一種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法
【專(zhuān)利摘要】本發(fā)明提供一種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，該交通標(biāo)志識(shí)別方法基于凸殼算法、Hu不變矩以及橫縱向直方圖放縮快速匹配等算法進(jìn)行交通標(biāo)志識(shí)別，屬于圖像處理【技術(shù)領(lǐng)域】。本發(fā)明的這種種針對(duì)無(wú)人駕駛汽車(chē)的交通標(biāo)志識(shí)別方法，相較于現(xiàn)有技術(shù)中的交通標(biāo)志識(shí)別方法具有多種優(yōu)勢(shì)：識(shí)別范圍大，且對(duì)禁令性和指示性標(biāo)志進(jìn)行識(shí)別，實(shí)時(shí)性好，識(shí)別準(zhǔn)確率高，誤識(shí)別率低。
【專(zhuān)利說(shuō)明】—種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法。
【背景技術(shù)】
[0002]隨著社會(huì)的發(fā)展，汽車(chē)已經(jīng)成為人類(lèi)日常生活不可替代的交通工具。然而，隨之而來(lái)是其帶來(lái)的日益突出的安全問(wèn)題。能夠主動(dòng)識(shí)別交通標(biāo)志并且做出快速提醒或判斷可以很大程度地減少交通事故的發(fā)生。
[0003]作為未來(lái)智能交通系統(tǒng)(ITS)的重要部分，無(wú)人駕駛汽車(chē)將在人們的生活中起到越來(lái)越重要的作用。道路交通標(biāo)志識(shí)別系統(tǒng)作為無(wú)人車(chē)環(huán)境感知的重要部分，在智能交通系統(tǒng)中起到了重要作用。隨著無(wú)人駕駛汽車(chē)技術(shù)的快速發(fā)展，其智能化程度不斷提高，一套完整的智能交通決策系統(tǒng)需要知道無(wú)人車(chē)所處環(huán)境的交通標(biāo)志指示信息，從而做出正確決策。
[0004]目前，基于視覺(jué)的交通標(biāo)志識(shí)別技術(shù)大多針對(duì)較為理想的環(huán)境，針對(duì)復(fù)雜道路環(huán)境的高效交通標(biāo)志識(shí)別技術(shù)成果相對(duì)較少。一些基于霍夫變換等算法的識(shí)別方法在識(shí)別速率上有待提高，而針對(duì)無(wú)人車(chē)這樣的高速運(yùn)動(dòng)物體，交通標(biāo)志的快速探測(cè)和識(shí)別是一個(gè)亟待解決的問(wèn)題。
[0005]由此可見(jiàn)，高效高準(zhǔn)確度的交通標(biāo)志識(shí)別系統(tǒng)在智能交通系統(tǒng)中發(fā)揮著舉足輕重的作用，而交通標(biāo)志檢測(cè)和識(shí)別算法則是識(shí)別系統(tǒng)的核心，決定了識(shí)別系統(tǒng)的性能，對(duì)于汽車(chē)安全駕駛以及無(wú)人駕駛汽車(chē)正確決策都有著很高的應(yīng)用價(jià)值。
【發(fā)明內(nèi)容】
[0006]為解決上述問(wèn)題，本發(fā)明提供一種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，該方法識(shí)別范圍大，且對(duì)禁令性和指示性標(biāo)志進(jìn)行識(shí)別，實(shí)時(shí)性好，識(shí)別準(zhǔn)確率高，誤識(shí)別率低。
[0007]本發(fā)明的一種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，其包括:
[0008]步驟1，獲取安裝在無(wú)人駕駛車(chē)上的車(chē)載攝像機(jī)獲得的車(chē)輛前方圖像，選取該車(chē)輛前方圖像的上半部分作為原始識(shí)別圖像；
[0009]步驟2，使用雙線(xiàn)性插值算法將所述原始識(shí)別圖像的橫向分辨率和縱向分辨率均降為原來(lái)的二分之一，然后進(jìn)行色彩恒常處理、色彩空間轉(zhuǎn)換后遍歷圖像像素信息，進(jìn)行色彩分割，得到紅、藍(lán)通道的信道圖像，對(duì)該紅、藍(lán)通道的信道圖像進(jìn)行預(yù)處理后進(jìn)行Laplacian變換，得到紅、藍(lán)通道的二值化圖像，其中預(yù)處理包括:中值濾波、膨脹處理、腐蝕處理；
