一種基于Gabor和稀疏表示的交通信號燈識別方法
【專利摘要】本發(fā)明涉及一種基于Gabor和稀疏表示的交通信號燈識別方法，該方法包括以下步驟：1)對感興趣區(qū)域進行二維Gabor小波濾波，獲取濾波后的Gabor圖像，作為測試樣本，所述感興趣區(qū)域即為交通信號燈區(qū)域；2)基于訓(xùn)練好的過完備字典，采用正交匹配追蹤算法求解所述測試樣本的稀疏系數(shù)，所述過完備字典的訓(xùn)練基于K?SVD算法實現(xiàn)；3)利用所述稀疏系數(shù)與過完備字典進行圖像重構(gòu)獲得與各交通信號燈類別對應(yīng)的重構(gòu)圖像，根據(jù)測試樣本與各重構(gòu)圖像間的殘差判定測試樣本所屬交通信號燈類別。與現(xiàn)有技術(shù)相比，本發(fā)明采用Gabor結(jié)合稀疏表示進行交通信號燈識別，可以克服箭頭信號燈方向識別誤差大的缺點，對圖像中較小的圓形和箭頭信號燈也可以正確識別。
【專利說明】
_種基于Gabor和稀疏表不的交通信號燈識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種圖像識別方法，尤其是涉及一種基于Gabor和稀疏表示的交通信 號燈識別方法。
【背景技術(shù)】
[0002] 交通信號燈檢測與識別是智能交通的重要組成部分，是汽車輔助駕駛的重要環(huán) 節(jié)。對交通信號燈的檢測與識別，近年來國內(nèi)外研究學(xué)者提出了很多方法。
[0003] 繆小冬等人提出采用改進的多尺度Log Gabor小波進行交通標志的多分辨率特征 提取，根據(jù)不同尺度下的特征信息進行相位一致性計算，提取能夠有效克服曝光影響的目 標相位信息，通過優(yōu)化的多分類支持向量機(SVM)進行多目標分類(參考文獻《復(fù)雜環(huán)境中 交通標志的實時識別方法》）。
[0004] 汪馭超等人提出基于支持向量機的交通標志識別方法，對圖像分割處理后的灰度 圖進行Gabor濾波，將提取的特征量與數(shù)據(jù)庫中的基準元素通過使用SVM算法進行分類(參 考文獻《基于Matlab分析的Gabor濾波技術(shù)和SVM在交通標志識別中的應(yīng)用研究》）。
[0005] 谷明琴等人提出一種結(jié)合形狀標記圖和Gabor波的交通標志識別方法(參考文獻 《形狀標記圖和Gabor小波的交通標志識別》），對交通標志感興趣區(qū)域的灰度圖像進行 Gabor小波變換，獲得其不同角度和尺度的小波圖像，用二維獨立分量分析法提取其主特 征，并送入線性支持向量機來判斷感興趣區(qū)域所屬的交通標志類型。
[0006] 谷明琴等人提出交通信號燈識別方法，首先對原圖像預(yù)處理，過濾不符合形態(tài)學(xué) 準則的區(qū)域;計算候選區(qū)域的圓形度和背板的顏色信息，把圓形度符合和背板為黑色的區(qū) 域作為交通信號燈區(qū)域;并將檢測到的交通信號燈區(qū)域圖像從RGB空間轉(zhuǎn)換到HSV空間中， 用顏色直方圖對圖像的H分量進行分布統(tǒng)計，根據(jù)其分布特征來識別交通信號燈的類型(參 考文獻《應(yīng)用圓形度和顏色直方圖的交通信號燈識別》）。
[0007] 專利申請CN104050447A提出一種交通信號燈識別方法，將原始圖像中燈板區(qū)域的 圖像從RGB空間轉(zhuǎn)換到Y(jié)CbCr空間；根據(jù)交通信號燈的特征確定交通信號燈候選區(qū)域;將原 始圖像中交通信號燈候選區(qū)域的圖像灰度化和歸一化，對灰度化和歸一化后的圖像進行 Gabor小波變換;對Gabor小波圖像的幅值進行采樣，得到特征向量;比較特征向量與訓(xùn)練樣 本的相似度，確定交通信號燈的類別。
[0008] 但目前交通信號燈檢測與識別領(lǐng)域仍有許多問題沒有得到很好地解決，尤其是在 交通信號燈識別方面，主要存在以下問題：（1)對距離較遠、圖像中所占像素面積較小的信 號燈，識別的準確率不高；（2)對不同光照環(huán)境下(例如白天日光強烈時及夜晚等)采集的信 號燈圖像，像素顏色失真大，信號燈邊緣不清，對圓形信號燈的識別和箭頭信號燈方向的識 別帶來誤差。
