一種基于surf的交通標志識別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及圖像識別【技術(shù)領(lǐng)域】，尤其涉及一種基于SURF的交通標志識別方法及系統(tǒng)。該方法包括：根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，并獲取所述交通標志候選區(qū)域的顏色；檢測所述交通標志候選區(qū)域的形狀，并根據(jù)所述交通標志候選區(qū)域的形狀和顏色獲得交通標志的類型；抽取和描述所述交通標志的SURF特征值；在預(yù)置的模板特征向量子庫中搜索匹配所述交通標志的SURF特征值，識別所述圖像中的交通標志。該方法提高了交通標志識別的效率。
【專利說明】—種基于SURF的交通標志識別方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像識別【技術(shù)領(lǐng)域】，尤其涉及一種基于SURF的交通標志識別方法及系統(tǒng)。
【背景技術(shù)】
[0002]交通標志識別系統(tǒng)是駕駛輔助系統(tǒng)的一個重要組成部分，它可以通過顯示器，監(jiān)控設(shè)備或者語音自動地提示駕駛員有關(guān)交通標志的信息，交通標志識別系統(tǒng)可以通過降低駕駛員注意力分散來增加駕駛員的安全，從而有效地減少交通事故的發(fā)生數(shù)量，因而備受關(guān)注?，F(xiàn)有的交通標志識別方法包括:對含有交通標志的低照度場景圖像進行HSI變換，計算低照度場景圖像的積分直方圖并采用閾值法和數(shù)學形態(tài)學方法檢測交通標志感興趣區(qū)域；對交通標志感興趣區(qū)域使用SIFT (Scale Invariant Feature Transform,即尺度不變特征變換)算法計算其尺度不變特征點的描述子，并和標準庫中的圖像匹配得到匹配點對；以尺度不變特征點的坐標為圖像中心點，取子圖；對子圖分別計算融合了色調(diào)、飽和度和亮度后的改進顏色量化直方圖及歸一化的改進顏色直方圖；計算匹配點對中的兩個匹配點的直方圖的夾角；去除夾角差異過大的匹配點對；去除無一一匹配的匹配點；根據(jù)匹配點數(shù)獲得低照度場景圖片的交通標志識別結(jié)果。
[0003]現(xiàn)有的交通標志識別系統(tǒng)在低照度場景下適應(yīng)性強，準確率高，然而還存在如下缺點:系統(tǒng)魯棒性仍然不夠；交通標志識別速度較低；交通標志識別系統(tǒng)依賴昂貴的硬件設(shè)備。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提出一種基于SURF的交通標志識別方法及系統(tǒng)，從而提高交通標志識別速度。為達此目的，本發(fā)明采用以下技術(shù)方案:
[0005]—種基于SURF的交通標志識別方法,包括:
[0006]根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，并獲取所述交通標志候選區(qū)域的顏色；
[0007]檢測所述交通標志候選區(qū)域的形狀，并根據(jù)所述交通標志候選區(qū)域的形狀和顏色獲得交通標志的類型；
[0008]抽取和描述所述交通標志的SURF特征值；
[0009]在預(yù)置的模板特征向量子庫中搜索匹配所述交通標志的SURF特征值，識別所述圖像中的交通標志。
[0010]一種基于SURF的交通標志識別系統(tǒng)，其特征在于，包括:
[0011]顏色分割模塊，用于根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，并獲取所述交通標志候選區(qū)域的顏色；
[0012]形狀定位模塊，用于檢測所述交通標志候選區(qū)域的形狀，并根據(jù)所述交通標志候選區(qū)域的形狀和顏色獲得交通標志的類型；[0013]SURF特征提取模塊，用于抽取和描述所述交通標志的SURF特征值；
[0014]搜索匹配模塊，用于在預(yù)置的模板特征向量子庫中搜索匹配所述交通標志的SURF特征值，識別所述圖像中的交通標志。
[0015]上述技術(shù)方案提出的基于SURF的交通標志識別方法及系統(tǒng)，使用SURF算法來提取目標的局部特征具有較高的魯棒性，速度較SIFT快了很多，通過顏色形狀對來對交通標志特征模板庫進行細分的策略，減少了算法在匹配時的搜索匹配運算次數(shù)，提高了交通標志識別的效率。
【專利附圖】

【附圖說明】
[0016]此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本發(fā)明的一部分，并不構(gòu)成對本發(fā)明的限定。在附圖中:
[0017]圖1是本發(fā)明第一實施例中提供的基于SURF的交通標志識別方法的實現(xiàn)流程圖。
[0018]圖2是交通標志顏色和形狀的分類圖。
[0019]圖3是本發(fā)明第二實施例中提供的基于SURF的交通標志識別方法的實現(xiàn)流程圖。
[0020]圖4是本發(fā)明第三實施例中提供的基于SURF的交通標志識別系統(tǒng)的結(jié)構(gòu)示意圖。
