摘 要： 交通標志檢測是交通標志識別的難點,。在復雜的交通環(huán)境下，采用傳統(tǒng)顏色空間的固定閾值分割進行交通標志檢測的方法魯棒性差,，難以準確有效地檢測出交通標志,。提出了一種基于三分量色差法和Ostu法的交通標志檢測方法。首先,，通過計算圖像R,、G,、B分量的差值來得到紅、藍,、黃三種顏色分量,，然后利用Ostu法分別對它們進行閾值分割，得到交通標志的檢測結(jié)果,。實驗結(jié)果表明,，該算法的檢測準確率和實時性滿足實際要求。
關(guān)鍵詞： 交通標志檢測,；三分量色差法,；Ostu法；智能交通系統(tǒng)
0 引言
駕駛輔助系統(tǒng)能在車輛行駛過程中實時識別交通標志信息并將其提供給駕駛員,，能使駕駛員減輕駕駛壓力,，提前做出反應(yīng)，有利于駕駛安全,，對避免交通事故的發(fā)生具有重要意義,。交通標志自動檢測是該系統(tǒng)的重要組成部分[1]，該領(lǐng)域的研究對現(xiàn)代交通管理有重要意義,。
為便于駕駛員及時掌握道路信息,，交通標志通常被設(shè)計成特定的顏色和形狀[2]，從而能最大限度地與自然和人造背景區(qū)分開[3],。交通標志檢測方法主要有兩類,，即顏色分割方法和形狀檢測方法。目前,，國內(nèi)外學者對交通標志分割的研究主要是針對交通標志的顏色特征,，在不同的彩色空間實現(xiàn)。一類方法是直接分析RGB（紅綠藍）彩色空間中標志顏色特征中R（紅）,、G（綠）,、B（藍）三分量的關(guān)系，并設(shè)定閾值實現(xiàn)[4-5],，該方法運算簡單,，但由于三分量有較高的耦合度，易受光照影響,。另一類方法是轉(zhuǎn)換到HSI空間實現(xiàn)分割[6-7],，將顏色的色度（H）、飽和度（S）與亮度（I）分開,，通過設(shè)定H分量范圍實現(xiàn),，但彩色空間轉(zhuǎn)換過程中的計算量較大，且對飽和度低的情況分割效果較差,。以上兩類方法分割閾值相對固定,，難以適應(yīng)復雜的自然場景,。
針對上述問題，本文提出一種基于三分量色差法和Ostu法的交通標志檢測算法,。算法首先在RGB空間對R,、G、B三分量求色差,，得到紅,、藍、黃三種顏色分量圖像,；然后利用Ostu法對三種顏色分量圖像進行閾值分割,，得到檢測結(jié)果。實驗結(jié)果表明,，本方法有效地提高了交通標志分割效率,，滿足駕駛員的實時性要求。
1 基于三分量色差法和Ostu法的交通標志檢測
1.1 三分量色差法
我國的交通標志基本分為三種：警告標志,、禁令標志,、指示標志,。紅色表示禁令,，黃色表示警告，藍色表示指示,。
在RGB模型中R,、G、B分量極易受光照的影響,，這也是人們很少直接采用RGB模型實現(xiàn)分割的主要原因,，但是三種色彩對應(yīng)三分量的差值卻保持在一定的范圍之內(nèi)，即受光照影響不大,。因此本文通過計算R,、G、B分量的差值來得到紅,、藍,、黃三種顏色分量。對RGB空間的每個像素I=[Ir,，Ig,，Ib]進行式（1）所示的變換，就可以得到紅色（red）,、藍色（blue）和黃色（yellow）三種顏色分量,，如圖1所示。
1.2 Ostu分割方法
由于光照條件的不同,，采集的實景圖各不相同,，灰度直方圖的形狀多變,，雙峰和低谷不明顯，因此,，采用固定閾值分割無法適應(yīng)不同光照條件獲得的實景圖,。Ostu算法以圖像的直方圖為依據(jù)，將圖像分為目標和背景兩大類,，以兩類的類間方差最大或類內(nèi)方差最小為閾值選取準則,，不需要人為設(shè)定任何參數(shù)，可以自動獲取閾值level,。分別對三種顏色分量求得閾值level,，以紅色分量為例，利用式（2）得到交通標志的分割圖,。藍色和黃色的分割圖與此類同,。三種顏色的分割圖如圖2所示。
2 實驗結(jié)果與分析
本文實驗以MATLAB7.0為開發(fā)環(huán)境,，基于開發(fā)的交通圖像集Traffic Signs UAH Dataset[8]進行了一組實驗,。Traffic Signs UAH Dataset包括474張交通標志圖像，涵蓋了光照變化,、部分遮擋,、旋轉(zhuǎn)、陰影及交通標志污損變形等情形下多種顏色和多種形狀的交通標志,。
