本發(fā)明涉及一種道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，屬于環(huán)境感知輔助駕駛的技術(shù)領(lǐng)域。

背景技術(shù)：

隨著社會(huì)、經(jīng)濟(jì)的不斷進(jìn)步，我國(guó)的公路交通網(wǎng)建設(shè)得到了持續(xù)、快速的發(fā)展，汽車的保有數(shù)量增加，道路交通情況也變得越來(lái)越復(fù)雜。如今，道路上方或兩側(cè)的交通標(biāo)志種類和數(shù)量非常多。駕駛員在全神貫注駕駛汽車的同時(shí)，還要留意道路上設(shè)置的各種交通標(biāo)志，對(duì)駕駛員提出了較高的要求。對(duì)于駕駛技能不熟練的新手來(lái)說(shuō)，經(jīng)常出現(xiàn)忽視交通標(biāo)志，引起違章駕駛等情況。因此，設(shè)計(jì)一套道路交通標(biāo)志自動(dòng)檢測(cè)與識(shí)別系統(tǒng)對(duì)于輔助駕駛，提示駕駛員注意道路情況，確保交通安全，保障文明駕駛具有重要意義。與此同時(shí)，道路交通標(biāo)志自動(dòng)檢測(cè)與識(shí)別方法對(duì)于無(wú)人駕駛汽車的發(fā)展也具有實(shí)際意義。

根據(jù)《中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)gb5768[1].2-2009道路交通標(biāo)志和標(biāo)線》的規(guī)定，交通標(biāo)志形狀一般可分為：正等邊三角形、圓形、倒等邊三角形、八角形、叉形、方形。規(guī)定中對(duì)標(biāo)志的顏色、尺寸和式樣做了非常詳細(xì)而具體的規(guī)定。合格的道路交通標(biāo)志自動(dòng)檢測(cè)與識(shí)別系統(tǒng)應(yīng)能實(shí)時(shí)準(zhǔn)確地檢測(cè)出正等邊三角形、圓形、倒等邊三角形和方形等各種形狀的交通標(biāo)志。

目前國(guó)內(nèi)外一些學(xué)者對(duì)道路交通標(biāo)志識(shí)別方法開(kāi)展了研究。有的學(xué)者[1]用gabor小波與支持向量機(jī)識(shí)別交通標(biāo)志。該方法對(duì)于光照條件不敏感，但當(dāng)交通標(biāo)志出現(xiàn)幾何形變、旋轉(zhuǎn)、縮放等情況時(shí)，識(shí)別率不高。楊斐等[2]提出了一種分塊圖像特征與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合的識(shí)別方法，能解決灰度畸變、旋轉(zhuǎn)、平移等問(wèn)題，但采用圖像分塊的方法帶有較大的盲目性，在交通標(biāo)志檢測(cè)時(shí)容易漏檢。相關(guān)參考文獻(xiàn)：[1]谷明琴,蔡自興,何芬芬.形狀標(biāo)記圖和gabor小波的交通標(biāo)志識(shí)別[j].智能系統(tǒng)學(xué)報(bào),2011,06(6):526-530；[2]楊斐,王坤明,馬欣,等.應(yīng)用bp神經(jīng)網(wǎng)絡(luò)分類器識(shí)別交通標(biāo)志[j].計(jì)算機(jī)工程,2003,29(10):120-121。

雙線性插值算法、canny邊緣檢測(cè)算法、sobel邊緣檢測(cè)算法、hough變換檢測(cè)算法、lbp紋理特征提取算法、svm支持向量機(jī)是現(xiàn)有技術(shù)中圖像處理和模式識(shí)別常用的算法。

將hough變換檢測(cè)算法推廣到檢測(cè)曲線，稱為廣義霍夫變換(ght)。廣義霍夫變換是檢測(cè)圓的有效方法，但由于圓的半徑、坐標(biāo)有三個(gè)自由參數(shù)，采用廣義霍夫變換，計(jì)算量龐大、需要大量的內(nèi)存。概率霍夫變換(progressiveprobabilistichoughtransform，縮寫(xiě)為ppht)可有效克服上述缺陷。參考文獻(xiàn)：[3]matas,c.galambos,j.kittler.robustdetectionoflinesusingtheprogressiveprobabilistichoughtransform.comput.visionimageunderst.,78(1)(2000),pp.119–137。文獻(xiàn)：[4]袁理，葉露，賈建祿.基于hough變換的橢圓檢測(cè)算法[j].中國(guó)光學(xué)與應(yīng)用光學(xué),2010年8月,3(4):379-384.公開(kāi)了hough變換檢測(cè)橢圓的原理。文獻(xiàn)：[5]黎海兵,易衛(wèi)東.一種高效檢測(cè)圖像中是否有三角形的算法[j].中國(guó)圖象圖形學(xué)報(bào),2008,13(3):456-460.公開(kāi)了hough變換三角形檢測(cè)算法。文獻(xiàn)：[6]李強(qiáng)兵,劉文予.基于hough變換的快速矩形檢測(cè)算法[j].微計(jì)算機(jī)信息,2007,23(31):248-250.公開(kāi)了hough變換類正方形檢測(cè)算法。

lbp(局部二值模式，localbinarypatterns)是機(jī)器視覺(jué)領(lǐng)域中用于描述圖像局部紋理特征的算子，具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)。另外lbp最大的特點(diǎn)就是對(duì)光線等環(huán)境因素造成的灰度變化具有很好的魯棒性。原始的lbp算子定義為在3*3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)(通常轉(zhuǎn)換為十進(jìn)制數(shù)即lbp碼，共256種)，即得到該窗口中心像素點(diǎn)的lbp值，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息。

基本的lbp算子有著很大的缺陷，在于它只覆蓋了一個(gè)固定半徑范圍內(nèi)的小區(qū)域，不能滿足不同尺寸和頻率紋理的要求，而且基本的lbp并不具備旋轉(zhuǎn)不變性，也就是說(shuō)同一幅圖片發(fā)生了旋轉(zhuǎn)就會(huì)獲得不同的lbp值，除此之外基本的lbp還存在二進(jìn)制模式過(guò)多問(wèn)題，這對(duì)于紋理的識(shí)別、分類及信息的存取都是不利的。

為了克服以上這些問(wèn)題，研究人員還提出了圓形lbp算子、lbp旋轉(zhuǎn)不變模式、lbp等價(jià)模式等。文獻(xiàn)：[7]ojalat,pietikainenm,maenpaat.multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[j].ieeetransactionsonpatternanalysis&machineintelligence,2002,24(7):971-987.公開(kāi)了lbp等價(jià)模式的方法。

svm是一種典型的兩類分類器，其只會(huì)回答是否屬于正類的問(wèn)題。而現(xiàn)實(shí)中的問(wèn)題卻往往是多分類的問(wèn)題。由于svm最初是為了二值分類問(wèn)題設(shè)計(jì)的，所以使用兩類分類器解決多分類問(wèn)題，現(xiàn)在有兩中解決辦法：

直接法。這是一勞永逸的辦法，一次性考慮所有樣本，修改目標(biāo)函數(shù)，將多個(gè)分類面的求解合并到一個(gè)優(yōu)化問(wèn)題中。

間接法。常見(jiàn)的方法有“一類對(duì)余類法”和“一對(duì)一法”兩種。

a)一類對(duì)余類法。具體實(shí)現(xiàn)方法為：當(dāng)有m(m≥3)個(gè)類別需要分類時(shí)的步驟為：

step1：將第一類定義為正樣本，將其余類定義為負(fù)樣本進(jìn)行訓(xùn)練，這樣得到一個(gè)二類分類器；

step2：將第二類定義為正樣本，將其余類定義為負(fù)樣本進(jìn)行訓(xùn)練，這樣也得到一個(gè)二類分類器；

......

stepm：將第m類定義為正樣本，將其余類定義為負(fù)樣本進(jìn)行訓(xùn)練，這樣得到一個(gè)二類分類器；

stepm+1：判別，將輸入信號(hào)分別輸入經(jīng)過(guò)以上步驟得到的m個(gè)分類器，共得到m個(gè)輸出值，若只有一個(gè)“+1”出現(xiàn)，找到輸出“+1”信號(hào)的分類器，并以該分類器的正樣本的類別作為判別結(jié)果輸出。

b)一對(duì)一法。使用該方法時(shí)將會(huì)在任意兩個(gè)類之間創(chuàng)建一個(gè)分類器，因此同樣解決m(m≥3)個(gè)分類的問(wèn)題時(shí)，通過(guò)組合的計(jì)算公式

