摘  要： 交通標(biāo)志檢測(cè)是交通標(biāo)志識(shí)別的難點(diǎn)。在復(fù)雜的交通環(huán)境下，采用傳統(tǒng)顏色空間的固定閾值分割進(jìn)行交通標(biāo)志檢測(cè)的方法魯棒性差，難以準(zhǔn)確有效地檢測(cè)出交通標(biāo)志。提出了一種基于三分量色差法和Ostu法的交通標(biāo)志檢測(cè)方法。首先，通過(guò)計(jì)算圖像R、G、B分量的差值來(lái)得到紅、藍(lán)、黃三種顏色分量，然后利用Ostu法分別對(duì)它們進(jìn)行閾值分割，得到交通標(biāo)志的檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，該算法的檢測(cè)準(zhǔn)確率和實(shí)時(shí)性滿足實(shí)際要求。

　　關(guān)鍵詞： 交通標(biāo)志檢測(cè)；三分量色差法；Ostu法；智能交通系統(tǒng)

0 引言

　　駕駛輔助系統(tǒng)能在車(chē)輛行駛過(guò)程中實(shí)時(shí)識(shí)別交通標(biāo)志信息并將其提供給駕駛員，能使駕駛員減輕駕駛壓力，提前做出反應(yīng)，有利于駕駛安全，對(duì)避免交通事故的發(fā)生具有重要意義。交通標(biāo)志自動(dòng)檢測(cè)是該系統(tǒng)的重要組成部分[1]，該領(lǐng)域的研究對(duì)現(xiàn)代交通管理有重要意義。

　　為便于駕駛員及時(shí)掌握道路信息，交通標(biāo)志通常被設(shè)計(jì)成特定的顏色和形狀[2]，從而能最大限度地與自然和人造背景區(qū)分開(kāi)[3]。交通標(biāo)志檢測(cè)方法主要有兩類(lèi)，即顏色分割方法和形狀檢測(cè)方法。目前，國(guó)內(nèi)外學(xué)者對(duì)交通標(biāo)志分割的研究主要是針對(duì)交通標(biāo)志的顏色特征，在不同的彩色空間實(shí)現(xiàn)。一類(lèi)方法是直接分析RGB（紅綠藍(lán)）彩色空間中標(biāo)志顏色特征中R（紅）、G（綠）、B（藍(lán)）三分量的關(guān)系，并設(shè)定閾值實(shí)現(xiàn)[4-5]，該方法運(yùn)算簡(jiǎn)單，但由于三分量有較高的耦合度，易受光照影響。另一類(lèi)方法是轉(zhuǎn)換到HSI空間實(shí)現(xiàn)分割[6-7]，將顏色的色度（H）、飽和度（S）與亮度（I）分開(kāi)，通過(guò)設(shè)定H分量范圍實(shí)現(xiàn)，但彩色空間轉(zhuǎn)換過(guò)程中的計(jì)算量較大，且對(duì)飽和度低的情況分割效果較差。以上兩類(lèi)方法分割閾值相對(duì)固定，難以適應(yīng)復(fù)雜的自然場(chǎng)景。

　　針對(duì)上述問(wèn)題，本文提出一種基于三分量色差法和Ostu法的交通標(biāo)志檢測(cè)算法。算法首先在RGB空間對(duì)R、G、B三分量求色差，得到紅、藍(lán)、黃三種顏色分量圖像；然后利用Ostu法對(duì)三種顏色分量圖像進(jìn)行閾值分割，得到檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本方法有效地提高了交通標(biāo)志分割效率，滿足駕駛員的實(shí)時(shí)性要求。

1 基于三分量色差法和Ostu法的交通標(biāo)志檢測(cè)

　　1.1 三分量色差法

　　我國(guó)的交通標(biāo)志基本分為三種：警告標(biāo)志、禁令標(biāo)志、指示標(biāo)志。紅色表示禁令，黃色表示警告，藍(lán)色表示指示。

　　在RGB模型中R、G、B分量極易受光照的影響，這也是人們很少直接采用RGB模型實(shí)現(xiàn)分割的主要原因，但是三種色彩對(duì)應(yīng)三分量的差值卻保持在一定的范圍之內(nèi)，即受光照影響不大。因此本文通過(guò)計(jì)算R、G、B分量的差值來(lái)得到紅、藍(lán)、黃三種顏色分量。對(duì)RGB空間的每個(gè)像素I=[Ir，Ig，Ib]進(jìn)行式（1）所示的變換，就可以得到紅色（red）、藍(lán)色（blue）和黃色（yellow）三種顏色分量，如圖1所示。

　　1.2 Ostu分割方法

　　由于光照條件的不同，采集的實(shí)景圖各不相同，灰度直方圖的形狀多變，雙峰和低谷不明顯，因此，采用固定閾值分割無(wú)法適應(yīng)不同光照條件獲得的實(shí)景圖。Ostu算法以圖像的直方圖為依據(jù)，將圖像分為目標(biāo)和背景兩大類(lèi)，以兩類(lèi)的類(lèi)間方差最大或類(lèi)內(nèi)方差最小為閾值選取準(zhǔn)則，不需要人為設(shè)定任何參數(shù)，可以自動(dòng)獲取閾值level。分別對(duì)三種顏色分量求得閾值level，以紅色分量為例，利用式（2）得到交通標(biāo)志的分割圖。藍(lán)色和黃色的分割圖與此類(lèi)同。三種顏色的分割圖如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

