曹海燕， 張大維

(中國(guó)傳媒大學(xué)南廣學(xué)院 傳媒技術(shù)學(xué)院， 江蘇 南京 211172)

0 引言

隨著道路交通不斷的增長(zhǎng)，再加上我國(guó)經(jīng)濟(jì)迅速發(fā)展，機(jī)動(dòng)車保有量的數(shù)量增長(zhǎng)十分明顯，尤其家用汽車數(shù)量增速最快，道路交通需求與機(jī)動(dòng)車數(shù)量之間矛盾越來(lái)越突出，道路交通安全面臨嚴(yán)峻的挑戰(zhàn)，在此背景下出現(xiàn)了智能輔助駕駛系統(tǒng)[1-2]。智能輔助駕駛系統(tǒng)集成了人工智能、計(jì)算機(jī)視覺(jué)等先進(jìn)技術(shù)，可以實(shí)時(shí)感知車輛周圍環(huán)境，降低事故發(fā)生概率[3]。交通標(biāo)志圖像智能識(shí)別是智能輔助駕駛系統(tǒng)最為關(guān)鍵的內(nèi)容，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)對(duì)交通標(biāo)志圖像進(jìn)行檢測(cè)和識(shí)別，然后將結(jié)果反饋給駕駛員，從而對(duì)行駛車輛進(jìn)行及時(shí)控制，因此交通標(biāo)志圖像識(shí)別具有十分重要的社會(huì)和學(xué)術(shù)價(jià)值[4]。

交通標(biāo)志圖像識(shí)別從本質(zhì)上講是一種分類問(wèn)題，國(guó)外一些發(fā)達(dá)國(guó)家對(duì)識(shí)別交通標(biāo)志圖像的研究時(shí)間早，交通標(biāo)志圖像識(shí)別成熟，而國(guó)內(nèi)由于機(jī)動(dòng)車出現(xiàn)時(shí)間晚，對(duì)交通標(biāo)志圖像識(shí)別起步晚，但由于我國(guó)對(duì)交通標(biāo)志圖像識(shí)別研究投入大，目前存在許多交通標(biāo)志圖像識(shí)別方法[5-6]，當(dāng)前主要有最近鄰域法的交通標(biāo)志圖像識(shí)別方法、決策樹(shù)分類法的交通標(biāo)志圖像識(shí)別方法、人工神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識(shí)別方法、支持向量機(jī)的交通標(biāo)志圖像識(shí)別方法[7-9]，這些方法均有各自的優(yōu)勢(shì)，但是缺陷也十分明顯，如最近鄰域法的交通標(biāo)志圖像識(shí)別時(shí)間長(zhǎng)、實(shí)時(shí)性差；決策樹(shù)分類法的交通標(biāo)志圖像識(shí)別速度快，但是交通標(biāo)志圖像的誤識(shí)率極高；人工神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識(shí)別的抗干擾能力差、結(jié)果不穩(wěn)定；支持向量機(jī)的交通標(biāo)志圖像識(shí)別時(shí)間長(zhǎng)、速度慢[10-12]。

針對(duì)當(dāng)前交通標(biāo)志圖像識(shí)別過(guò)程中存在的問(wèn)題，以提高交通標(biāo)志圖像識(shí)別準(zhǔn)確率和識(shí)別速度為目標(biāo)，提出基于機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別方法，與傳統(tǒng)交通標(biāo)志圖像識(shí)別方法進(jìn)行了仿真對(duì)照測(cè)試結(jié)果表明，本文方法的交通標(biāo)志圖像識(shí)別正確率得到了提高，可以滿足交通標(biāo)志圖像識(shí)別實(shí)際要求，減少了交通標(biāo)志圖像識(shí)別時(shí)間，可以實(shí)現(xiàn)實(shí)時(shí)的交通標(biāo)志圖像識(shí)別。

1 機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別方法

1.1 交通標(biāo)志圖像的預(yù)處理

由于外界環(huán)境的干擾，采集原始交通標(biāo)志圖像存在的噪聲，同時(shí)交通標(biāo)志圖像采集通常在戶外進(jìn)行，易受光照變化的影響，使得交通標(biāo)志圖像對(duì)比度低，各種交通標(biāo)志圖像尺寸不一樣，因此需要對(duì)原始交通標(biāo)志圖像進(jìn)行預(yù)處理，基本過(guò)程為：首先采用小波變換對(duì)原始交通標(biāo)志圖像進(jìn)行濾波處理，去掉交通標(biāo)志圖像中的噪聲，消除噪聲對(duì)交通標(biāo)志圖像識(shí)別特征的不利影響；然后采用直方均衡算法對(duì)去噪后的圖像進(jìn)行增強(qiáng)處理，消除光照變化的干擾，提高交通標(biāo)志圖像的對(duì)比度，使交通標(biāo)志圖像更加清晰;最后對(duì)所有交通標(biāo)志圖像尺寸進(jìn)行歸一化操作，使它們具有大小相同。