可得，將會(huì)有個(gè)二類分類器。當(dāng)進(jìn)行判決時(shí)，每個(gè)分類器都對(duì)其所屬的類別進(jìn)行判斷，并為其所屬的類“投票”，將票數(shù)最多的類別作為結(jié)果輸出。

上述實(shí)現(xiàn)多分類的方法都有其優(yōu)點(diǎn)與缺點(diǎn)，直接法的問(wèn)題主要在于一次性求解多個(gè)平面的最優(yōu)解，導(dǎo)致計(jì)算量太大，只能在小型項(xiàng)目中使用。而“一類對(duì)余類法”在訓(xùn)練的過(guò)程中會(huì)不可避免的產(chǎn)生數(shù)據(jù)集傾斜問(wèn)題(正負(fù)樣本嚴(yán)重不平衡)，這是最影響訓(xùn)練出來(lái)的分類器性能的情況。除此之外“一類對(duì)余類法”還會(huì)產(chǎn)生多輸出(不止一個(gè)分類器輸出了+1)和無(wú)輸出(沒(méi)有分類器輸出+1)的情況，但“一類對(duì)余類法”的優(yōu)點(diǎn)在于分類的速度比較快。“一對(duì)一法”最大的不足在于當(dāng)m(類別數(shù))增大時(shí)需要的二類分類器數(shù)量關(guān)于m的二次函數(shù)增長(zhǎng)，但“一對(duì)一法”的優(yōu)勢(shì)在于它總能輸出一個(gè)類別，不會(huì)出現(xiàn)無(wú)輸出的情況。

透視變換也是圖像處理中常用的一種方法。文獻(xiàn)[8]代勤,王延杰,韓廣良.基于改進(jìn)hough變換和透視變換的透視圖像矯正[j].液晶與顯示,2012,27(4):552-556.公開(kāi)了透視變換的具體過(guò)程。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法。

術(shù)語(yǔ)說(shuō)明：

svm：支持向量機(jī)svm(supportvectormachine)是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類以及回歸分析。

發(fā)明概述：

本發(fā)明基于自動(dòng)檢測(cè)識(shí)別系統(tǒng)實(shí)現(xiàn)，所述自動(dòng)檢測(cè)識(shí)別系統(tǒng)包括，交通標(biāo)志采集模塊、交通標(biāo)志檢測(cè)處理模塊和交通標(biāo)志識(shí)別模塊。交通標(biāo)志采集模塊用于采集行車視頻。交通標(biāo)志檢測(cè)處理模塊對(duì)采集到的視頻進(jìn)行處理，檢測(cè)出含有交通標(biāo)志的圖像幀，并對(duì)興趣區(qū)域進(jìn)行提取。交通標(biāo)志識(shí)別模塊用于對(duì)提取的興趣區(qū)域圖像進(jìn)行分類和識(shí)別。

本發(fā)明的技術(shù)方案為：

一種道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，基于自動(dòng)檢測(cè)識(shí)別系統(tǒng)實(shí)現(xiàn)，所述自動(dòng)檢測(cè)識(shí)別系統(tǒng)包括，交通標(biāo)志采集模塊、交通標(biāo)志檢測(cè)處理模塊和交通標(biāo)志識(shí)別模塊；所述道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法包括步驟如下：

1)所述交通標(biāo)志采集模塊采集行車環(huán)境中道路上方及道路兩側(cè)的圖像；

2)所述交通標(biāo)志檢測(cè)處理模塊對(duì)步驟1)采集的圖像進(jìn)行處理：

2.1)采用雙線性插值算法將步驟1)采集的圖像縮放為統(tǒng)一分辨率大小，得到第二交通環(huán)境圖像；

2.2)將步驟2.1)處理得到的第二交通環(huán)境圖像進(jìn)行分支處理；

2.2.1)利用sobel邊緣檢測(cè)算法對(duì)所述第二交通環(huán)境圖像進(jìn)行檢測(cè)，得到彩色邊緣圖像image1，并將所述彩色邊緣圖像image1灰度變換為灰度圖像image2；灰度變換是現(xiàn)有技術(shù)中常用的圖像處理方法。

2.2.2)直接對(duì)所述第二交通環(huán)境圖像進(jìn)行灰度處理：利用canny邊緣檢測(cè)算子檢測(cè)第二交通環(huán)境圖像的邊緣，得到灰度邊緣圖像image3；利用hough檢測(cè)灰度邊緣圖像image3中的興趣區(qū)域；分別輸出興趣區(qū)域內(nèi)不同形狀交通標(biāo)志對(duì)應(yīng)的x-y平面參數(shù)；所述興趣區(qū)域是指圖像中包含交通標(biāo)志的區(qū)域。x-y平面參數(shù)是指不同形狀的交通標(biāo)志對(duì)應(yīng)的坐標(biāo)參數(shù)，對(duì)于圓形交通標(biāo)志，x-y平面參數(shù)是指圓的圓心坐標(biāo)和圓的半徑；對(duì)于三角形交通標(biāo)志是指三角形三個(gè)頂點(diǎn)的坐標(biāo)；對(duì)于橢圓交通標(biāo)志是指橢圓一般方程中的五個(gè)參數(shù)；對(duì)于類正方形交通標(biāo)志是指四個(gè)頂點(diǎn)的坐標(biāo)。

2.3)利用步驟2.2.2)得到的x-y平面參數(shù)，對(duì)所述灰度圖像image2進(jìn)行提取，忽略興趣區(qū)域外的像素，只保留興趣區(qū)域內(nèi)的像素，得到提取圖像image4；經(jīng)過(guò)大量實(shí)驗(yàn)驗(yàn)證，灰度圖像image2中包含的紋理細(xì)節(jié)比使用canny算子所提取出的灰度邊緣圖像image3包含的紋理細(xì)節(jié)信息量大，具有更好的分類效果；因此，我們?cè)诨叶葓D像image2中提取興趣區(qū)域。

2.4)對(duì)所述提取圖像image4進(jìn)行歸一化處理得到標(biāo)準(zhǔn)圖像image5；

因拍攝視角的問(wèn)題，導(dǎo)致采集的圖像可能會(huì)出現(xiàn)幾何形變，因此，將興趣區(qū)域圖像，歸一化處理成標(biāo)準(zhǔn)圓形、標(biāo)準(zhǔn)等邊三角形、標(biāo)準(zhǔn)正方形，得到標(biāo)準(zhǔn)圖像image5，用于后續(xù)模塊訓(xùn)練或識(shí)別。

3)交通標(biāo)志識(shí)別模塊對(duì)標(biāo)準(zhǔn)圖像image5進(jìn)行訓(xùn)練和識(shí)別分類檢測(cè)；

3.1)分類器訓(xùn)練：將所述標(biāo)準(zhǔn)圖像image5以圖片文件的形式作為訓(xùn)練圖像保存到存儲(chǔ)器中，當(dāng)存儲(chǔ)器中訓(xùn)練圖像的數(shù)目達(dá)到n后，開(kāi)始訓(xùn)練過(guò)程；訓(xùn)練過(guò)程具體如下：提取每張訓(xùn)練圖像的lbp紋理特征；設(shè)置p個(gè)svm，分別對(duì)訓(xùn)練圖像的lbp紋理特征進(jìn)行訓(xùn)練，生成分類器模型文件，用于識(shí)別分類檢測(cè)；

3.2)識(shí)別分類檢測(cè)：對(duì)所述標(biāo)準(zhǔn)圖像image5進(jìn)行l(wèi)bp紋理特征提取，使用p個(gè)svm同時(shí)對(duì)標(biāo)準(zhǔn)圖像image5進(jìn)行識(shí)別分類后對(duì)各svm識(shí)別分類的結(jié)果進(jìn)行評(píng)估：當(dāng)各svm對(duì)標(biāo)準(zhǔn)圖像image5的識(shí)別分類結(jié)果一致時(shí)，輸出識(shí)別分類結(jié)果；當(dāng)p個(gè)識(shí)別分類結(jié)果不一致時(shí)，認(rèn)為所識(shí)別的圖像不具備分類特征，不予處理；這樣在一定程度上可以減少分類錯(cuò)誤情況的發(fā)生；