[0010]步驟3，對(duì)每一二值化圖像，通過(guò)輪廓處理算法獲得其所有輪廓，依次計(jì)算所有輪廓的面積，選取所有輪廓中面積在指定面積范圍以?xún)?nèi)的輪廓，并依次對(duì)其進(jìn)行凸殼處理，將凸殼處理后的輪廓連線(xiàn)成新輪廓圖像，從而獲得紅、藍(lán)通道的新輪廓圖像；
[0011]步驟4，對(duì)每一新輪廓圖像，計(jì)算其每個(gè)輪廓的面積和周長(zhǎng)之比，通過(guò)與交通標(biāo)志的面積周長(zhǎng)比進(jìn)行對(duì)比，篩除不相符的輪廓，然后計(jì)算相符的輪廓的不變矩特征值，依次計(jì)算每個(gè)相符的輪廓的不變矩特征值與交通標(biāo)志的圓形不變矩特征值、方形不變矩特征值之間的歐氏距離，最后將該歐式距離與對(duì)應(yīng)形狀的指定距離范圍比較，選擇在相應(yīng)指定距離范圍內(nèi)的輪廓作為感興趣輪廓圖像，從而獲得紅、藍(lán)通道的感興趣輪廓圖像；
[0012]步驟5，對(duì)每一感興趣輪廓圖像，對(duì)應(yīng)到步驟I中的原始識(shí)別圖像上，根據(jù)該感興趣輪廓圖像獲得該原始識(shí)別圖像上的感興趣區(qū)域，遍歷模板庫(kù)里的各種交通標(biāo)志的標(biāo)準(zhǔn)模板，選擇出與該原始識(shí)別圖像上的感興趣區(qū)域相匹配的交通標(biāo)志的標(biāo)準(zhǔn)模板，從而識(shí)別出該感興趣區(qū)域所屬交通標(biāo)志類(lèi)型。
[0013]進(jìn)一步的，所述步驟5包括:
[0014]步驟51，將原始識(shí)別圖像上的感興趣區(qū)域圖像轉(zhuǎn)化為灰度圖像，并對(duì)該灰度圖像進(jìn)行高斯濾波后進(jìn)行二值化處理獲得感興趣區(qū)域所對(duì)應(yīng)的二值化圖像；
[0015]步驟52，步驟51所獲得的二值化圖像的列數(shù)為n，行數(shù)為m，計(jì)算各列元索值255所占的百分比，獲得η個(gè)百分比，記為數(shù)組X(n)，計(jì)算各行元素值255所占的百分比，獲得m個(gè)百分比，記為數(shù)組Y(m)，使用數(shù)組X(n)和數(shù)組Y(m)作為該感興趣區(qū)域的特征；
[0016]步驟53，將模板庫(kù)里的各種交通標(biāo)志的標(biāo)準(zhǔn)模板依次與所述感興趣區(qū)域的特征進(jìn)行匹配，獲得該感興趣區(qū)域與各個(gè)交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值；
[0017]步驟54，將各個(gè)交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值中的最小匹配值對(duì)應(yīng)的模板類(lèi)型作為該感興趣區(qū)域所屬交通標(biāo)志類(lèi)型。
[0018]進(jìn)一步的，所述步驟51中的二值化處理以圖像灰度平均值加上圖像灰度最大最小差值的五分之一作為分割閾值進(jìn)行二值化。
[0019]進(jìn)一步的，所述步驟53包括:
[0020]步驟531，利用雙線(xiàn)性插值方法和固定步長(zhǎng)依次將各種交通標(biāo)志的標(biāo)準(zhǔn)模板轉(zhuǎn)化為感興趣區(qū)域尺寸的13/10倍、12/10倍、10/10倍、12/13、11/13和10/13倍；
[0021]步驟532，每次變換尺寸后所得二值化圖像的行數(shù)為a，列數(shù)為b，按照步驟52的方式獲取其對(duì)應(yīng)的特征，該特征表示為數(shù)組A (a)和數(shù)組B (b),選擇步長(zhǎng)step = (m_a)/3:
[0022]當(dāng)step = O時(shí)，X (η)與A (a)匹配:利用A (a)在X (η)上從X(I)開(kāi)始到X (a)匹配，計(jì)算X(n)與A(a)的平均協(xié)方差并取最小值作為橫向直方圖匹配結(jié)果，而當(dāng)step古O時(shí)，則將A (a)按步長(zhǎng)在X (η)上移動(dòng)進(jìn)行計(jì)算各次的平均協(xié)方差并取最小值作為橫向直方圖匹配結(jié)果；
[0023]當(dāng)step = O時(shí),Y (m)與B (b)匹配:利用B (b)在Y (m)上從Y (I)開(kāi)始到Y(jié) (b)匹配，計(jì)算Y(Hi)與B(b)的平均協(xié)方差并取最小值作為縱向直方圖匹配結(jié)果，而當(dāng)Stepfo時(shí)，則將B(b)按步長(zhǎng)在Y(m)上移動(dòng)進(jìn)行計(jì)算各次的平均協(xié)方差并取最小值作為縱向直方圖匹配結(jié)果；
[0024]步驟533，將橫向直方圖匹配結(jié)果與縱向直方圖匹配結(jié)果的平均值作為該次尺寸變換的最終匹配結(jié)果；
