朱信熙 張尤賽

（江蘇科技大學 鎮(zhèn)江 212000）

1 引言

交通標志檢測和識別具有重要的研究意義和應用前景，各國科研機構及汽車生產商都在對此進行深入的研究。從研究現狀來看，交通標志檢測階段的主要流程由預處理、顏色分割、形狀檢測和基于機器學習的精確定位幾部分組成。2007年Ruta等使用距離變換（Color Distance Transform，CDT）進行顏色分割［1］。Broggi等用R、B與G的比值來提取紅藍顏色點［2］。2010年Tran等用Hough變換對停止標志進行形狀檢測。Pedro等采用了基于FFT特征的形狀檢測方法，對遮擋、旋轉、縮放、噪聲、投影等有較好的魯棒性，但計算復雜度高［3］。Rosin由仿射不變矩推導的幾何參數來檢測形狀，該方法計算簡單［4］。2013年，Salti提出了一種擴展的交通標志檢測的管道，該方法對光照和形變有較好的效果。從最近幾年公開的相關研究報道及論文發(fā)表情況來看，交通標志檢測算法的研究已經取得了一定的階段性成果，但不同的算法仍然存在一定的不足和缺陷，限制了在實際場景中的應用。所以有必要對交通標志檢測算法進行進一步的研究。

本文提出一種基于HOG特征與Adaboost級聯分類器的交通標志檢測方法。先對實景圖像進行RGB-HSV空間的轉化，然后對V空間進行直方圖均衡，減少光照帶來的影響。隨后對正負訓練樣本進行HOG特征提取并送入分類器訓練，最終對待檢測實景圖像中感興趣區(qū)域的HOG特征比較分類，標示出圖中存在的交通標志，完成檢測。本文具體的結構流程如圖1。

圖1 實驗結構流程圖

2 圖像預處理與HOG特征的提取

2.1 實景圖像的預處理

由于車的晃動和道路環(huán)境的復雜性，所拍攝的圖像中不可避免地存在噪聲，且圖像在傳送的過程中也會產生噪聲，這些都在較大程度上干擾了交通標志的檢測，其中高斯噪聲和椒鹽噪聲最為常見，本文應用高斯濾波法，通過用一個模板掃描圖像中的每一個像素，該像素點位于模板的中心，其值由模板鄰域內像素的加權平均得到灰度值所替代，消除高斯噪聲。

步驟一：計算高斯模板，公式如下：

其中，矩陣M的大小為（2k+1）（2k+1），σ為高斯分布的標準差，標準差代表著數據的離散程度，如果σ較小，那么生成的模板的中心系數較大，而周圍的系數較小，這樣對圖像的平滑效果就不是很明顯；反之，σ較大，則生成的模板的各個系數相差就不是很大，比較類似均值模板，對圖像的平滑效果比較明顯。

步驟二：計算相關算子，公式如下：

其中，w稱為相關核，a，b表示算子大小。

本文采用5X5，σ=1的高斯濾波器模板對帶有噪聲的實景圖像進行濾波處理，效果如圖2所示。

2.2 圖像增強

2.2.1RGB-HSV的轉化

RGB顏色空間以R（Red：紅）、G（Green：綠）、B（Blue：藍）三種基本色為基礎，進行不同程度的疊加，產生豐富而廣泛的顏色，所以俗稱三基色模式。RGB模式可表示一千六百多萬種不同的顏色，幾乎涵蓋了人類視覺系統所能感受到的所有顏色，所以RGB模式成為了目前應用最廣的顏色空間之一。

圖2 經過高斯濾波前后的實景圖像

但在汽車行駛中拍攝到的圖像光照不均，且R、G、B三個顏色分量高度相關，很容易受到光照影響，因此將圖像轉化到HSV空間。

HSV（Hue色相，Saturation飽和度，Value明度）是根據顏色的直觀特性由A.R.Smith創(chuàng)建的一種顏色空間，可以用一個圓錐空間模型來描述。圓錐的頂點處，V=0，H和S無定義，代表黑色。圓錐的頂面中心處V=max，S=0，H無定義，代表白色。

圖3 HSV顏色空間模型

RGB到HSV的轉化：

其中，h在0～360°之間，s在0～100%之間，v在0～max之間。

2.2.2 直方圖均衡化

采集圖像的過程中，圖像質量參差不齊，為了減少光照不均給檢測帶來的影響，有必要對圖像進行增強處理，在滿足實時性的條件下，在HSV空間上對V通道進行直方圖均衡化處理。

直方圖均衡化是圖像處理領域中利用圖像直方圖對對比度進行調整的方法，其基本思想是：通過變換使原本圖像的灰度直方圖均勻分布來增加像素灰度值的動態(tài)范圍，增強圖像整體對比度、豐富灰度細節(jié)。

其中，n為圖像像素總數，灰度級范圍為0～L-1，nk為灰度級為k的像素個數，其對應的頻率為pi。I為輸入的圖像，F為經直方圖均衡化處理后的圖像。

圖像增強前后實驗結果如圖4所示。

圖4 經過直方圖均衡化前后的圖像

3 HOG特征與Adaboost級聯分類

3.1 HOG特征的提取

3.1.1 數據庫的建立

GTSDB（German Traffic Sign Detection Bench?mark）是德國INI神經計算研究2013年所提供用于交通標志監(jiān)測領域的一個數據庫，本文采集了其中1000張不同種類的交通標志作為正樣本，以及1000張不是交通標志的相同尺寸圖像作為負樣本，構成了樣本空間為2000的訓練集。

部分正樣本與負樣本如圖5～6。

圖5 部分用作訓練的正樣本

圖6 部分用作訓練的負樣本

3.1.2 HOG特征的提取

方向梯度直方圖（Histogram of Oriented Gradi?ent，HOG）特征是目前計算機視覺、模式識別領域很常用的一種描述圖像局部紋理的特征［6～7］。HOG特征通過計算和統計局部區(qū)域的梯度方向直方圖來構成特征。

