[发明专利]一种航空影像路面交通标志提取方法及系统

说明书

本发明公开了一种航空影像路面交通标志提取方法及系统。所述方法首先对多光谱航空影像进行灰度转换得到灰度图像；然后采用Gabor滤波和二维卷积运算对获取的灰度图像进行纹理特征提取及图像增强；接着采用Sobel算子对增强后图像进行边缘检测及二值分割得到二值边缘图像；最后利用最小最大对象删除法对二值边缘图像进行路面交通标志的提取和填充。采用本发明方法可以对不同光线下的路面交通标志进行有效提取，提高了路面交通标志提取精度，具有较强的鲁棒性和应用价值。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种航空影像路面交通标志提取方法及系统。

背景技术

随着遥感技术的发展，遥感影像数据得到了空前的应用，这其中就包括道路交通方面的应用。但当前的遥感影像数据由于受分辨率的影响无法对道路中的各种细节信息进行提取，比如路面交通标志的提取与定位等。而航空影像因拍摄方便、获取速度快、分辨率高以及良好的操作优越性，因此被广泛应用于农业、交通等各个方面，航空影像的出现对大面积交通标志的提取提供了条件。有效的路面交通标志的提取与定位不仅可以用于车辆系统，而且可以为道路维护人员提供检测手段，比如道路管理人员可通过两个时相的航空影像检测和判断道路交通标志的受损情况，进而快速便捷的定位出相关位置区域并进行修复工作。相比于传统的现场勘察来说有效的提高了工作效率，极大的减少了人力、物力以及财力的消耗。

国内外对于路面交通标志以及路边交通标志牌信息的检测与识别工作已开展了大量的研究，并提出了很多方法。现有路面交通标志提取方法主要是利用车载摄相机获取车辆前方路面信息，然后通过不同的方法对标志进行检测。如李强发表的文章“基于多层次融合与卷积神经网络的道路交通标线检测与识别[D].西安：长安大学,2018”中通过利用Gabor变换(加伯变换)校正纹理信息，然后采用局部软投票方法确定道路的最佳消失点，并利用线性规划原理分割出道路区域，最后利用显著性融合和改进的LeNet-5神经网络对交通标志进行检测和识别；文章“Wu T,Ranganathan A.A practical system for roadmarking detection andrecognition[C].IntelligentVehicles Symposium,IEEE,2012,7(2272):25-30”中通过训练数据得到道路的标志模板，然后使用MSER(Maximally StableExtremal Regions，最大稳定极值区域)特性，执行模板匹配来检测多个道路标志；文章“Danescu R,Nedevschi S.Detection and classification of painted road objectsfor intersection assistance applications[C].International IEEE Conference onIntelligent Transportation Systems,IEEE,2010:433-438”中RaduDanescu等提出了一种用于十字路口路面路标检测的方法，通过利用水平线区域的暗光暗转换检测提取被绘制对象的特征，然后利用高斯混合灰度分割对其进行细化，并利用透视几何法重建三维边界框，最后使用决策树约束对对象进行分类；文章“Maier G,Pangerl S,SchindlerA.Real-time detection and classification of arrow markings using curve-basedprototype fitting[C].IntelligentVehicles Symposium,IEEE,2011:442-447”中GeorgMaier等提出了一种使用曲线模型拟合的方法对箭头标志进行检测和分类，首先通过提取感兴趣区域，即车辆前方带路标的区域，然后将原型编码为圆弧样条，再与提取的目标候选轮廓进行比较从而实现箭头的检测与分类。在相关研究中还有很多通过对获取的图像进行IPM(逆透视)变换，然后再进行检测的方法，如文章“SchreiberM,Poggenhans F,StillerC.Detecting Symbols on Road Surface for Mapping and Localization using OCR[C].IEEE International Conference on Intelligent Transportation Systems,IEEE,2014,597-602”中Markus Schreiber等利用矢量图来训练OCR(OpticalCharacterRecognition，光学字符识别)，采用消失点并利用IPM变换得到俯视图，最后使用TESSERACT引擎对符号进行分类；文章“Wang N,W,Zhang C M,Yuan H,Liu J R.TheDetection and Recognition ofArrow Markings Recognition Based onMonocularVision[C].IEEE International Symposium on Industrial Electronics,IEEE,2009,4380-4386”中Nan Wang等通过IPM变换得到俯视图，然后利用改进的Haar小波提取箭头标志特征，最后通过支持向量机对箭头进行识别，结果表明该方法具有较强的鲁棒性。此外，利用机器学习和深度学习对路面交通标志检测与识别也开展了较多研究，如文章“LiuW,Lv J,YuB,et al.Multi-type roadmarking recognition using adaboostdetection and extreme learning machine classification[C].Intelligent VehiclesSymposium(IV),IEEE,2015,41-46”中Wei Liu等首先通过IPM变化抑制透视效果，并利用滤波得到带道路标线的图像切片，然后通过Haar特征的Adaboost分类器和BW-HOG(The Ratioof Feature's Between-Category to Within-Category Sums ofSquares-HistogramofOriented Gradient，类间和类内特征平方和比-方向梯度直方图)特征的ELM(ExtremeLearning Machines，极限学习机)分类器来识别标记的类型。