基于颜色聚类和Hu不变矩的道路交通标志检测

引言

随着当今社会现代化进程的高速推进与经济的快速发展,城市交通拥挤与堵塞现象已日趋严重。在这种情况下，智能交通系统(IntelligentTransportationSystem，ITS)应运而生并受到广泛关注，交通标志识别系统(RoadSignRecognition，RSR)作为智能交通系统的重要组成部分己成为研究的热点。交通标志是道路交通系统的重要组成部分，其所传达的信息对规范交通行为、指示道路状况、保障道路功效、引导行人和安全驾驶等方面具有重要的作用。如何在交通标志出现的时候，及时、准确地识别标志，辅助驾驶员安全驾驶，促进交通畅通和行车安全，已经成为急需解决的问题。现有的交通标志检测大多基于标志图，针对实景图的研究较少，且大多数算法较为复杂，实时性难以得到保障。同周围环境相比,每种交通标志都具有颜色和几何形状的特殊性，本文利用这个特点，采用彩色聚类分割和Hu不变矩相结合的方法实现标志的检测。首先，根据交通标志的颜色特征，在RGB色彩模型下针对交通标志场景图选择感兴趣颜色进行聚类分割，得到感兴趣区域；然后运用数学形态学的腐蚀与膨胀将分割后图像中的臂结构去掉，利用孔洞填充等提取出只含有标志图的二值图像；最后用Hu不变矩计算标志图的特征值，检测出交通标志。

1彩色图像聚类分割

彩色图像分割方法可分为以下几类：聚类(Clustering),区域分裂(Regionsplitting)、分裂-合并(Split-merge)和基于物理的方法(Physics-basedsegmentation)„对于一幅彩色图像，可以利用聚类的方法根据颜色视觉上的不同将其划分为一系列相似的部分，从而实现了彩色图像分割。这种方法根据图像中像素值，利用统计模式识别中的统计特性找出颜色空间的类，然后将图像中每一像素标识到相应的类，每一类就对应一个区域。

1.1彩色图像的聚类原理

对于彩色道路交通标志图像，色彩空间是一个典型的特征空间，因此在色彩空间进行聚类是一个很直接的想法，而且像素的颜色信息在空间都成簇分布。基于聚类技术的基本原理是将一幅道路交通标志图像聚为特征空间中的几簇，每一簇都对应着图像中的目标。色彩聚类分割方法通常按如下步骤进行：先把彩色图像中的像素按照某种聚类规则对应到特征空间中的簇，当所有的像素都处理完后，再把特征域中的簇映射回空间域，实现图像的分割。

1.2RGB空间聚类切割

在颜色空间模型中，任意一种颜色都对应一个空间的位置。数字图像中同一个目标或目标的某部分所对应的像素，它们的颜色在彩色空间中是聚集在一起的。考虑图像中的某个区域，彩色分割最简单的方法是确定该区域的颜色聚类，让这个聚类保持原有的颜色，而让图像中其他不在这个聚类内的颜色显示为某种固定的颜色(如灰色)，这样就可以将感兴趣的颜色区域从图像中提取出来。

在RGB空间中，用一个球体来确定某种颜色的聚类，从而提取图像中该聚类的颜色区域可用下式表示：

式中，R0为颜色聚类球体的半径；aj(j=1，2，3)为该球体中心的各颜色(即R，G，B)分量；ri为像素颜色分量；C为某种固定的颜色。

式中,Ro为颜色聚类球体的半径叫=1,2,3)为该球体中心的各颜色(即R，G，B)分量；片为像素颜色分量;C为某种固定的颜色。

对于一幅带交通标志的场景图，我们感兴趣的是标志区域，从图像中选择标志区域对应颜色的一个像素，选择该像素3X3领域内各分量的均值，对颜色分层，设置颜色聚类球体半径为60,移动光标到感兴趣的颜色上，利用鼠标左键选择颜色，等待程序执行结束，弹出分层结果图像。图1所示是场景图和聚类分割结果图。