　　本文實(shí)驗(yàn)以MATLAB7.0為開(kāi)發(fā)環(huán)境，基于開(kāi)發(fā)的交通圖像集Traffic Signs UAH Dataset[8]進(jìn)行了一組實(shí)驗(yàn)。Traffic Signs UAH Dataset包括474張交通標(biāo)志圖像，涵蓋了光照變化、部分遮擋、旋轉(zhuǎn)、陰影及交通標(biāo)志污損變形等情形下多種顏色和多種形狀的交通標(biāo)志。

　　圖3為不同情形下的實(shí)驗(yàn)結(jié)果，分為光照變化、部分遮擋、旋轉(zhuǎn)、陰影和污損變形5種情況。第1、2列是原始圖像，第3、4列是通過(guò)算法處理后得到的檢測(cè)結(jié)果，可以看出本算法可以較好地檢測(cè)出上面5種情況的交通標(biāo)志。

　　統(tǒng)計(jì)結(jié)果分為成功檢測(cè)和未成功檢測(cè)兩類(lèi)。前者代表圖像中能被算法檢測(cè)出來(lái)的標(biāo)志，后者表示圖像中未能被算法檢測(cè)出來(lái)的標(biāo)志。在成功檢測(cè)標(biāo)志中，存在正確檢測(cè)和虛報(bào)（標(biāo)識(shí)出來(lái)并非交通標(biāo)志）兩類(lèi)。在未成功檢測(cè)標(biāo)志中，存在漏檢（對(duì)正常行駛有影響但沒(méi)能檢測(cè)出來(lái)）和其他（對(duì)正常行駛沒(méi)有影響且沒(méi)能檢測(cè)出來(lái)）。統(tǒng)計(jì)的詳細(xì)數(shù)據(jù)如表1所示。

　　通過(guò)表1的統(tǒng)計(jì)數(shù)據(jù)來(lái)看，正確檢測(cè)和其他結(jié)果都屬于能滿足實(shí)際要求的情況，且占據(jù)了絕大部分比例，表明算法有較高的檢測(cè)正確性。

　　本算法的虛報(bào)主要出現(xiàn)在與交通標(biāo)志顏色類(lèi)似的車(chē)輛、欄桿等；漏檢主要出現(xiàn)在距離較遠(yuǎn)處的交通標(biāo)志上，在車(chē)輛由遠(yuǎn)及近接近交通標(biāo)志的過(guò)程中，漏檢的交通標(biāo)志逐漸占據(jù)較大的圖像區(qū)間，算法會(huì)重新檢測(cè)到該交通標(biāo)志。綜上所述，該方法對(duì)交通標(biāo)志檢測(cè)的有效性是可以保證的。

　　本算法以MATLAB7.0為開(kāi)發(fā)環(huán)境，實(shí)驗(yàn)在Windows7系統(tǒng)的PC上完成，處理器為CORE i5，主頻2.4 GHz，內(nèi)存6 GB，平均檢測(cè)時(shí)間為7.8 ms，因此本算法能夠滿足車(chē)輛安全駕駛的實(shí)時(shí)性要求。

3 結(jié)論

　　本文提出了一種基于三分量色差法和Ostu法的交通標(biāo)志檢測(cè)算法，實(shí)驗(yàn)證明，該方法簡(jiǎn)單有效，能夠滿足交通標(biāo)志檢測(cè)有效性和實(shí)時(shí)性的要求，并且對(duì)交通標(biāo)志的光照變化、部分遮擋、旋轉(zhuǎn)、陰影和污損變形5種常見(jiàn)情況具有較好的魯棒性。

　　本文算法的不足之處在于較遠(yuǎn)的交通標(biāo)志存在漏檢的情況，在實(shí)際車(chē)輛駕駛過(guò)程中，車(chē)輛由遠(yuǎn)及近接近交通標(biāo)志，算法會(huì)自動(dòng)檢測(cè)到漏檢的交通標(biāo)志。

　　綜上所述，本算法能夠滿足車(chē)輛安全駕駛時(shí)交通標(biāo)志檢測(cè)的實(shí)時(shí)性和魯棒性要求，為下一步交通標(biāo)志的識(shí)別奠定了良好的基礎(chǔ)。

參考文獻(xiàn)

　　[1] 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.

　　[2] JIANG G， CHOI T. Robust detection of landmarks in color image based on fuzzy set theory[C]. ICSP. Beijing： IEEE Signal Processing Society， 1998：968-971.

　　[3] HOOSE N. Computer image processing in traffic engineering[M]. New York： John Wiley &sons Inc.，1991.

　　[4] SOETEDIO A， YAMADA K. An efficient algorithm for traffic sign detection[J]. Journal of Advanced Computational Intelligence and Intelligent Informatic， 2006，10（3）：409-417.

　　[5] 黃志勇，孫光民，李芳.基于RGB視覺(jué)模型的交通標(biāo)志分割[J].微電子學(xué)與計(jì)算機(jī)，2004，21（10）：147-148.

　　[6] 朱雙東，張懿，陸曉峰.三角形交通標(biāo)志的智能檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11（8）：1127-1131.

　　[7] ISHIZUKA Y， HIRAI Y. Segmentation of road sign symbols using opponent-color filters[C]. Proceedings of 11th World Congress on ITS， Nagoya， Aichi Japan， 2004：18-22.

　　[8] GRAM. Traffic sign UAH dataset（2007-03-16）[2014-07-20].http：//agamenon.tsc.uah.es/Investigacion/gram/traffic_signs.html.