[0009] 朱杰等人提出基于字典學(xué)習(xí)方法的核稀疏表示方法進行了人臉識別（參考文獻 《基于字典學(xué)習(xí)的核稀疏表示人臉識別方法》）。首先先用PCA降維，然后分別采用稀疏表示 分類(SRC)，Meterface學(xué)習(xí)方法，核稀疏表示分類(Kernel SRC)，基于核字典的Meterface (Kernel Meterface)稀疏表示分類實現(xiàn)了人臉識別。
[0010] 王偉等人提出基于在線字典學(xué)習(xí)（0DL)和稀疏表示的高速限速標志識別方法（參 考文獻《基于字典學(xué)習(xí)的稀疏表示限速標志識別方法》）。在線字典學(xué)習(xí)（Online Dictionary Learning)可以利用樣本的結(jié)構(gòu)關(guān)系，效率高于傳統(tǒng)的字典學(xué)習(xí)。
[0011] 熊承義等人提出（參考文獻《基于字典優(yōu)化的稀疏表示人臉識別》)采用低秩矩陣 恢復(fù)的字典優(yōu)化設(shè)計來增強稀疏表示人臉識別的性能。首先對存在非受控干擾成分的訓(xùn)練 字典進行低秩矩陣恢復(fù)，獲得相對"干凈"的訓(xùn)練圖像進行特征提取，然后采用分塊相似性 先驗嵌入稀疏編碼的方法實現(xiàn)對人臉圖像的分類。
[0012]王國權(quán)等人在傳統(tǒng)的小波變換人臉識別基礎(chǔ)上，加入稀疏表示的方法對人臉進行 識別(參考文獻《基于小波變換和稀疏表示的人臉識別方法研究》）。小波變換將人臉圖像分 解為一幅低頻圖像和三幅高頻圖像。用正交投影的方法對低頻人臉圖像進行識別得到低頻 人臉圖像分類隸屬度。用基于領(lǐng)域能量的方法把三幅高頻人臉圖像融合為一幅高頻人臉圖 像，然后用稀疏表示的方法進行識別得到高頻人臉圖像分類隸屬度。最后把高、低頻分類隸 屬度融合確定人臉圖像所屬類別。
[0013] 段菲等人提出基于多尺度稀疏表示的場景分類框架(參考文獻《基于多尺度稀疏 表示的場景分類》）。首先從圖像中提取多個尺度的局部特征，利用稀疏表示對每個尺度的 特征單獨學(xué)習(xí)字典，然后為圖像各尺度上的局部特征依據(jù)與其對應(yīng)尺度的字典進行編碼， 并按照空間金字塔表示方法和特征各維最大匯總對各尺度上的特征編碼分別匯總。最后將 不同尺度上匯總的特征串接，形成對圖像最終描述的全局向量。對三個常用標準場景庫上 的圖像進行了分類。
[0014] 何玲麗等人提出基于對稱Gabor特征的稀疏表示人臉識別（參考文獻《基于對稱 Gabor特征和稀疏表示的人臉識別》）。首先把人臉圖像進行鏡像變換，將人臉分解為奇偶對 稱臉，分別提取Gabor特征，得到Gabor奇偶對稱特征。通過加權(quán)因子，將奇偶特征融合生成 新的特征。最后用新的特征構(gòu)成超完備字典進行稀疏表示人臉分類。
[0015]如上所述，現(xiàn)有關(guān)于Gabor和稀疏表示方法實現(xiàn)分類識別已有許多文獻報道，但并 未有將Gabor和稀疏表示方法同時用于交通信號燈檢測與識別領(lǐng)域的技術(shù)方案，上述參考 文獻具體采用的技術(shù)手段也與本發(fā)明不相同。

【發(fā)明內(nèi)容】

[0016] 為解決汽車輔助駕駛中車輛前方交通信號燈識別誤差大的缺點，本發(fā)明提出采用 Gabor結(jié)合稀疏表示的交通信號燈識別方法，實現(xiàn)圓形信號燈和箭頭信號燈的類型識別。這 種方法可以克服箭頭信號燈方向識別誤差大的缺點，對圖像中較小的圓形和箭頭信號燈也 可以正確識別。
[0017] 本發(fā)明的目的是為了克服汽車輔助駕駛中車輛前方的圓形和箭頭形交通信號燈 識別誤差大的缺點，提供一種識別精確度較高的基于Gabor和稀疏表示的交通信號燈識別 方法。
[0018] 本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：
[0019] -種基于Gabor和稀疏表示的交通信號燈識別方法，該方法包括以下步驟：
[0020] 1)對感興趣區(qū)域進行二維Gabor小波濾波，獲取濾波后的Gabor圖像，作為測試樣 本，所述感興趣區(qū)域即為交通信號燈區(qū)域；
[0021] 2)基于訓(xùn)練好的過完備字典，采用正交匹配追蹤算法求解所述測試樣本的稀疏系 數(shù)，所述過完備字典的訓(xùn)練基于K-SVD算法實現(xiàn)；