[0025]步驟534，按照步驟532和步驟533的方法依次獲得各次尺寸變換的最終匹配結(jié)果，將各次尺寸變換的最終匹配結(jié)果中的最小值作為該感興趣區(qū)域與該交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值；
[0026]步驟535，按照步驟534的方法依次獲得該感興趣區(qū)域與各個(gè)交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值。
[0027]本發(fā)明的有益效果在于:
[0028]1.采用該種方法交通標(biāo)志識(shí)別效率高，適用于高速運(yùn)行的無(wú)人車(chē)輛平臺(tái)。
[0029]由于本方法服務(wù)于無(wú)人車(chē)輛平臺(tái)，因此對(duì)識(shí)別速率要求較高，如:無(wú)人車(chē)以40公里/小時(shí)速度前進(jìn)，前方距離10米的交通標(biāo)志在識(shí)別速率為10幀/秒的情況下可以保證無(wú)人車(chē)在開(kāi)過(guò)交通標(biāo)志前進(jìn)行10次判斷，然后通過(guò)綜合這10次結(jié)果，則識(shí)別穩(wěn)定性將大幅度提高。如果識(shí)別速率為I幀/秒，則只能識(shí)別一次，穩(wěn)定性相對(duì)很差。
[0030]本方法之所以識(shí)別速率較快，原因在于通過(guò)邊緣輪廓提取將圖像問(wèn)題轉(zhuǎn)化為輪廓問(wèn)題，然后再通過(guò)層層篩選和凸殼處理在篩選，大大減少干擾信息，對(duì)很少一部分區(qū)域進(jìn)行圖像識(shí)別，識(shí)別速率得到了很大的提高。且針對(duì)標(biāo)志識(shí)別部分，通過(guò)降低圖像信息維度，也提高了識(shí)別速度。
[0031]2采用該種方法通過(guò)降低圖像分辨率分割圖像，選擇出交通標(biāo)志的感興趣區(qū)域，再返回高分辨率進(jìn)行精確識(shí)別，可以提高識(shí)別速率，并且保證識(shí)別的精確性。
[0032]針對(duì)圖像預(yù)處理及標(biāo)志檢測(cè)，我們只是針對(duì)輪廓的邊緣信息進(jìn)行識(shí)別，可以在較低分辨率條件下進(jìn)行，因此我們降低圖像分辨率，提高預(yù)處理速度，之后通過(guò)篩選，選擇出標(biāo)志可能的位置，再返回高分辨率圖中，針對(duì)輪廓內(nèi)很小的圖像進(jìn)行識(shí)別，這樣既保證了感興趣(標(biāo)志檢測(cè)獲得的區(qū)域)區(qū)域內(nèi)細(xì)節(jié)信息豐富，有提高了獲取感興趣區(qū)域的速度。
[0033]3采用Hu不變矩方法進(jìn)行圓形和方形識(shí)別，可以處理交通標(biāo)志因視角不同而造成的一定變形問(wèn)題。
[0034]由于Hu不變矩具有旋轉(zhuǎn)平移不變的特性，因此，旋轉(zhuǎn)不變矩作為特征，可以處理因?yàn)樾D(zhuǎn)平移造成的特征變化的問(wèn)題。并上，Hu不變矩包含形狀的特征信息豐富，圓形、方形的不變矩特征與其他形狀區(qū)別很大，容易分類(lèi)。
[0035]4采用凸殼算法可以處理一定的遮擋問(wèn)題，并且通過(guò)忽略細(xì)節(jié)，對(duì)輪廓模糊化，可以提聞識(shí)別的魯棒性。
[0036]由于遮擋問(wèn)題，會(huì)造成交通標(biāo)志邊緣的缺少，比如有些樹(shù)葉的遮擋，可能使一個(gè)圓形交通標(biāo)志邊緣不是一個(gè)完整的圓形，通過(guò)凸殼處理，可以將缺失的部分彌補(bǔ)起來(lái)，從而處理一定的遮擋問(wèn)題。同時(shí)，由于我們之后利用不變矩進(jìn)行處理，不變矩的前幾個(gè)參數(shù)主要側(cè)重于輪廓整體形狀，我們通過(guò)凸殼處理，可以忽略邊緣的的細(xì)節(jié)部分，從而增加特征值的穩(wěn)定性。
【專(zhuān)利附圖】
【附圖說(shuō)明】
[0037]圖1為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的整體識(shí)別流程圖；
[0038]圖2為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的原始識(shí)別圖像；
[0039]圖3為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的色彩分割后的紅藍(lán)通道的二值化圖像；
[0040]圖4為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的提取輪廓后的圖像以及凸殼算法處理后的圖像；
