论文部分内容阅读
摘要：在道路安全系统中，交通标志的辅助作用不可忽视。本文采用基于HSI颜色空间特征对交通标志进行识别，可以完整保留交通标志的颜色和形状特征；采用Hu不变矩进行交通标志的识别，Hu矩具有旋转、平移、缩放不变性，计算简单，实时性好等特点。本文的分割和识别算法测试结果正确率高，分割识别效果较好。
关键词：图像分割；HSI颜色空间；图像识别；Hu不变矩
引言
道路交通标志识别（Traffic Sign Recognition，TSR）是智能交通系统（Intelligent Transportation System，ITS）研究领域尚未解决的难题之一，也是难度较大的实时图形识别问题之一。TSR系统主要包括两个基本技术环节：首先是交通标志的检测和定位，其次是交通标志的识别。本文针对这两部分分别作出讨论。
我国交通标志大致可分为3类：警告标志、禁令标志、指示标志。从形状上可分为四类：圆形、矩形、三角形、六边形。从颜色上可分为：红色、黄色、蓝色。如图1所示。本文主要采用交通标志的颜色特征进行分割，采用形状特征的Hu矩进行识别。
1.RGB和HSI空间模型
在图像处理中，颜色的运用受两个主要因素推动。第一，颜色是一个强有力的描绘子，它常常可简化目标物的区分及从场景中抽取目标；第二，人可以辨别几千种颜色色调和亮度，但相比之下只能辨别几十种灰度层次。
1.1RGB彩色模型
RGB模型用三维空间中的一个点来表示一种颜色，三个轴分别为R、G、B。在RGB彩色模型中，所表示的图像由3个图像分量组成，每个分量图像都是其原色图像。
1.2 HSI彩色模型
HSI模型是Munseu提出的，它反映了人的视觉系统观察彩色的方式，H表示色调，S表示饱和度，I表示亮度。该模型的建立基于两个重要的事实：I分量与图像的彩色信息无关；H和S分量與人感受颜色的方式是紧密相连的。
2.交通标志的分割
2.1分割算法
我国的交通标志大致有三种颜色：黄色、红色和蓝色。在RGB模型中，R、G、B分量极易受光照的影响，所以很少有人直接采用RGB模型进行图像分割。在HSI彩色空间中，可以很好的摒除光照的影响，对图像进行准确的分割。
交通标志有三类，本文从每一类中选取一个标志进行模拟，并验证算法的精度
本算法中首先采用HSI空间对图像进行分割，并提取饱和度S通道的图像进行处理。
如图所示，在S通道的图像中，交通标志的外边界可以很好的与环境区分出来，使用Otsu分割法对图像进行分割。对图像进行分割后，交通标志的轮廓就会清晰的显现出来，此时，采用findcontour函数对分割后的轮廓进行边缘检测。在检测到轮廓后，只留下最外层的轮廓，并在轮廓内部添加为1，轮廓外部添加为0。
轮廓检测到后，完整的交通标志并没有得到，就需要把检测到轮廓的图像与原图像进行与运算，就可以得到完整的交通标志图。而且此时的交通标志图包含一切原有图的信息，颜色信息和形状信息都没有损失，对后续的识别有很大帮助。
2.2实验结果
本文使用每种交通标志的一张作为样图，下面分别对这些样图进行分割，观察实验结果。同时，选取一张自然环境下的真实交通标志进行分割，观察实验结果。结果如图5所示。
从图中可以看出，本文提出的算法分割效果较好，可以将交通标志的所有信息保留，还可以剔除大部分甚至是全部的背景干扰，为后续运算提供良好的基础。
3.交通标志的识别
本文采用Hu不变矩进行特征的提取及识别。
3.1Hu不变矩理论
应用表明：直接用原点矩或中心矩作为图像的特征，不能保证特征同时具有平移、旋转和比例不变性。为此，M.K.Hu首先提出了不变矩，他给出了连续函数矩的定义和关于矩的基本性质，证明了有关矩的平移不变性、旋转不变性以及比例不变性等性质，具体给出了具有平移不变性、旋转不变性和比例不变性的七个不变矩的表达式。