[0022] 3)利用所述稀疏系數(shù)與過完備字典進行圖像重構(gòu)獲得與各交通信號燈類別對應(yīng) 的重構(gòu)圖像，根據(jù)測試樣本與各重構(gòu)圖像間的殘差判定測試樣本所屬交通信號燈類別。 [0023]所述過完備字典的訓(xùn)練具體為：
[0024] la)輸入訓(xùn)練樣本集Y和稀疏度T，Y=[yi，. . .，yN] GRmXN，所述訓(xùn)練樣本集Y包含各 種類別的多張交通信號燈圖像；
[0025] 113)初始化字典0和迭代次數(shù)1^ = 0()沽=1，其中0()￡1^><1(為服從高斯分布的隨機 字典；
[0026] lc)采用以下公式對訓(xùn)練樣本集進行稀疏編碼：
[0027] X^iirgniin|r-DA，|； .W，||七
[0028] 其中，X=[X1，…，Xi，…，xN]GR KXN表示Y的稀疏系數(shù)矩陣，p-Dlf表示重構(gòu)誤 差；
[0029] Id)計算殘差矩陣Ek:
[0030] E^Y-T^d^
[0031] 其中，di為字典D的第i列，< 為稀疏系數(shù)矩陣X中di對應(yīng)的第i行；
[0032] le)計算Ek收縮的結(jié)果圮：
[0033] EkR=Ekak
[0034] 其中，Qk為NX | ?k|矩陣，該矩陣中〇k(i)，i)位置的值為1，其它位置均為〇,集 合％定義為叫= 表示用到dk所有信號集合{yi}的索引構(gòu)成的集合， 即.v丨.(/) #0的點的索引值的集合；
[0035] 1〇對每進行3￥0分解：4=辦八1^，用1]的第一列更新如，同時用￥的第一列與八 (1，1)的乘積更新4 ;
[0036] lg)令k = k+l，并判別是否滿足停止迭代條件，若是，則將字典D輸出作為過完備字 典，若否，則返回步驟lc)繼續(xù)執(zhí)行。
[0037] 步驟g)中，所述停止迭代條件迭代次數(shù)達到迭代最大次數(shù)或重構(gòu)誤差||f-_DZ|g小 于誤差設(shè)定值。
[0038] 所述步驟2)中，采用正交匹配追蹤算法求解所述測試樣本的稀疏系數(shù)具體為：
[0039] 2a)獲取過完備字典D^cb，. . .，dK]GRmXK、測試樣本y以及稀疏度T;
[0040] 2b)初始化，令殘差r〇 = y，索引集迭代次數(shù)t=l，原子矩陣Do = 0;
[0041] 2c)求與殘差最匹配的列di所對應(yīng)的索引號At:
[0042] 八=argmp |< 7; -!, <
[0043] 2d)更新索引集At= A^U {At}，記錄所選的原子矩陣A = _!D, y/, h
[0044] 2e)利用最小二乘法計算xt:
[0045] ..v. ^ arg max ||_,i； -￡)rT^ = (Dj Dt flDjy
[0046] 2f)更新殘差：
[0047] r = v-D,.v -r-￡?(D；D) 1D； y
[0048] 2g)判斷t是否滿Mt<T，若是，則執(zhí)行步驟2h)，若否，則令t = t+l并跳轉(zhuǎn)至步驟 2c);
[0049] 2h)輸出稀疏系數(shù)：
[0050] x = D(D： DJ1 D'y ,
[0051] 所述步驟3)中，根據(jù)測試樣本與各重構(gòu)圖像間的殘差判定測試樣本所屬交通信號 燈類別具體為：
[0052] 3a)獲取過完備字典0=[0:，. . .，Di，. . .，DK]GRmXK，Di表示所有屬于第i類交通信 號燈類別的圖像集合；
[0053] 3b)對測試樣本y進行稀疏編碼： A 八
[0054] x0 =..arg.min|x|。 s.ty 或A「argminlAi s.t.y = Dx
[0055] 其中，x為測試樣本的稀疏系數(shù)；
[0056] 3c)逐一計算y于每個類型中的殘差： A
[0057] I)(y)= y-D^ix) 2
[0058] 其中，彳^為與類別i相關(guān)的稀疏系數(shù)，^則為x在字典D上的稀疏表示；
[0059] 3d)比較殘差，實現(xiàn)測試樣本y類別的判定：
[0060] ic/entityiyj^^gmjn^iy) 〇
