基于顏色聚類和Hu不變矩的道路交通標志檢測

引言

隨著當今社會現(xiàn)代化進程的高速推進與經濟的快速發(fā)展,城市交通擁擠與堵塞現(xiàn)象已日趨嚴重。在這種情況下，智能交通系統(tǒng)(IntelligentTransportationSystem，ITS)應運而生并受到廣泛關注，交通標志識別系統(tǒng)(RoadSignRecognition，RSR)作為智能交通系統(tǒng)的重要組成部分己成為研究的熱點。交通標志是道路交通系統(tǒng)的重要組成部分，其所傳達的信息對規(guī)范交通行為、指示道路狀況、保障道路功效、引導行人和安全駕駛等方面具有重要的作用。如何在交通標志出現(xiàn)的時候，及時、準確地識別標志，輔助駕駛員安全駕駛，促進交通暢通和行車安全，已經成為急需解決的問題?，F(xiàn)有的交通標志檢測大多基于標志圖，針對實景圖的研究較少，且大多數(shù)算法較為復雜，實時性難以得到保障。同周圍環(huán)境相比,每種交通標志都具有顏色和幾何形狀的特殊性，本文利用這個特點，采用彩色聚類分割和Hu不變矩相結合的方法實現(xiàn)標志的檢測。首先，根據(jù)交通標志的顏色特征，在RGB色彩模型下針對交通標志場景圖選擇感興趣顏色進行聚類分割，得到感興趣區(qū)域；然后運用數(shù)學形態(tài)學的腐蝕與膨脹將分割后圖像中的臂結構去掉，利用孔洞填充等提取出只含有標志圖的二值圖像；最后用Hu不變矩計算標志圖的特征值，檢測出交通標志。

1彩色圖像聚類分割

彩色圖像分割方法可分為以下幾類：聚類(Clustering),區(qū)域分裂(Regionsplitting)、分裂-合并(Split-merge)和基于物理的方法(Physics-basedsegmentation)?對于一幅彩色圖像，可以利用聚類的方法根據(jù)顏色視覺上的不同將其劃分為一系列相似的部分，從而實現(xiàn)了彩色圖像分割。這種方法根據(jù)圖像中像素值，利用統(tǒng)計模式識別中的統(tǒng)計特性找出顏色空間的類，然后將圖像中每一像素標識到相應的類，每一類就對應一個區(qū)域。

1.1彩色圖像的聚類原理

對于彩色道路交通標志圖像，色彩空間是一個典型的特征空間，因此在色彩空間進行聚類是一個很直接的想法，而且像素的顏色信息在空間都成簇分布。基于聚類技術的基本原理是將一幅道路交通標志圖像聚為特征空間中的幾簇，每一簇都對應著圖像中的目標。色彩聚類分割方法通常按如下步驟進行：先把彩色圖像中的像素按照某種聚類規(guī)則對應到特征空間中的簇，當所有的像素都處理完后，再把特征域中的簇映射回空間域，實現(xiàn)圖像的分割。

1.2RGB空間聚類切割

在顏色空間模型中，任意一種顏色都對應一個空間的位置。數(shù)字圖像中同一個目標或目標的某部分所對應的像素，它們的顏色在彩色空間中是聚集在一起的?？紤]圖像中的某個區(qū)域，彩色分割最簡單的方法是確定該區(qū)域的顏色聚類，讓這個聚類保持原有的顏色，而讓圖像中其他不在這個聚類內的顏色顯示為某種固定的顏色(如灰色)，這樣就可以將感興趣的顏色區(qū)域從圖像中提取出來。

在RGB空間中，用一個球體來確定某種顏色的聚類，從而提取圖像中該聚類的顏色區(qū)域可用下式表示：

式中，R0為顏色聚類球體的半徑；aj(j=1，2，3)為該球體中心的各顏色(即R，G，B)分量；ri為像素顏色分量；C為某種固定的顏色。

式中,Ro為顏色聚類球體的半徑叫=1,2,3)為該球體中心的各顏色(即R，G，B)分量；片為像素顏色分量;C為某種固定的顏色。

對于一幅帶交通標志的場景圖，我們感興趣的是標志區(qū)域，從圖像中選擇標志區(qū)域對應顏色的一個像素，選擇該像素3X3領域內各分量的均值，對顏色分層，設置顏色聚類球體半徑為60,移動光標到感興趣的顏色上，利用鼠標左鍵選擇顏色，等待程序執(zhí)行結束，彈出分層結果圖像。圖1所示是場景圖和聚類分割結果圖。