4)重復(fù)步驟1)-3)。步驟1)-3)會(huì)不斷重復(fù)直至檢測(cè)結(jié)束；但是，在樣本不變的情況下，對(duì)所有樣本的訓(xùn)練只進(jìn)行一次，對(duì)模型文件的加載只進(jìn)行一次，即步驟3.1)只進(jìn)行一次即可。

根據(jù)本發(fā)明優(yōu)選的，所述交通標(biāo)志檢測(cè)處理模塊的程序在圖像處理器中運(yùn)行。

進(jìn)一步優(yōu)選的，所述步驟1)中，所述交通標(biāo)志采集模塊通過(guò)車載攝像機(jī)實(shí)時(shí)拍攝行車環(huán)境中的道路上方及道路兩側(cè)的圖像并存入內(nèi)存，供圖像處理器讀取；車載攝像機(jī)的圖像采集速率為30幀/秒或25幀/秒；圖像處理器內(nèi)設(shè)定有軟件定時(shí)器，間隔時(shí)間t讀取內(nèi)存中的圖像信息。

根據(jù)本發(fā)明優(yōu)選的，所述步驟2.1)中采用雙線性插值算法將步驟1)采集的圖像縮放為統(tǒng)一分辨率320×240；所述標(biāo)準(zhǔn)圖像image5的像素為60×60。攝像機(jī)拍攝到的圖像分辨率可能不同，先處理為320×240再做進(jìn)一步處理。

根據(jù)本發(fā)明優(yōu)選的，所述p＝4；4個(gè)svm分別為linear線性核、2個(gè)poly多項(xiàng)式核、rbf徑向基核；每個(gè)svm設(shè)置有不同的參數(shù)。

進(jìn)一步優(yōu)選的，所述svm的參數(shù)包括懲罰因子。

根據(jù)本發(fā)明優(yōu)選的，所述步驟2.2.2)中通過(guò)ppht檢測(cè)處理目標(biāo)區(qū)域內(nèi)圓形的方法如下：

a1、將采集到的連續(xù)多幀圖像，按步驟2.2.1)的方法轉(zhuǎn)化成灰度邊緣圖像image3(1),image3(2),……，image3(p)；

a2、在每一張灰度邊緣圖像image3(1),image3(2),……，image3(p)中使用ppht算法找圓，將所有圓的x-y平面參數(shù)存入同一個(gè)原始矩陣mt0中，原始矩陣mt0共3列，i行，i表示檢測(cè)到的圓的總數(shù)量；所述圓的x-y平面參數(shù)包括，圓心的x坐標(biāo)、圓心的y坐標(biāo)和圓的半徑r；所述原始矩陣mt0的第1列用于保存檢測(cè)到的圓的圓心x坐標(biāo)，所述原始矩陣mt0的第2列用于保存檢測(cè)到的圓的圓心y坐標(biāo)，所述原始矩陣mt0的第3列用于保存檢測(cè)到的圓的半徑r；

a3、檢測(cè)原始矩陣mt0的行數(shù)i，如果原始矩陣mt0的行數(shù)i＜m，則判定原始矩陣mt0中對(duì)應(yīng)的圓為誤差圓，清空原始矩陣mt0并回到步驟1)；如果原始矩陣mt0中的行數(shù)i≥m，則進(jìn)行步驟a4；當(dāng)檢測(cè)到的圓的數(shù)量較低時(shí)，則判定圖像中實(shí)際不存在圓，所檢測(cè)到的少數(shù)圓只是誤差圓。

a4、對(duì)原始矩陣mt0依次進(jìn)行x分組、y分組和r分組處理，處理同心圓問(wèn)題，輸出目標(biāo)圓參數(shù)；

交通標(biāo)志圖像中的圓形圖像邊緣常常包含多個(gè)同心圓，通過(guò)在多個(gè)同心圓中選取半徑最大的圓作為興趣區(qū)域，實(shí)現(xiàn)對(duì)興趣區(qū)域的準(zhǔn)確定位；上述步驟是對(duì)連續(xù)的p幀圖像所進(jìn)行的處理，檢測(cè)興趣區(qū)域內(nèi)的圓形；

進(jìn)一步優(yōu)選的，x分組的具體步驟如下：

x1：將所述原始矩陣mt0中每一行作為一個(gè)整體，按第1列元素x的大小升序或降序排序；排序后的原始矩陣記為mt1；

設(shè)矩陣mt1為：

x2：將矩陣mt1進(jìn)行x分組，得到x分組子矩陣，具體方法如下：

依次計(jì)算數(shù)組(x1)的方差dx1，數(shù)組(x1，x2)的方差dx2，數(shù)組(x1，x2，x3)的方差dx3，……，數(shù)組(x1，x2，…，xk1)的方差dxk1，數(shù)組(x2，x3，…，xk1+1)的方差dx(k1+1)，數(shù)組(x3，x4，…，xk1+2)的方差dx(k1+2)，……，數(shù)組(xn-k1，xn-k1+1，…，xn-1，xn)的方差dxn，直至dxn≥σx；k1表示計(jì)算方差時(shí)所選取的元素的最大數(shù)量；為保證所計(jì)算出方差的有效性，規(guī)定了計(jì)算方差用數(shù)組的元素個(gè)數(shù)上限k1；

x3：檢查當(dāng)前行號(hào)n，如果n＜lx，則刪除矩陣mt1中的前n-1行，得到矩陣mt2；如果n≥lx，則將矩陣mt1的前n-1行抽取出來(lái)作為矩陣mt1的第1個(gè)x分組子矩陣，記為mtx1；將矩陣mt1的前n-1行刪除，作為矩陣mt2；其中，lx為x分組最少行閾值，如果n＜lx，則認(rèn)為該分組矩陣內(nèi)的圓數(shù)量太少,為誤差圓；

矩陣mtx1為：

矩陣mt2為：

x4：對(duì)矩陣mt2重復(fù)步驟x2和x3，依次得到第2個(gè)x數(shù)組子矩陣mtx2、第3個(gè)x數(shù)組子矩陣mtx3、……、第z個(gè)x分組子矩陣mtxz，直到將矩陣mt1內(nèi)所有數(shù)據(jù)進(jìn)行了x分組處理；

y分組的具體步驟如下：

y1：將x分組子矩陣中每一行為一個(gè)整體，按照第2列元素的大小升序或降序排列；排序后的矩陣記為mtxa1；

y2：將矩陣mtxa1中每一行為一個(gè)整體進(jìn)行y分組，得到y(tǒng)分組子矩陣，具體方法如下：

設(shè)矩陣mtxa1為：

依次計(jì)算數(shù)組(ya)的方差dy1，數(shù)組(ya，yb)的方差dy2，數(shù)組(ya，yb，yc)的方差dy3，數(shù)組(ya，yb，…，yk2)的方差dyk2，數(shù)組(yb，yc，…，yk2+1)的方差dy(k2+1)，數(shù)組(yc，yd，…，yk2+2)的方差dy(k2+2)，……，數(shù)組(yn-k2，yn-k2+1，…，yn-1，yn)的方差dyn；直至dyn≥σy，停止方差計(jì)算；k2表示計(jì)算方差時(shí)所選取的元素的最大數(shù)量；為保證所計(jì)算出方差的有效性，規(guī)定了計(jì)算方差用數(shù)組的元素個(gè)數(shù)上限k2；

y3：檢查當(dāng)前行號(hào)n，如果n＜ly，刪除矩陣mtxx1的前n-1行，生成矩陣mtxb1；如果n≥ly，則將矩陣mtxx1的前n-1行抽取出來(lái)，作為矩陣mtxa1的第1個(gè)y分組子矩陣，記為mtx1y1；將矩陣mtxx1的前n-1行刪除，作為矩陣mtxb1；其中，ly為y分組最少行閾值；