[0061] 所述交通信號燈類別包括圓形和箭頭形，所述箭頭形包括上箭頭型、左箭頭型、右 箭頭型和轉(zhuǎn)彎型。
[0062] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
[0063] (1)本發(fā)明首先采用二維Gabor小波變換對交通信號燈的特征進行提取，然后基于 訓(xùn)練好的字典，采用正交匹配追蹤算法(Orthogonal Matching Pur suit，0MP)對稀疏系數(shù) 進行求解，采用稀疏表示的方法對測試樣本進行分類識別，識別精度較高；
[0064] (2)本發(fā)明采用Gabor結(jié)合稀疏表示的交通信號燈識別方法，實現(xiàn)對圓形信號燈和 箭頭信號燈的類型識別，可以克服箭頭信號燈方向識別誤差大的缺點，對圖像中較小的圓 形和箭頭信號燈也可以正確識別。
【附圖說明】
[0065] 圖1是本發(fā)明交通燈類型識別的流程圖；
[0066] 圖2是本發(fā)明交通燈檢測與識別的流程圖；
[0067] 圖3是本發(fā)明交通燈定位的流程圖；
[0068] 圖4是本發(fā)明箭頭交通燈的Gabor描述圖；
[0069] 圖5是本發(fā)明稀疏度為10的訓(xùn)練字典圖。
【具體實施方式】
[0070] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。
[0071] 本實施例提供一種基于Gabor和稀疏表示的交通信號燈識別方法，如圖1所示，該 方法包括以下步驟：
[0072] 在步驟S1中，對原始輸入圖像進行檢測，獲取交通信號燈區(qū)域，即為感興趣區(qū)域， 感興趣區(qū)域是通過交通信號燈檢測在原始輸入圖像上進行定位得到的交通燈區(qū)域。關(guān)于交 通信號燈檢測的內(nèi)容參考發(fā)明專利"基于形狀和顏色特征的交通信號燈檢測與識別方法， 專利號 201310111825.6"。
[0073] 在步驟S2中，對所述交通信號燈區(qū)域進行二維Gabor小波濾波，獲取濾波后的 Gabor圖像，作為測試樣本。
[0074] 在步驟S3中，輸入訓(xùn)練好的過完備字典，過完備字典采用K-SVD算法（K mean-Singular Value Decompositions 均值奇異值分解) 進行字典學(xué)習(xí)并生成。
[0075] 在步驟S4中，采用正交匹配追蹤算法（Orthogonal Matching Pursuit，0MP)求解 所述測試樣本的稀疏系數(shù)。
[0076] 在步驟S5中，采用稀疏表示的方法對測試樣本進行分類識別：利用所述稀疏系數(shù) 與過完備字典進行圖像重構(gòu)獲得與各交通信號燈類別對應(yīng)的重構(gòu)圖像，根據(jù)測試樣本與各 重構(gòu)圖像間的殘差判定測試樣本所屬交通信號燈類別。Gabor濾波根據(jù)參數(shù)設(shè)置可以保留 圖像的全局和細節(jié)信息，其優(yōu)點在圖像壓縮、紋理分析、圖像分割和識別等方面已被證明。 基于稀疏表示的識別方法具有識別率高、魯棒性強等優(yōu)勢，近年來在圖像去噪與恢復(fù)、圖像 超分辨、圖像的檢測與識別等方面取得了較好的效果。
[0077] 本發(fā)明在已經(jīng)檢測出交通燈區(qū)域的基礎(chǔ)上對交通信號燈類型進行識別，具體包括 識別出信號燈是圓形還是箭頭形，并識別出箭頭信號燈的上箭頭型、左箭頭型、右箭頭型和 轉(zhuǎn)彎(調(diào)頭)型四種類型。
[0078]上述交通信號燈識別方法中各步驟的具體原理如下：
[0079] 1、稀疏表示
[0080]稀疏表示通過利用訓(xùn)練樣本的線性組合對測試樣進行描述，把對交通燈進行方向 判別變成對多個線性回歸模型進行分類。首先要將交通燈圖像全部轉(zhuǎn)化成列向量vGR'm 即為特征向量的維數(shù)。假設(shè)在第i類訓(xùn)練樣本中總共有m幅圖像，vu表示第i類中的第j幅 圖像，則所有屬于第i類的訓(xùn)練樣本圖像集合可以表示成:馬=l>uv^eirr。根據(jù)線性 子空間定理將屬于第i類的測試樣本y用公式(1)進行描述：
[0081 ] J 2 + …+ a " v, " U)
