基于改進(jìn)支持向量機(jī)的復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類(lèi)方法

祁?yuàn)檴?/p>

摘 要：復(fù)雜背景下存在較多干擾因素，影響交通標(biāo)志實(shí)時(shí)分類(lèi)正確性。為此，提出基于改進(jìn)支持向量機(jī)提出一種復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類(lèi)方法。預(yù)處理采集到的圖像，檢測(cè)和定位交通標(biāo)志，利用梯度直方圖提取特征向量。通過(guò)改進(jìn)支持向量機(jī)將圖像特征向量投影到線(xiàn)性數(shù)據(jù)空間，完成交通標(biāo)志實(shí)時(shí)分類(lèi)。實(shí)驗(yàn)結(jié)果表明，此次設(shè)計(jì)方法的分類(lèi)正確率比基于BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和YOLOv3的方法高出10.2%、8.1%和7.2%，具有良好的應(yīng)用性。

關(guān)鍵詞：支持向量機(jī);復(fù)雜背景;交通標(biāo)志;實(shí)時(shí)分類(lèi);特征提取;圖像處理

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

交通標(biāo)志識(shí)別作為智能駕駛的輔助功能，可以有效解決道路擁堵問(wèn)題，幫助駕駛員行駛在正確的車(chē)道上，并保持規(guī)定的車(chē)速，有利于提高道路利用率和安全性。在車(chē)輛行駛過(guò)程中，交通標(biāo)志實(shí)時(shí)分類(lèi)可幫助車(chē)輛提取道路信息，提高標(biāo)志信息識(shí)別準(zhǔn)確率，在一定程度上可以避免違反交通規(guī)則和發(fā)生交通事故。但在復(fù)雜背景下，交通標(biāo)志圖像分類(lèi)過(guò)程存在許多干擾因素，比如形狀、符號(hào)大小以及視角變化等，不利于精準(zhǔn)進(jìn)行實(shí)時(shí)分類(lèi)。針對(duì)此問(wèn)題，需要設(shè)計(jì)一種具有高分辨率和強(qiáng)適應(yīng)性的分類(lèi)方法。支持向量機(jī)（SVM）被廣泛應(yīng)用于圖像分類(lèi)檢索上面，具有較好的泛化能力。本文基于改進(jìn)支持向量機(jī)提出一種復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類(lèi)方法，以提高交通標(biāo)志識(shí)別效果。

1 基于改進(jìn)支持向量機(jī)的復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類(lèi)方法

1.1 交通標(biāo)志圖像預(yù)處理

為對(duì)交通標(biāo)志進(jìn)行實(shí)時(shí)分類(lèi)，首先進(jìn)行圖像預(yù)處理。在確定的目標(biāo)區(qū)域內(nèi)分割圖像，以此完成定位和檢測(cè)。交通標(biāo)志主要由車(chē)載攝像頭采集，該過(guò)程存在一定干擾信息和隨機(jī)噪聲。將采集的車(chē)載視頻轉(zhuǎn)化為視頻幀，并篩選包含交通標(biāo)志的圖像，以篩選出的視頻幀為樣本進(jìn)行圖像預(yù)處理[1]。為降低圖像的模糊度，采用灰度直方圖進(jìn)行均衡化轉(zhuǎn)換。處理后，像素灰度范圍增大的同時(shí)，對(duì)比度也相應(yīng)增強(qiáng)。將圖像序列中數(shù)值較小的點(diǎn)，使用中值進(jìn)行替換。經(jīng)過(guò)上述操作后，整體像素序列更具有代表性，并消除了干擾噪聲。在此基礎(chǔ)上，利用二值化處理，將交通圖像轉(zhuǎn)化為灰度值為0或1的輸出圖像，完成從復(fù)雜背景中的提取。為消除圖像的透視效果，還需通過(guò)逆透視變換，分割目標(biāo)區(qū)域。假設(shè)每個(gè)像素在軸方向上的序列為，在軸方向上的序列為，則每個(gè)像素的圖像坐標(biāo)和成像坐標(biāo)可進(jìn)行轉(zhuǎn)換，公式如下：

