英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
基于图像处理技术的交通标志识别应用
电气及自动控制与系统工程系，莱昂大学，瓦格塞纳校园，24071莱昂，西班牙。（电话：34 987293471；电子邮件：{ rlagug00，rbarrm00，diefbq } @ unileon.ES）
自动控制与系统工程系，巴利亚多利德大学,47011巴利亚多利德，西班牙。（电话：34 983423545；电子邮件：ljmiguel@eii.uva.es）
摘要：这篇文章描述了一个交通标志识别（TSR）的应用软件。这个应用有四个操作步骤。首先，对图像进行预处理然后找出感兴趣的范围（ROIs），找出ROIs需要对图像进行灰度化以及用拉普拉斯高斯（LOG）滤波器对其进行边缘检测。其次，通过将ROIs与每一个交通标志的标准形状作对比来检测潜在的交通标识。第三步，识别的阶段将会使用一个相互关联算法，即任意一个已经被验证过的潜在的交通标识来，会根据交通标志数据库划分类别。最后，会专门设计一个图形用户界面来管理控制上述步骤。如果考虑到输入图片的规模和对比度这些条件都比较好时，得到的结果会让所开发的应用表现出良好的性能。
- 绪论
数字图像处理是用一些算法去处理数字图像。虽然这看上去像是新的技术，但实际上早在20世纪60年代在麻省理工学院、马里兰大学和一些其他的研究机构（陈等人，1993）就已经发明了相关的技术。但是，由于当时计算机比较昂贵，对于很对学者来说，使用计算机来进行数字图像处理是无法想象的事。20世纪70年代，这种情况发生了改变，随着计算机变得越来越便宜以及一些专用的硬件的出现，数字图像处理技术也逐渐发展起来了。本世纪初，随着速度更快的计算机和信号处理器的出现，短时间内处理图像成为了现实，数字图像处理也成为图像处理领域的最常见的形式（Gonzaacute;lez and Woods, 2007）。计算机视觉越来越多的应用在智能交通领域（Mapanga and Ragavan, 2012），其中交通标志识别是一个非常重要的组成部分。这些系统通常是基于检测感兴趣区域（ROI），交通标志就是用这种方式来识别的，识别时使用了像颜色和几何形状这些特征。在计算机视觉中，ROI定义了有待考虑的对象的边界，并在许多应用领域中广泛使用，如医学成像（Dougherty, 2009）。
交通应用的视频处理技术在过去的二十年中已经是一个有吸引力的研究领域（Piccioli et al.，1996；kastrinaki et al.，2003）。若干用来发展交通标志识别（TSR）的系统技术已经被提出（(Ruta et. al., 2010）。提出这些系统的主要目的就是检测和识别出现在现场中的每一个交通标志（Ritter et al.，1995）。在过去的几年中，TSR系统已成为先进驾驶辅助系统（ADAS）的重要组成部分（吉尔等，2008）。TSR系统面临主要困难是由的低分辨率、恶劣天气以及光照不足引起的图像成像质量差。
本文说明的应用程序将会确定潜在的交通标志位于原始图像的区域的位置，并将它与包含标准交通标志的数据库作对比。该过程开始会对输入图像进行预处理，预处理会修改其中的图像的参数，如分辨率或对比度，以保证后面可以正常使用过滤器和算法。当图像的参数被调整后，会调用一个边缘检测算法来确定图像的哪些区域有可能存在交通标志。下一步就是将图像中发现感兴趣的区域（ROIs）分离开来并获得潜在的交通标志。每一个潜在的交通标志都会被提交到使用互相关算法的识别程序中，这个算法就是将其与包含的交通标志的图案的数据库进行对比。该软件包括图形用户界面，允许用户控制应用程序的每个阶段。输入图像的环境条件和其分辨率会决定识别的成功率。
