交通标志识别方法及系统技术方案

一种交通标志识别方法，其包括如下步骤：S1、采集交通标志原始图像，提取交通标志原始图像的颜色特征和纹理特征；S2、根据提取的交通标志原始图像的高阶谱特征和纹理特征，进行图像区域粗分割，将交通标志原始图像划分成不同的小块区域；同时对分割后的小块区域图像的多种特征进行融合；S3、根据图像区域相似性度量将相似的图像小区域融合成新的区域；S4、将融合后的图像区域过滤，通过滤波核设置区域面积阈值，提取感兴趣的目标区域，并根据图像的形状对提取的目标区域进行检测拟合，精确的提取图像中的圆形、三角形、矩形标志牌。

【技术实现步骤摘要】
交通标志识别方法及系统
本专利技术涉及交通
，特别涉及一种交通标志识别方法及系统。
技术介绍
进几年，国内外较多的研究学者从事交通标志识别的研究。但是针对复杂场景的交通图像，由于受到光照、遮挡、阴雨天气等影响，常常会造成交通标志较高的漏检率和误检率。常用的交通标志识别方法分为两个方向，基于颜色阈值方法进行识别，但是由于颜色各通道相关性，容易受到光照等影响，造成交通标志识别的不完整性。基于形状的交通标志识别算法，对光照影响具有一定的鲁棒性，将交通标志分为若干区域进行边缘检测，然后利用形状特征进行交通标志识别，取得了较为理想的效果，但是由于复杂场景下受到变形、天气、遮挡等影响，也会造成交通标志识别的不精准性。近年来，随着深度学习的发展迅速，基于深度学习的交通标志识别方法越来越多的研究，取得非常好的检测效果。但是基于神经网络的交通标志检测方法需要大量的标注数据，成本消耗较大。
技术实现思路
有鉴于此，本专利技术提出一种交通标志识别方法及系统。一种交通标志识别方法，其包括如下步骤：S1、采集交通标志原始图像，提取交通标志原始图像的颜色特征和纹理特征；S2、根据提取的交通标志原始图像的高阶谱特征和纹理特征，进行图像区域粗分割，将交通标志原始图像划分成不同的小块区域；同时对分割后的小块区域图像的多种特征进行融合；S3、根据图像区域相似性度量将相似的图像小区域融合成新的区域；S4、将融合后的图像区域过滤，通过滤波核设置区域面积阈值，提取感兴趣的目标区域，并根据图像的形状对提取的目标区域进行检测拟合，精确的提取图像中的圆形、三角形、矩形标志牌。在本专利技术所述的交通标志识别方法中，所述步骤S1包括：通过Gabor小波变换进行纹理特征提取。在本专利技术所述的交通标志识别方法中，Gabor函数g(x,y)表示为：Gabor函数g(x,y)的傅立叶变换G(u,v)如下所示：其中，给定原图像I(x,y)，其Gabor小波变换Wm,n(u,v)如下：其中上标*表示复共轭，下标m和n分别表示多个尺度和方向；σ表示标准差，σx、σy、σm、σy分别表示坐标x、y和尺度m、方向n的方差；然后计算图像多个尺度与方向上的均值μm,n和标准差σm,n；μm,n＝∫∫|Wm,n(x,y)|dxdy最终Gabor纹理特征表示为T＝[u0,0σ0,0u0,1…uM-1,N-1σM-1,N-1]。在本专利技术所述的交通标志识别方法中，所述步骤S1包括：提取交通标志原始图像的颜色特征表示为：C＝[RMean,RVar,GMean,GVar,BMean,BVar]T；其中，其中Var表示像素点邻域类的方差，RVar、GVar、BVar表示像素点p邻域的R通道、G通道、V通道的的方差；其中Mean表示像素点邻域类的均值，RMean、GMean、BMean表示像素点p邻域的R通道、G通道、V通道的均值。在本专利技术所述的交通标志识别方法中，所述步骤S2中通过图像聚类Meanshift的方法对图像进行预分割，包括：对于图像像素点p，以像素点p为圆心，h为半径，落在圆类的像素点pi定义两个规则：与像素点p颜色越接近的像素点，概率密度越高；与像素点p位置越接近的像素点，概率密度越高；然后将两个规则的概率密度相乘如下：其中K代表概率密度，r代表颜色，s代表位置；表示像素点p和像素点pi的位置差，表示像素点p和像素点pi的颜色差；为位置概率密度，像素点p和像素点pi位置越近，位置概率密度越大；为颜色概率密度，像素点p和像素点pi颜色越近，颜色概率密度越大；然后根据概率密度乘积对图像中的像素点进行聚类，即为Meanshift聚类方法。