圖3為不同情形下的實驗結(jié)果,，分為光照變化、部分遮擋,、旋轉(zhuǎn),、陰影和污損變形5種情況。第1,、2列是原始圖像,，第3、4列是通過算法處理后得到的檢測結(jié)果,，可以看出本算法可以較好地檢測出上面5種情況的交通標志,。
統(tǒng)計結(jié)果分為成功檢測和未成功檢測兩類。前者代表圖像中能被算法檢測出來的標志,，后者表示圖像中未能被算法檢測出來的標志,。在成功檢測標志中，存在正確檢測和虛報（標識出來并非交通標志）兩類,。在未成功檢測標志中,，存在漏檢（對正常行駛有影響但沒能檢測出來）和其他（對正常行駛沒有影響且沒能檢測出來）。統(tǒng)計的詳細數(shù)據(jù)如表1所示。
通過表1的統(tǒng)計數(shù)據(jù)來看,，正確檢測和其他結(jié)果都屬于能滿足實際要求的情況,，且占據(jù)了絕大部分比例，表明算法有較高的檢測正確性,。
本算法的虛報主要出現(xiàn)在與交通標志顏色類似的車輛,、欄桿等；漏檢主要出現(xiàn)在距離較遠處的交通標志上,，在車輛由遠及近接近交通標志的過程中,，漏檢的交通標志逐漸占據(jù)較大的圖像區(qū)間，算法會重新檢測到該交通標志,。綜上所述,，該方法對交通標志檢測的有效性是可以保證的。
本算法以MATLAB7.0為開發(fā)環(huán)境,，實驗在Windows7系統(tǒng)的PC上完成,，處理器為CORE i5，主頻2.4 GHz,，內(nèi)存6 GB,，平均檢測時間為7.8 ms，因此本算法能夠滿足車輛安全駕駛的實時性要求,。
3 結(jié)論
本文提出了一種基于三分量色差法和Ostu法的交通標志檢測算法,，實驗證明，該方法簡單有效,，能夠滿足交通標志檢測有效性和實時性的要求,，并且對交通標志的光照變化、部分遮擋,、旋轉(zhuǎn)、陰影和污損變形5種常見情況具有較好的魯棒性,。
本文算法的不足之處在于較遠的交通標志存在漏檢的情況,，在實際車輛駕駛過程中，車輛由遠及近接近交通標志,，算法會自動檢測到漏檢的交通標志,。
綜上所述，本算法能夠滿足車輛安全駕駛時交通標志檢測的實時性和魯棒性要求,，為下一步交通標志的識別奠定了良好的基礎(chǔ),。
參考文獻
[1] 朱雙東，陸曉峰.道路交通標志識別的研究現(xiàn)狀及展望[J].計算機工程與科學,，2006,，28（12）：50-52.
[2] JIANG G， CHOI T. Robust detection of landmarks in color image based on fuzzy set theory[C]. ICSP. Beijing： IEEE Signal Processing Society,， 1998：968-971.
[3] HOOSE N. Computer image processing in traffic engineering[M]. New York： John Wiley &sons Inc.,，1991.
[4] SOETEDIO A,， YAMADA K. An efficient algorithm for traffic sign detection[J]. Journal of Advanced Computational Intelligence and Intelligent Informatic， 2006,，10（3）：409-417.
[5] 黃志勇,，孫光民，李芳.基于RGB視覺模型的交通標志分割[J].微電子學與計算機,，2004,，21（10）：147-148.
[6] 朱雙東，張懿,，陸曉峰.三角形交通標志的智能檢測方法[J].中國圖象圖形學報,，2006，11（8）：1127-1131.
[7] ISHIZUKA Y,， HIRAI Y. Segmentation of road sign symbols using opponent-color filters[C]. Proceedings of 11th World Congress on ITS,， Nagoya， Aichi Japan,， 2004：18-22.
[8] GRAM. Traffic sign UAH dataset（2007-03-16）[2014-07-20].http：//agamenon.tsc.uah.es/Investigacion/gram/traffic_signs.html.