基于视觉传达技术的交通标志图像智能识别

童零晶

摘  要： 针对当前交通标志图像识别错误率高、识别实时性差等缺陷，以提高交通标志图像识别准确率为主要目标，提出基于视觉传达技术的交通标志图像智能识别方法。首先，采集交通标志图像，并根据视觉传达技术对图像进行预处理，提高交通标志图像质量;然后，从交通标志图像中提取识别特征，并采用机器学习算法中的支持向量机对交通标志图像进行自动分类和智能识别;最后，采用交通标志图像识别的数据集进行仿真模拟实验。结果表明，所提方法提高了交通标志图像智能识别的正确率，识别速度大大提升，交通标志图像智能识别结果明显优于当前其他方法，具有更高的实际应用价值。

关键词： 智能识别; 交通智能管理; 交通标志图像; 视觉传达技术; 图像预处理; 图像自动分类

中图分类号： TN911.73?34; TP391                 文献标识码： A                    文章编号： 1004?373X（2020）11?0055?04

Traffic sign image intelligent recognition based on visual communication technology

TONG Lingjing

（College of Engineering and Technology， Hubei University of Technology， Hubei 430060， China）

Abstract： In view of the defects of high error rate and poor real?time performance of the current traffic sign image recognition， a method of traffic sign image intelligent recognition based on visual communication technology is proposed to improve the recognition accuracy of traffic sign images. In the method， traffic sign images are collected and preprocessed according to visual communication technology to improve the quality of traffic sign images. The recognition features are extracted from the traffic sign images， and the support vector machine （SVM） in the machine learning algorithm is used to automatically classify and intelligently recognize the traffic sign images. The data sets for traffic sign image recognition is used to do simulation experiments. The results show that the accuracy of traffic sign image intelligent recognition of the proposed method is improved， the speed of recognition is significantly increased， and the effect of traffic sign image intelligent recognition of the proposed method is obviously better than that of other methods. Therefore， the proposed method has a higher practical application value.

Keywords： intelligent recognition; traffic intelligent management; traffic sign image; visual communication technology; image preprocessing; image automatic classification

0  引  言

随着我国经济水平的不断提升，人们生活水平不断提高，同时，由于汽车生产成本不断下降，普通老百姓都有能力购买汽车，汽车已经进入许多家庭，成为人们的代步工具[1?3]。由于每天在路上行驶的汽车数量越来越多，交通安全事故、交通拥挤概率增加，然而仅依靠交通管制和引导无法解决交通拥挤问题，从而出现了智能交通管理系统[4?5]。在智能交通管理系统中，交通标志图像检测与识别十分关键，其可以帮助驾驶员了解道路各种交通状况，保证行驶的安全，因此交通标志图像识别具有十分重要的意义[6?8]。

多年以来，人们对交通标志图像识别问题进行了研究，出现了许多交通标志图像智能识别方法[9?11]，如基于颜色特征的交通标志图像智能识别方法、基于形状特征的交通标志图像智能识别方法、基于边缘检测的交通标志图像智能识别方法，这些智能识别方法均有自身的优势，同时也存在各自的弊端，如交通标志图像识别存在错误率高、识别实时性差等缺陷，因此交通标志图像智能识别有待进一步研究[12?14]。

交通标志图像智能识别是计算机视觉领域中的一个重要研究课题，针对当前交通标志图像识别错误率高、识别实时性差等缺陷，以提高交通标志图像识别准确率为主要目标，本文提出基于视觉传达技术的交通标志图像智能识别方法。仿真模拟实验结果表明，本文方法提高了交通标志图像智能识别准确率，识别速度大大提升，识别结果要明显优于当前其他方法，具有更高的实际应用价值。

1  基于视觉传达技术的交通标志图像智能识别方法设计

1.1  交通标志图像的预处理

交通标志图像在采集过程中，由于受到摄像头性能的影响，得到的交通标志图像质量不一样，最主要是由于道路条件、天气条件、车辆抖动等因素，使得交通标志图像包含了一定的噪声，使得交通标志图像模糊不清。本文基于视觉传达技术，引入Gabor滤波算法对原始交通标志图像进行预处理，增强交通标志图像质量。Gabor滤波算法具有优异的方向和频率选择特性，设[（x，y）]表示像素点在交通标志图像中的位置，Gabor滤波算法在空间域中可以表示为：