在本专利技术所述的交通标志识别方法中，对分割后的小块区域图像的多种特征进行融合：F＝[ω1C+(1-ω1)T]，ω1为权重系数，C为颜色特征，T为Gabor纹理特征，F为融合后的特征。在本专利技术所述的交通标志识别方法中，所述步骤S3中图像预分割划分后的图像子块小区域ri和子块小区域rj的颜色和纹理相似性度量定义为：其中||Fm-Fn||采用传统的欧式距离来度量，m为图像子块小区域ri中的像素点，n为图像子块小区域rj中的像素点；M和N分别为图像子块小区域ri和rj中像素点的总量。在本专利技术所述的交通标志识别方法中，所述步骤S4中通霍夫变换进行形状检测拟合；其过程为获取兴趣目标区域的边缘信息，检目标区域边缘的直线和圆，根据矩形牌的四条边的夹角、三角形三条边的夹角信息对检测到的直线进行筛选，从而确定出矩形交通标志牌、三角形交通标志牌以及圆形交通标志牌；图像空间中的一条直线y＝m0x+b0对应Hough空间中的一个点，图像空间的像素点(x0,y0)映射为Hough空间的一条线，即b＝-x0m+y0；在Hough空间中过像素点(x0,y0)，(x1,y1)的直线用Hough空间中两条线的交点表示；对于垂线用极坐标x＝rcosθ+rsinθ表示。这样经过Hough变换，图像中的每个像素点(x,y)映射为Hough的(r,θ)空间中的正弦曲线，图像空间中共线的点所对应的Hough的(r,θ)空间中正弦曲线相交于点(r',θ')；通过求解过(r,θ)最多的曲线从而进行直线检测；采用霍夫变换检测圆时将圆的方程变为(x-a)2+(y-b)2＝r2进行求解。本专利技术还提供一种交通标志识别系统，其包括如下单元：特征提取单元，用于采集交通标志原始图像，提取交通标志原始图像的颜色特征和纹理特征；图像区域粗提取单元，用于根据提取的交通标志原始图像的高阶谱特征和纹理特征，进行图像区域粗分割，将交通标志原始图像划分成不同的小块区域；同时对分割后的小块区域图像的多种特征进行融合；图像区域融合单元，用于根据图像区域相似性度量将相似的图像小区域融合成新的区域；交通标志牌精确提取单元，用于将融合后的图像区域过滤，通过滤波核设置区域面积阈值，提取感兴趣的目标区域，并根据图像的形状对提取的目标区域进行检测拟合，精确的提取图像中的圆形、三角形、矩形标志牌。实施本专利技术提供的交通标志识别方法及系统与现有技术相比具有以下有益效果：针对复杂场景的交通标志图像进行交通标志识别，在较低的成本下能够快速、高效、准确地识别图像中的圆形、矩形、三角形交通标志牌。附图说明图1是交通标志识别方法流程图；图2是交通标志识别中间过程产生的实验图像最终结果图像。具体实施方式为：一种交通标志识别方法，其包括如下步骤：S1、采集交通标志原始图像，提取交通标志原始图像的颜色特征和纹理特征；S2、根据提取的交通标志原始图像的高阶谱特征和纹理特征，进行图像区域粗分割，将交通标志原始图像划分成不同的小块区域；同时对分割后的小块区域图像的多种特征进行融合；通过纹理特征进行图像粗分割，能够有效的将相似的元素聚类到同一个区域，降低后续计算的难度。同时，通过将交通标志图像划分成一定的小区域代替元素进行处理，能够加快计算速度。融合图像的纹理特征和高阶谱特征，纹理特征和高阶谱特征能够更加有效的处理目标图像中背景/目标不显著的区域，能够有效的排除因光照、雨滴等造成的图片模糊的影响。S3、根据图像区域相似性度量将相似的图像小区域融合成新的区域；根据融合的特征对交通标志图像中划分的小区域进行融合，以及对融合后的区域过滤，能够有效的提取图像中感兴趣的目标区域本文档来自技高网...

