè)決策樹進(jìn)行分類。文獻(xiàn)[4]應(yīng)用神經(jīng)網(wǎng)絡(luò)方法檢測交通標(biāo)志，根據(jù)直方圖對(duì)觀測圖像進(jìn)行排序，然后根據(jù)交通標(biāo)志的邊緣像素分割圖像，通過霍夫變換方法檢測圓形交通標(biāo)志。文獻(xiàn)[5]提出一種識(shí)別戶外不同交通標(biāo)志形狀的算法，包括完成檢測、形狀識(shí)別的算法。文獻(xiàn)[6]提出一種基于SVM和模糊免疫網(wǎng)絡(luò)的交通標(biāo)志圖像識(shí)別方法，利用支持向量機(jī)檢測和提取圖像區(qū)域；再利用模糊免疫網(wǎng)絡(luò)來識(shí)別交通標(biāo)志。文獻(xiàn)[7]根據(jù)圖像特點(diǎn)的顏色及形狀等外觀特征，分三類交通標(biāo)志(警告、禁令和指示)分別處理，檢測出交通標(biāo)志，應(yīng)用自組織神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志的類型。文獻(xiàn)[8]根據(jù)我國交通標(biāo)志的顏色和幾何屬性的對(duì)應(yīng)關(guān)系，提取圖像的顏色特征、輪廓特征以及不變矩特征,用概率神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志。文獻(xiàn)[9]運(yùn)用基于Hough變換和特征優(yōu)化的檢測算法,利用駕駛輔助系統(tǒng)，通過檢測交通標(biāo)志，用交通標(biāo)志的矩形外形、亮度兩個(gè)特征檢測交通標(biāo)志。考慮到在實(shí)際中光照和氣候條件的變化對(duì)交通標(biāo)志圖像的影響，文獻(xiàn)[10]提出一種手視覺理論啟發(fā)的特征提取方法，應(yīng)用支持向量分類器識(shí)別交通標(biāo)志。文獻(xiàn)[11]運(yùn)用HSV三分量閾值分離交通標(biāo)志區(qū)域，對(duì)區(qū)域的形狀進(jìn)行仿射變換，提取Gabor特征向量，再利用支持向量機(jī)識(shí)別交通標(biāo)志。文獻(xiàn)[12]提出一種利用全局描述特征應(yīng)用于交通標(biāo)志識(shí)別中。

2 基于主成分特征向量系數(shù)的交通標(biāo)志識(shí)別方法

為避免對(duì)大量已有樣本進(jìn)行學(xué)習(xí)，減小主成分特征提取計(jì)算量，本文采用一種新的特征提取和匹配方法，運(yùn)用類似于主元分析方法[13]，對(duì)每幅交通標(biāo)志樣本圖像對(duì)應(yīng)的二維矩陣，求出其標(biāo)準(zhǔn)正交基，這組標(biāo)準(zhǔn)正交基的特點(diǎn)是兩兩相互正交，去相關(guān)性好，能達(dá)到消除數(shù)據(jù)冗余和噪聲的效果,且都為單位長度向量。把每幅交通標(biāo)志樣本圖像的一組標(biāo)準(zhǔn)正交基，按照特征值{λi}從大到小的排序，λ1>λ2>…>λn，取特征值{λi}對(duì)應(yīng)的特征向量(記為 {αi}(i=1,2,…，n))的系數(shù)，將這一組基向量的系數(shù)按順序組合成一個(gè)行向量α=[α1,α2,…,αn]，以此向量代表原樣本圖像的特征。此外，根據(jù)特征值從大到小順序，選取前面若干個(gè)特征值對(duì)應(yīng)的基向量。把組合向量α=[α1,α2,…,αn]稱作該交通標(biāo)志樣本圖像的主成分特征系數(shù)向量。以兩幅圖像的主成分特征系數(shù)向量之間的歐氏距離代表這兩幅圖像之間的距離。