[0041]圖5為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的感興趣區(qū)域以及與之對(duì)應(yīng)的模板示意圖；[0042]圖6為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的橫縱向直方圖放縮最優(yōu)匹配算法示意圖；
[0043]圖7為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法的識(shí)別結(jié)果示意圖。
【具體實(shí)施方式】
[0044]圖1為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法中的整體識(shí)別流程圖。如圖1所示，本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法包括以下幾個(gè)步驟:
[0045]步驟一:獲取安裝在無(wú)人駕駛車(chē)上的車(chē)載攝像機(jī)獲得的車(chē)輛前方圖像，選取該車(chē)輛前方圖像的上半部分作為原始識(shí)別圖像；
[0046]步驟二:對(duì)步驟一中獲得的圖像進(jìn)行預(yù)處理，分割出紅，黃，藍(lán)通道的三幅二值化圖像:
[0047](201)使用雙線(xiàn)性插值算法將原始圖像橫向，縱向分辨率各降為原來(lái)二分之一，即圖像分辨率降為原來(lái)四分之一，以加速尋找感興趣區(qū)域。
[0048](202)對(duì)步驟(201)所得圖像進(jìn)行色彩恒常處理:具體從步驟一所獲圖像分離出R，G，B三通道灰度圖像，對(duì)各個(gè)灰度圖像進(jìn)行直方圖均衡化，然后再將三幅灰度圖像融合為新的RGB圖像；
[0049](203)將步驟(202)所獲RGB空間圖像轉(zhuǎn)換為HSV空間圖像并分割出H，S，V三通道灰度圖像，獲得其相應(yīng)矩陣，同時(shí)將RGB空間圖像轉(zhuǎn)化為L(zhǎng)ab空間圖像并分割出a，b兩通道灰度圖像，獲得其相應(yīng)矩陣；
[0050](204)遍歷整幅圖像像素信息，進(jìn)行色彩分割:具體是根據(jù)各個(gè)像素點(diǎn)位置的H，S，V，a，b值信息決策出該像索點(diǎn)是否屬于紅，黃，藍(lán)三種顏色，若屬于紅色，則將紅色通道圖像(初始化時(shí)構(gòu)建的與原始圖像格式相同的新圖像)中相應(yīng)像素點(diǎn)置為(255，255，255)，若不屬于紅色，則置為(0，0，0)，同理，經(jīng)過(guò)遍歷我們可以獲得藍(lán)色，黃色通道圖像(分別只包含藍(lán)色信息和黃色信息)，同時(shí)，我們分割出來(lái)V通道，作為黑色通道，用于解除限速檢測(cè)通道，其標(biāo)志檢測(cè)方法與紅，藍(lán)，黃通道一樣，不過(guò)平時(shí)并不開(kāi)啟，一旦識(shí)別結(jié)果中出現(xiàn)了限速標(biāo)志，則開(kāi)啟解除限速標(biāo)志識(shí)別程序，這樣可以減少CPU運(yùn)算量，針對(duì)解除限速方法，我們不做單獨(dú)講解了，還是以紅，藍(lán)，黃通道為例。
[0051](205)分別對(duì)紅，藍(lán)，黃三幅已分割圖像進(jìn)行進(jìn)一步處理，具體為(以紅色通道圖像為例):對(duì)(204)步所獲得紅色通道圖像進(jìn)行中值濾波，去除噪點(diǎn)，之后對(duì)其先進(jìn)行膨脹處理，再進(jìn)行腐蝕處理，而針對(duì)藍(lán)色通道，考慮其標(biāo)志特征以及我們之后使用凸殼算法，因此對(duì)其進(jìn)行兩次腐蝕處理。之后獲得處理后圖像，進(jìn)行Laplacian變換，獲得二值化圖像。
[0052]步驟三:利用步驟二獲得的三通道相應(yīng)的二值化圖像，以紅色通道二值化圖像為例，通過(guò)輪廓處理算法，獲得紅色圖像中所有外層輪廓，計(jì)算各個(gè)外層輪廓的面積，如果在我們指定范圍內(nèi)，則對(duì)該輪廓進(jìn)行凸殼處理，將凸殼處理后的輪廓放入序列，待處理完所有輪廓，將序列中處理后的輪廓通過(guò)連線(xiàn)方式，畫(huà)在新圖像中，這樣就獲得了相應(yīng)的凸殼算法處理后的輪廓圖像，此圖像中輪廓信息相對(duì)未經(jīng)過(guò)面積篩選以及凸殼處理的輪廓圖像而言，干擾信息大量減少，同理，對(duì)黃色，藍(lán)色二值化圖像進(jìn)行同樣處理，我們可以獲得三幅新的干擾信息較少的輪廓圖像；