矩陣mtxx1生成的第1個(gè)y分組子矩陣mtx1y1為：

y4：對(duì)矩陣mtxb1重復(fù)步驟y2和y3，依次得到第2個(gè)y數(shù)組子矩陣mtx1y2、第3個(gè)y數(shù)組子矩陣mtx1y3、……、第w個(gè)y分組子矩陣mtx1yw，直到將矩陣mtxx1內(nèi)所有數(shù)據(jù)進(jìn)行了y分組處理；

y5：將x分組后得到的其他子矩陣mtx2、mtx3、……、mtxz逐次執(zhí)行步驟y1～步驟y4，最終得到x、y兩步分組后的子矩陣：mtx1y1、mtx1y2、…、mtx1yw；mtx2y1、mtx2y2、…、mtx2yu；……；mtxzy1、mtxzy2、…、mtxzyv。

經(jīng)過(guò)x分組和y分組后，得到的每一個(gè)子矩陣內(nèi)的圓數(shù)據(jù)均為同心圓數(shù)據(jù)，半徑可能不同，但圓心一致或接近；后續(xù)所述r分組目的是從眾多同心圓中，選取半徑較大且接近的圓求半徑平均值，作為目標(biāo)圓進(jìn)行提取。

r分組的具體步驟如下：

r1：將y分組得到的第1個(gè)y分組子矩陣按照第3列元素r的大小降序排序；排序后的矩陣記為mtx1y1r；

r2：將矩陣mtx1y1r中每一行作為一個(gè)整體，按照第3列元素r的大小進(jìn)行分組，僅保留第一個(gè)r分組，即r值最大的一個(gè)分組，其余數(shù)據(jù)表示同心圓中半徑較小的圓，予以刪除；具體方法如下：

設(shè)排序后的矩陣mtx1y1r為：

依次計(jì)算數(shù)組(r13)的方差dr1，數(shù)組(r13，r23)的方差dr2，數(shù)組(r13，r23，r33)的方差dr3，數(shù)組(r13，r23，…,r(k3)3)的方差d(k3)3，數(shù)組(r23，r33，…,r(k3)3)的方差d(k3+1)3，……，數(shù)組(rn-k3，rn-k3+1，…，rn-1，rn)的方差drn,直至drn≥σr，停止方差計(jì)算；k3表示計(jì)算方差時(shí)所選取的元素的最大數(shù)量，為保證所計(jì)算出方差的有效性，規(guī)定了計(jì)算方差用數(shù)組的元素個(gè)數(shù)上限k3；

r3：檢查當(dāng)前行號(hào)n，如果n＜lr，刪除矩陣mtx1y1r的前n-1行，生成矩陣mtx1y1rb,將mtx1y1rb返回步驟r2替代矩陣mtx1y1r重新進(jìn)行提??；如果n≥lr，則將矩陣mtx1y1r的前n-1行抽取出來(lái)，作為矩陣mtx1y1r的第1個(gè)r分組子矩陣，記為mtx1y1r1；對(duì)矩陣mtx1y1r中的其他數(shù)據(jù)不再處理；其中，lr為r分組最少行閾值；

當(dāng)n≥lr時(shí)，矩陣mtx1y1r生成的第1個(gè)r分組子矩陣mtx1y1r1為：

r4：將矩陣mtx1y1r1中每一列元素求平均值，得到對(duì)應(yīng)目標(biāo)圓的參數(shù)(avr_x，avr_y，avr_r)；

r5：將所述y分組得到的子矩陣mtx1y2、…、mtx1yw；mtx2y1、mtx2y2、…、mtx2yu；……；mtxzy1、mtxzy2、…、mtxzyv分別執(zhí)行上述步驟r1-r4；分別求出每個(gè)目標(biāo)圓的參數(shù)。

hough變換僅僅查找邊緣點(diǎn)的排列方式，由于意外的像素排列以及噪聲的影響，很有可能帶來(lái)錯(cuò)誤檢測(cè)；因此，采取算法盡量避免誤檢測(cè)的發(fā)生，并在多個(gè)同心圓中選取半徑最大的圓作為興趣區(qū)域，這是非常有必要的。

當(dāng)用ppht變換檢測(cè)圖像中的圓時(shí)，容易出現(xiàn)誤檢測(cè)(即將圖像中的其他區(qū)域偶然檢測(cè)成了圓)?；蛘咭壮霈F(xiàn)所檢測(cè)到的目標(biāo)圓區(qū)域中包含同心圓(圓心相同或接近，半徑不同)；在x、y、r分組過(guò)程中，除了解決同心圓的問(wèn)題外，還把誤差圓排除掉。當(dāng)連續(xù)多幀中，檢測(cè)到同一個(gè)圓的次數(shù)較多時(shí)，認(rèn)為是有效目標(biāo)圓，當(dāng)檢測(cè)到同一個(gè)圓的次數(shù)較少時(shí)，認(rèn)為是誤差，予以排除。

根據(jù)本發(fā)明優(yōu)選的，所述步驟2.2.2)中興趣區(qū)域內(nèi)交通標(biāo)志的形狀包括，圓形、橢圓形、三角形和類正方形。

進(jìn)一步優(yōu)選的，所述步驟2.4)中，對(duì)所述提取圖像image4進(jìn)行歸一化處理的具體方法如下：

根據(jù)透視變換的原理，二維圖像經(jīng)過(guò)透視變換后的新坐標(biāo)為：

其中(x，y)是原圖像的像素坐標(biāo)，(u，v)是透視變換后圖像的像素坐標(biāo)，a，b，c，d，e，f，m，l是透視變換參數(shù)；

式(2)的矩陣形式為：

在原圖像中的四個(gè)像素點(diǎn)坐標(biāo)記為(x1，y1)(x2，y2)(x3，y3)(x4，y4)，相應(yīng)的透視變換后圖像中對(duì)應(yīng)點(diǎn)的坐標(biāo)記為(u1，v1)(u2，v2)(u3，v3)(u4，v4)，可得：

將式(4)記為：b＝am(5)

則：m＝a^-1b(6)

由(2)式得：

用矩陣可表示為：

透視變換的反變換公式：

橢圓幾何校正算法：

e1)橢圓的一般方程為：

ax²+bxy+cy²+dx+ey+1＝0(10)

長(zhǎng)軸傾角為θ：

橢圓的圓心坐標(biāo)為：

橢圓的長(zhǎng)、短半軸的長(zhǎng)度分別為a和b，滿足：

e2)橢圓的最小外接矩形aebecede的四個(gè)頂點(diǎn)坐標(biāo)分別為：

e3)設(shè)透視變換后圓的半徑為r，透視變換后的圓的最小外接正方形eefegehe的四個(gè)頂點(diǎn)坐標(biāo)分別為：ee(0，0)；fe(2r，0)；ge(2r，2r)；he(0，2r)；

e4)將變換前后的四個(gè)點(diǎn)對(duì)代入公式(6)，得到透視參數(shù)矩陣m；

e5)利用透視反變換公式(9)，求出透視變換后的圖像中整數(shù)像素點(diǎn)坐標(biāo)對(duì)應(yīng)在原始圖像中的浮點(diǎn)數(shù)坐標(biāo)位置；

e6)利用雙線性插值算法，遍歷透視變換后的圖像中每個(gè)像素點(diǎn)，求取每個(gè)像素點(diǎn)的灰度值，得到歸一化后的圖像；

三角形幾何校正算法：

t1)在三角形atbtct頂點(diǎn)上構(gòu)建一個(gè)外接平行四邊形atbtdtet，三角形的底邊atbt作為平行四邊形atbtdtet的一個(gè)邊，三角形頂點(diǎn)ct作為平行四邊形atbtdtet另一個(gè)邊dtet的中點(diǎn)；

t2)通過(guò)hough變換三角形檢測(cè)算法，檢測(cè)三角形的三個(gè)頂點(diǎn)坐標(biāo)分別為：at(x1,y1)；bt(x2,y2)；ct(x3,y3)；則，平行四邊形atbtdtet的四個(gè)頂點(diǎn)的坐標(biāo)分別為：at(x1,y1)；bt(x2,y2)；

t3)設(shè)透視變換后等邊三角形的邊長(zhǎng)為w，透視變換后等邊三角形外接矩形的四個(gè)頂點(diǎn)坐標(biāo)分別為：ft(0，0)；gt(w，0)；