本文首先對訓練樣本中1000個正樣本與1000個負樣本提取HOG特征，然后輸入級聯分類器進行訓練。在檢測階段，使用滑動窗口對待檢測圖像中感興趣區(qū)域以步進的形式分別提取局部的HOG特征，然后輸入到訓練完成的分類器中進行分類。

本文采用的HOG特征提取流程如圖7。

圖7 HOG特征提取流程圖

Step 1標準化空間

為了再次減少光照不均的影響，需將待提取圖像灰度化，采用gamma壓縮公式：

一般取gamma=1/2。

Step 2計算圖像梯度

計算每個像素的方向梯度直方圖，圖像中像素點（x，y）的梯度為

式中，Gx(x，y)，Gy（x，y），H(x，y)分別表示輸入圖像中像素點（x，y）處的水平方向梯度、垂直方向梯度和像素值。像素點（x，y）處的梯度幅值和梯度方向分別為

Step 3構建細胞單元的方向梯度直方圖

將圖像分成若干個單元格cell，本文取一個cell的尺寸為5*5個像素。將360°根據需要分成若干個bin，本文將360°分成9個bin，每個bin40°，整個直方圖包含9維，然后根據每個像素點的梯度方向，利用雙線性內插法將其幅值累加到直方圖中。

Step 4把細胞單元組成塊

將圖像分割成更大的塊Block，本文取一個Block的尺寸為3*3個cell。使每一個單元格的特征會以不同結果多次出現在最后的特征向量中。這樣做可以減少局部光照變化影響和梯度值變化范圍過大帶來的影響，使得HOG描述符更加全面。

本文采用的訓練樣本尺寸為80*80像素，每張圖像會得到80/5*80/5*9=16*16*9=1728維度的hog特征。

如此，便可提取正負2000個樣本的HOG特征值，輸入AdaBoost級聯分類器進行訓練。

3.2 AdaBoost級聯分類器

AdaBoost是adaptive boosting的縮寫，其算法有著很強的泛化能力，算法穩(wěn)定性不錯。但其分類準確率和實時性并不能滿足應用級交通標志檢測的要求，為了解決這一問題，Viola和Jones提出了Ad?aBoost級聯分類器，其結構如圖8。

圖8 Adaboost級聯分類器結構

在訓練階段，應將若干個分類器由簡單到復雜排列，希望經過訓練使每個分類器有較高的檢測率和較低的誤檢率。訓練方法如下：

Step1訓練樣本集S，正樣本X，負樣本Y，最大迭代次數T，初始化樣本權重為1/N；

Step2第一次迭代訓練N個樣本，得到第一個最優(yōu)弱分類器；

Step3提高上一輪被誤判的樣本權重；

Step4將新樣本和上輪被分錯的樣本放在一起進行新一輪訓練；

Step5循環(huán)Step3、4，T輪后得到T個最優(yōu)弱分類器。

Step6組合T個弱分類器得到強分類器，方式如下：

其中，α為第t個弱分類器的權值，h（x）是其錯誤率。其意義是讓所有弱分類器投票，投票結果按弱分類器的錯誤率加權求和，再將其與平均投票結果比較，得出最終結果。

在檢測階段，使用滑動窗口對已經預處理的實景圖像進行HOG特征提取，如圖7所示，x為滑動窗口輸入圖像的HOG特征向量，若判斷樣本為負，則移出樣本集；若判斷樣本為正，則進入下一級分類器直到最后一級。這種基于AdaBoost的級聯分類算法非常適用于正負樣本分布不均、不對稱的交通標志檢測中，因為大多數不包含交通標志的負樣本和包含交通標志的正樣本中的那些與交通標志差別很大的區(qū)域在比較簡單的級次中用較少的計算就能排除，只有那些與交通標志相差不大的區(qū)域才需要較多計算。級聯結構大大降低了算法復雜度，提高了檢測速度。

4 實驗與評價

在本論文實驗中，圖像樣本均采集于GTSDB（德國交通標志數據集［9］），其中包含2000張正負樣本作為訓練集，其規(guī)格為80*80像素；500張實景拍攝圖像作為測試集，其規(guī)格為1360*800像素。實驗硬件平臺為CORE i7@2.4GHz Windows10，環(huán)境Microsoft Visual Studio&Opencv package及Matlab仿真模擬實驗。

AdaBoost分類器以滑動窗口步進的形式對處理后的待檢測圖像進行區(qū)域掃描，窗口大小為80*80像素，獲取到感興趣區(qū)域并檢測為“交通標志”后，進行定位裁剪，在原圖像上標示出。

圖9 識別出的正樣本

圖10 識別出的負樣本

表1 本文算法與其他檢測算法效果對比

本文最后對500張測試集圖片的檢測結果進行了統計，其檢測結果如表1?？梢钥闯霰疚乃惴ㄔ跈z測率和檢測時間上都有著較為不錯的表現。

5 結語

本文針對光照不均、拍攝抖動產生的模糊等實景交通標志檢測問題，提出了一種基于HOG特征和AdaBoost級聯分類器的算法。該算法首先對訓練樣本提取HOG特征，然后通過AdaBoost算法分類器進行級聯，形成最終的強分類器，用于判斷子窗口是否包含交通標志，符合則被判為交通標志，反之則被認為不是。該算法有著較好的準確率、實時性和魯棒性。

但是本論文只完成了交通標志檢測的仿真實現，距離應用到嵌入式系統和車載系統中還有較大的距離，往后應更注重于交通標志檢測與識別的應用級研究，早日運用于智能汽車等未來科技領域。