[0053]步驟四:接下來(lái)我們對(duì)步驟三所獲得的三幅輪廓圖像進(jìn)行圓形，方形檢測(cè)(三角形暫時(shí)效果不明顯，本專(zhuān)利僅對(duì)紅色、藍(lán)色通道進(jìn)行處理)，考慮到我國(guó)的標(biāo)志類(lèi)型，紅色通道輪廓我們只進(jìn)行圓形檢測(cè)，而藍(lán)色通道輪廓我們進(jìn)行方形和圓形檢測(cè)，具體為:
[0054](401)初篩選，計(jì)算每個(gè)輪廓的面積和周長(zhǎng)，然后計(jì)算其面積周長(zhǎng)比，而圓形，方形的面積周長(zhǎng)比是一個(gè)定值，我們利用這一特征，可以篩除一些不合格的輪廓；
[0055](402)細(xì)篩選，通過(guò)(401)篩選出的輪廓，我們計(jì)算其7個(gè)Hu不變矩特征值，然后通過(guò)計(jì)算其與圓形，方形不變矩特征值模板之間的加權(quán)平均協(xié)方差獲得它們的相關(guān)性，滿(mǎn)足相關(guān)條件閾值的輪廓?jiǎng)t是我們篩選出來(lái)的標(biāo)志輪廓。然后獲得篩選出來(lái)的輪廓的中心坐標(biāo)和最大半徑(計(jì)算中心坐標(biāo)到各個(gè)輪廓邊緣的距離取最大值)；
[0056]步驟五:根據(jù)獲得的感興趣輪廓的中心以及最大半徑，返回原始圖像(步驟一獲得的原始圖像)，根據(jù)尋找輪廓所用圖像相對(duì)原始圖像的尺寸關(guān)系(降為原始圖像的四分之一)，結(jié)合輪廓最大半徑，在原始圖像中選出合適的感興趣區(qū)域，并圈出顯示，然后判斷該區(qū)域顏色成分，進(jìn)一步篩選(篩選方法在后面補(bǔ)充介紹步驟三中介紹)，篩選后，對(duì)于紅色通道提取的輪廓在原始圖像所圈感興趣區(qū)域，將使之與禁令標(biāo)志模板進(jìn)行匹配。同理，對(duì)于藍(lán)色通道中提取的輪廓在原始圖像中所圈感興趣區(qū)域，將使之與指示性標(biāo)志模板進(jìn)行匹配，黃色通道則對(duì)應(yīng)我國(guó)黃色交通標(biāo)志模板，接下來(lái)步驟則介紹如何進(jìn)行模板匹配，識(shí)別出感興趣區(qū)域所屬交通標(biāo)志類(lèi)型；
[0057]步驟六:我們建立一個(gè)模板庫(kù)，包含指示性以及禁令性各種模板，在程序運(yùn)行初始化中將模板信息存入內(nèi)存。對(duì)于步驟五中獲得的感興趣區(qū)域，我們采用模板放縮與之匹配取最優(yōu)的方法識(shí)別其與各個(gè)模板的相關(guān)性，從而識(shí)別該標(biāo)志內(nèi)容。具體步驟為: [0058](601)對(duì)感興趣區(qū)域圖像進(jìn)行預(yù)處理及二值化:將圖像轉(zhuǎn)換為HSV空間中，分離出V通道值，獲得V通道值對(duì)應(yīng)矩陣，矩陣每個(gè)元素平方獲得新矩陣，通過(guò)減去元素最小值，除以最大值與最小值的差值，然后乘以255的方法，將矩陣所有元素范圍規(guī)范化到O到255之間，然后將該矩陣轉(zhuǎn)化為灰度圖像，再對(duì)該灰度圖像進(jìn)行高斯濾波獲得新的待分割灰度圖像。然后選擇閾值(本方法選擇圖像灰度平均值加上圖像灰度最大最小差值的五分之一作為分割閾值)對(duì)該灰度圖像進(jìn)行二值化，獲得感興趣區(qū)域所對(duì)應(yīng)的二值化圖像；
[0059](602)根據(jù)步驟(601)所獲得的二值化圖像(nXm)，即列數(shù)為n，行數(shù)為m分別計(jì)算其X方向各列元素值255所占的百分比，獲得η個(gè)百分比，記為數(shù)組X (η)，計(jì)算其Y方法各行元素值255所占的百分比，獲得m個(gè)百分比，記為數(shù)組Y(m)，使用這兩組信息作為該感興趣區(qū)域內(nèi)各的特征；
[0060](603)各個(gè)模板依次與步驟(602)所得二值化圖像特征進(jìn)行匹配，具體為:利用雙線(xiàn)性插值方法，采用固定步長(zhǎng)，依次將模板轉(zhuǎn)化為步驟五所得感興趣區(qū)域尺寸的13/10倍，12/10倍，10/10倍，…，10/13倍，每次尺寸變換后將采取(6011)至(6012)的方法進(jìn)行匹配:
[0061](6011)變換尺寸后所得二值化圖像為(aXb)，即列數(shù)為a、行數(shù)為b，同(602)方法一樣，獲得其對(duì)應(yīng)的特征值數(shù)組A (a)和B(b)；