1.3实例分析及讨论

本次实验图像是选取道路交通标志中的1幅实验图像进行颜色聚类分割，分别提取场景图中蓝色和红色标志。从图1可以看出，RGB空间聚类切割能准确且快速(识别时间为1s)地识别出标志颜色区域，如此就可以很方便地进行后续标志图识别。

2基于Hu不变矩交通标志识别

2.1标志区域的提取

经过颜色聚类后的标志图像，必须提取出标志区域才能进行特征值计算。本文将图1中的(c)图进行灰度二值化后,用腐蚀与膨胀运算先将图1(c)中的臂结构去掉，再利用孔洞填充，找到标志图区域的行列，提取出标志图区域，其结果如图2所示。

2.2不变矩

矩特征主要表征了图像区域的几何特征，又称为几何矩。由于其具有旋转、平移、尺度的不变性，所以又称其为不变矩。几何不变矩可以作为一个重要的特征来表示物体，可以据此特征对图像进行分类识别等操作。目前，应用于图像识别的矩特征主要有Hu矩、Zernike矩、小波矩［8-11］等。

Hu矩［6-7］:对于一幅MXN的离散图像fi,j),J(i，j)为(i，j)处的灰度等级,p+q阶几何矩mpq和中心矩卩珂定义为：

归一化的中心矩定义为：

Hu利用二阶矩和三阶中心矩构造了7个不变矩,这7个不变矩满足平移、缩放和旋转不变的条件，其公式如下：

Hu矩的前三项反映了图像边缘的低频信息，即较粗的总体信息，后四项主要体现了目标边缘区域的高频信息，反映了细节变化。在进行目标识别过程中，可以利用基于区域和基于边界的图像的7个矩不变量组成图像的特征向量，对图像进行识别。3Hu不变矩特征提取与识别

3.1交通标志图像的预处理

本实验选取图3所示的9幅不同的真彩色指示交通标志为模板。首先将真彩色的指示交通标志图像样本进行数字化处理，将其转换为如图4所示的256级的灰度图像。

本文采用Hu不变矩公式分别对9幅经过灰度二值化处理后的标准指示交通标志图像进行特征提取，并对处理后的标准图像进行旋转、镜像、尺度变换，所得到的图像如图5所示。

3.2Hu不变矩特征提取

首先采用上文提出的Hu不变矩公式对图4中的9幅标准指示交通标志图像进行特征提取，表1给出了特征提取的结果。对图4中第2幅标准图像进行放大、缩小、旋转90°、180。、270。，所得到的图像如图5(a)所示。对图4中第3幅标准图像进行放大、缩小、旋转90°、180°、270°，所得到的图像如图5(b)所示。

分别把第2幅和第3幅标准原图像进行旋转、缩放后的图像作为待测图像，分别提取7个不变矩特征值，表2和表3给出了经变换后的图像Hu不变矩特征值。

根据表2和表3中的实验数据可以看出，旋转、缩放后的图像的7个不变矩特征值与标准原始图像的7个不变矩特征值非常接近。

将上文中提取出的右转标志区域图作为待测图像，计算7个不变矩特征值，其结果如表4所列。

将表4分别与表2和表3的相似性进行对比，可以分析出，表4与表3数据最接近，待测图像的特征值与标准图像经尺度变化后的特征值最相近，因此，可以识别出标志为右转指示标志。

4结语

本文对交通标志自动识别进行了初步研究，提出了基于RGB空间颜色聚类和不变矩的识别方法。在实验中，以指示交通标志为研究对象，利用颜色聚类理论提取出需要识别的颜色，分割出标志区域，再结合不变矩理论提取标准图像和待识别交通标志图像七个Hu不变矩特征向量，将特征值比对识别图像。实验结果表明，本文提出的方法具有很好的识别能力，对旋转、缩放后的图像可以达到较高的识别率，同时进一步证明了不变矩不受识别目标大小、位置、方位的影响，可以用于描述图像的整体性质。

20211021_61714ef0b6470__基于颜色聚类和Hu不变矩的道路交通标志检测