摘  要： 提出一種基于歸一化RGB（NRGB）和橢圓相似度的圓形交通標志檢測方法。首先將圖像的RGB模型轉換為NRGB，利用閾值分割得到紅、藍、黃顏色分量，然后根據面積和長寬比去除干擾區域，最后利用橢圓相似度檢測感興趣區域是否為圓型交通標志。實驗結果表明，該方法能在復雜背景中準確定位圓形交通標志，獲得了較高的檢測率和較低的誤檢率。

　　關鍵詞： 交通標志檢測；NRGB；橢圓相似度；智能交通系統

0 引言

　　因為交通標志一般被設計成特定的顏色和形狀，所以大部分檢測算法都是基于顏色和形狀信息。基于顏色的算法主要是用不同的顏色空間將交通標志分割出來，常用的顏色空間有RGB、NRGB[1]、YUV、HSI、YCbCr。RGB三分量之間相關且易受光照變化影響；YUV、HSI、YCbCr需要將RGB空間轉換到相應空間，計算復雜度較大。參考文獻[2]經過多種分割算法的比較，提出NRGB能夠減少光照影響，且計算復雜度較小，分割效果較好。基于形狀的算法主要有Hough變換[3]、Canny邊緣檢測[4]和圖像梯度[5]。上述方法不考慮顏色信息，效果較好，但是計算量較大。

　　綜合考慮圓形交通標志的顏色和形狀信息，本文提出一種基于NRGB和橢圓相似度的檢測算法。首先對R、G、B三分量進行歸一化處理，然后進行閾值分割，得到紅、藍、黃顏色分量，通過比較面積和長寬比排除干擾區域，最后對感興趣區域進行橢圓相似度檢測，將圓形交通標志分割出來。實驗結果表明，本方法可以有效分割出圓形交通標志，滿足系統的實時性要求。

1 基于NRGB的圖像分割

　　1.1 NRGB

　　RGB模型的RGB三分量之間存在很強的相關性，且極易受光照的影響，NRGB可將光照變化的影響減少到很小。RGB轉換成NRGB的方法如式（1）所示。

　　其中，R、G、B、r、g、b分別是RGB和NRGB的紅、綠和藍色分量。

　　1.2 顏色分割

　　利用式（2）可以得到3種顏色分量的二值化圖像。分割效果如圖1所示。

　　1.3 去除干擾區域

　　由圖1可以看出，顏色與交通標志相似的物體也被提取了，因此需要去除這些干擾區域。交通標志的長寬比為1，考慮到扭曲變形等因素，可知標志的長寬比應在接近1的范圍內。圖像大小有2 048×1 360和1 536×1 024兩種類型，為處理方便，將圖像大小歸一化為300×400。首先對3種顏色分量進行孔洞填充，然后提取滿足式（3）的連通區域。其中，長寬比aspectratio=width/height，width、height、area分別是連通區域的寬、高和面積，這樣可以去除大部分干擾區域。

　　2 基于橢圓相似度的標志檢測

　　扭曲變形使得圓形的標志變成了橢圓形，利用橢圓相似度可以判斷是否是圓形的交通標志。

　　如圖2所示，（x1，y1）、（x2，y2）是長軸的兩個端點，（x0，y0）是中心，（x，y）是任意一點。利用坐標變換公式將坐標系xoy的坐標轉換到坐標系x′o′y′：

　　首先，在初步檢測到的交通標志圖像中切出感興趣區域ROI，然后利用Canny算子進行邊緣檢測，獲得邊緣坐標。

　　假設ROI的邊緣是橢圓，依次對任意兩個邊緣坐標求歐式距離，得到最大的歐式距離dmax，認為此時的兩個邊緣坐標即為長軸端點（x1，y1）、（x2，y2）。計算橢圓的參數：

　　（x，y）和（x0，y0）轉換到坐標系x′o′y′的坐標為（x′，y′）、（x0′，y0′），則：

　　將b取整存放在A中，A中最大的值就是b值。因為實際獲取標志的邊緣坐標點在橢圓曲線的周圍，這導致b在一個小范圍浮動，計算累加器A（b-2：b+2）的和得到橢圓相似度：