[0062](6012)因?yàn)槟０宄叽缡菑母信d趣區(qū)域尺寸的I倍向小的方向變化，所以這里a，b的值必然小于等于m, η。選擇步長(zhǎng)step = (m_a)/3,當(dāng)step = O時(shí),我們直接進(jìn)行X (η)與A (a)匹配，即利用A (a)在X (η)上從η = I開(kāi)始到n = a匹配，計(jì)算兩者的平均協(xié)方差，而當(dāng)step Φ O時(shí)，我們則將A (a)按步長(zhǎng)在X (η)上移動(dòng)進(jìn)行計(jì)算各次的協(xié)方差并取最小值作為列直方圖匹配結(jié)果。同理，對(duì)于Y(Hl)與B(b)采用同樣方法，獲得最小協(xié)方差作為行直方圖匹配結(jié)果，然后兩者平均值則作為該次尺寸變換的匹配結(jié)果。
[0063](604)按照步驟(6011)到(6012)的方法，每次尺寸變換都會(huì)獲得一個(gè)最終匹配結(jié)果，最后我們?cè)偃「鞔纬叽缱儞Q匹配結(jié)果的最小值作為該感興趣區(qū)域與該模板的最終匹配值；
[0064](605)根據(jù)以上步驟，可以獲得該感興趣與各個(gè)模板的匹配值，然后比較各個(gè)匹配值，選擇具有最小匹配值(即相關(guān)性最大)的模板類(lèi)型作為該感興趣區(qū)域所表示交通標(biāo)志類(lèi)型；
[0065]步驟七:根據(jù)以上步驟，可以獲得交通標(biāo)志在原圖像中的位置和尺寸，以及識(shí)別出交通標(biāo)志所屬的類(lèi)型，然后我們通過(guò)以太網(wǎng)通信(UDP協(xié)議)，將感知信息發(fā)送給上位機(jī)，用于無(wú)人駕駛汽車(chē)的頂層決策。
[0066]實(shí)施例一
[0067]采用該方法進(jìn)行交通標(biāo)志檢測(cè)的具體步驟為:
[0068]步驟一:安裝在車(chē)輛前方的灰點(diǎn)公司的廣角攝像頭。本實(shí)施例中，車(chē)載攝像機(jī)所獲得圖像的像素是2736X2192，顏色模式為RGB，全景圖像所采用的坐標(biāo)系是球面坐標(biāo)系。根據(jù)其安裝部位選擇圖像中心的上半部分作為待識(shí)別區(qū)域，如圖2所示。
[0069]步驟二:色彩分割，然后采取濾波，膨脹，腐蝕等處理方法，然后再根據(jù)輪廓面積等條件，逐漸篩選合適的輪廓，最終得到交通標(biāo)志所對(duì)應(yīng)的輪廓，如圖3到圖4所示。圖3中:
[0070]上:待識(shí)別區(qū)域原圖，下左:紅色通道，下右:藍(lán)色通道。
[0071]圖4 中:
[0072]左上:紅色通道輪廓，右上:藍(lán)色通道輪廓，左下:紅色通道凸殼及篩選后輪廓，右下:藍(lán)色通道凸殼及篩選后輪廓。
[0073]步驟三:對(duì)摳選出來(lái)的圖像進(jìn)行模板匹配:
[0074]當(dāng)選擇出來(lái)合適的區(qū)域，我們首先判斷區(qū)域內(nèi)部藍(lán)色，紅色所占百分比，對(duì)于禁令性標(biāo)志，我們認(rèn)為，紅色成分不能超過(guò)35 %，一旦超過(guò)35 %，我們將其當(dāng)作錯(cuò)誤目標(biāo)，則不對(duì)其進(jìn)行進(jìn)一步識(shí)別，而對(duì)于指示性標(biāo)志，我們則判斷其內(nèi)部藍(lán)色成分，若少于30 %或者超過(guò)85%，我們則認(rèn)為其為錯(cuò)誤目標(biāo)。如圖5中(6)，通過(guò)我們色彩分成篩選，則被剔除。這樣我們對(duì)之前篩選出來(lái)的感興趣區(qū)域再經(jīng)過(guò)一次顏色成分的篩選。若滿(mǎn)足，我們則進(jìn)行下一步的模板匹配。
[0075]圖5中:(1)，(2)，(3)左為原圖中摳出的感興趣圖像示意圖，(4)，(3)右為原圖感興趣圖像處理后示意圖，(5)為模板庫(kù)圖像示意圖。
[0076]如圖5所示，為摳出來(lái)的感興趣區(qū)域，因?yàn)橛凶冃位蛘邠高x區(qū)域選擇并不是絕對(duì)準(zhǔn)確，因此我們采取模板放縮，分別對(duì)橫縱向直方圖進(jìn)行匹配，如圖6所示。我們首先獲得摳選出來(lái)圖像的直方圖信息，如圖6中⑴⑵所示，為摳選出來(lái)圖像對(duì)應(yīng)的橫縱向直方圖變化情況，其中，橫坐標(biāo)為分別行數(shù)(對(duì)于⑴)，列數(shù)(對(duì)于(2))，縱坐標(biāo)則為白色像素點(diǎn)所占百分比。而圖6中(4)則是當(dāng)前與之匹配的模板，我們將模板尺寸從原圖摳出圖像大小的13/10逐步縮小到其10/13，獲得直方圖分布，如(5)為13/10時(shí)對(duì)應(yīng)的分布情況，(6)為10/10時(shí)對(duì)應(yīng)的分布情況，(7)為10/13時(shí)對(duì)應(yīng)的分布情況，我們可以看出，其橫坐標(biāo)逐漸變窄，但是圖像走向很相似。每次變換我們采用說(shuō)明書(shū)前面步驟六所述，獲得各個(gè)放縮情況的匹配結(jié)果。