[h（x，y;φ，k）=exp-12（xφ）2δ2x+（yφ）2δ2ycos（2πkxφ）]  （1）

[xφ=xcos φ+ysin φ] （2）

[yφ=-xsin φ+ycos φ]  （3）

式中：[φ]和[k]分别为中心方向和中心频率;[δx]，[δy]分别为频率和方向通带大小。

从式（1）可知，Gabor滤波器由二维高斯和正弦函数的乘积组成，Gabor滤波器的空间函数形式如图1a）所示，Gabor滤波器频率响应的图像如图1b）所示。

采用Gabor滤波算法对交通标志图像进行预处理，可以过滤掉交通标志图像中的噪声，获得更加清晰、质量高的交通标志图像。

1.2  交通標志图像智能识别的特征

良好的交通标志图像识别特征应该具有可区分性、稳定性，根据该原则，本文采用梯度方向直方图算法提取交通标志图像识别特征。交通标志图像识别特征提取过程如下：

1） 对交通标志图像的颜色空间进行归一化操作，避免光照变化带来的不利影响，然后将交通标志图像检测窗口划分为多个单元格。

2） 对于每一个交通标志图像的单元格，分别提取梯度方向直方图特征。

3） 将相邻单元格组成互有重叠的块，根据重叠的边缘信息计算整个块的梯度方向直方图特征。

4） 对每一个块的梯度方向直方图特征进行归一化操作，减少交通标志图像背景颜色干扰。

5） 将交通标志图像检测窗口中的所有块的梯度方向直方图特征组合在一起，得到交通标志图像识别特征向量。

综上可知，交通标志图像智能识别的特征提取流程如图2所示。

1.3  交通标志图像识别的分类器

对于两类交通标志图像数据集[（xi，yi）]，[xi∈Rn]，[yi∈{-1，1}]，[i=1，2，…，n]，[xi]为交通标志图像特征向量，[n]表示交通标志图像数量，那么最优分类超平面可以描述为[15]：

[y=ω?φ（x）+b] （4）

为了使得训练集交通标志图像可分，对式（4）进行转换，得到：

[min J（ω，ξ）=12ω2+Ci=1nξi   ] （5）

式中[C]为惩罚参数。

相应的约束条件为：

[s.t.    yi（ω?φ（xi）+b）≥1-ξi         ξ≥0         i=1，2…，n] （6）

式中[ξ=（ξ1，ξ2，…，ξl）T]。

引入Lagrange乘子[αi]建立对偶形式，两类交通标志图像识别的决策函数为：

[f（x）=i=1nαiyi（φ（x）?φ（xi））+b] （7）

由于交通标志图像识别特征与交通标志图像类别之间存在一定的非线性联系，引入核函数[K（xi，x）=φ（x）φ（xi）]，那么式（7）可变化为：

[f（x）=i=1nαiyiK（xi，x）+b] （8）

[K（xi，x）]选择径向基（RBF）核函数，其具体可以表示为：

[K（xi，x）=exp-xi-x22σ2 ]       （9）

标准支持向量机是针对两分类交通标志图像数据集，在实际中，不止两分类交通标志图像数据集，还存在有多类，这样，标准支持向量机无法直接进行识别，因此采用“一对多”形式建立交通标志图像识别的分类器，如图3所示。

1.4  基于视觉传达技术的交通标志图像智能识别过程

基于视觉传达技术的交通标志图像智能识别过程如下：

1） 采集大量的交通标志图像，建立交通标志图像识别的图像库。

2） 基于视觉传达技术对原始交通标志图像进行预处理，提高交通标志图像的清晰度和信噪比。

3） 提取交通标志图像识别的梯度方向直方图特征。

4） 设置支持向量机的参数，并对交通标志图像识别的梯度方向直方图特征进行训练，建立交通标志图像识别的分类器。

5） 对待识别交通标志图像进行预处理，并提取梯度方向直方图特征。

6） 采用建立的交通标志图像识别分类器对待识别交通标志图像进行分类，输出待识别交通标志图像的类别。

基于视觉传达技术的交通标志图像智能识别原理如图4所示。

2  交通标志图像智能识别的仿真实验

2.1  交通标志图像数据

为了测试基于视觉传达技术的交通标志图像智能识别方法的性能，采用Matlab 2018作为实验工具，共收集10类交通标志图像作为测试对象，由于篇幅有限，只列部分类型交通标志图像，具体如图5所示。