　　如果s大于某一閾值，則假設成立，該ROI就是一個圓形的交通標志。

3 實驗結果

　　為驗證上述算法的可行性，本文使用交通圖像集Traffic Signs UAH Dataset[6]進行了一組實驗。該圖像集包括474張交通標志圖像，其中包含圓形交通標志327個。

　　圖3是一張包含1個圓形和1個三角形標志的圖像，提取它的紅色分量，進行孔洞填充，然后去除干擾區域，對其進行橢圓相似度檢測，提取符合條件的圓形交通標志。從圖中可以看出本算法可以很好地檢測出圓形的交通標志。

　　交通標志檢測結果分為成功檢測、漏檢和誤檢3類。檢測結果的統計數據由表1給出。

　　通過表1的結果可以看出，算法有較高的檢測率。漏檢主要出現以下4種情況：（1）交通標志距離較遠，面積較小，在去除干擾區域時被去除。實驗表明，在車輛向前行駛中，該標志逐漸變大本算法即可以檢測到它。（2）標志變形，導致形狀不再近似橢圓，因此橢圓相似度較低。（3）標志褪色，無法在顏色分割時得到較完整的ROI，因此無法檢測到。（4）標志之間粘連，不滿足長寬比條件，被當做干擾區域去除。

　　誤檢主要是因為背景顏色和形狀均與圓形的交通標志相似，這種情況較少，總體來說滿足實際駕駛的要求。綜上所述，本算法可以有效地檢測圓形交通標志。

　　該實驗進行的軟硬件環境：操作系統為Windows7，使用MATLAB R2012b進行開發，處理器為Intel CORE i5，主頻2.4 GHz，內存6 GB，平均檢測時間為0.08 s，本算法能夠滿足車輛安全駕駛的實時性要求。

4 結論

　　本文提出了一種基于NRGB和橢圓相似度的交通標志檢測算法，NRGB可以較大程度地減少光照變化的影響，通過顏色分割得到紅、藍、黃三種顏色分量，根據面積和長寬比去除大部分干擾區域后，再根據橢圓相似度判斷獲得的感興趣區域是否是圓形。實驗證明，該算法簡單有效，能夠滿足圓形交通標志檢測的有效性和實時性要求，但該算法對交通標志粘連的圖像檢測效果較差。綜上所述，本算法能夠檢測圓形的交通標志，并取得較高的檢測率和較低的誤檢率，為交通標志的識別奠定了基礎。

參考文獻

　　[1] KAMADA H， NAOI S， GOTOH T. A compact navigation system using image processing and fuzzy control[J]. in Proc. IEEE Southeast on， New Orleans， LA， 1990（1）：337-342.

　　[2] GOMEZ-MORENO H， MALDONADO-BASCON S， GIL-JIMENEZ P， et al. Goal evaluation of segmentation algorithms for traffic sign recognition[J]. IEEE Transactions on Intelligent Transportation Systesm， 2010，11（4）：917-930.

　　[3] 張霄，彭偉.基于Hough變換的圓形物體的檢測[J].傳感器與微系統，2006，25（4）：62-64.

　　[4] GARCIA-GARRIDO M， SOTELO M， MARTIN GOROSTIZA E. Fast traffic sign detection and recognition under changing lighting conditions[C]. Intelligent Transactions on System Conference， Toronto： ITSC， 2006：811-816.

　　[5] LIU Y， IKENAGA T， GOTO S. Geometrical， physical and text/symbol analysis based approach of traffic sign detection system[C]. Proceedings of IEEE Intelligent Vehicles Symposium， Tokyo， Japan， Jun. 2006：238-243.

　　[6] GRAM. Traffic Sign UAH Dataset[EB/OL].（2007-03-16）[2014-9-20]. http：//agamenon.tsc.uah.es/Investigacion/gram/traffic_signs.html.