摘 要： 提出一种基于归一化RGB（NRGB）和椭圆相似度的圆形交通标志检测方法。首先将图像的RGB模型转换为NRGB，利用阈值分割得到红、蓝、黄颜色分量，然后根据面积和长宽比去除干扰区域，最后利用椭圆相似度检测感兴趣区域是否为圆型交通标志。实验结果表明，该方法能在复杂背景中准确定位圆形交通标志，获得了较高的检测率和较低的误检率。

　关键词： 交通标志检测；NRGB；椭圆相似度；智能交通系统

0 引言

　　因为交通标志一般被设计成特定的颜色和形状，所以大部分检测算法都是基于颜色和形状信息。基于颜色的算法主要是用不同的颜色空间将交通标志分割出来，常用的颜色空间有RGB、NRGB[1]、YUV、HSI、YCbCr。RGB三分量之间相关且易受光照变化影响；YUV、HSI、YCbCr需要将RGB空间转换到相应空间，计算复杂度较大。参考文献[2]经过多种分割算法的比较，提出NRGB能够减少光照影响，且计算复杂度较小，分割效果较好。基于形状的算法主要有Hough变换[3]、Canny边缘检测[4]和图像梯度[5]。上述方法不考虑颜色信息，效果较好，但是计算量较大。

　　综合考虑圆形交通标志的颜色和形状信息，本文提出一种基于NRGB和椭圆相似度的检测算法。首先对R、G、B三分量进行归一化处理，然后进行阈值分割，得到红、蓝、黄颜色分量，通过比较面积和长宽比排除干扰区域，最后对感兴趣区域进行椭圆相似度检测，将圆形交通标志分割出来。实验结果表明，本方法可以有效分割出圆形交通标志，满足系统的实时性要求。

1 基于NRGB的图像分割

　　1.1 NRGB

　　RGB模型的RGB三分量之间存在很强的相关性，且极易受光照的影响，NRGB可将光照变化的影响减少到很小。RGB转换成NRGB的方法如式（1）所示。

　　其中，R、G、B、r、g、b分别是RGB和NRGB的红、绿和蓝色分量。

　　1.2 颜色分割

　　利用式（2）可以得到3种颜色分量的二值化图像。分割效果如图1所示。

1.3 去除干扰区域

　　由图1可以看出，颜色与交通标志相似的物体也被提取了，因此需要去除这些干扰区域。交通标志的长宽比为1，考虑到扭曲变形等因素，可知标志的长宽比应在接近1的范围内。图像大小有2 048×1 360和1 536×1 024两种类型，为处理方便，将图像大小归一化为300×400。首先对3种颜色分量进行孔洞填充，然后提取满足式（3）的连通区域。其中，长宽比aspectratio=width/height，width、height、area分别是连通区域的宽、高和面积，这样可以去除大部分干扰区域。

　　2 基于椭圆相似度的标志检测

　　扭曲变形使得圆形的标志变成了椭圆形，利用椭圆相似度可以判断是否是圆形的交通标志。

　　如图2所示，（x1，y1）、（x2，y2）是长轴的两个端点，（x0，y0）是中心，（x，y）是任意一点。利用坐标变换公式将坐标系xoy的坐标转换到坐标系x′o′y′：

　　首先，在初步检测到的交通标志图像中切出感兴趣区域ROI，然后利用Canny算子进行边缘检测，获得边缘坐标。

　　假设ROI的边缘是椭圆，依次对任意两个边缘坐标求欧式距离，得到最大的欧式距离dmax，认为此时的两个边缘坐标即为长轴端点（x1，y1）、（x2，y2）。计算椭圆的参数：

　　（x，y）和（x0，y0）转换到坐标系x′o′y′的坐标为（x′，y′）、（x0′，y0′），则：

　　将b取整存放在A中，A中最大的值就是b值。因为实际获取标志的边缘坐标点在椭圆曲线的周围，这导致b在一个小范围浮动，计算累加器A（b-2：b+2）的和得到椭圆相似度：

　　如果s大于某一阈值，则假设成立，该ROI就是一个圆形的交通标志。

3 实验结果

　　为验证上述算法的可行性，本文使用交通图像集Traffic Signs UAH Dataset[6]进行了一组实验。该图像集包括474张交通标志图像，其中包含圆形交通标志327个。

　　图3是一张包含1个圆形和1个三角形标志的图像，提取它的红色分量，进行孔洞填充，然后去除干扰区域，对其进行椭圆相似度检测，提取符合条件的圆形交通标志。从图中可以看出本算法可以很好地检测出圆形的交通标志。

　　交通标志检测结果分为成功检测、漏检和误检3类。检测结果的统计数据由表1给出。

　　通过表1的结果可以看出，算法有较高的检测率。漏检主要出现以下4种情况：（1）交通标志距离较远，面积较小，在去除干扰区域时被去除。实验表明，在车辆向前行驶中，该标志逐渐变大本算法即可以检测到它。（2）标志变形，导致形状不再近似椭圆，因此椭圆相似度较低。（3）标志褪色，无法在颜色分割时得到较完整的ROI，因此无法检测到。（4）标志之间粘连，不满足长宽比条件，被当做干扰区域去除。

　　误检主要是因为背景颜色和形状均与圆形的交通标志相似，这种情况较少，总体来说满足实际驾驶的要求。综上所述，本算法可以有效地检测圆形交通标志。

　　该实验进行的软硬件环境：操作系统为Windows7，使用MATLAB R2012b进行开发，处理器为Intel CORE i5，主频2.4 GHz，内存6 GB，平均检测时间为0.08 s，本算法能够满足车辆安全驾驶的实时性要求。

4 结论

　　本文提出了一种基于NRGB和椭圆相似度的交通标志检测算法，NRGB可以较大程度地减少光照变化的影响，通过颜色分割得到红、蓝、黄三种颜色分量，根据面积和长宽比去除大部分干扰区域后，再根据椭圆相似度判断获得的感兴趣区域是否是圆形。实验证明，该算法简单有效，能够满足圆形交通标志检测的有效性和实时性要求，但该算法对交通标志粘连的图像检测效果较差。综上所述，本算法能够检测圆形的交通标志，并取得较高的检测率和较低的误检率，为交通标志的识别奠定了基础。

参考文献

　　[1] KAMADA H， NAOI S， GOTOH T. A compact navigation system using image processing and fuzzy control[J]. in Proc. IEEE Southeast on， New Orleans， LA， 1990（1）：337-342.

　　[2] GOMEZ-MORENO H， MALDONADO-BASCON S， GIL-JIMENEZ P， et al. Goal evaluation of segmentation algorithms for traffic sign recognition[J]. IEEE Transactions on Intelligent Transportation Systesm， 2010，11（4）：917-930.

　　[3] 张霄，彭伟.基于Hough变换的圆形物体的检测[J].传感器与微系统，2006，25（4）：62-64.

　　[4] GARCIA-GARRIDO M， SOTELO M， MARTIN GOROSTIZA E. Fast traffic sign detection and recognition under changing lighting conditions[C]. Intelligent Transactions on System Conference， Toronto： ITSC， 2006：811-816.

　　[5] LIU Y， IKENAGA T， GOTO S. Geometrical， physical and text/symbol analysis based approach of traffic sign detection system[C]. Proceedings of IEEE Intelligent Vehicles Symposium， Tokyo， Japan， Jun. 2006：238-243.

　　[6] GRAM. Traffic Sign UAH Dataset[EB/OL].（2007-03-16）[2014-9-20]. http：//agamenon.tsc.uah.es/Investigacion/gram/traffic_signs.html.