（1）

式（1）中，表示成像坐標(biāo);表示成像原點(diǎn);表示圖像坐標(biāo)。令兩個(gè)坐標(biāo)原點(diǎn)相等，即：

（2）

式（2）中，表示圖像坐標(biāo)系原點(diǎn)。由此，完成了逆透視變換。預(yù)處理后的交通標(biāo)志縮小了識(shí)別范圍，濾除無(wú)關(guān)干擾信息，減少圖像特征提取和實(shí)時(shí)分類(lèi)的計(jì)算量。

1.2 提取交通標(biāo)志目標(biāo)特征

在實(shí)際車(chē)輛行駛的情況下，交通標(biāo)志的特征會(huì)發(fā)生改變，如發(fā)生伸縮和旋轉(zhuǎn)等變化，不利于實(shí)時(shí)分類(lèi)。因此，在檢測(cè)和定位到交通標(biāo)志后，需要進(jìn)一步提取圖像特征。本文采用梯度直方圖方法進(jìn)行特征提取，并對(duì)特征向量進(jìn)行降維處理。將目標(biāo)圖像分為連通的子區(qū)域，計(jì)算各子區(qū)域像素點(diǎn)的梯度特征，計(jì)算公式為：

（3）

式（3）中，表示梯度幅值;表示梯度方向;表示水平梯度;表示垂直梯度。將每個(gè)子區(qū)域的像素，沿梯度方向映射到固定空間，即得到加權(quán)投影。由此獲得像素圖像對(duì)應(yīng)的特征向量。在特征提取中，梯度強(qiáng)度變化劇烈，并且與圖像對(duì)比度變化密切相關(guān)。為獲得最平均的梯度強(qiáng)度，計(jì)算子區(qū)域密度，完成對(duì)圖像的歸一化處理，消除明暗變化引起的圖像質(zhì)量缺陷[2]。樣本經(jīng)上述處理后仍具有較高維數(shù)，對(duì)此實(shí)施降維變換，提高圖像分類(lèi)的實(shí)時(shí)性和準(zhǔn)確性。將樣本通過(guò)正交變換投影到低維空間，并將特征值重新排列，取主要特征值代替原有特征值。輸入的高維向量與投影矩陣相乘，就可以將維數(shù)降低到指定數(shù)值。降維后，圖像的采樣密度增加，并且起到降噪的效果。

1.3 構(gòu)建基于改進(jìn)支持向量機(jī)的交通標(biāo)志實(shí)時(shí)分類(lèi)模型

支持向量機(jī)將模型分類(lèi)訓(xùn)練轉(zhuǎn)化為求解二次規(guī)劃的運(yùn)算問(wèn)題。支持向量機(jī)算法的訓(xùn)練需要確定以下三個(gè)因素：最優(yōu)超平面、核函數(shù)和軟間隔，具體如圖1所示。

將特征向量所組成的樣本集，利用非線(xiàn)性函數(shù)，投影到線(xiàn)性數(shù)據(jù)空間，計(jì)算公式表示為：

（4）

式（4）中，表示分類(lèi)超平面;表示權(quán)值向量;表示轉(zhuǎn)置矩陣;表示投影后的特征向量;表示支持向量;表示常數(shù)。利用支持向量機(jī)將圖像分類(lèi)問(wèn)題轉(zhuǎn)化為求解最優(yōu)超平面，則核函數(shù)可表示為：