[0021]圖5(a)是本發(fā)明第四實施例中的待識別源圖像。
[0022]圖5(b)是本發(fā)明第四實施例中的待識別源圖像的灰度圖。
[0023]圖5(c)是本發(fā)明第四實施例中的待識別源圖像預(yù)處理后的圖像。
[0024]圖5(d)是本發(fā)明第四實施例中的待識別源圖像的閾值分割圖像。
[0025]圖5(e)是本發(fā)明第四實施例中的待識別源圖像的定位圖像。
[0026]圖5(f)是本發(fā)明第四實施例中的待識別源圖像的匹配圖像。
【具體實施方式】
[0027]下面結(jié)合附圖及具體實施例對本發(fā)明進行更加詳細與完整的說明?？梢岳斫獾氖?，此處所描述的具體實施例僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部內(nèi)容。
[0028]圖1是本發(fā)明第一實施例中提供的基于SURF的交通標志識別方法的實現(xiàn)流程圖，該實現(xiàn)流程包括:
[0029]步驟101、根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，并獲取所述交通標志候選區(qū)域的顏色。
[0030]因為交通標志主要有紅、黃和藍3種區(qū)分顏色，所以只需要提取這3種顏色，就可以鎖定交通標志候選區(qū)域。HSI顏色空間中色調(diào)H(Hue)的分布情況可知，紅色像素對應(yīng)的H范圍為[270。，360] U [O。，20° )，藍色像素對應(yīng)的H范圍為0be [45° ,75° ]，黃色像素對應(yīng)的H范圍為0ye [210°，270° ]。色飽和度S取值范圍為[0.25，I]。根據(jù)圖像中色調(diào)H值，選擇出圖像中色調(diào)H為紅色、藍色或黃色的區(qū)域，該區(qū)域中的圖形可能為交通標志，即其可能為交通標志候選區(qū)域。
[0031]根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，包括:計算所述圖像的色調(diào)；根據(jù)所述圖像的色調(diào)值和預(yù)設(shè)的紅色、黃色和藍色像素的色調(diào)范圍，分割所述圖像中紅色、黃色或藍色三種顏色區(qū)域；對所述圖像進行閾值分割得到所述圖像的交通標志候選區(qū)域。
[0032]步驟102、檢測所述交通標志候選區(qū)域的形狀，并根據(jù)所述交通標志候選區(qū)域的形狀和顏色獲得交通標志的類型。
[0033]新國標中交通標志總共有114種(不包括派生標志)，顏色主要為紅、黃和藍三種顏色，其幾何外形為圓形54種、三角形45種、矩形13種、正八邊形I種和倒三角形I種。根據(jù)交通標志顏色與外形的對應(yīng)關(guān)系，把其中113種交通標志大致劃分為5類。如圖2所示，分類后，其中禁令標志類I有38種，禁令標志類2有I種，警告標志類3有45種，指示標志類4有16種，指示標志類5有13種。
[0034]因此，利用顏色和形狀特征從每一幅圖像中來檢測交通標志候選區(qū)域是一種有效的方法。獲得的交通標志候選區(qū)域的幾何外形，結(jié)合所述交通標志候選區(qū)域的顏色，能夠獲取所述交通標志的類型，即可獲取所述交通標志是屬于禁令標志類1、禁令標志類2、警告標志類3、指示標志類4或者屬于指示標志類5的類型。在獲得的交通標志候選區(qū)域的幾何外形時，對使用Canny算法獲得所述交通標志候選區(qū)域的圖像邊緣，然后通過計算質(zhì)心到邊緣的距離來鎖定檢測出的邊緣圖形中的圓形、三角形或矩形區(qū)域。 [0035]檢測所述交通標志候選區(qū)域的形狀之后，還包括:計算所述交通標志候選區(qū)域的面積S ;若S大于預(yù)設(shè)的閾值St，則保留所述交通標志候選區(qū)域；gs不大于預(yù)設(shè)的閾值ST，則刪除所述交通標志候選區(qū)域。
[0036]計算所述交通標志候選區(qū)域的面積S。
[0037]步驟103、抽取和描述所述交通標志的SURF特征值；
[0038]從每一個交通標志目標對象中準確地提取有效特征對于整個交通標志識別具有重要意義。由前面的步驟已經(jīng)檢測出交通標志候選區(qū)域，因此特征提取只需要集中在所述交通標志候選區(qū)域。
[0039]使用SURF (Speeded up Robust Features)特征提取算法來提取交通標志候選區(qū)域的特征數(shù)據(jù)。SURF特征提取與描述算法的輸入為根據(jù)檢測結(jié)果粗分類的交通標志分割二值圖，輸出為經(jīng)過SURF描述的特征點的特征向量集合。使用SURF獲得交通標志特征向量集合的數(shù)學描述如下。建立一個交通標志模板庫，其中有N個標準模板，第K個交通標志模板圖像對應(yīng)的SURF描述特征向量集合可以表示為:
[0040]V(k) = ( V1^, v2(k),…，vn(k))
[0041]其中，V嚴表示模板庫中第K個模板的第i個特征向量，n=64，表示SURF描述子的64維特征向量。包含N個交通標志模板圖像的SURF描述子特征向量庫可以表示為:
[0042]V = ^V(k}

k=l
[0043]其中，V表示模板特征向量庫，N=I 13，表示113種交通標志。
