摘  要： 提出一種基于歸一化RGB（NRGB）和橢圓相似度的圓形交通標志檢測方法。首先將圖像的RGB模型轉(zhuǎn)換為NRGB,，利用閾值分割得到紅、藍,、黃顏色分量,，然后根據(jù)面積和長寬比去除干擾區(qū)域，最后利用橢圓相似度檢測感興趣區(qū)域是否為圓型交通標志,。實驗結(jié)果表明,，該方法能在復雜背景中準確定位圓形交通標志，獲得了較高的檢測率和較低的誤檢率,。

　　關(guān)鍵詞： 交通標志檢測,；NRGB；橢圓相似度,；智能交通系統(tǒng)

0 引言

　　因為交通標志一般被設計成特定的顏色和形狀,，所以大部分檢測算法都是基于顏色和形狀信息?；陬伾乃惴ㄖ饕怯貌煌念伾臻g將交通標志分割出來,，常用的顏色空間有RGB、NRGB[1],、YUV,、HSI、YCbCr,。RGB三分量之間相關(guān)且易受光照變化影響,；YUV,、HSI、YCbCr需要將RGB空間轉(zhuǎn)換到相應空間,，計算復雜度較大,。參考文獻[2]經(jīng)過多種分割算法的比較，提出NRGB能夠減少光照影響,，且計算復雜度較小,，分割效果較好?；谛螤畹乃惴ㄖ饕蠬ough變換[3],、Canny邊緣檢測[4]和圖像梯度[5]。上述方法不考慮顏色信息,，效果較好,，但是計算量較大。

　　綜合考慮圓形交通標志的顏色和形狀信息,，本文提出一種基于NRGB和橢圓相似度的檢測算法,。首先對R、G,、B三分量進行歸一化處理,，然后進行閾值分割，得到紅,、藍,、黃顏色分量，通過比較面積和長寬比排除干擾區(qū)域,，最后對感興趣區(qū)域進行橢圓相似度檢測,，將圓形交通標志分割出來。實驗結(jié)果表明,，本方法可以有效分割出圓形交通標志,，滿足系統(tǒng)的實時性要求。

1 基于NRGB的圖像分割

　　1.1 NRGB

　　RGB模型的RGB三分量之間存在很強的相關(guān)性,，且極易受光照的影響,，NRGB可將光照變化的影響減少到很小。RGB轉(zhuǎn)換成NRGB的方法如式（1）所示,。

　　其中,，R、G,、B,、r、g,、b分別是RGB和NRGB的紅,、綠和藍色分量,。

　　1.2 顏色分割

　　利用式（2）可以得到3種顏色分量的二值化圖像。分割效果如圖1所示,。

　　1.3 去除干擾區(qū)域

　　由圖1可以看出,，顏色與交通標志相似的物體也被提取了，因此需要去除這些干擾區(qū)域,。交通標志的長寬比為1,，考慮到扭曲變形等因素，可知標志的長寬比應在接近1的范圍內(nèi),。圖像大小有2 048×1 360和1 536×1 024兩種類型,，為處理方便，將圖像大小歸一化為300×400,。首先對3種顏色分量進行孔洞填充,，然后提取滿足式（3）的連通區(qū)域。其中,，長寬比aspectratio=width/height,，width、height,、area分別是連通區(qū)域的寬,、高和面積，這樣可以去除大部分干擾區(qū)域,。

　　2 基于橢圓相似度的標志檢測

　　扭曲變形使得圓形的標志變成了橢圓形,，利用橢圓相似度可以判斷是否是圓形的交通標志。

　　如圖2所示,，（x1，y1）,、（x2,，y2）是長軸的兩個端點，（x0,，y0）是中心,，（x，y）是任意一點,。利用坐標變換公式將坐標系xoy的坐標轉(zhuǎn)換到坐標系x′o′y′：

　　首先,，在初步檢測到的交通標志圖像中切出感興趣區(qū)域ROI，然后利用Canny算子進行邊緣檢測,，獲得邊緣坐標,。

　　假設ROI的邊緣是橢圓，依次對任意兩個邊緣坐標求歐式距離,，得到最大的歐式距離dmax,，認為此時的兩個邊緣坐標即為長軸端點（x1,，y1）、（x2,，y2）,。計算橢圓的參數(shù)：