【技术保护点】
1.一种交通标志识别方法，其特征在于，其包括如下步骤：S1、采集交通标志原始图像，提取交通标志原始图像的颜色特征和纹理特征；S2、根据提取的交通标志原始图像的高阶谱特征和纹理特征，进行图像区域粗分割，将交通标志原始图像划分成不同的小块区域；同时对分割后的小块区域图像的多种特征进行融合；S3、根据图像区域相似性度量将相似的图像小区域融合成新的区域；S4、将融合后的图像区域过滤，通过滤波核设置区域面积阈值，提取感兴趣的目标区域，并根据图像的形状对提取的目标区域进行检测拟合，精确的提取图像中的圆形、三角形、矩形标志牌。

【技术特征摘要】
1.一种交通标志识别方法，其特征在于，其包括如下步骤：S1、采集交通标志原始图像，提取交通标志原始图像的颜色特征和纹理特征；S2、根据提取的交通标志原始图像的高阶谱特征和纹理特征，进行图像区域粗分割，将交通标志原始图像划分成不同的小块区域；同时对分割后的小块区域图像的多种特征进行融合；S3、根据图像区域相似性度量将相似的图像小区域融合成新的区域；S4、将融合后的图像区域过滤，通过滤波核设置区域面积阈值，提取感兴趣的目标区域，并根据图像的形状对提取的目标区域进行检测拟合，精确的提取图像中的圆形、三角形、矩形标志牌。2.如权利要求1所述的交通标志识别方法，其特征在于，所述步骤S1包括：通过Gabor小波变换进行纹理特征提取。3.如权利要求2所述的交通标志识别方法，其特征在于，Gabor函数g(x,y)表示为：Gabor函数g(x,y)的傅立叶变换G(u,v)如下所示：其中，给定原图像I(x,y)，其Gabor小波变换Wm,n(u,v)如下：其中上标*表示复共轭，下标m和n分别表示多个尺度和方向；σ表示标准差，σx、σy、σm、σy分别表示坐标x、y和尺度m、方向n的方差；然后计算图像多个尺度与方向上的均值μm,n和标准差σm,n；μm,n＝∫∫|Wm,n(x,y)|dxdy最终Gabor纹理特征表示为T＝[u0,0σ0,0u0,1…uM-1,N-1σM-1,N-1]。4.如权利要求3所述的交通标志识别方法，其特征在于，所述步骤S1包括：提取交通标志原始图像的颜色特征表示为：C＝[RMean,RVar,GMean,GVar,BMean,BVar]T；其中，其中Var表示像素点邻域类的方差，RVar、GVar、BVar表示像素点p邻域的R通道、G通道、V通道的的方差；其中Mean表示像素点邻域类的均值，RMean、GMean、BMean表示像素点p邻域的R通道、G通道、V通道的均值。5.如权利要求4所述的交通标志识别方法，其特征在于，所述步骤S2中通过图像聚类Meanshift的方法对图像进行预分割，包括：对于图像像素点p，以像素点p为圆心，h为半径，落在圆类的像素点pi定义两个规则：与像素点p颜色越接近的像素点，概率密度越高；与像素点p位置越接近的像素点，概率密度越高；然后将两个规则的概率密度相乘如下：其中K代表概率密度，r代表颜色，s代表位置；表示像素点p和像素点pi的位置差，表示像素点p和像素点pi的颜色差；为位置概率密度，像素点p和像素点pi位置越近，位置概率密度越大；为颜色概率密度...

【专利技术属性】
技术研发人员：何豪杰，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：湖北,42