這種方法，主要是為了解決原圖感興趣區(qū)域摳選不準(zhǔn)確的問(wèn)題，當(dāng)我們摳選區(qū)域偏大時(shí)，(I)中邊緣必然包含非標(biāo)志信息，此時(shí)，我們模板相對(duì)原圖偏小尺寸時(shí)，如(5)在(I)中按步長(zhǎng)移動(dòng)匹配取最優(yōu)，可以消除邊緣非標(biāo)志信息的影響；反之，當(dāng)我們摳選區(qū)域偏小時(shí)，(I)中必然缺少了一部分標(biāo)志信息，本例子中，可以看出(I)中則是缺少了右下角的信息，這時(shí)，⑴在(7)中按步長(zhǎng)移動(dòng)匹配取最優(yōu)，我們可以發(fā)現(xiàn)，⑴中全部信息與(7)中一部分信息十分匹配，這樣，我們可以在模板中剔除那些因摳取原圖不準(zhǔn)確而丟失的信息，這樣，(I)與(7)匹配結(jié)果必然準(zhǔn)確。通過(guò)我們的橫縱向直方圖放縮匹配方法，我們對(duì)各個(gè)模板與當(dāng)前摳選區(qū)域進(jìn)行匹配，獲得各個(gè)匹配結(jié)果，具有最優(yōu)匹配的則是我們最終識(shí)別的結(jié)果。
[0077]步驟四:對(duì)連續(xù)識(shí)別結(jié)果進(jìn)行濾波，我們這里采用慣性濾波方法，該濾波表達(dá)式為:
[0078]END = (END*2+Result*1000)/5
[0079]Result為某種交通標(biāo)志識(shí)別結(jié)果，在識(shí)別到該交通標(biāo)志，則置為1，否則為0，這樣，當(dāng)END超過(guò)一定值則認(rèn)為該交通標(biāo)志出現(xiàn)，通過(guò)以太網(wǎng)將信息發(fā)送給上位機(jī)。
[0080]采用該種方法交通標(biāo)志識(shí)別效率高，適用于高速運(yùn)行的無(wú)人車(chē)輛平臺(tái)。如圖7所示，圖7為本發(fā)明的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法的識(shí)別結(jié)果示意圖。
[0081]當(dāng)然，本發(fā)明還可有其他多種實(shí)施例，在不背離本發(fā)明精神及其實(shí)質(zhì)的情況下，熟悉本領(lǐng)域的技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護(hù)范圍。
【權(quán)利要求】
1.一種面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，其特征在于，包括: 步驟1，獲取安裝在無(wú)人駕駛車(chē)上的車(chē)載攝像機(jī)獲得的車(chē)輛前方圖像，選取該車(chē)輛前方圖像的上半部分作為原始識(shí)別圖像； 步驟2，使用雙線(xiàn)性插值算法將所述原始識(shí)別圖像的橫向分辨率和縱向分辨率均降為原來(lái)的二分之一，然后進(jìn)行色彩恒常處理、色彩空間轉(zhuǎn)換后遍歷圖像像素信息，進(jìn)行色彩分害I]，得到紅、藍(lán)通道的信道圖像，對(duì)該紅、藍(lán)通道的信道圖像進(jìn)行預(yù)處理后進(jìn)行Laplacian變換，得到紅、藍(lán)通道的二值化圖像，其中預(yù)處理包括:中值濾波、膨脹處理、腐蝕處理； 步驟3，對(duì)每一二值化圖像，通過(guò)輪廓處理算法獲得其所有輪廓，依次計(jì)算所有輪廓的面積，選取所有輪廓中面積在指定面積范圍以?xún)?nèi)的輪廓，并依次對(duì)其進(jìn)行凸殼處理，將凸殼處理后的輪廓連線(xiàn)成新輪廓圖像，從而獲得紅、藍(lán)通道的新輪廓圖像； 步驟4，對(duì)每一新輪廓圖像，計(jì)算其每個(gè)輪廓的面積和周長(zhǎng)之比，通過(guò)與交通標(biāo)志的面積周長(zhǎng)比進(jìn)行對(duì)比，篩除不相符的輪廓，然后計(jì)算相符的輪廓的不變矩特征值，依次計(jì)算每個(gè)相符的輪廓的不變矩特征值與交通標(biāo)志的圓形不變矩特征值、方形不變矩特征值之間的歐氏距離，最后將該歐式距離與對(duì)應(yīng)形狀的指定距離范圍比較，選擇在相應(yīng)指定距離范圍內(nèi)的輪廓作為感興趣輪廓圖像，從而獲得紅、藍(lán)通道的感興趣輪廓圖像； 步驟5，對(duì)每一 感興趣輪廓圖像，對(duì)應(yīng)到步驟I中的原始識(shí)別圖像上，根據(jù)該感興趣輪廓圖像獲得該原始識(shí)別圖像上的感興趣區(qū)域，遍歷模板庫(kù)里的各種交通標(biāo)志的標(biāo)準(zhǔn)模板，選擇出與該原始識(shí)別圖像上的感興趣區(qū)域相匹配的交通標(biāo)志的標(biāo)準(zhǔn)模板，從而識(shí)別出該感興趣區(qū)域所屬交通標(biāo)志類(lèi)型。