[0082]把所有用于訓(xùn)練的圖像進行結(jié)合以形成字典D，如公式(2)所示：
[0083] ] = [v, j,..,,1^] e/rxV (2)
[0084] 其中k表示交通燈的類別，nk表示屬于第k類的訓(xùn)練樣本數(shù)量，N則表示訓(xùn)練樣本圖 像總數(shù)。對于測試樣本y可以通過公式(3)進行描述。
[0085] y = Dx (3)
[0086] 理想狀態(tài)下信號的稀疏表示系數(shù)為X = [0,A,,,O^O]1 eW，其中x 內(nèi)不為零的項僅僅和訓(xùn)練集的第i類相對應(yīng)，由此可見，X中具有測試樣本的類型信息。所以 對測試樣本進行類型判別就轉(zhuǎn)化為對其稀疏系數(shù)進行求解。只要訓(xùn)練樣本的數(shù)量夠大，求 出來的系數(shù)就是稀疏的。
[0087] 2、Gabor 小波濾波
[0088] Gabor函數(shù)通過采用尺度不一樣的濾波器能夠檢測到各種尺度下圖像上對應(yīng)的局 部特性。二維Gabor函數(shù)可以用公式(4)進行表示：
(4)
[0090]其中〇x和〇y是表不其在x和y軸上的標準方差，w則是表不尚斯函數(shù)的復(fù)調(diào)制頻率， 其傅里葉變換式如式(5)所示：
(5)
[0093] 將g(x，y)作為母小波，通過一定地尺度擴張以及旋轉(zhuǎn)變換就能夠獲得一些性質(zhì)比 較接近的濾波器，亦即Gabor小波，如公式(6)所示。
[0094] gmn(x,y)=a_mg(x/ ,y7 ) ,a>l ,m,nGZ (6)
[0095] 其中x'=a-m(x cos9+y sin9)=a-m(_x sin9+y cos9); 0 = nJi/K;a-m為尺度因 子;S和K是尺度和方向的數(shù)目m=0......S-l ；n = 0......K_1。只要更改m與n的數(shù)值就能夠 獲得一些方向與尺度不一樣的濾波器組。
[0096] 將交通燈灰度圖像I(x,y)與Gabor函數(shù)的卷積結(jié)果如公式(7)所示，作為Gabor濾 波結(jié)果如公式(8)所示：
(8)
[0099] 3、K_SVD 字典學(xué)習(xí)
[0100]字典學(xué)習(xí)性能的好壞會直接影響到對信號稀疏表示的結(jié)果。基于逼近的字典學(xué)習(xí) 模型可以利用公式(9)進行描述：
[0101 ] ^ D X >= argmin||F-DX|~ 5r.V/,||x;||〇 <T (9)
[0102] 其中D=[cU，. . ?，dk] GRmXK表示學(xué)習(xí)得到的字典，X=[X1, . . ?，xN] GRKXN表示Y的稀 疏系數(shù)矩陣，Y=[yi，. . .，yN] ￡1^^表示輸入信號，T則表示稀疏約束因子，||F-爲為重構(gòu) 誤差。
[0103] K-SVD算法通過K次奇異值分解一列一列地對字典原子實現(xiàn)更新，該算法首先假定 字典D與系數(shù)矩陣X均為固定的，接下來將要更新字典的第k列即dk，令系數(shù)矩陣X中dk對應(yīng)的 第k行為#，那么公式(10)中的逼近項即能表示為公式(10)，如下所示。
[0105] 上式將DX分解為K個秩為1的矩陣的和，按照假設(shè)其中K-1項是固定的，剩下的那個 就是要處理的第k個。矩陣Ek代表剔除原子d k剩下的部分在全部N個樣本內(nèi)引起的偏差。
[0106] 定義集合咚=丨/11 H x丨.(/) #嘢為用到dk所有信號集合{y i}的索引構(gòu)成的集 合，即彳(/)#0的點的索引值。定義為NX | ?k|矩陣，在（《k(i)，i)處的值都設(shè)置成1，其 它點均設(shè)置成〇。定義4 € #*丨，C =r% e 丨和g e ，分別代表4、 Y、Ek剔除零輸入之后的收縮效果，校表示當(dāng)前使用的原子即dk的樣本集，茍則表示剔除不 受dk影響的樣本之后，忽略dk在受其影響的成分當(dāng)中時所帶來的誤差。
[0107] 此時，由公式（10)得到的解g和g有相同的支撐，就不會出項"發(fā)散"現(xiàn)象。公式 (10)轉(zhuǎn)化為公式(11)，如下所示：