t4)將透視變換前后的四個(gè)點(diǎn)代入公式(6)，得到透視參數(shù)矩陣m；

t5)利用透視反變換公式(9)，求出透視變換后的圖像中整數(shù)像素點(diǎn)坐標(biāo)對(duì)應(yīng)在原始圖像中的浮點(diǎn)數(shù)坐標(biāo)；

t6)利用雙線性插值算法，遍歷透視變換后圖像中每個(gè)像素點(diǎn)，求取每個(gè)像素點(diǎn)的灰度值，得到歸一化后的圖像；

類正方形幾何校正算法：

s1)類正方形asbscsds頂點(diǎn)坐標(biāo)分別為：as(x1，y1)；bs(x2，y2)；cs(x3，y3)；ds(x4，y4)；設(shè)透視變換后正方形的邊長(zhǎng)為w，透視變換后正方形esfshsgs的四個(gè)頂點(diǎn)坐標(biāo)分別為：es(0，0)；fs(w，0)；hs(w，w)；gs(0，w)；將變換前后的四個(gè)點(diǎn)對(duì)全部求出后，代入公式(6)，得到透視參數(shù)矩陣m；

s2)利用透視反變換公式(9)，求出新圖像中的整數(shù)像素點(diǎn)坐標(biāo)對(duì)應(yīng)在原始圖像的浮點(diǎn)數(shù)坐標(biāo)；

s3)利用雙線性插值算法，遍歷透視變換后圖像中每個(gè)像素點(diǎn)，求取每個(gè)像素點(diǎn)的灰度值，得到歸一化后的圖像；

本發(fā)明的有益效果為：

1.本發(fā)明所述道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，識(shí)別交通標(biāo)志種類多、精度高、識(shí)別準(zhǔn)確性高、魯棒性好；并有效降低了光照、幾何形變、旋轉(zhuǎn)等影響，具有較高的抗干擾能力；

2.本發(fā)明通過(guò)對(duì)原始矩陣內(nèi)的數(shù)據(jù)依次進(jìn)行x分組、y分組和r分組，有效避免了誤檢測(cè)和同心圓問(wèn)題，提高檢測(cè)的準(zhǔn)確性；

3.本發(fā)明所述橢圓歸一化校正算法，將幾何失真的圓形交通標(biāo)志處理成標(biāo)準(zhǔn)的圓形，盡量少的丟失像素，為后續(xù)識(shí)別檢測(cè)提供了標(biāo)準(zhǔn)的圓形圖像，避免了因拍攝角度造成的交通標(biāo)志幾何失真而引起的漏檢測(cè)；

4.本發(fā)明所述三角形歸一化校正算法，將幾何失真的三角形交通標(biāo)志處理成標(biāo)準(zhǔn)的等邊三角形，盡量少的丟失像素，為后續(xù)識(shí)別檢測(cè)提供了標(biāo)準(zhǔn)的等邊三角形圖像，避免了因拍攝角度造成的交通標(biāo)志幾何失真而引起的漏檢測(cè)；

5.本發(fā)明所述類正方形歸一化校正算法，將幾何失真的正方形交通標(biāo)志處理成標(biāo)準(zhǔn)的正方形，且盡量少的丟失像素，為后續(xù)識(shí)別檢測(cè)提供了標(biāo)準(zhǔn)的正方形圖像，避免了因拍攝角度造成的交通標(biāo)志幾何失真而引起的漏檢測(cè)；

6.本發(fā)明所述svm仲裁器表決方法，有效減少了分類錯(cuò)誤的可能性；

7.本發(fā)明基于canny邊緣檢測(cè)與sobel邊緣檢測(cè)相結(jié)合的方法，可準(zhǔn)確的檢測(cè)出圖像邊緣，且保留了sobel邊緣提取圖像中的紋理特征，為后續(xù)檢測(cè)提供了充足的信息。

附圖說(shuō)明

圖1為原始圖像；

圖2為灰度處理后的圖像；

圖3為彩色邊緣圖像image1；

圖4為灰度圖像image2；

圖5為灰度邊緣圖像image3；

圖6為在灰度邊緣圖像image3中提取的興趣區(qū)域圖像；

圖7為在灰度圖像image2中提取的興趣區(qū)域圖像；

圖8為雙線性插值算法原理示意圖；

圖9為sobel算子垂直方向的模板；

圖10為sobel算子水平方向的模板；

圖11為對(duì)同心圓的處理的方法流程圖；

圖12為x分組、y分組和r分組的方法示意圖；

圖13圓形提取未分組圖像；

圖14為x分組、y分組和r分組的處理后的圖像；

圖15為識(shí)別分類檢測(cè)的方法流程圖；

圖16為本發(fā)明所述道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法整體流程圖。

圖17為實(shí)施例10中變換前橢圓的示意圖；

圖18為實(shí)施例10中變換后圓的示意圖；

圖19為實(shí)施例11中變換前三角形的示意圖；

圖20為實(shí)施例11中變換后三角形的示意圖；

圖21為實(shí)施例12中變換前類正方形的示意圖；

圖22為實(shí)施例12中變換后正方形的示意圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例和說(shuō)明書(shū)附圖對(duì)本發(fā)明做進(jìn)一步說(shuō)明，但不限于此。

實(shí)施例1

一種道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，基于自動(dòng)檢測(cè)識(shí)別系統(tǒng)實(shí)現(xiàn)，所述自動(dòng)檢測(cè)識(shí)別系統(tǒng)包括，交通標(biāo)志采集模塊、交通標(biāo)志檢測(cè)處理模塊和交通標(biāo)志識(shí)別模塊(所述自動(dòng)檢測(cè)識(shí)別系統(tǒng)為基于pc機(jī)的硬件系統(tǒng))；所述道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法包括步驟如下：

1)所述交通標(biāo)志采集模塊采集行車環(huán)境中道路上方及道路兩側(cè)的圖像；

2)所述交通標(biāo)志檢測(cè)處理模塊對(duì)步驟1)采集的圖像進(jìn)行處理：

2.1)采用雙線性插值算法將步驟1)采集的圖像縮放為統(tǒng)一分辨率大小，得到第二交通環(huán)境圖像；

2.2)將步驟2.1)歸一化處理得到的第二交通環(huán)境圖像進(jìn)行分支處理；

2.2.1)利用sobel邊緣檢測(cè)算法對(duì)所述第二交通環(huán)境圖像進(jìn)行檢測(cè)，得到彩色邊緣圖像image1，并將所述彩色邊緣圖像image1通過(guò)灰度變換變換為灰度圖像image2；灰度變換是現(xiàn)有技術(shù)中常用的圖像處理方法。

sobel邊緣檢測(cè)算子是由兩個(gè)卷積核g1(x,y)與g2(x,y)對(duì)原圖像f(x,y)進(jìn)行卷積運(yùn)算而得到的，是現(xiàn)有技術(shù)中常用的一種圖像處理方式。其數(shù)學(xué)表達(dá)式為：

sobel邊緣檢測(cè)算子所采用的算法是先進(jìn)行加權(quán)平均，然后進(jìn)行微分運(yùn)算，可以用差分代替一階偏導(dǎo)，算子的計(jì)算方法如下：

sobel算子垂直方向和水平方向的模板如圖9、圖10所示，前者可以檢測(cè)出圖像中水平方向的邊緣，后者則可以檢測(cè)圖像中垂直方向的邊緣。圖像中每一個(gè)像素點(diǎn)都用這兩個(gè)卷積核進(jìn)行卷積運(yùn)算，取其最大值作為輸出。運(yùn)算結(jié)果是一幅體現(xiàn)邊緣幅度的圖像。

2.2.2)直接對(duì)所述第二交通環(huán)境圖像進(jìn)行灰度處理：利用canny邊緣檢測(cè)算子檢測(cè)第二交通環(huán)境圖像的邊緣，得到灰度邊緣圖像image3；利用hough檢測(cè)灰度邊緣圖像image3中的興趣區(qū)域；分別輸出興趣區(qū)域內(nèi)不同形狀交通標(biāo)志對(duì)應(yīng)的x-y平面參數(shù)；興趣區(qū)域內(nèi)交通標(biāo)志的形狀包括為圓形；

canny邊緣檢測(cè)算子是現(xiàn)有技術(shù)中對(duì)圖像進(jìn)行處理的常用方法。根據(jù)邊緣檢測(cè)的有效性和定位的可靠性，canny給出評(píng)價(jià)邊緣檢測(cè)性能的三個(gè)指標(biāo)：

