[发明专利]一种基于最大稳定极值区域和遗传优化SVM的交通标志识别方法

摘要

本发明提供了一种基于最大稳定极值区域和遗传优化SVM的交通标志识别方法，属于图像处理技术领域。运用分块HOG特征向量作为待识别区域边缘检测和图像分割的方法，能够在一定程度上抑制平移和旋转带来的影响，并降低图像因光照强度变化带来的干扰。同时，分块HOG相比传统HOG维度大幅降低，提升运算效率。在分类识别阶段运用基于自适应交叉变异的改进遗传优化最优参数搜索算法，计算出最优的SVM分类器参数，避免了人工标记的易错性和机器训练的大量耗时，综合各方法的优势，较好地平衡了准确性和实时性的要求，实现了交通标志的自动检测和识别。该发明对德国交通标识检测标准数据库中的测试图片进行了识别，得到了较好效果。

主权项

1.一种基于最大稳定极值区域和遗传优化SVM的交通标志识别方法，其特征在于，步骤如下：步骤1：颜色转换步骤1a：确定图像红/蓝归一化阈值，计算公式为：其中，R为红色部分，B为蓝色部分，R+G+B为图像全部；ΩRB是红/蓝归一化的阈值；步骤1b：利用计算出的阈值，对图像进行归一化处理，突出待检测识别的兴趣区域；对突出待检测识别的兴趣区域，运用以下原则筛选出最终的兴趣区域，即为交通标志区域；1)清除面积偏大和偏小的区域，因为面积偏大的区域极有可能是路边形状规则的物体，面积偏小的区域可能是噪声，兴趣区域占整幅图像的比例在0.2％到4％之间；2)同时，对于长宽比例过大或过小的区域进行清除，确定交通标志区域为正方形，长宽比例范围在0.6到1.4之间；3)判断该兴趣区域面积与该嵌套区域中上一个被判定为稳定区域面积的变化率，如果变化率小于某一较小的阈值，则可能存在重复区域，清除，阈值设定为2；4)计算每个MSER的中心坐标，并以此为中心计算在一个较小范围内是否存在多个MSER区域，如果存在，则说明有多个MSER区域重叠，则将多余的MSER区域清除；步骤2：边缘检测2a：CELL细胞划分将图像划分为多个小的连通域，每一个连通域都是一个CELL单元，其中4个CELL将构成一个新的BLOCK单元；2b：计算图像各个像素点的梯度信息计算图像中每个像素点梯度的幅度和角度值，其计算公式为：其中，变量θ(x,y)表示的是梯度的角度；变量m(x,y)表示的是梯度的幅度；变量H(x,y)表示的是图像横向梯度；变量V(x,y)表示的是图像纵向梯息；2c：图像的方向梯度的统计根据步骤2b获得梯度θ(x,y)的方向信息，其取值范围是‑90度到90度之间；然后根据θ(x,y）的取值范围将其平均划分9等分，最后根据CELL梯度的方向数据计算相应的权值m(x,y）；通过上述计算得到一个维度为9的特征向量，而一个BLOCK由四个CELL构成，因此，每个BLOCK的特征向量维度为36；2d：特征标准化处理采集得到的交通标志图像存在各种干扰，对梯度信息进行标准化处理；即将CELL放入到对应的BLOCK中，然后对每个BLOCK进行标准化处理，公式为：其中，v是标准化之前的向量，ε是一个很小的标准化常量，以防除数为0；2e：HOG积分图根据上述四个步骤，将图像中任意一点(x,y)，使用H(x,y）＝[H(x,y)1,…,H(x,y)9]T来表示其对应的9个方向梯度信息；其HOG特征值通过如下的公式得到：根据上面公式可知，对图像的所有像素点进行处理，得到完整图像的HOG积分图；在获得HOG积分图之后，再通过如下的计算公式获得HOG积分；那么对于图像中任意的CELL，通过上式来计算其对应的四个顶点的HOG积分值，即A1,A2,A3,A4，那么其相应的HOG向量表示为：HOG＝A4+A1‑A2‑A32f：基于分块HOG的特征提取将兴趣区域分为4行4列的16个子图，然后对16子图分别进行HOG特征提取；采用这种方式，减少由于重叠而产生的大量的特征向量，从而降低最终的HOG特征向量维数；步骤3：分类识别3a：交叉概率的自适应调整以及变异概率的自适应调整遗传算法中交叉概率PC和变异概率Pm的值的设置在很大程度上影响遗传算法的收敛性和最优解和真实最优解的接近度；通常情况下，交叉概率PC的值越大，那么新个体产生速度将越快，而交叉概率PC的值过大使高适应个体结构被快速破坏；对于变异概率Pm，如果Pm的值过小，就不容易生成新个体；如果Pm的值过大，算法就等同于随机搜索算法；用自适应调整的交叉概率和变异概率来确保群体的多样性：其中：变量λ₁,λ₂,λ₃,λ₄的含义表示0～1的常数，变量f_max的含义表示适应值的最大值，变量的含义表示适应值的平均值，变量f′的含义表示较大的交叉适应值，变量f的含义表示变异个体的适应值；3b：交叉算子的改进交叉算子能保证个体中的部分优良性顺利遗传下去，使用的方法是在染色体二进制编码的时候，随机选择两个交叉点，然后把交叉点之间的染色体进行交换；在实数编码时，使用算术交叉算子，算术交叉算子表示为：其中是交叉后的个体，是交叉前的个体，是0～1的随机数；3c：变异算子的改进在二进制编码时使用基本位变异操作，而在实数编码时使用非均匀变异；非均匀变异中使用的新基因值x′k为：其中是范围内的随机数；是范围内的随机数；3d：遗传优化适应度函数的建立根据上述改进遗传算法的原理，建立如下的优化目标函数：Fobj＝funcSVM(g,c,P)其中g为惩罚参数，c为核函数参数，P为测试样本，Fobj为对应的识别率；这两个参数通过改进遗传算法进行最优搜索，其对应的适应度函数则表示为：通过改进遗传优化，得到参数g最优值为0.0068，参数c最优值为4.9951。