[0108] EkQ^-dkX^'Q^-廣 EkR_dkxkR 1 Ol)
[0109] 對哲做SVD分解，則有：拉=，令么為U的第一列，則&為dk的更新結(jié)果。同 時，用V的第一列和A (1，1)的乘積更新逐列進行更新結(jié)束之后，通過新生成的字典實 現(xiàn)稀疏分解，并且判別是不是已經(jīng)滿足終止條件(事先選擇好的迭代次數(shù)或重構(gòu)誤差），以 此決定是不是需要繼續(xù)進行迭代。
[0110] K-SVD算法具體步驟如下所示：
[0111] (1)輸入訓(xùn)練樣本集Y和稀疏度T;
[0112] (2)初始化字典D = Do和迭代次數(shù)k = 1，其中Do G RmXK為服從高斯分布的隨機字典；
[0113] (3)用公式（12)進行稀疏編碼，如下所示：
[0114] X - argmin||7-si, W,||a:JQ<T (12)
[0115] (5)用公式（13)計算殘差矩陣，如下所示：
[0116] Ek =Y-^.^kdix，r (II)
[0117] (5)根據(jù)公式(14)計算Ek收縮的結(jié)果，如下所示：
[0118] = (14)
[0119] (6)對茍進行SVD分解：拉并同時更新4和4;
[0120] (7)令k = k+l，并判別是不是達到停止迭代的要求，若達到要求便將字典D進行輸 出，否則回到步驟(3)繼續(xù)執(zhí)行。
[0121] 4、0MP求解稀疏系數(shù)
[0122] 本發(fā)明采用正交匹配追蹤算法(0MP)來對稀疏系數(shù)進行求解，0MP算法的具體運算 步驟如下：
[0123] (1)輸入過完備字典0={山，...，dn}、測試樣本y以及選取的稀疏度T;
[0124] (2)初始化，令殘差r〇 = y，索引集AQ=0，迭代次數(shù)t=l;
[0125] (3)求與殘差最匹配的列cU所對應(yīng)的索引號，如公式(15)所示：
[0126] \ =argmaxj<r r,cl. >\ (15)
[0127] (4)更新索引集記錄所選的原子矩陣A = !A ;
[0128] (5)利用最小二乘法對Xt進行計算，如公式（16)所示：
[0129] a;二-arginax|j - /)rxj|:二(D, D;)-1 D,(16)
[0130] (6)根據(jù)公式(17)更新殘差：
[0131] rt : y - Dtxt 二 y - D:( D: D,)' D: y (17)
[0132] (7)如果t<T，則令t = t+l并跳轉(zhuǎn)至步驟(3);
[0133] (8)如果t = T，輸出稀疏系數(shù)，如公式(18)所示：
[0134] x = D,(D： DJ^Dfy (18)
[0135] 5、稀疏表示分類識別
[0136] 基于稀疏表示的分類方法主要是根據(jù)測試樣本在各個類別中的重構(gòu)誤差來判斷， 如公式(19)所示： A
[0137] / = argmin( v-D^^x) ) (19) '' ； A
[0138] 式中Di為第i類訓(xùn)練樣本為與類別i相關(guān)的稀疏系數(shù)，貝IJ為重構(gòu) 1 ? 誤差。
[0139] 利用稀疏表示進行交通燈類型識別的具體操作流程如下所示：
[0140] (1)輸入訓(xùn)練樣本集合DztDhD% . . .，Dn]GRmXn以及測試樣本yGRm;
[0141] (2)對字典D中各列進行歸一化處理，該歸一化處理也可在字典D生成之前進行；
[0142] (3)對y進行稀疏編碼，如公式(20)所示：
[0143] x〇 = argmin|x||〇 si'v = Dx或x! = argmin|.v-s.t.y = Dx (20)
[0144] 其中| |x| |〇為x的l〇范數(shù)，也就是x內(nèi)不為零的元素數(shù)量，而其中的^則為x在字典D 上的稀疏表示。當(dāng)稀疏滿足一定的稀疏度時，1〇范數(shù)優(yōu)化問題與1:范數(shù)優(yōu)化問題等價，式中 |x| |l表示X的ll范數(shù)。
[0145] (4)逐一計算y于每個類型中的重構(gòu)誤差，如公式(21)所示：
[0146] /；(v) = y-D^^x) (21) 2.