（5）

式（5）中，表示核函數(shù);表示非松弛變量;表示誤差懲罰參數(shù)，調(diào)節(jié)置信范圍和風(fēng)險(xiǎn)比例。核函數(shù)將樣本空間向外映射輸出，調(diào)節(jié)模型訓(xùn)練的性能。為防止支持向量機(jī)過(guò)擬合，需要設(shè)置軟間隔。軟間隔能夠約束較多的樣本數(shù)量，并保證區(qū)間最大[3]。支持向量機(jī)的參數(shù)決定分類(lèi)精度，為提高收斂速度，得到全局最優(yōu)解，本次研究采用遺傳算法對(duì)支持向量機(jī)進(jìn)行改進(jìn)。設(shè)定誤差懲罰參數(shù)的取值范圍為[0，1]，使用遺傳算法對(duì)該參數(shù)進(jìn)行迭代，經(jīng)交叉驗(yàn)證后，得到最優(yōu)的訓(xùn)練參數(shù)。將該參數(shù)作為設(shè)計(jì)模型的核函數(shù)參數(shù)，運(yùn)用到本文設(shè)計(jì)方法中，完成交通標(biāo)志實(shí)時(shí)分類(lèi)。

2 實(shí)驗(yàn)

為驗(yàn)證本文提出的分類(lèi)方法的有效性，下面進(jìn)行實(shí)驗(yàn)測(cè)試。本次實(shí)驗(yàn)所選擇的數(shù)據(jù)集為GTSRT，該數(shù)據(jù)集由車(chē)載相機(jī)拍攝不同場(chǎng)景下的交通標(biāo)志圖像所組成。實(shí)驗(yàn)選取1 000張交通標(biāo)志圖像，作為測(cè)試樣本。采用本文方法對(duì)交通標(biāo)志進(jìn)行實(shí)時(shí)分類(lèi)，結(jié)果如表1所示。

根據(jù)表1的測(cè)試結(jié)果，本文設(shè)計(jì)的方法能夠?qū)煌?biāo)志進(jìn)行實(shí)時(shí)分類(lèi)，并且分類(lèi)結(jié)果具有一定準(zhǔn)確性，能夠滿(mǎn)足車(chē)輛行駛的需求。進(jìn)一步將本文方法與其他圖像實(shí)時(shí)分類(lèi)方法進(jìn)行比較。選取基于BP神經(jīng)網(wǎng)絡(luò)、基于卷積神經(jīng)網(wǎng)絡(luò)和基于YOLOv3的交通標(biāo)志實(shí)時(shí)分類(lèi)方法為對(duì)照組，進(jìn)行對(duì)比實(shí)驗(yàn)。為減少實(shí)驗(yàn)測(cè)試偶然性，每種方法均進(jìn)行5次訓(xùn)練，實(shí)驗(yàn)結(jié)果取平均值。對(duì)比結(jié)果如表2所示。

根據(jù)表2的對(duì)比結(jié)果，本文設(shè)計(jì)方法的分類(lèi)正確率高于其他三種分類(lèi)方法，分別高出10.2%、8.1%和7.2%。由此證明基于改進(jìn)向量機(jī)的實(shí)時(shí)分類(lèi)方法在復(fù)雜背景交通標(biāo)志的識(shí)別上具有一定可行性，有利于實(shí)現(xiàn)智能駕駛功能。

3 結(jié)束語(yǔ)

交通標(biāo)志是管理道路和指揮行車(chē)路線(xiàn)的重要標(biāo)識(shí)，能夠疏導(dǎo)交通并控制車(chē)輛有序安全行駛。本文基于改進(jìn)支持向量機(jī)提出一種復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類(lèi)方法，提高了分類(lèi)正確率。但本文研究是在離線(xiàn)情況下進(jìn)行，沒(méi)有對(duì)實(shí)際行駛車(chē)輛進(jìn)行在線(xiàn)測(cè)試，后續(xù)應(yīng)進(jìn)行更深入研究，提高實(shí)際應(yīng)用效果。

參考文獻(xiàn)：

[1]蘇寒松，陳震宇，龍?chǎng)危?一種基于改進(jìn)運(yùn)動(dòng)歷史圖像和支持向量機(jī)的行為識(shí)別算法[J].陜西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020（2）：17-24.

[2]丁博，王水凡.基于混合預(yù)測(cè)模型的交通標(biāo)志識(shí)別方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2019（5）：108-115.

[3]揭偉，李為相，李為.基于多特征融合的交通標(biāo)識(shí)實(shí)時(shí)分類(lèi)與識(shí)別[J].現(xiàn)代電子技術(shù)，2019（11）：50-53+58.