为了使基于视觉传达技术的交通标志图像智能识别结果具有可比性，选择文献[14?15]的交通标志图像智能识别方法进行对比测试。

2.2  交通标志图像智能识别结果与分析

提取1类和2类交通标志图像的梯度方向直方图特征，具体如图6所示，横坐标表示特征编号，纵坐标为梯度值。从图6可以看出，两类交通標志图像的特征差异比较明显，这表明采用梯度方向直方图特征可以对交通标志图像进行识别。

统计10类交通标志图像的识别正确率和识别时间，分别如表1和表2所示。从表1可以看出：基于视觉传达技术的交通标志图像智能识别正确率平均值为96.76%;文献[14]的交通标志图像智能识别正确率平均值为91.93%;文献[15]的交通标志图像智能识别正确率平均值为91.83%。相对于文献[14?15]的交通标志图像智能识别方法，基于视觉传达技术的识别正确率分别提高了4.83%和4.93%。同时，从表2可以看出：基于视觉传达技术的交通标志图像智能识别时间平均值为2.51 s;文献[14]的交通标志图像智能识别时间平均值为4.50 s;文献[15]的交通标志图像智能识别时间平均值为3.45 s，相对于文献[14?15]的交通标志图像智能识别方法，时间平均值分别减少了1.99 s和0.94 s，本文方法加快了交通标志图像智能识别效率。

3  结  语

针对当前交通标志图像识别错误率高、识别实时性差等缺陷，本文提出基于视觉传达技术的交通标志图像智能识别方法。仿真模拟实验结果表明，本文方法是一种识别正确率高、速度快的交通标志图像智能识别方法，具有更高的实际应用价值。

参考文献

[1] 李志军，崔利娟.基于深度森林的交通标志识别方法研究[J].工业控制计算机，2019，32（5）：114?115.

[2] 张淑芳，朱彤.基于残差单发多框检测器模型的交通标志检测与识别[J].浙江大学学报（工学版），2019，53（5）：940?949.

[3] 董娜，刘欣宇，吴爱国.基于人工蜂群的新型圆形交通标志识别算法[J].天津大学学报（自然科学与工程技术版），2019，52（6）：585?593.

[4] 伍锡如，雪刚刚.基于图像聚类的交通标志CNN快速识别算法[J].智能系统学报，2019，14（4）：670?678.

[5] 朱永佳，张静.基于卷积神经网络的交通标志识别方法[J].上海师范大学学报（自然科学版），2018，47（5）：617?621.

[6] 张传伟，崔万豪.基于Gabor特征提取和SVM交通标志识别方法研究[J].现代电子技术，2018，41（17）：136?140.

[7] 宋青松，张超，田正鑫，等.基于多尺度卷积神经网络的交通标志识别[J].湖南大学学报（自然科学版），2018，45（8）：131?137.

[8] 邓琼，何星.基于组合矩特征和PTSVM的交通标志识别[J].洛阳理工学院学报（自然科学版），2018，28（2）：51?56.

[9] 张兴国，刘晓磊，李靖，等.BP神经网络下的限速交通标志实时检测识别[J].西安电子科技大学学报，2018，45（5）：136?142.

[10] 谭台哲，卢剑彪，温捷文，等.应用卷积神经网络与RPN的交通标志识别[J].计算机工程与应用，2018，54（21）：251?256.

[11] 姚汉利，赵金金，鲍文霞.基于特征融合和字典学习的交通标志识别[J].计算机技术与发展，2018，28（1）：51?55.

[12] 甘露，田丽华，李晨.基于融合特征和BP网络的交通标志识别方法[J].计算机工程与设计，2017，38（10）：2783?2787.

[13] 张震，程伟伟，吴磊，等.基于不变矩和SVM的圆形交通标志识别方法研究[J].电子测量与仪器学报，2017，31（5）：773?779.

[14] 郝永杰，周博文.基于图像特征及改进支持向量机算法的交通标志识别[J].现代电子技术，2017，40（8）：97?99.

[15] 张秀玲，张逞逞，周凯旋.基于感兴趣区域的CNN?Squeeze交通标志图像识别[J].交通运输系统工程与信息，2019，19（3）：48?53.