[0147] (5)通過比較重構(gòu)誤差，實現(xiàn)測試樣本y類型的判別，如公式(22)所示：
[0148] idenlilyi r) = arg min /-;( r) (22)
[0149] 信號燈檢測與識別系統(tǒng)的處理流程圖如圖2所示。本發(fā)明提出的方法屬于該處理 流程中的第4部分"信號燈類型判定"。該處理流程圖中第1部分至第3部分"圖像獲取"、"交 通信號燈定位"和"信號燈顏色判別"詳見發(fā)明專利"基于形狀和顏色特征的交通信號燈檢 測與識別方法，專利號201310111825.6"。本發(fā)明對信號燈檢測與識別系統(tǒng)處理流程中所有 部分進行舉例說明。
[0150] 圖像獲?。?br>[0151] 首先采集車輛前方道路圖像，對輸入視頻圖像進行預(yù)處理。攝像頭可以安裝在車 內(nèi)的后視鏡處，拍攝車輛行駛前方的道路及信號燈路況。圖像處理系統(tǒng)可以采用筆記本電 腦或嵌入式圖像處理器完成。識別結(jié)果可以通過語音輸出給使用者。語音輸出模塊可以采 用筆記本電腦或嵌入式處理器內(nèi)部的語音輸出模塊。對圖像進行預(yù)處理，即對圖像進行中 值濾波。然后提取信號燈區(qū)域和背板區(qū)域，進行信號燈定位。對檢測到的信號燈進行顏色識 另IJ，識別出信號燈的紅、綠和黃三種顏色。最后對檢測到的信號燈類型進行判定，判定檢測 出的信號燈是圓形還是箭頭形，并識別判定箭頭信號燈的類型，包括上箭頭型、左箭頭型、 右箭頭型和轉(zhuǎn)彎(調(diào)頭)型四種。最后給出信號燈顏色和類型的識別結(jié)果。
[0152]交通信號燈定位：
[0153] 交通信號燈定位采用提取信號燈區(qū)域和背板區(qū)域的方法。在進行交通信號燈定位 時，天空背景雜散光的干擾會給信號燈的檢測帶來誤差。根據(jù)亮度檢測信號燈時，會將混在 樓宇與樹木間的小塊天空區(qū)域誤識別為交通信號燈。采用提取信號燈區(qū)域和背板區(qū)域的交 通信號燈定位方法，可以避免小塊天空帶來的干擾。"交通信號燈定位"流程圖如圖3所示。 首先將采集到的交通信號燈圖像進行分割和形態(tài)學(xué)處理。然后根據(jù)交通燈的幾何特征進行 面積過濾和外接矩形過濾，最后根據(jù)前面過濾所得結(jié)果于原圖像上對交通燈進行定位。圖 像分割步驟采用在hsv色彩空間的v通道分量圖像中通過亮度檢測，檢測出像素面積符合要 求的信號燈區(qū)域。像素面積閾值根據(jù)拍攝距離，攝像頭分辨率進行實驗設(shè)定。幾何特征過濾 步驟篩選信號燈區(qū)域面積在一定范圍內(nèi)的候選交通信號燈。通過灰度閾值分割檢測矩形背 板區(qū)域。當(dāng)信號燈區(qū)域在背板區(qū)域范圍內(nèi)時，判定為信號燈。
[0154] 信號燈顏色判定：
[0155] 信號燈顏色判定采用根據(jù)信號燈區(qū)域像素顏色比例的信號燈顏色識別方法，可以 減小由于顏色失真引起的顏色識別誤差。確定上述信號燈區(qū)域(包括背板)后，在hsv色彩空 間，統(tǒng)計信號燈區(qū)域內(nèi)h分量像素值分布比例。除去黑色和白色以外，確定h分量中偏紅色或 綠色的像素個數(shù)。通過h分量的灰度直方圖確定信號燈顏色。
[0156]信號燈類型判定：
[0157] 信號燈類型判定處理流程如圖1所示，下面對流程圖中處理步驟的參數(shù)設(shè)置進行 舉例說明。首先采用二維Gabor小波變換對交通信號燈的特征進行提取。將交通燈候選區(qū)域 的灰度圖像與Gabor函數(shù)的卷積結(jié)果作為Gabor濾波后的圖像。對于Gabor濾波器的選取，通 過在方向和尺度不同時的多次實驗，設(shè)置尺度S = 4,方向K = 6時可以表達圖像的特征。中心 頻率取>17 =各/6,卷積模板取5X5時濾波結(jié)果比較理想。對于Gabor的3種特征，實驗中主 要采用Gabor濾波器的幅值特征來對圖像進行描述。通過實驗確定采用6個方向和4種尺度， 中心頻率選擇/ 6，卷積模板取5 X 5的Gabor濾波器對圖像進行濾波，提取交通信號燈的 幅值特征。箭頭交通信號燈的Gabor描述如圖4所示。