通過對(duì)訓(xùn)練樣本圖像的計(jì)算，同種類型交通標(biāo)志圖像的主成分特征系數(shù)向量之間的距離(稱作內(nèi)部距離)較小，不同種類型交通標(biāo)志的樣本圖像之間則距離(稱作外部距離)較大。依次類推，假定內(nèi)部距離在一個(gè)實(shí)數(shù)區(qū)間[A,B]內(nèi)。對(duì)于一個(gè)測試樣本T，計(jì)算其到各種交通標(biāo)志訓(xùn)練樣本圖像的主成分特征系數(shù)向量之間的距離。當(dāng)某個(gè)距離達(dá)到最小，且該距離屬于同種標(biāo)志相應(yīng)的內(nèi)部距離區(qū)間時(shí)，將測試樣本T判定為該種類型交通標(biāo)志，若與實(shí)際相符，則該交通標(biāo)志圖像識(shí)別成功。

2.1 預(yù)處理

在北京市區(qū)街道真實(shí)交通環(huán)境下，在不同位置、不同時(shí)間、不同姿態(tài)采集到各種類型交通標(biāo)志約100幅圖像。為提高識(shí)別效果，對(duì)采集的原始圖像的不同特點(diǎn)進(jìn)行相應(yīng)的處理，如直方圖、分辨率、中心位置的調(diào)整。然后隨機(jī)選擇交通標(biāo)識(shí)圖像的一部分作為訓(xùn)練圖像集，另一部分作為測試圖像集。

2.2 提取樣本圖像的標(biāo)準(zhǔn)正交基向量

用方陣X=(xij)p×p表示交通標(biāo)志圖像的灰度分布，圖像中列向量矩陣的協(xié)方差矩陣記為：Σ=(sij)p×p，其中，

求協(xié)方差矩陣Σ對(duì)應(yīng)的特征值{λi}及特征向量{φi}。特征值{λi}按從大到小排列，取前m個(gè)，λ1≥λ2≥…≥λm>0,對(duì)應(yīng)的{φi}重構(gòu)正交矩陣K，其中的列向量{ai}是標(biāo)準(zhǔn)正交基向量(稱作樣本圖像的標(biāo)準(zhǔn)正交基向量)。

2.3 主成分特征系數(shù)向量

通過方差累計(jì)貢獻(xiàn)率G(n)確定n的取值。通常，當(dāng)累積貢獻(xiàn)率大于85%時(shí)，被認(rèn)為能足夠反映原來變量的信息，對(duì)應(yīng)的n就是提取的前n個(gè)標(biāo)準(zhǔn)正交基向量{ai}(i=1,2,…,n)，把它們按順序組成的行向量α=[α1,α2,…,αn]即為主成分特征系數(shù)向量。在實(shí)際應(yīng)用中，選擇標(biāo)準(zhǔn)正交基向量的個(gè)數(shù)因不同情形而異。本文對(duì)標(biāo)準(zhǔn)正交基向量個(gè)數(shù)在1～30之間的30種情況，分別進(jìn)行了比較和分析測試樣本的識(shí)別效果。

2.4 最近鄰分類

最近鄰是分類器算法中最常用的一種模式識(shí)別方法。在本文方法中，對(duì)全部訓(xùn)練樣本圖像按照各種交通標(biāo)志分類(標(biāo)記)，共10種交通標(biāo)志，分為10類Ci(i=1,2,…,10)。在訓(xùn)練階段，計(jì)算各種類型訓(xùn)練樣本圖像Ci內(nèi)各圖像對(duì)應(yīng)的主成分特征系數(shù)向量之間的距離，得到10種類型交通標(biāo)志樣本圖像的內(nèi)部距離區(qū)間[Li,Ui]；在測試階段，分別計(jì)算交通標(biāo)志測試圖像T與Ci(i=1,2,…,10)中任一圖像的主成分特征系數(shù)向量之間的距離dT,j，若dT,j為最小且(Lj≤dT,j≤Uj),(1≤j≤10)，則判斷測試圖像T是第j類交通標(biāo)志。