[0044]按照顏色形狀分類結(jié)果V又可以拆分為模板特征向量子庫Vli, μ =1，2，3，4，5。即:
[0045]V = Y/μ

盧二 I
[0046]待識別交通標志圖像的SURF描述特征向量集合可以表示為:
[0047]…^ )[0048]其中，Vi*表示待識別圖像的第i個特征向量，V*表示待識別圖像的SURF描述子特征向量集合，即為待識別交通標志的SURF特征值。
[0049]步驟104、在預(yù)置的模板特征向量子庫中搜索匹配所述交通標志的SURF特征值，識別所述圖像中的交通標志。
[0050]在預(yù)置的模板特征向量子庫Vli中采用基于加權(quán)歐幾里德距離的最近K鄰域算法(Κ-Nearest Neighbor)進行搜索匹配所述交通標志的SURF特征。提取得到待識別交通標志分割圖像的SURF描述特征向量集合V*后，使用基于加權(quán)的歐幾里德距離的最近鄰搜索算法，在交通標志模板特征向量庫V中進行匹配。加權(quán)的歐幾里德距離法是對歐幾里德距離法的改進。對于待識別交通標志的特征向量集合V*與標準模板庫第K個特征向量集合V(k)，其加權(quán)的歐幾里德距離定義如下:
[0051]
【權(quán)利要求】
1.一種基于SURF的交通標志識別方法，其特征在于，包括: 根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，并獲取所述交通標志候選區(qū)域的顏色； 檢測所述交通標志候選區(qū)域的形狀，并根據(jù)所述交通標志候選區(qū)域的形狀和顏色獲得交通標志的類型； 抽取和描述所述交通標志的SURF特征值； 在預(yù)置的模板特征向量子庫中搜索匹配所述交通標志的SURF特征值，識別所述圖像中的交通標志。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述檢測所述交通標志候選區(qū)域的形狀之后，還包括: 計算所述交通標志候選區(qū)域的面積S ； 若S大于預(yù)設(shè)的閾值St，則保留所述交通標志候選區(qū)域； 若S不大于預(yù)設(shè)的閾值St，則刪除所述交通標志候選區(qū)域。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，包括: 計算所述圖像的色調(diào)； 根據(jù)所述圖像的色調(diào)值和預(yù)設(shè)的紅色、黃色和藍色像素的色調(diào)范圍，分割所述圖像中紅色、黃色或藍色三種顏色區(qū)域； 對所述圖像進行閾值分割得到所述圖像的交通標志候選區(qū)域。
4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域之前，還包括: 從獲取的視頻中抽取圖像，對所述圖像進行直方圖均衡化與高斯濾波； 將所述圖像從RGB顏色空間轉(zhuǎn)換到HSI顏色空間。
5.一種基于SURF的交通標志識別系統(tǒng)，其特征在于，包括: 顏色分割模塊，用于根據(jù)圖像的色調(diào)值提取所述圖像的交通標志候選區(qū)域，并獲取所述交通標志候選區(qū)域的顏色； 形狀定位模塊，用于檢測所述交通標志候選區(qū)域的形狀，并根據(jù)所述交通標志候選區(qū)域的形狀和顏色獲得交通標志的類型； SURF特征提取模塊，用于抽取和描述所述交通標志的SURF特征值； 搜索匹配模塊，用于在預(yù)置的模板特征向量子庫中搜索匹配所述交通標志的SURF特征值，識別所述圖像中的交通標志。
6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括: 面積計算模塊，用于計算所述交通標志候選區(qū)域的面積S ； 候選區(qū)域篩選模塊，若S大于預(yù)設(shè)的閾值St，則用于保留所述交通標志候選區(qū)域； 候選區(qū)域刪除模塊，若S不大于預(yù)設(shè)的閾值ST，則用于刪除所述交通標志候選區(qū)域。
7.根據(jù)權(quán)利要求5或6所述的系統(tǒng)，其特征在于，所述顏色分割模塊包括: 色調(diào)獲取模塊，用于計算所述圖像的色調(diào)； 區(qū)域選擇模塊，用于根據(jù)所述圖像的色調(diào)值和預(yù)設(shè)的紅色、黃色和藍色像素的色調(diào)范圍，分割所述圖像中紅色、黃色或藍色三種顏色區(qū)域；閾值分割模塊，用于對所述圖像進行閾值分割得到所述圖像的交通標志候選區(qū)域。
8.根據(jù)權(quán)利要求5或6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括: 圖像預(yù)處理模塊，用于從獲取的視頻中抽取圖像，對所述圖像進行直方圖均衡化與高斯濾波； 圖像格式轉(zhuǎn)換模塊，用 于將所述圖像從RGB顏色空間轉(zhuǎn)換到HSI顏色空間。
【文檔編號】G06K9/46GK103544484SQ201310530336
【公開日】2014年1月29日 申請日期:2013年10月30日 優(yōu)先權(quán)日:2013年10月30日
【發(fā)明者】楊海東, 彭岳軍, 楊淑愛 申請人:廣東工業(yè)大學, 惠州市品智科技有限公司, 廣州萬智信息科技有限公司