[0158] 每幅圖像經(jīng)過Gabor小波濾波后會生成S X K幅維數(shù)相同的圖像，實驗中利用2500 幅圖像來進行訓(xùn)練，采用6個方向與4種尺度。通過使用Gabor函數(shù)對2500幅圖像進行濾波之 后就會產(chǎn)生60000幅圖像，該數(shù)據(jù)量太大，從而導(dǎo)致對其進行后續(xù)處理時比較困難。所以本 發(fā)明對每幅圖像進行Gabor濾波后，選取適合的系數(shù)對生成的24幅圖像進行加權(quán)平均處理， 使濾波的結(jié)果(24幅圖像)變?yōu)橐环鶊D像。
[0159] 字典訓(xùn)練過程中主要與稀疏度、字典個數(shù)和迭代次數(shù)這三個參數(shù)相關(guān)，不同的參 數(shù)訓(xùn)練出來的字典不一樣。本發(fā)明用圓形和箭頭交通信號燈共2500幅圖像進行字典訓(xùn)練， 其中箭頭交通燈包括上箭頭型、左箭頭型、右箭頭型和轉(zhuǎn)彎（調(diào)頭)型共四種類型。每種類型 的交通信號燈各取500幅圖像，一共2500幅圖像。為了方便處理，預(yù)處理階段已經(jīng)將訓(xùn)練樣 本歸一化處理為16X16大小的圖像。經(jīng)過實驗，采用稀疏度T= 10,字典個數(shù)D = 200,迭代次 數(shù)取40時訓(xùn)練的字典識別率最高，因此后續(xù)實驗中采用該字典訓(xùn)練參數(shù)。稀疏度為10時的 字典如圖5所示。
[0160] 在對字典學(xué)習(xí)完畢之后，利用0MP算法來對測試樣本的稀疏系數(shù)進行求解，求取測 試樣本與重構(gòu)圖像的殘差，實現(xiàn)測試樣本的交通燈類型識別，給出是圓形、上箭頭型、左箭 頭型、右箭頭型和轉(zhuǎn)彎(調(diào)頭)型中的一種類型。稀疏度和迭代次數(shù)分別取10和40時，字典個 數(shù)取200時，對600幅圖像中共1200個交通信號燈進行識別，類型識別率可以達到98.75%。
【主權(quán)項】
1. 一種基于Gabor和稀疏表示的交通信號燈識別方法，其特征在于，該方法包括以下步 驟： 1) 對感興趣區(qū)域進行二維Gabor小波濾波，獲取濾波后的Gabor圖像，作為測試樣本，所 述感興趣區(qū)域即為交通信號燈區(qū)域； 2) 基于訓(xùn)練好的過完備字典，采用正交匹配追蹤算法求解所述測試樣本的稀疏系數(shù)， 所述過完備字典的訓(xùn)練基于K-SVD算法實現(xiàn)； 3) 利用所述稀疏系數(shù)與過完備字典進行圖像重構(gòu)獲得與各交通信號燈類別對應(yīng)的重 構(gòu)圖像，根據(jù)測試樣本與各重構(gòu)圖像間的殘差判定測試樣本所屬交通信號燈類別。2. 根據(jù)權(quán)利要求1所述的基于Gabor和稀疏表示的交通信號燈識別方法，其特征在于， 所述過完備字典的訓(xùn)練具體為:獲取各種類別的多張交通信號燈圖像，采用K-SVD算法進行 字典學(xué)習(xí)，生成過完備字典。3. 根據(jù)權(quán)利要求1所述的基于Gabor和稀疏表示的交通信號燈識別方法，其特征在于， 所述交通信號燈類別包括圓形和箭頭形，所述箭頭形包括上箭頭型、左箭頭型、右箭頭型和 轉(zhuǎn)彎型。
【文檔編號】G06K9/00GK105893971SQ201610204479
【公開日】2016年8月24日
【申請日】2016年4月1日
【發(fā)明人】應(yīng)捷, 田瑾, 雷磊
【申請人】上海理工大學(xué)