2.5 基于主成分特征向量系數(shù)的交通標(biāo)志識(shí)別算法

基于主成分特征系數(shù)向量的交通標(biāo)志識(shí)別算法如下：

輸入：交通標(biāo)志圖像訓(xùn)練集S={s1,s2,…,sm}；

?愛新覺羅·弘歷:《寄暢園雜詠》，裴大中、倪咸生修，秦緗業(yè)等纂:《光緒無錫金匱縣志》，《中國地方志集成·江蘇府縣志輯》第24冊(cè)，第27頁。

測試圖像集T

交通標(biāo)志圖像分辨率k×k

主成分個(gè)數(shù)n(n≤k)

1：forS中的每一個(gè)sido

2：預(yù)處理si(i=1,2,…,m)；

3：提取n個(gè)主成分αj=(aj1,aj2,…,ajK)，(j=1,2,…,n)；

4：得si的主成分特征向量的系數(shù)組成的向量βi=[α1,α2,…αj…,αn]；

5：end for

7：計(jì)算βi、βi之間的歐氏距離；

8：end for

9：得到S中同一交通標(biāo)志兩幅圖像si、sj對(duì)應(yīng)的主成分特征系數(shù)向量βi、βi之間的距離范圍[Li,Ui](i=1,2,…,10)；

10：預(yù)處理測試圖T；

11：計(jì)算交通標(biāo)志測試圖T的n個(gè)主成分，得到其主成分特征系數(shù)向量βT；

12：fori(i=1,2,…,10)

13：計(jì)算βT到上述同一交通標(biāo)志不同圖像的主成分特征系數(shù)向量的歐氏距離dT,i(i=1,2,…,10)；

14：if(dT,j為最小) &(Lj≤dT,j≤Uj),(1≤j≤10)

15: then測試圖T是第j種交通標(biāo)志；

輸出：測試圖T是第j種交通標(biāo)志。

3 實(shí)驗(yàn)

首先利用數(shù)碼相機(jī)采集真實(shí)背景下的道路交通標(biāo)志圖像。現(xiàn)實(shí)環(huán)境中的車流、噪音、氣候、光線等諸多復(fù)雜因素導(dǎo)致交通標(biāo)志的圖像會(huì)發(fā)生各種變化和失真，選擇在不同時(shí)間、不同地理位置、不同姿態(tài)、不同距離的情況下，用普通數(shù)碼相機(jī)分別進(jìn)行實(shí)景拍攝。圖1是選取采集的10種常見交通標(biāo)志圖像。由于客觀環(huán)境的因素，這些交通標(biāo)志在灰度、幾何性質(zhì)以及結(jié)構(gòu)方面發(fā)生較大的變化，識(shí)別的難度也隨之增大。

圖1 采集所選取的10種交通標(biāo)志圖像

圖2是實(shí)際采集的部分交通標(biāo)志圖像。各種交通標(biāo)志中隨機(jī)地選取6幅圖作為學(xué)習(xí)圖像樣本集A，其余4幅圖圖像作為測試圖像集B。

圖2 實(shí)際采集的部分交通標(biāo)志圖像

把原始圖像處理成大小分別為256×256、128×128、64×64，分別提取它們的主成分特征系數(shù)向量，用上述分類識(shí)別方法，對(duì)采集到的圖像進(jìn)行訓(xùn)練和測試。同時(shí)，對(duì)主成分個(gè)數(shù)在1～30之間的情況下的識(shí)別效果進(jìn)行了比較和分析。定義：識(shí)別率=正確識(shí)別數(shù)/測試圖像總數(shù)。