　　（x,，y）和（x0,，y0）轉(zhuǎn)換到坐標系x′o′y′的坐標為（x′，y′）,、（x0′,，y0′），則：

　　將b取整存放在A中,，A中最大的值就是b值,。因為實際獲取標志的邊緣坐標點在橢圓曲線的周圍，這導致b在一個小范圍浮動,，計算累加器A（b-2：b+2）的和得到橢圓相似度：

　　如果s大于某一閾值,，則假設成立，該ROI就是一個圓形的交通標志,。

3 實驗結(jié)果

　　為驗證上述算法的可行性,，本文使用交通圖像集Traffic Signs UAH Dataset[6]進行了一組實驗。該圖像集包括474張交通標志圖像,，其中包含圓形交通標志327個,。

　　圖3是一張包含1個圓形和1個三角形標志的圖像，提取它的紅色分量,，進行孔洞填充,，然后去除干擾區(qū)域，對其進行橢圓相似度檢測,，提取符合條件的圓形交通標志,。從圖中可以看出本算法可以很好地檢測出圓形的交通標志。

　　交通標志檢測結(jié)果分為成功檢測,、漏檢和誤檢3類,。檢測結(jié)果的統(tǒng)計數(shù)據(jù)由表1給出。

　　通過表1的結(jié)果可以看出,，算法有較高的檢測率,。漏檢主要出現(xiàn)以下4種情況：（1）交通標志距離較遠，面積較小,，在去除干擾區(qū)域時被去除,。實驗表明，在車輛向前行駛中,，該標志逐漸變大本算法即可以檢測到它,。（2）標志變形,，導致形狀不再近似橢圓，因此橢圓相似度較低,。（3）標志褪色,，無法在顏色分割時得到較完整的ROI，因此無法檢測到,。（4）標志之間粘連,，不滿足長寬比條件，被當做干擾區(qū)域去除,。

　　誤檢主要是因為背景顏色和形狀均與圓形的交通標志相似,，這種情況較少，總體來說滿足實際駕駛的要求,。綜上所述,，本算法可以有效地檢測圓形交通標志。

　　該實驗進行的軟硬件環(huán)境：操作系統(tǒng)為Windows7,，使用MATLAB R2012b進行開發(fā),，處理器為Intel CORE i5，主頻2.4 GHz,，內(nèi)存6 GB,，平均檢測時間為0.08 s，本算法能夠滿足車輛安全駕駛的實時性要求,。

4 結(jié)論

　　本文提出了一種基于NRGB和橢圓相似度的交通標志檢測算法,，NRGB可以較大程度地減少光照變化的影響，通過顏色分割得到紅,、藍,、黃三種顏色分量，根據(jù)面積和長寬比去除大部分干擾區(qū)域后,，再根據(jù)橢圓相似度判斷獲得的感興趣區(qū)域是否是圓形,。實驗證明，該算法簡單有效,，能夠滿足圓形交通標志檢測的有效性和實時性要求,，但該算法對交通標志粘連的圖像檢測效果較差,。綜上所述,，本算法能夠檢測圓形的交通標志，并取得較高的檢測率和較低的誤檢率,，為交通標志的識別奠定了基礎,。

參考文獻

　　[1] KAMADA H， NAOI S,， GOTOH T. A compact navigation system using image processing and fuzzy control[J]. in Proc. IEEE Southeast on,， New Orleans,， LA， 1990（1）：337-342.

　　[2] GOMEZ-MORENO H,， MALDONADO-BASCON S,， GIL-JIMENEZ P， et al. Goal evaluation of segmentation algorithms for traffic sign recognition[J]. IEEE Transactions on Intelligent Transportation Systesm,， 2010,，11（4）：917-930.

　　[3] 張霄，彭偉.基于Hough變換的圓形物體的檢測[J].傳感器與微系統(tǒng),，2006,，25（4）：62-64.

　　[4] GARCIA-GARRIDO M， SOTELO M,， MARTIN GOROSTIZA E. Fast traffic sign detection and recognition under changing lighting conditions[C]. Intelligent Transactions on System Conference,， Toronto： ITSC， 2006：811-816.

　　[5] LIU Y,， IKENAGA T,， GOTO S. Geometrical， physical and text/symbol analysis based approach of traffic sign detection system[C]. Proceedings of IEEE Intelligent Vehicles Symposium,， Tokyo,， Japan， Jun. 2006：238-243.

　　[6] GRAM. Traffic Sign UAH Dataset[EB/OL].（2007-03-16）[2014-9-20]. http：//agamenon.tsc.uah.es/Investigacion/gram/traffic_signs.html.