本文的结构如下。在第2节中，预处理过程和ROI检测。第3节显示了潜在的交通标志检测阶段。第4节详细介绍了交通标志识别过程。第5节描述图形用户界面。在6节中进行了实验并展示获得的结果。第7部分是工作总结，最后给出了一些参考。
- 图像预处理和感兴趣区域检测
预处理的第一步是调整图像的大小，这样当输入图像的分辨率太高时就能减少图片所占用空间。如果图像的尺寸太大，它会减慢算法的执行效率，到达一定程度，程序执行就会受到限制。接着，通过变换的强度图像中获得的值，调用一个对比度有限的自适应直方图均衡化(Sepasian et al., 2008; Reza, 2004)来提高图像的对比度。使用这种方法是为了防止自适应直方图均衡造成噪声的过度放大。像素附近的对比度的放大程度与邻域累积分布函数的斜率和直方图上该像素值成正比。下一步是将输入图像变换成灰度图像，这样就可以调用边缘检测算法(Pei和Horng, 2000; Wan et al., 2007)。在图1中，以一个典型的交通图像为例，其相应的灰度图像如图所示。
图1 交通图像及其灰度图像
用于检测图像中的边缘的算法是拉普拉斯高斯（LOG），该算法将一个灰度图像作为输入图像，然后产生另一个只显示边缘灰度图像作为输出图像。LOG是一种包含高斯平滑滤波器和拉普拉斯滤波器的混合滤波器，将LOG与输入图像做运算得到所要的结果(Sharifi等, 2002)。方程由公式（1）给出，0为中心，sigma;为标准偏差，具体形式见图2，其中（x，y）是每个像素的坐标。
(1)
图2 拉普拉斯高斯函数
LOG运算符计算图像的第二空间导数。在图像具有恒定强度的区域，梯度为零，反馈也将为零。在强度变化的附近，反馈在边缘的一侧将会是正值而在边缘的另一侧是负值。就用作实例的图像来说，得到的结果如图3所示。
图3 边缘检测
一旦边缘过滤器被应用，为了避免环境因素可能出现的误差，将淘汰面积大小在某一标准值以下的图像。这样处理的理由是因为交通标志对象相当大，所以较小边缘的对象不可能成为感兴趣的区域。图4显示了实例图像的ROIs。在这个图像中，必须分别对每个ROI进行评判。
图4 感兴趣区域
图中有许多类型的交通标志，但它们的形状是非常有限也是很有特点的，所以知道的形状，使我们能够确定ROIs是否包含一个潜在的交通标志。为了做到这一点，每个ROI的特征必须统一计算，以便和形状模型的标准特征进行比对，如正方形，圆等。为了获得特征图像，开发的程序要计算每个ROI的轮廓，如图5所示，它的质心和最近点位于图像的右上角。
图5 ROI的轮廓，质心和起点
然后计算质心和周长之间的距离，得到特征图像。特征值是统一的，使其值在0和1之间，这样它可以与和形状模型的标准特征进行比对。每个得到的统一的特征值都存储在一个有100个元素向量N中，其中n = 1，hellip;，N. 使用此方法，无论计算对象的大小如何，其特征图像将是相同的。在图6中，显示的是图5的ROIs所得到的识别标识Snorm。
图6 ROI的统一识别标识
3.潜在的交通标识
一旦ROIs确定下来，不同形状的统一识别标识将会被加载进来。本次应用中，使用了NS = 6种形状模式：圆、方形、菱形、八角形、三角形、倒三角形。六种统一识别标识如表1所示为Spattern。
表1 形状模式的统一识别标识
|
交通标志模块 |
归一化标识 |
|
|
|
对于每一个ROI，其统一识别标识将会通过公式（2）和每一个形状模型的统一识别标识进行比对，其中Snormi是ROI的值，Spatternij形状模型j的值，i = 1，hellip;，N，N= 100，j = 1，hellip;，Ns，与Ns = 6。
（2）