實(shí)驗(yàn)結(jié)果表明，當(dāng)圖像分辨率為256×256，提取前1個(gè)主成分時(shí)，識(shí)別率最高，達(dá)到93%；隨著提取主成分個(gè)數(shù)(即選取的正交基向量個(gè)數(shù))的增多，識(shí)別率呈現(xiàn)下降趨勢(shì)(見圖3)；這是因?yàn)閳D像的主成分反映了圖像中的主要信息或絕大部分信息，隨著主成分的增多，主成分中含有的圖像細(xì)節(jié)信息過多，這些細(xì)節(jié)信息并非交通標(biāo)志的主要信息，反而使正確識(shí)別率降低。

圖3 圖像分辨率、主成分特征個(gè)數(shù)與識(shí)別率的關(guān)系圖

當(dāng)圖像分辨率為128×128，提取前1個(gè)主成分時(shí)，識(shí)別率最高，達(dá)到89%。隨著提取主成分的個(gè)數(shù)增多，識(shí)別率呈現(xiàn)下降趨勢(shì)；當(dāng)圖像分辨率為64×64，提取前1個(gè)主成分時(shí)，識(shí)別率最高，達(dá)到93%；隨著提取主成分的個(gè)數(shù)增多，識(shí)別率同樣呈現(xiàn)下降趨勢(shì)。從整體情況看，分辨率256×256的識(shí)別效果好于其余兩種分辨率低的情況。但是，分辨率為128×128時(shí)的識(shí)別率低于分辨率為64×64的情形。

由于在真實(shí)環(huán)境中的車流、噪音、氣候、背景色等諸多復(fù)雜因素導(dǎo)致圖像會(huì)發(fā)生各種變化。選擇不同時(shí)間、位置、姿態(tài)進(jìn)行實(shí)景拍攝時(shí)，會(huì)導(dǎo)致圖像中交通標(biāo)志的大小不一、圖像的灰度值發(fā)生變化以及幾何結(jié)構(gòu)畸變等。另外，存在較為相似的交通標(biāo)志，這些因素導(dǎo)致錯(cuò)誤的識(shí)別產(chǎn)生。

4 結(jié)論

日益復(fù)雜的交通環(huán)境對(duì)交通標(biāo)志的自動(dòng)識(shí)別帶來了更大的挑戰(zhàn)。同時(shí)，從智能駕駛的角度看，解決這一問題日益迫切?，F(xiàn)有研究主要集中在解決標(biāo)準(zhǔn)圖像庫以及對(duì)仿真標(biāo)志圖像的識(shí)別問題上。本文通過提取圖像的標(biāo)準(zhǔn)正交基向量(主成分)，并組合成主成分特征系數(shù)向量，識(shí)別真實(shí)背景下的交通標(biāo)志，取得較好的識(shí)別效果。對(duì)實(shí)際采集圖像的不同分辨率以及提取不同的主成分個(gè)數(shù)對(duì)正確識(shí)別率的影響分別進(jìn)行了研究探討。在實(shí)驗(yàn)中，當(dāng)圖像分辨率為256×256，提取前1個(gè)主成分時(shí)，識(shí)別率最高；隨著提取主成分的個(gè)數(shù)增多，識(shí)別率呈現(xiàn)下降趨勢(shì)；主成分反映了原始變量的絕大部分信息，然而，隨著主成分?jǐn)?shù)量的增多，獲取的圖像細(xì)節(jié)信息過多，它們?cè)谝欢ǔ潭壬涎谏w了交通標(biāo)志的主要信息。反而使正確識(shí)別率降低。從整體情況看，256×256分辨率的識(shí)別效果好于其余兩種分辨率低的情況。但是，分辨率為128×128時(shí)的識(shí)別率低于分辨率為64×64的情形。另外，經(jīng)測算，基于主成分特征的方法正確識(shí)別率不低于類似的識(shí)別方法，但減少了計(jì)算復(fù)雜量。在今后的研究中，還需要針對(duì)更復(fù)雜的環(huán)境，克服困難采集大量的交通標(biāo)志圖像，進(jìn)行訓(xùn)練和測試，以進(jìn)一步提高正確識(shí)別率。

[1] 楊守建,陳懇. 基于Hopfield神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J].計(jì)算機(jī)工程與科學(xué),2011,33(8):132-137.

