[发明专利]一种复杂环境下的交通标志检测与识别方法

摘要

本发明公开了一种复杂环境下的交通标志检测与识别方法，采用归一化RGB空间的颜色分割方法能够减少图像处理时间，保证算法实时性；采用凸壳处理的方法能够解决交通标志被部分遮挡的问题；采用提取轮廓傅里叶描述子的方法进行轮廓分析，能够解决交通标志发生旋转、平移、尺度变化等问题。通过在标准数据库中增加发生投影失真的轮廓数据，还能解决交通标志发生投影失真的问题。相对于传统方法，本发明方法具有鲁棒性高和实时性好的优点，能够被应用于智能车或无人驾驶汽车。

主权项

一种复杂环境下的交通标志检测与识别方法，对捕捉到的交通标志图像进行检测与识别，包括以下步骤：1).颜色的分割：采用归一化的RGB空间，通过预设置不同颜色对应的阈值，来得到目标颜色；设定的对应颜色的阈值为，红色:r(i,j)≥0.4，g(i,j)≤0.3；蓝色:b(i,j)≥0.4；黄色：(r(i,j)+g(i,j))≥0.85，经颜色分割后分别得到红、蓝、黄三种颜色分割图像；2).形态学处理：对1)所得颜色分割图像进行去噪处理；去除超过轮廓阈值的面积较大的干扰区域；轮廓阈值设定：轮廓的长度范围为[120,350]，长宽比范围为[0.526,1.9]；3).轮廓的凸壳处理：对被遮挡交通标志产生的轮廓进行凸壳处理，使得轮廓变得平滑，更近似于标准的圆形、矩形或三角形，便于我们后续对轮廓的分析；4).傅里叶描述子的提取：首先，提取目标轮廓的序列点，再将这些序列点进行快速傅里叶变换(FFT)，得到所需要的一系列傅里叶描述子；所得傅里叶描述子进行归一化后，计算其与标准轮廓数据的欧氏距离，通过比较来衡量待测轮廓与标准轮廓间的差异，当欧氏距离小于预设的阈值0.12时，判断该轮廓为交通标志轮廓，再返回原始图像找到交通标志区域，输出检测结果；5).标准数据库的建立：标准的交通标志轮廓傅里叶描述子数据库，包括标准的圆形、矩形、三角形轮廓的傅里叶描述子，也包括发生了投影失真的交通标志轮廓数据；6).交通标志的HOG特征提取：首先，将4)检测输出的交通标志统一调整为64×64大小，再将其转化为灰度图像；将所得的灰度图像分成小的细胞单元，由8×8个像素构成一个单元，16×16个单元构成一个块，9个bin的直方图来统计8×8个像素的梯度信息，最后得到的特征向量维数为1764(49×4×9)；7).采用基于SVM的方法对交通标志进行分类；8).分类器的训练：在对交通标志进行分类之前，采用高斯径向基核函数(RBF)作为SVM的核函数；在分类器的训练过程中，分别采集各种自然环境下的交通标志图像作为正样本，并将可能会被误检为交通标志的干扰图像作为负样本；在正样本中，将交通标志分为，红色圆形交通标志，红色三角形交通标志，蓝色圆形交通标志，蓝色矩形交通标志以及黄色三角形交通标志；训练后，最终得到用于分类的五种SVM分类器。