綜合上述,交通標(biāo)志圖像的預(yù)處理流程，如圖1所示。

圖1 交通標(biāo)志圖像預(yù)處理流程

對(duì)于一幅視覺(jué)效果差的交通標(biāo)志圖像，如圖2所示。

圖2 原始交通標(biāo)志圖像

通過(guò)預(yù)處理后，如圖3所示。

圖3 預(yù)處理后的交通標(biāo)志圖像

由圖3可知，交通標(biāo)志圖像效果得到了明顯的改善。

1.2 提取交通標(biāo)志圖像特征

1.2.1 交通標(biāo)志圖像的形狀特征

方向梯度直方圖特征是一種交通標(biāo)志圖像局部特征，可以描述交通標(biāo)志圖像的形狀，因此本文將方向梯度直方圖特征作為交通標(biāo)志圖像識(shí)別的一種特征，具體提取步驟如下。

(1) 對(duì)預(yù)處理的交通標(biāo)志圖像進(jìn)行g(shù)amma標(biāo)準(zhǔn)化處理，降低圖像的局部陰影，如式(1)。

I(x,y)=I(x,y)gamma

(1)

(2) 計(jì)算交通標(biāo)志圖像像素點(diǎn)(x,y)的水平和垂直梯度，如式(2)、式(3)。

Gx(x,y)=H(x+1,y)-H(x-1,y)

(2)

Gy(x,y)=H(x,y+1)-H(x,y-1)

(3)

式中，H(x,y)表示點(diǎn)(x,y)的像素值。

點(diǎn)(x,y)的梯度幅值和梯度方向，如式(4)、式(5)。

(4)

(5)

(3) 將交通標(biāo)志圖像劃分為多個(gè)單元，統(tǒng)計(jì)每一個(gè)單元的梯度信息，對(duì)交通標(biāo)志圖像的全部像素點(diǎn)、梯度方向進(jìn)行投影和加權(quán)，得到方向梯度直方圖的特征向量。

(4) 由于方向梯度直方圖的特征向量的值不一樣，因此對(duì)它們進(jìn)行歸一化，得到歸一化后的方向梯度直方圖的特征向量，如圖4所示。

圖4 方向梯度直方圖特征的提取流程

1.2.2 交通標(biāo)志圖像的紋理特征

局部二值模式特征也是一種交通標(biāo)志圖像局部特征，可以描述交通標(biāo)志圖像的紋理分布情況，因此本文將局部二值模式特征作為交通標(biāo)志圖像識(shí)別的一種特征，具體提取步驟如下。

(1) 確定檢測(cè)窗口，并根據(jù)檢測(cè)窗口的大小將交通標(biāo)志圖像劃分為多個(gè)單元；

(2) 計(jì)算交通標(biāo)志圖像檢測(cè)窗口的中心像素點(diǎn)局部二值模式特征；

(3) 計(jì)算交通標(biāo)志圖像計(jì)算所有單元的直方圖；

(4) 將計(jì)算所有單元的直方圖連接在一起，得到交通標(biāo)志圖像的局部二值模式特征，并進(jìn)行歸一化處理，如圖5所示。

圖5 局部二值模式特征的提取流程

1.3 極限學(xué)習(xí)機(jī)算法設(shè)計(jì)交通標(biāo)志圖像識(shí)別的分類器

極限學(xué)習(xí)機(jī)算法是一種新型的機(jī)器學(xué)習(xí)算法，采用單隱含層，與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)不一樣，避免了反復(fù)迭代調(diào)整連接權(quán)值的過(guò)程，訓(xùn)練時(shí)間大幅度減少，訓(xùn)練效率高[13]，為此本文引入其設(shè)計(jì)交通標(biāo)志圖像識(shí)別的分類器。

設(shè)交通標(biāo)志圖像訓(xùn)練樣本集合為(xi,yi)，i=1,2,…,n，xi表示輸入向量，yi表示輸出向量，L表示隱含層節(jié)點(diǎn)數(shù)，那么極限學(xué)習(xí)機(jī)算法，如式(6)。

(6)