如果min(Dj)lt;thshape，thshape是一个阈值，如果此ROI包含一个潜在的交通标志，那么它形状模型j相同。在这种情况下，此ROI的坐标以及它所包含的形状类型将会被保存在单元格数组。然后，程序继续处理下一个ROI。在这个应用程序中，thshape=6，这个值已经多次经过多次测试所得结果误差会最小。另一方面，如果min(Dj)ge; thshape, 那么ROI不存在潜在的交通标志，程序会继续处理另一个ROI。当所有的ROIs都被处理完并检测到了一些潜在的交通标志，程序继续运行交通标志识别过程。表2介绍了从图5的ROIs中获得的Dj的值，这些值表明，ROI实际上存在一个圆形的潜在的交通标志。
表2 Dj的值
|
Spattern |
|
|
Dj 4.29 13.84 12.55 6.99 31.17 26.18 |
|
4． 交通标识识别
一旦已知图像中所有潜在交通标志的位置和形状，就要将每一个潜在的交通标志与数据库进行比较。该数据库包含一定数量的交通标识模型，根据其形状将他们进行分类。由于比较过程是迭代的，所以当增加了更多的交通标识模型时，程序的处理时间将增加。从这个意义上说，程序允许用户添加新的模型。然而，这将显著增加整个处理过程的时间。
每个潜在的交通标志将通过由公式（3）给出的互相关算法与每个交通标志模型进行比较，其中f是对应于潜在交通标志的数组，TK是对应于交通标志模式K的单元数组（路易斯，1995）。
（3）
得到的矩阵gamma;k包含的相关的值在- 1至1之间变化。当图像相关性最好时，互相关矩阵将会达到峰值。使用（4）给出的相关系数RK以及gamma;K来比较两个数组，其中A调整到与模型图像相同大小的交通标志图像，BK是模型k的图像，K，A和Bk分别是A和Bk中所有元素的均值。
（4）
如果Rkgt;thsign,，其中thsign是一个阈值，那么可以认为潜在的交通标志与交通标志的图案非常相似。因此，程序将给出的交通标志的模式K作为公认的标志。本程序在经过多次试验后设置thsign = 0.51。
表3 圆形交通标志不同模式的互相关矩阵
|
数据库标识 |
gamma;k |
Rk |
|
|
0.5723 |
|
|
|
0．3855 |
|
|
|
0.3807 |
|
|
|
0.4212 |
|
|
|
0.5222 |
|
表3列出了由图5所得到的互相关矩阵gamma;k和反馈的相关系数Rk，其中k=1,..5; 表中相关系数值表明两个值是大于thsign，在这种情况下，识别率最高。因此，程序识别潜在的交通标志为图7所示的交通标志模型，我们可以看到交通标志已被成功识别。
图7 潜在交通信号与交通信号模型。
如果潜在的交通标志具有交通标志的形状，但该对象与任何交通标志模式不匹配，那么它只是具有这种形状特点，并不是交通标志。应当注意的是，如果互相关矩阵的相关系数低于阈值，那么可能是信号模型是不存在的模型数据库中。
5． 用户界面设计
为了提高可视化的应用程序，并使其能够进行用户交互，所以设计了图形用户界面。它允许用户以图形方式查看应用程序执行的整个过程，并修改系统的输入参数。应用程序分离了代码结构和功能，所以它可以由动态接口进行处理。图形用户界面由两个阶段组成。图8所示为第一界面，它作为标题页，允许用户动态选择存储图像的目录以及它们的扩展名。当继续按钮被按下时，所有的模式，无论是交通标志的形状和交通标志，都被加载到内存中，因此它们不需要再次加载，这样就能显著减少应用程序的处理时间。
图8 第一界面
如图9所示为第二个界面，这个界面包含了一系列按钮，允许用户选择从先前选定目录中包含的所有图像来进行计算。该程序允许用户可视化输入图像，并对直方图与ROIs进行计算。通过按钮检测标志，执行先前描述的算法，并显示结果。如果检测到多于一个标志，则将在标志识别部分的右下方显示。
图9 第二界面
6． 实
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[25547]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
