新闻中心
基于形状圆形检测的RO标志牌I提取
交通标识牌种类数不胜数我国的交通标志一共有一百余种按类别可分为黄底黑边的警告标志、白底红圈的禁令标志、蓝底白字的指示标志形状上以三角形、圆形和矩形为主。本文主要是为了介绍一下交通标识牌的识别流程和一些主要方法的实现为了简化工作本文挑选了以下五类交通标识牌。
可以看出来博主用心良苦选择的交通标识牌具有很清楚的特征1颜色上这五类交通标识牌的外边框都是红色的2形状上标识牌都是标准的圆形。这事实上也表明了交通标识牌具有着鲜明的特征故无论是人眼还是机器都较易识别。(其他种类的交通标志牌也是一样利用形状和颜色特征来处理)
在我看来目前处理交通标牌识别的主要有两种方法1传统的图像处理机器学习办法2近很火的深度学习。那么本文采用的是前者后者后续再进行介绍。
交通标志牌为了起到其警示作用在颜色和形状上都有着易区分性如本文所讨论的五类标志牌颜色特征为外框均为鲜艳的红色形状特征为均为圆形。于是检测的思路如下,终得到了圆形部分的交通标牌
接下来主要分为颜色分割和形状检测两部分进行讨论
直观、简单的是利用RGB颜色空间来描述图像的色彩情况但是RGB色彩空间极易受到光线c;鲁棒性并不是很好所以在相关论文中你会发现很少有人直接使用RGB色彩空间进行色彩分割。而实际上本人拿有限的样本和测试集进行测试RGB色彩分割效果在图像成像质量较理想的时候效果极佳但是的确容易受到干扰。本文此处选择了HSI色彩空间模型进行色彩分割。先来点理论知识
从理论上看HSI色彩空间将饱和度和亮度信息独立了出来这样一定程度上就降低了光线带来的影响。听上去很有道理但是实际上这也仅仅是一定程度上降低了亮度和色彩的耦合关系并不是完全地进行了解耦所以效果会有提升但是很难带来质的改变这是笔者自己的体验也许是笔者能力不足实现得不是很理想
⚠️⚠️⚠️注意有一个很严肃的问题我这里没有提那就是图像预处理做图像处理的很重要的一个步骤就是图像预处理预处理做好了后面的问题复杂度也就降低了许多。实际上用颜色分割来二值化图像也可以看作一种预处理。那么颜色分割之前有不有必要做图像预处理呢是有的。举个例子我那我的MATE8在学校里拍了一张照然后使用手机相机自带的功能调整其色彩饱和度亮度等得到以下两种图片
相机拍的原图 手机调整饱和度、亮度后这两种图片显然右边的将更有利于颜色分割不信可以试试哦。本文主要以介绍交通标牌的主要流程为主预处理的方法包括直方图均衡化、白平衡、亮度调节等等这些就不仔细纠结了但是不代表这部分不重要图像预处理往往一定程度上决定了后的效果。基于形状圆形检测的ROI提取
在进行颜色分割之后得到的只是一个粗略的交通标志牌ROI区域 还会留下一些噪声以及一些和目标区域面积相当或者比目标面积略大的区域这时候就还需要进行一些图像预处理为准确检测交通标志牌打下坚实基础。由于交通标志明显的特征是其颜色和形状在用颜色分割之后我们可以通过形状特征来去除其余的干扰。对于本文的研究对象而言交通标志牌的形状为圆形可以采用经典的Hough变换进行圆检测该方法准确性高但是计算量大耗时且占用较大内存也可以采用圆度的方法来提取圆形该方法原理简单计算量小准确率高。综合考虑本文使用基于圆度的圆检测算法。大概流程如下后文还会详细介绍
图有点不太清楚下文中对于关键的部分会再次给出效果图。中值滤波这个没啥好说的图上效果不是很明显但是实际上可以一定程度上滤掉单个噪点对得到准确的结果会有一定的帮助形态学处理后我们的目的是要得到一个封闭的区域所以颜色分割后的结果很可能不会是比较理想封闭的圆形那么选用的3×3腐蚀模板7×7膨胀模板这样检测到的圆形将基本不会产生缺口保证是一个封闭的形状。
轮廓检测初步筛选ROI要想使用基于圆度的圆检测算法则需要从图像中提取初步的ROI来进行筛选。这里使用轮廓检测法来检测图片中的ROI区域。可以看到一些细小的噪声也被检测进来。
所以本文先通过对检测区域的宽高比、面积大小进行限制筛选出有效的检测区域经过实验可以确定宽高比限制在0.5-2之间面积小值设定为可以进一步得到下图的检测效果可以看到此时小面积的噪声已经被排除。
其中S为圆的面积L为圆的周长C为圆度。圆度值越接近1则表示该图形与圆形的契合程度越高。经过大量的实验可以得出圆度大于0.5时即 4 . 0 C 时可以筛选出巨大部分的圆形。ROI区域无效像素面积约束这是进一步确定筛选后的ROI区域是目标圆形区域。该约束条件是基于ROI区域中圆形的缺失面积而得到的。前文中得到的ROI区域是包含圆形交通标志牌的矩形区域如下图所示可以将整个ROI区域分成1、2、3、4四块其中红色部分为交通标志牌灰色部分为ROI区域中的无效像素。可以直观地看到1、2、3、4四块的无效像素满足一定的数学关系
2识别SVM分类。有了上文提取ROI的基础分类过程实际上和我之前写过的箭头分类如出一辙。图像预处理首先将无效像素全部去除只留下圆形ROI有效区域
运用了BP神经网络，特征是提取zernike矩，因为zernike特征具有旋转不变形。
标志的以上特点，我们将图像中的目标进行颜色和形状的分割，在处理后加以匹配和
Dataset Overview Structure Image format Annotation format Result format Pre-calculated features Code snippets Citation Result analysis application Downloads Acknowledgements
是一个很好的入门练手项目，在网上可以找到很多的相关资料。首先呢，去找到一个的训练数据集是至关重要的。在这里，我选择了比利时
Driver Assistance System已经成为学术研究的一大领域，作为智能
的一部分，有大量研究人员投身其中，每年都会有大量的成果发表在IEEE trans on intelligent transportation system等期刊，会议上。有些成熟技术甚至已走出学术界，应用于工业界，如福特的自动刹车系统，Google 的无人驾驶汽车，而 Mobileye 甚至已将其固
算法的研究 强烈推荐 全国硕士论文 相关下载链接：download/lycis/2607416?utm_source=bbsseo
限速标志的基本特征（外边框为红色且为圆形），本文利用颜色空间的方法，先提取出红色区域，在通过图像的开闭运算，膨胀腐蚀操作进行预处理，后在利用不同区域是目标的可能性进行逐一筛选。这里要指出目标的可能性这一说法，是指该区域类圆的概率以及该区域的面积的加权和。后，针对一些红的目标可能重叠的情况，进行后的加工。 紧接着提取标志中的数字，通过对给定的图像进行统计，可以发现如果是限速标志，其直方图通常是双峰，一个峰为目标区域，另一个则为背景。这样就可以分理处数字了。
以上信息由扬州市旭瑞照明器材有限公司整理编辑，了解更多交通信号灯,红绿灯,标志牌信息请访问http://www.yzxrjt.com