①高的準(zhǔn)確性，檢測(cè)結(jié)果中應(yīng)盡量多的包含真正的邊緣，而盡量少的包含假邊緣。

②高的精確度，檢測(cè)到的邊緣應(yīng)該在真正的邊界上。

③單像素寬，要有很高的選擇性，對(duì)每個(gè)邊緣有唯一的響應(yīng)。

針對(duì)這三個(gè)指標(biāo)，canny提出了用于邊緣檢測(cè)的一階微分濾波器h'(x)的三個(gè)最優(yōu)化標(biāo)準(zhǔn)則，即最大信噪比準(zhǔn)則、最優(yōu)過(guò)零點(diǎn)定位準(zhǔn)則和單邊緣響應(yīng)準(zhǔn)則。具體如下：

(a)信噪比準(zhǔn)則

式中，g(x)為邊緣函數(shù)；h(x)為帶寬為w的低通濾波器的脈沖響應(yīng)；σ是高斯噪聲的均方差。

(b)定位精確度準(zhǔn)則

l為邊緣的定位精度，定義如下：

式中，g'(x)和h'(x)為g(x)和h(x)的一階導(dǎo)數(shù)；l是對(duì)邊緣定位精確程度的度量，l越大定位精度越高。

(c)單邊緣響應(yīng)準(zhǔn)則

要保證對(duì)但邊緣只有一個(gè)響應(yīng)，檢測(cè)算子的脈沖響應(yīng)導(dǎo)數(shù)的零交叉點(diǎn)平均距離應(yīng)該滿足：

式中，h”(x)是h(x)的二階導(dǎo)數(shù)；f'是進(jìn)行邊緣檢測(cè)后的圖像。

這三個(gè)準(zhǔn)則是對(duì)前述邊緣檢測(cè)指標(biāo)的定量描述。對(duì)于階躍形的邊緣，canny推導(dǎo)出的最優(yōu)邊緣檢測(cè)器的形狀與高斯函數(shù)的一階導(dǎo)數(shù)類似，因此canny邊緣檢測(cè)器就是高斯函數(shù)的一階導(dǎo)數(shù)構(gòu)成的。高斯函數(shù)是圓對(duì)稱的，因此，canny算子在邊緣方向上是對(duì)稱的，在垂直于邊緣的方向上是反對(duì)稱的。

設(shè)二維高斯函數(shù)為：其中，σ是高斯函數(shù)的分布參數(shù)，可用以控制對(duì)圖像的平滑程度。最優(yōu)階躍邊緣檢測(cè)算子以卷積▽g*f(x,y)為基礎(chǔ)的，邊緣強(qiáng)度為|▽g*f(x,y)|，而邊緣方向?yàn)?imgfile="bda0001280206120000122.gif"wi="394"he="135"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>

從高斯函數(shù)的定義可知，該函數(shù)是無(wú)限拖尾的，在實(shí)際應(yīng)用中，一般情況下是將原始模板截?cái)嗟接邢蕹叽鏽。本專利中實(shí)驗(yàn)表明，當(dāng)時(shí)，能夠獲得較好的邊緣檢測(cè)結(jié)果。下面給出canny算子的具體實(shí)現(xiàn)。

利用高斯函數(shù)的可分性，將▽g的兩個(gè)濾波卷積模板分解為兩個(gè)一維的行列濾波器：

其中，

可見(jiàn)，h1(x)＝xh2(x),h1(y)＝y(tǒng)h2(y)，k為常數(shù)。

然后把這兩個(gè)模板分別與f(x,y)進(jìn)行卷積，得到

令則a(i,j)反映邊緣強(qiáng)度，a(i,j)為垂直于邊緣的方向。

根據(jù)canny的定義，中心邊緣點(diǎn)為算子gn與圖像f(x,y)的卷積在邊緣梯度方向上的區(qū)域中的最大值。這樣，就可以在每一點(diǎn)的梯度方向上判斷此點(diǎn)強(qiáng)度是否為其領(lǐng)域的最大值來(lái)確定該點(diǎn)是否為邊緣點(diǎn)。當(dāng)一個(gè)像素滿足以下三個(gè)條件時(shí)，則被認(rèn)為是圖像的邊緣點(diǎn)。

1)該點(diǎn)的邊緣強(qiáng)度大于沿該點(diǎn)梯度方向的兩個(gè)相鄰像素點(diǎn)的邊緣強(qiáng)度；

2)與該點(diǎn)梯度方向上相鄰兩點(diǎn)方向差小于45°；

3)以該點(diǎn)為中心的3×3領(lǐng)域中的邊緣強(qiáng)度極大值小于某個(gè)閾值。

此外，如果1)和2)同時(shí)被滿足，那么在梯度方向上的相鄰像素就從候選邊緣點(diǎn)中取消，條件3)相當(dāng)于區(qū)域梯度最大值組成的閾值圖像與邊緣點(diǎn)進(jìn)行匹配，這一過(guò)程消除了許多虛假的邊緣點(diǎn)。

canny邊緣檢測(cè)算子步驟如下：step1：用高斯濾波器對(duì)圖像進(jìn)行濾波消噪；step2：用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度的幅值和方向；step3：對(duì)梯度幅值進(jìn)行非極大值抑制；step4：用雙閾值算法檢測(cè)和連接邊緣。

2.3)利用步驟2.2.2)得到的x-y平面參數(shù)，對(duì)所述灰度圖像image2進(jìn)行提取，忽略興趣區(qū)域外的像素，只保留興趣區(qū)域內(nèi)的像素，得到提取圖像image4；經(jīng)過(guò)大量實(shí)驗(yàn)驗(yàn)證，灰度圖像image2中包含的紋理細(xì)節(jié)比使用canny算子所提取出的灰度邊緣圖像image3包含的紋理細(xì)節(jié)信息量大，具有更好的分類效果；因此，我們?cè)诨叶葓D像image2中提取興趣區(qū)域。

通過(guò)觀察圖1-圖5；對(duì)比圖6和圖7可以看出，canny算子所提取的興趣區(qū)域中所包含的圖像紋理信息要明顯少于sobel算子提取的圖像紋理信息。

2.4)對(duì)所述提取圖像image4進(jìn)行歸一化處理得到標(biāo)準(zhǔn)圖像image5；

3)交通標(biāo)志識(shí)別模塊對(duì)標(biāo)準(zhǔn)圖像image5進(jìn)行訓(xùn)練和識(shí)別分類檢測(cè)；

3.1)分類器訓(xùn)練：將所述標(biāo)準(zhǔn)圖像image5以圖片文件的形式作為訓(xùn)練圖像保存到存儲(chǔ)器中，當(dāng)存儲(chǔ)器中訓(xùn)練圖像的數(shù)目達(dá)到n后，開(kāi)始訓(xùn)練過(guò)程；訓(xùn)練過(guò)程具體如下：提取每張訓(xùn)練圖像的lbp紋理特征；設(shè)置4個(gè)svm，分別對(duì)訓(xùn)練圖像的lbp紋理特征進(jìn)行訓(xùn)練，生成分類器模型文件，用于識(shí)別分類檢測(cè)；4個(gè)svm分別為linear線性核、2個(gè)poly多項(xiàng)式核、rbf徑向基核；每個(gè)svm設(shè)置有不同的參數(shù)。所述svm的參數(shù)包括懲罰因子。

3.2)識(shí)別分類檢測(cè)：對(duì)所述標(biāo)準(zhǔn)圖像image5進(jìn)行l(wèi)bp紋理特征提取，使用4個(gè)svm同時(shí)對(duì)標(biāo)準(zhǔn)圖像image5進(jìn)行識(shí)別分類后對(duì)各svm識(shí)別分類的結(jié)果進(jìn)行評(píng)估：當(dāng)各svm對(duì)標(biāo)準(zhǔn)圖像image5的識(shí)別分類結(jié)果一致時(shí)，輸出識(shí)別分類結(jié)果；當(dāng)4個(gè)識(shí)別分類結(jié)果不一致時(shí)，認(rèn)為所識(shí)別的圖像不具備分類特征，不予處理；4個(gè)svm分別為linear線性核、2個(gè)poly多項(xiàng)式核、rbf徑向基核；每個(gè)svm設(shè)置有不同的參數(shù)。所述svm的參數(shù)包括懲罰因子。這樣在一定程度上可以減少分類錯(cuò)誤情況的發(fā)生；具體過(guò)程如圖15所示。