2.如權(quán)利要求1所述的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，其特征在于，所述步驟5包括: 步驟51，將原始識(shí)別圖像上的感興趣區(qū)域圖像轉(zhuǎn)化為灰度圖像，并對(duì)該灰度圖像進(jìn)行高斯濾波后進(jìn)行二值化處理獲得感興趣區(qū)域所對(duì)應(yīng)的二值化圖像； 步驟52，步驟51所獲得的二值化圖像的列數(shù)為n，行數(shù)為m，計(jì)算各列元素值255所占的百分比，獲得η個(gè)百分比，記為數(shù)組X(n)，計(jì)算各行元素值255所占的百分比，獲得m個(gè)百分比，記為數(shù)組Y(m)，使用數(shù)組X(n)和數(shù)組Y(m)作為該感興趣區(qū)域的特征； 步驟53，將模板庫(kù)里的各種交通標(biāo)志的標(biāo)準(zhǔn)模板依次與所述感興趣區(qū)域的特征進(jìn)行匹配，獲得該感興趣區(qū)域與各個(gè)交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值； 步驟54，將各個(gè)交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值中的最小匹配值對(duì)應(yīng)的模板類(lèi)型作為該感興趣區(qū)域所屬交通標(biāo)志類(lèi)型。
3.如權(quán)利要求2所述的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，其特征在于， 所述步驟51中的二值化處理以圖像灰度平均值加上圖像灰度最大最小差值的五分之一作為分割閾值進(jìn)行二值化。
4.如權(quán)利要求2所述的面向無(wú)人駕駛車(chē)的交通標(biāo)志識(shí)別方法，其特征在于，所述步驟53包括: 步驟531，利用雙線(xiàn)性插值方法和固定步長(zhǎng)依次將各種交通標(biāo)志的標(biāo)準(zhǔn)模板轉(zhuǎn)化為感興趣區(qū)域尺寸的13/10倍、12/10倍、10/10倍、12/13、11/13和10/13倍； 步驟532，每次變換尺寸后所得二值化圖像的行數(shù)為a，列數(shù)為b，按照步驟52的方式獲取其對(duì)應(yīng)的特征，該特征表示為數(shù)組A(a)和數(shù)組B(b),選擇步長(zhǎng)step = (m_a)/3:當(dāng)step = O時(shí),X (η)與A (a)匹配:利用A (a)在X (n)上從X(I)開(kāi)始到X (a)匹配,計(jì)算X(n)與A(a)的平均協(xié)方差并取最小值作為橫向直方圖匹配結(jié)果，而當(dāng)stepfO時(shí)，則將A(a)按步長(zhǎng)在X(n)上移動(dòng)進(jìn)行計(jì)算各次的平均協(xié)方差并取最小值作為橫向直方圖匹配結(jié)果; 當(dāng)step = O時(shí),Y (m)與B (b)匹配:利用B (b)在Y (m)上從Y (I)開(kāi)始到Y(jié) (b)匹配,計(jì)算Y(m)與B(b)的平均協(xié)方差并取最小值作為縱向直方圖匹配結(jié)果，而當(dāng)stepfO時(shí)，則將B(b)按步長(zhǎng)在Y(m)上移動(dòng)進(jìn)行計(jì)算各次的平均協(xié)方差并取最小值作為縱向直方圖匹配結(jié)果; 步驟533，將橫向直方圖匹配結(jié)果與縱向直方圖匹配結(jié)果的平均值作為該次尺寸變換的最終匹配結(jié)果； 步驟534，按照步驟532和步驟533的方法依次獲得各次尺寸變換的最終匹配結(jié)果，將各次尺寸變換的最終匹配結(jié)果中的最小值作為該感興趣區(qū)域與該交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值； 步驟535，按照步驟534的方法依次獲得該感興趣區(qū)域與各個(gè)交通標(biāo)志的標(biāo)準(zhǔn)模板的最終匹配值。
【文檔編號(hào)】G06K9/62GK103971128SQ201410222122
【公開(kāi)日】2014年8月6日 申請(qǐng)日期:2014年5月23日 優(yōu)先權(quán)日:2014年5月23日
【發(fā)明者】付夢(mèng)印, 宋文杰, 楊毅, 周培德, 王震, 周耿, 張凱, 王新宇, 李星河, 張葉青 申請(qǐng)人:北京理工大學(xué)