極限學(xué)習(xí)機(jī)學(xué)習(xí)和訓(xùn)練的目標(biāo)是輸出誤差最小，如式(7)。

(7)

存在一組：βi，wi，bi，滿足如下條件,如式(8)。

(8)

采用矩陣表示式(8)，如式(9)。

Hβ=T

(9)

(10)

(11)

1.4 機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別原理

機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別原理具體為：首先采集交通標(biāo)志圖像，并對(duì)其進(jìn)行預(yù)處理，提高交通標(biāo)志圖像質(zhì)量；然后提取交通標(biāo)志圖像的方向梯度直方圖特征和局部二值模式特征，將其作為極限學(xué)習(xí)機(jī)的輸入，并將交通標(biāo)志圖像類型作為輸出；最后確定極限學(xué)習(xí)機(jī)的相關(guān)參數(shù)，并通過(guò)學(xué)習(xí)，建立可以描述交通標(biāo)志圖像類型和特征之間的分類器，如圖6所示。

圖6 機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別原理

2 應(yīng)用實(shí)例

2.1 測(cè)試環(huán)境

為了分析機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別效果，對(duì)其進(jìn)行仿真分析，如表1所示。

表1 交通標(biāo)志圖像智能識(shí)別的測(cè)試環(huán)境

在相同測(cè)試環(huán)境下，選擇BP神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志圖像識(shí)別方法和支持向量機(jī)的交通標(biāo)志圖像識(shí)別方法、最近鄰域法的交通標(biāo)志圖像識(shí)別方法、決策樹(shù)分類法的交通標(biāo)志圖像識(shí)別方法進(jìn)行對(duì)比測(cè)試。

2.2 測(cè)試數(shù)據(jù)

采用交通標(biāo)志圖像識(shí)別數(shù)據(jù)集(German Traffic Sign Recognition Benchmark，GTSRB)作為實(shí)驗(yàn)對(duì)象，該數(shù)據(jù)集包括43類交通標(biāo)志圖像，代表性的交通標(biāo)志圖像，如圖7所示。

圖7 部分交通標(biāo)志圖像

2.3 測(cè)試結(jié)果與分析

采用5種方法對(duì)交通標(biāo)志圖像進(jìn)行識(shí)別測(cè)試，統(tǒng)計(jì)它們的正確率和識(shí)別時(shí)間，如表2所示。

由表2可知，

(1) 最近鄰域法、決策樹(shù)分類法的交通標(biāo)志圖像識(shí)別正確率低，這是因?yàn)樗鼈冋J(rèn)為交通標(biāo)志圖像類型和特征向量是一種線性變化關(guān)系，這與實(shí)際情況相不符，雖然它們的交通標(biāo)志圖像識(shí)別時(shí)間短、速度快，但無(wú)法應(yīng)用于實(shí)際的交通智能管理系統(tǒng)中。

(2) BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的交通標(biāo)志圖像識(shí)別正確率要高于最近鄰域法、決策樹(shù)分類法，這是因?yàn)樗鼈儗儆趥鹘y(tǒng)機(jī)器學(xué)習(xí)算法，可以較好描述交通標(biāo)志圖像類型和特征向量是非線性變化關(guān)系，但它們的交通標(biāo)志圖像識(shí)別時(shí)間長(zhǎng)、效率低，無(wú)法滿足交通智能管理的實(shí)時(shí)性要求。

(3) 本文方法的交通標(biāo)志圖像識(shí)別正確率要明顯高于當(dāng)前其它方法，而且識(shí)別的速度快，獲得了整體性能更優(yōu)的交通標(biāo)志圖像識(shí)別結(jié)果，主要是由于引入極限學(xué)習(xí)機(jī)算法加快了交通標(biāo)志圖像識(shí)別的訓(xùn)練速度，解決了當(dāng)前交通標(biāo)志圖像識(shí)別過(guò)程中存在的難題，對(duì)比測(cè)試結(jié)果驗(yàn)證了本文交通標(biāo)志圖像識(shí)別方法的優(yōu)越性。

3 總結(jié)

為了減少交通標(biāo)志圖像識(shí)別錯(cuò)誤率，加快交通標(biāo)志圖像識(shí)別速度，在分析當(dāng)前交通標(biāo)志圖像識(shí)別方法的基礎(chǔ)上，提出了基于機(jī)器學(xué)習(xí)算法的交通標(biāo)志圖像智能識(shí)別方法，結(jié)果表明，交通標(biāo)志圖像識(shí)別正確率較高、結(jié)果穩(wěn)定、可靠，為交通標(biāo)志圖像識(shí)別研究提供了一種新的工具。