采用“間接法”中的“一對(duì)一法”完成二類分類器實(shí)現(xiàn)多分類的功能。為了進(jìn)一步提高分類的精度，在實(shí)現(xiàn)的過(guò)程中，同時(shí)創(chuàng)建四個(gè)分類器(每個(gè)分類器都是使用“一對(duì)一法”構(gòu)建的多類分類器)。

如圖15所示，在核函數(shù)的選擇上分類器①、②、③、④分別采用的不同的核函數(shù)，核函數(shù)分別為linear(線性核)、poly(多項(xiàng)式核)、poly(多項(xiàng)式核)、rbf(徑向基核)，且為每一個(gè)svm設(shè)置了不同的懲罰因子。其中，linear(線性)核函數(shù)的公式為：κ(x,xi)＝x·xi；poly(多項(xiàng)式)核函數(shù)：κ(x,xi)＝((x·xi)+1)^d；rbf(徑向基)核函數(shù)：

不同的核函數(shù)設(shè)定不同參數(shù)。經(jīng)過(guò)了不同核函數(shù)與參數(shù)調(diào)整的分類器使用相同的樣本進(jìn)行訓(xùn)練，并且當(dāng)有輸入信號(hào)進(jìn)來(lái)的時(shí)候，四個(gè)分類器同時(shí)進(jìn)行分類后由仲裁器綜合評(píng)估各分類器分類的結(jié)果，當(dāng)4個(gè)識(shí)別結(jié)果一致時(shí)，確定并輸出分類結(jié)果，當(dāng)4個(gè)svm輸出結(jié)果不一致時(shí)，認(rèn)為所識(shí)別的圖像不具備分類特征，不予處理，這樣在一程度上可以減少分類錯(cuò)誤的情況的發(fā)生。

4)重復(fù)步驟1)-3)。步驟1)-3)會(huì)不斷重復(fù)直至檢測(cè)結(jié)束；但是，在樣本不變的情況下，對(duì)所有樣本的訓(xùn)練只進(jìn)行一次，對(duì)模型文件的加載只進(jìn)行一次，即步驟3.1)只進(jìn)行一次即可。

實(shí)施例2

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述交通標(biāo)志檢測(cè)處理模塊的程序在圖像處理器中運(yùn)行。

實(shí)施例3

如實(shí)施例2所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述步驟1)中，所述交通標(biāo)志采集模塊通過(guò)車載攝像機(jī)實(shí)時(shí)拍攝行車環(huán)境中的道路上方及道路兩側(cè)的圖像并存入內(nèi)存，供圖像處理器讀?。卉囕d攝像機(jī)的圖像采集速率為30幀/秒；圖像處理器內(nèi)設(shè)定有軟件定時(shí)器，間隔時(shí)間t讀取內(nèi)存中的圖像信息，t＝30ms。

實(shí)施例4

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述步驟2.1)中采用雙線性插值算法將步驟1)采集的圖像縮放為統(tǒng)一分辨率320×240(圖像的原尺寸為：1280×960)；所述標(biāo)準(zhǔn)圖像image5的像素為60×60。

采用雙線性插值算法對(duì)圖像進(jìn)行縮放(雙線性插值算法的核心思想是在兩個(gè)方向分別進(jìn)行一次線性插值)的步驟如下：(如圖8所示)

已知函數(shù)f在q11＝(x1,y1)，q12＝(x1,y2)，q21＝(x2,y1)以及q22＝(x2,y2)四個(gè)點(diǎn)的值，欲

求未知函數(shù)f在點(diǎn)p＝(x,y)的值。

第一步：在x方向進(jìn)行線性插值，得到：

其中，r1＝(x,y1)

其中，r1＝(x,y2)

第二步：在y方向進(jìn)行線性差值，得到：

最終即可得到所要的結(jié)果f(x,y)。

實(shí)施例5

如圖11所示。

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述步驟2.2.2)中通過(guò)ppht檢測(cè)處理目標(biāo)區(qū)域內(nèi)圓形的方法如下：

a1、將采集到的連續(xù)多幀圖像，按步驟2.2.1)的方法轉(zhuǎn)化成灰度邊緣圖像image3(1),image3(2),……，image3(p)；其中，p＝5；

a2、在每一張灰度邊緣圖像image3(1),image3(2),……，image3(p)中使用ppht算法找圓，將所有圓的x-y平面參數(shù)存入同一個(gè)原始矩陣mt0中，原始矩陣mt0共3列，i行，i表示檢測(cè)到的圓的總數(shù)量；所述圓的x-y平面參數(shù)包括，圓心的x坐標(biāo)、圓心的y坐標(biāo)和圓的半徑r；所述原始矩陣mt0的第1列用于保存檢測(cè)到的圓的圓心x坐標(biāo)，所述原始矩陣mt0的第2列用于保存檢測(cè)到的圓的圓心y坐標(biāo)，所述原始矩陣mt0的第3列用于保存檢測(cè)到的圓的半徑r；

a3、檢測(cè)原始矩陣mt0的行數(shù)i，如果原始矩陣mt0的行數(shù)i＜m(m＝5)，則判定原始矩陣mt0中對(duì)應(yīng)的圓為誤差圓，清空原始矩陣mt0并回到步驟1)；如果原始矩陣mt0中的行數(shù)i≥m，則進(jìn)行步驟a4；當(dāng)檢測(cè)到的圓的數(shù)量較低時(shí)，則判定圖像中實(shí)際不存在圓，所檢測(cè)到的少數(shù)圓只是誤差圓。

a4、對(duì)原始矩陣mt0依次進(jìn)行x分組、y分組和r分組處理，處理同心圓問(wèn)題，輸出目標(biāo)圓參數(shù)；

交通標(biāo)志圖像中的圓形圖像邊緣常常包含多個(gè)同心圓，通過(guò)在多個(gè)同心圓中選取半徑最大的圓作為興趣區(qū)域，實(shí)現(xiàn)對(duì)興趣區(qū)域的準(zhǔn)確定位；上述步驟是對(duì)連續(xù)的p幀圖像所進(jìn)行的處理，檢測(cè)興趣區(qū)域內(nèi)的圓形；

采用概率霍夫變換(ppht)檢測(cè)圓形，步驟如下：step1：隨機(jī)獲取圖像邊緣上的前景點(diǎn)，映射到參數(shù)空間畫(huà)曲線；step2：當(dāng)參數(shù)空間里有交點(diǎn)達(dá)到最小投票數(shù)，將該點(diǎn)對(duì)應(yīng)的x-y平面坐標(biāo)系里的圓找出來(lái)；step3：搜索邊緣上的前景點(diǎn)，將位于圓上的點(diǎn)(點(diǎn)與點(diǎn)之間的距離小于設(shè)定閾值)連接起來(lái)，保存該圓的參數(shù)(圓心坐標(biāo)、半徑)，然后將該圓從輸入圖像內(nèi)刪除，防止出現(xiàn)重復(fù)或無(wú)效檢測(cè)；step4：如果圓的半徑在給定的范圍內(nèi)，則將該圓檢測(cè)結(jié)果存入數(shù)組；step5：重復(fù)上述4個(gè)步驟；step6：輸出檢測(cè)到的所有圓的參數(shù)數(shù)據(jù)。