[2] 朱雙東，陸曉峰. 道路交通標(biāo)志識(shí)別的研究現(xiàn)狀及展望[J].計(jì)算機(jī)工程與科學(xué),2006,28(12): 50-52,102.

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

[4] FISTREK T,LONCARIC S. Traffic sign detection and recognition using neural networks and histogram based selection of segmentation method[A]. IEEE Processing of ELMAR,2011: 51-54.

[5] 許少秋. 戶外交通標(biāo)志檢測和形狀識(shí)別[J].中國圖象圖形學(xué)報(bào),2009,14(4):708-711.

[6] 羅曉萍,蔣加伏,唐賢瑛.基于SVM和模糊免疫網(wǎng)絡(luò)的交通標(biāo)志圖像識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),2006,27(9):1542-1544.

[7] 朱正平，孫傳慶，王秀麗，等. 基于外觀特征與神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J].自動(dòng)化與儀器儀表,2009(1): 60-63.

[8] 孫光民，王晶，于光宇，等. 自然背景中交通標(biāo)志的檢測與識(shí)別[J].北京工業(yè)大學(xué)學(xué)報(bào),2010,6(10): 1337-1343,1395.

[9] BAE G Y,HA J M,JEON J Y,et al. LED traffic sign detection using rectangular hough transform[C]. IEEE Conference Publications,2014 International Conference on Information Science and Applications(ICISA),2014:1-4.

[10] PARK J G,KIM K J. A method for feature extraction of traffic sign detection and the system for real world scene[C]. 2012 IEEE International Conference on Emerging Signal Processing Applications(ESPA),2012: 13-16.

[11] 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.

[12] 胡月志,李娜,胡釗政,等. 基于ORB全局特征與最近鄰的交通標(biāo)志快速識(shí)別算法[J].交通信息與安全,2016,34(1):23-29.

[13] 蔣先剛.數(shù)字圖像模式識(shí)別工程項(xiàng)目研究[M]. 成都:西南交通大學(xué)出版社,2014.

Study on traffic sign recognition based on principal component eigenvector coefficient

Zou Baixian1,Miao Jun2,Meng Bin1

(1. College of Applied Arts and Science,Beijing Union University,Beijing 100191,China;2. School of Computer Science,Beijing Information Science and Technology University,Beijing 100101,China)

The study on traffic sign recognition is always a research hotspot in the field of pattern recognition. A new method to recognize traffic signs using principal component eigenvector coefficient and the nearest neighbor classification was proposed. It was proved that the method has better recognition effect. The proposed method was simple and proved to be effective with traffic sign image in the real environment. Through experiments,the relationship between the resolution and the recognition rate of traffic sign images was discussed,and the relationship between the number of the principal components and the recognition rate was analyzed too. Reached a conclusion,when the resolution of the traffic sign image was 64×64,the recognition rate reached the maximum using one principal component feature.

traffic sign images; principal component eigenvector coefficient; correct recognition rate

國家自然科學(xué)基金項(xiàng)目(61650201,41671165);北京市自然科學(xué)基金項(xiàng)目(4162058)

TP391.41

A

10.19358/j.issn.1674-7720.2017.24.014

鄒柏賢，苗軍，孟斌.基于主成分特征向量系數(shù)的交通標(biāo)志識(shí)別方法研究J.微型機(jī)與應(yīng)用，2017,36(24)：47-50.

2017-05-31)

鄒柏賢(1966-),男,博士,副教授,CCF高級(jí)會(huì)員(E200025653S),主要研究方向：機(jī)器學(xué)習(xí)、圖像處理。

苗軍(1970-),男,博士,副教授,主要研究方向：人工智能、神經(jīng)網(wǎng)絡(luò)、圖像理解。