3.2实验结果
运用Hu矩对本文选取的例图进行特征提取及识别。分别对标准图和例图进行矩提取，将提取的矩特征存储。然后，使用opencv中的特征匹配函数cvMatchShapes对矩特征进行比较，匹配结果越接近0，特征越相似。
由表中结果可以看出，标准标识图和实际拍摄的有干扰的标识图的匹配结果准确，相同标识的匹配数据是最小的，根据上文所述，匹配结果越接近0，说明两幅图中的特征越相似。
4.软件介绍
本文采用的仿真环境是VS2008，编程语言使用C++和Opencv。Opencv是一个开源的计算机视觉库，Opencv采用C/C++语言编写，可以运行在Linux/Windows/Mac等操作系统上。Opencv的一个目标是构建一个简单易用的计算机视觉框架，以帮助开发人员更便捷地设计更复杂的计算机视觉相关应用程序。Opencv包含的函数有500多个，覆盖了计算机视觉的许多应用领域，如工厂产品检测、医学成像、信息安全、用户界面、摄像机标定、立体视觉和机器人等。因为计算机视觉和机器学习密切祥光，所以Opencv还提供了MLL机器学习库。该机器学习侧重于统计方面的模式识别和聚类。
5.结语
通过上文的理论分析与实验检测，可以看出本文的算法分割精确、识别准确。采用色彩空间对交通标志进行分割，可以很好的保存交通标志的颜色特征。通过分割图像与原图像的与运算，可以把交通标志的所有特征完全提取出来。Hu矩具有旋转、平移、缩放等不变性，可以更好的适应复杂的自然环境。本论文的算法主要特征是计算简单，实时性好。但是对于更加复杂的环境，该算法还有待提高。
参考文献
[1]Rafael C.Gonzales，Richard E.Woods.数字图像处理（第二版）[M].阮秋琦，阮宇智译.电子工业出版社.
[3]严柏军，郑链，王克勇.基于不变矩特征匹配的快速目标检测算法[J].红外技术，2001，23（6）：8-12.
（作者单位：内蒙古机电职业学院）
关键词：图像分割；HSI颜色空间；图像识别；Hu不变矩
引言
道路交通标志识别（Traffic Sign Recognition，TSR）是智能交通系统（Intelligent Transportation System，ITS）研究领域尚未解决的难题之一，也是难度较大的实时图形识别问题之一。TSR系统主要包括两个基本技术环节：首先是交通标志的检测和定位，其次是交通标志的识别。本文针对这两部分分别作出讨论。
我国交通标志大致可分为3类：警告标志、禁令标志、指示标志。从形状上可分为四类：圆形、矩形、三角形、六边形。从颜色上可分为：红色、黄色、蓝色。如图1所示。本文主要采用交通标志的颜色特征进行分割，采用形状特征的Hu矩进行识别。
1.RGB和HSI空间模型
在图像处理中，颜色的运用受两个主要因素推动。第一，颜色是一个强有力的描绘子，它常常可简化目标物的区分及从场景中抽取目标；第二，人可以辨别几千种颜色色调和亮度，但相比之下只能辨别几十种灰度层次。
1.1RGB彩色模型
RGB模型用三维空间中的一个点来表示一种颜色，三个轴分别为R、G、B。在RGB彩色模型中，所表示的图像由3个图像分量组成，每个分量图像都是其原色图像。
1.2 HSI彩色模型
HSI模型是Munseu提出的，它反映了人的视觉系统观察彩色的方式，H表示色调，S表示饱和度，I表示亮度。该模型的建立基于两个重要的事实：I分量与图像的彩色信息无关；H和S分量與人感受颜色的方式是紧密相连的。
2.交通标志的分割
2.1分割算法