1.3實例分析及討論

本次實驗圖像是選取道路交通標志中的1幅實驗圖像進行顏色聚類分割，分別提取場景圖中藍色和紅色標志。從圖1可以看出，RGB空間聚類切割能準確且快速(識別時間為1s)地識別出標志顏色區(qū)域，如此就可以很方便地進行后續(xù)標志圖識別。

2基于Hu不變矩交通標志識別

2.1標志區(qū)域的提取

經過顏色聚類后的標志圖像，必須提取出標志區(qū)域才能進行特征值計算。本文將圖1中的(c)圖進行灰度二值化后,用腐蝕與膨脹運算先將圖1(c)中的臂結構去掉，再利用孔洞填充，找到標志圖區(qū)域的行列，提取出標志圖區(qū)域，其結果如圖2所示。

2.2不變矩

矩特征主要表征了圖像區(qū)域的幾何特征，又稱為幾何矩。由于其具有旋轉、平移、尺度的不變性，所以又稱其為不變矩。幾何不變矩可以作為一個重要的特征來表示物體，可以據(jù)此特征對圖像進行分類識別等操作。目前，應用于圖像識別的矩特征主要有Hu矩、Zernike矩、小波矩［8-11］等。

Hu矩［6-7］:對于一幅MXN的離散圖像fi,j),J(i，j)為(i，j)處的灰度等級,p+q階幾何矩mpq和中心矩卩珂定義為：

歸一化的中心矩定義為：

Hu利用二階矩和三階中心矩構造了7個不變矩,這7個不變矩滿足平移、縮放和旋轉不變的條件，其公式如下：

Hu矩的前三項反映了圖像邊緣的低頻信息，即較粗的總體信息，后四項主要體現(xiàn)了目標邊緣區(qū)域的高頻信息，反映了細節(jié)變化。在進行目標識別過程中，可以利用基于區(qū)域和基于邊界的圖像的7個矩不變量組成圖像的特征向量，對圖像進行識別。3Hu不變矩特征提取與識別

3.1交通標志圖像的預處理

本實驗選取圖3所示的9幅不同的真彩色指示交通標志為模板。首先將真彩色的指示交通標志圖像樣本進行數(shù)字化處理，將其轉換為如圖4所示的256級的灰度圖像。

本文采用Hu不變矩公式分別對9幅經過灰度二值化處理后的標準指示交通標志圖像進行特征提取，并對處理后的標準圖像進行旋轉、鏡像、尺度變換，所得到的圖像如圖5所示。

3.2Hu不變矩特征提取

首先采用上文提出的Hu不變矩公式對圖4中的9幅標準指示交通標志圖像進行特征提取，表1給出了特征提取的結果。對圖4中第2幅標準圖像進行放大、縮小、旋轉90°、180。、270。，所得到的圖像如圖5(a)所示。對圖4中第3幅標準圖像進行放大、縮小、旋轉90°、180°、270°，所得到的圖像如圖5(b)所示。

分別把第2幅和第3幅標準原圖像進行旋轉、縮放后的圖像作為待測圖像，分別提取7個不變矩特征值，表2和表3給出了經變換后的圖像Hu不變矩特征值。

根據(jù)表2和表3中的實驗數(shù)據(jù)可以看出，旋轉、縮放后的圖像的7個不變矩特征值與標準原始圖像的7個不變矩特征值非常接近。

將上文中提取出的右轉標志區(qū)域圖作為待測圖像，計算7個不變矩特征值，其結果如表4所列。

將表4分別與表2和表3的相似性進行對比，可以分析出，表4與表3數(shù)據(jù)最接近，待測圖像的特征值與標準圖像經尺度變化后的特征值最相近，因此，可以識別出標志為右轉指示標志。

4結語

本文對交通標志自動識別進行了初步研究，提出了基于RGB空間顏色聚類和不變矩的識別方法。在實驗中，以指示交通標志為研究對象，利用顏色聚類理論提取出需要識別的顏色，分割出標志區(qū)域，再結合不變矩理論提取標準圖像和待識別交通標志圖像七個Hu不變矩特征向量，將特征值比對識別圖像。實驗結果表明，本文提出的方法具有很好的識別能力，對旋轉、縮放后的圖像可以達到較高的識別率，同時進一步證明了不變矩不受識別目標大小、位置、方位的影響，可以用于描述圖像的整體性質。

20211021_61714ef0b6470__基于顏色聚類和Hu不變矩的道路交通標志檢測