我国的交通标志大致有三种颜色：黄色、红色和蓝色。在RGB模型中，R、G、B分量极易受光照的影响，所以很少有人直接采用RGB模型进行图像分割。在HSI彩色空间中，可以很好的摒除光照的影响，对图像进行准确的分割。
交通标志有三类，本文从每一类中选取一个标志进行模拟，并验证算法的精度
本算法中首先采用HSI空间对图像进行分割，并提取饱和度S通道的图像进行处理。
如图所示，在S通道的图像中，交通标志的外边界可以很好的与环境区分出来，使用Otsu分割法对图像进行分割。对图像进行分割后，交通标志的轮廓就会清晰的显现出来，此时，采用findcontour函数对分割后的轮廓进行边缘检测。在检测到轮廓后，只留下最外层的轮廓，并在轮廓内部添加为1，轮廓外部添加为0。
轮廓检测到后，完整的交通标志并没有得到，就需要把检测到轮廓的图像与原图像进行与运算，就可以得到完整的交通标志图。而且此时的交通标志图包含一切原有图的信息，颜色信息和形状信息都没有损失，对后续的识别有很大帮助。
2.2实验结果
本文使用每种交通标志的一张作为样图，下面分别对这些样图进行分割，观察实验结果。同时，选取一张自然环境下的真实交通标志进行分割，观察实验结果。结果如图5所示。
从图中可以看出，本文提出的算法分割效果较好，可以将交通标志的所有信息保留，还可以剔除大部分甚至是全部的背景干扰，为后续运算提供良好的基础。
3.交通标志的识别
本文采用Hu不变矩进行特征的提取及识别。
3.1Hu不变矩理论
应用表明：直接用原点矩或中心矩作为图像的特征，不能保证特征同时具有平移、旋转和比例不变性。为此，M.K.Hu首先提出了不变矩，他给出了连续函数矩的定义和关于矩的基本性质，证明了有关矩的平移不变性、旋转不变性以及比例不变性等性质，具体给出了具有平移不变性、旋转不变性和比例不变性的七个不变矩的表达式。
3.2实验结果
运用Hu矩对本文选取的例图进行特征提取及识别。分别对标准图和例图进行矩提取，将提取的矩特征存储。然后，使用opencv中的特征匹配函数cvMatchShapes对矩特征进行比较，匹配结果越接近0，特征越相似。
由表中结果可以看出，标准标识图和实际拍摄的有干扰的标识图的匹配结果准确，相同标识的匹配数据是最小的，根据上文所述，匹配结果越接近0，说明两幅图中的特征越相似。
4.软件介绍
本文采用的仿真环境是VS2008，编程语言使用C++和Opencv。Opencv是一个开源的计算机视觉库，Opencv采用C/C++语言编写，可以运行在Linux/Windows/Mac等操作系统上。Opencv的一个目标是构建一个简单易用的计算机视觉框架，以帮助开发人员更便捷地设计更复杂的计算机视觉相关应用程序。Opencv包含的函数有500多个，覆盖了计算机视觉的许多应用领域，如工厂产品检测、医学成像、信息安全、用户界面、摄像机标定、立体视觉和机器人等。因为计算机视觉和机器学习密切祥光，所以Opencv还提供了MLL机器学习库。该机器学习侧重于统计方面的模式识别和聚类。
5.结语
通过上文的理论分析与实验检测，可以看出本文的算法分割精确、识别准确。采用色彩空间对交通标志进行分割，可以很好的保存交通标志的颜色特征。通过分割图像与原图像的与运算，可以把交通标志的所有特征完全提取出来。Hu矩具有旋转、平移、缩放等不变性，可以更好的适应复杂的自然环境。本论文的算法主要特征是计算简单，实时性好。但是对于更加复杂的环境，该算法还有待提高。
参考文献
[1]Rafael C.Gonzales，Richard E.Woods.数字图像处理（第二版）[M].阮秋琦，阮宇智译.电子工业出版社.
[3]严柏军，郑链，王克勇.基于不变矩特征匹配的快速目标检测算法[J].红外技术，2001，23（6）：8-12.
（作者单位：内蒙古机电职业学院）