通過(guò)對(duì)比圖13、圖14可以看出，x分組、y分組和r分組的處理能夠在很大程度上減少誤檢測(cè)情況的發(fā)生，能夠定位同心圓的最外圓。

實(shí)施例6

如圖12所示。

如實(shí)施例5所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，x分組的具體步驟如下：

x1：將所述原始矩陣mt0中每一行作為一個(gè)整體，按第1列元素x的大小升序排序；排序后的原始矩陣記為mt1；

設(shè)矩陣mt1為：

x2：將矩陣mt1進(jìn)行x分組，得到x分組子矩陣，具體方法如下：

依次計(jì)算數(shù)組(x1)的方差dx1，數(shù)組(x1，x2)的方差dx2，數(shù)組(x1，x2，x3)的方差dx3，……，數(shù)組(x1，x2，…，xk1)的方差dxk1，數(shù)組(x2，x3，…，xk1+1)的方差dx(k1+1)，數(shù)組(x3，x4，…，xk1+2)的方差dx(k1+2)，……，數(shù)組(xn-k1，xn-k1+1，…，xn-1，xn)的方差dxn，直至dxn≥σx；k1表示計(jì)算方差時(shí)所選取的元素的最大數(shù)量；其中，k1＝4，σx＝3.2；為保證所計(jì)算出方差的有效性，規(guī)定了計(jì)算方差用數(shù)組的元素個(gè)數(shù)上限k1；

x3：檢查當(dāng)前行號(hào)n，如果n＜lx，則刪除矩陣mt1中的前n-1行，得到矩陣mt2；如果n≥lx，則將矩陣mt1的前n-1行抽取出來(lái)作為矩陣mt1的第1個(gè)x分組子矩陣，記為mtx1；將矩陣mt1的前n-1行刪除，作為矩陣mt2；其中，lx為x分組最少行閾值，其中，lx＝6，如果n＜lx，則認(rèn)為該分組矩陣內(nèi)的圓數(shù)量太少,為誤差圓；

矩陣mtx1為：

矩陣mt2為：

x4：對(duì)矩陣mt2重復(fù)步驟x2和x3，依次得到第2個(gè)x數(shù)組子矩陣mtx2、第3個(gè)x數(shù)組子矩陣mtx3、……、第z個(gè)x分組子矩陣mtxz，直到將矩陣mt1內(nèi)所有數(shù)據(jù)進(jìn)行了x分組處理；

y分組的具體步驟如下：

y1：將x分組子矩陣中每一行為一個(gè)整體，按照第2列元素的大小升序排列；排序后的矩陣記為mtxa1；

y2：將矩陣mtxa1中每一行為一個(gè)整體進(jìn)行y分組，得到y(tǒng)分組子矩陣，具體方法如下：

設(shè)矩陣mtxa1為：

依次計(jì)算數(shù)組(ya)的方差dy1，數(shù)組(ya，yb)的方差dy2，數(shù)組(ya，yb，yc)的方差dy3，數(shù)組(ya，yb，…，yk2)的方差dyk2，數(shù)組(yb，yc，…，yk2+1)的方差dy(k2+1)，數(shù)組(yc，yd，…，yk2+2)的方差dy(k2+2)，……，數(shù)組(yn-k2，yn-k2+1，…，yn-1，yn)的方差dyn；直至dyn≥σy，停止方差計(jì)算；k2表示計(jì)算方差時(shí)所選取的元素的最大數(shù)量；為保證所計(jì)算出方差的有效性，規(guī)定了計(jì)算方差用數(shù)組的元素個(gè)數(shù)上限k2；其中，σy＝3.2；k2＝4；

y3：檢查當(dāng)前行號(hào)n，如果n＜ly，刪除矩陣mtxx1的前n-1行，生成矩陣mtxb1；如果n≥ly，則將矩陣mtxx1的前n-1行抽取出來(lái)，作為矩陣mtxa1的第1個(gè)y分組子矩陣，記為mtx1y1；將矩陣mtxx1的前n-1行刪除，作為矩陣mtxb1；其中，ly為y分組最少行閾值；其中，ly＝4；

矩陣mtxx1生成的第1個(gè)y分組子矩陣mtx1y1為：

y4：對(duì)矩陣mtxb1重復(fù)步驟y2和y3，依次得到第2個(gè)y數(shù)組子矩陣mtx1y2、第3個(gè)y數(shù)組子矩陣mtx1y3、……、第w個(gè)y分組子矩陣mtx1yw，直到將矩陣mtxx1內(nèi)所有數(shù)據(jù)進(jìn)行了y分組處理；

y5：將x分組后得到的其他子矩陣mtx2、mtx3、……、mtxz逐次執(zhí)行步驟y1～步驟y4，最終得到x、y兩步分組后的子矩陣：mtx1y1、mtx1y2、…、mtx1yw；mtx2y1、mtx2y2、…、mtx2yu；……；mtxzy1、mtxzy2、…、mtxzyv。

經(jīng)過(guò)x分組和y分組后，得到的每一個(gè)子矩陣內(nèi)的圓數(shù)據(jù)均為同心圓數(shù)據(jù)，半徑可能不同，但圓心一致或接近；后續(xù)所述r分組目的是從眾多同心圓中，選取半徑較大且接近的圓求半徑平均值，作為目標(biāo)圓進(jìn)行提取。

r分組的具體步驟如下：

r1：將y分組得到的第1個(gè)y分組子矩陣按照第3列元素r的大小降序排序；排序后的矩陣記為mtx1y1r；

r2：將矩陣mtx1y1r中每一行作為一個(gè)整體，按照第3列元素r的大小進(jìn)行分組，僅保留第一個(gè)r分組，即r值最大的一個(gè)分組，其余數(shù)據(jù)表示同心圓中半徑較小的圓，予以刪除；具體方法如下：

設(shè)排序后的矩陣mtx1y1r為：

依次計(jì)算數(shù)組(r13)的方差dr1，數(shù)組(r13，r23)的方差dr2，數(shù)組(r13，r23，r33)的方差dr3，數(shù)組(r13，r23，…,r(k3)3)的方差d(k3)3，數(shù)組(r23，r33，…,r(k3)3)的方差d(k3+1)3，……，數(shù)組(rn-k3，rn-k3+1，…，rn-1，rn)的方差drn,直至drn≥σr，停止方差計(jì)算；k3表示計(jì)算方差時(shí)所選取的元素的最大數(shù)量，為保證所計(jì)算出方差的有效性，規(guī)定了計(jì)算方差用數(shù)組的元素個(gè)數(shù)上限k3；其中，k3＝4，σr＝2；

r3：檢查當(dāng)前行號(hào)n，如果n＜lr，刪除矩陣mtx1y1r的前n-1行，生成矩陣mtx1y1rb,將mtx1y1rb返回步驟r2替代矩陣mtx1y1r重新進(jìn)行提?。蝗绻鹡≥lr，則將矩陣mtx1y1r的前n-1行抽取出來(lái)，作為矩陣mtx1y1r的第1個(gè)r分組子矩陣，記為mtx1y1r1；對(duì)矩陣mtx1y1r中的其他數(shù)據(jù)不再處理；其中，lr為r分組最少行閾值；其中，lr＝4；

當(dāng)n≥lr時(shí)，矩陣mtx1y1r生成的第1個(gè)r分組子矩陣mtx1y1r1為：

r4：將矩陣mtx1y1r1中每一列元素求平均值，得到對(duì)應(yīng)目標(biāo)圓的參數(shù)(avr_x，avr_y，avr_r)；

r5：將所述y分組得到的子矩陣mtx1y2、…、mtx1yw；mtx2y1、mtx2y2、…、mtx2yu；……；mtxzy1、mtxzy2、…、mtxzyv分別執(zhí)行上述步驟r1-r4；分別求出每個(gè)目標(biāo)圓的參數(shù)。

hough變換僅僅查找邊緣點(diǎn)的排列方式，由于意外的像素排列以及噪聲的影響，很有可能帶來(lái)錯(cuò)誤檢測(cè)；因此，采取算法盡量避免誤檢測(cè)的發(fā)生，并在多個(gè)同心圓中選取半徑最大的圓作為興趣區(qū)域，這是非常有必要的。

當(dāng)用ppht變換檢測(cè)圖像中的圓時(shí)，容易出現(xiàn)誤檢測(cè)(即將圖像中的其他區(qū)域偶然檢測(cè)成了圓)。或者易出現(xiàn)所檢測(cè)到的目標(biāo)圓區(qū)域中包含同心圓(圓心相同或接近，半徑不同)；在x、y、r分組過(guò)程中，除了解決同心圓的問(wèn)題外，還把誤差圓排除掉。當(dāng)連續(xù)多幀中，檢測(cè)到同一個(gè)圓的次數(shù)較多時(shí)，認(rèn)為是有效目標(biāo)圓，當(dāng)檢測(cè)到同一個(gè)圓的次數(shù)較少時(shí)，認(rèn)為是誤差，予以排除。

實(shí)施例7

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，興趣區(qū)域內(nèi)交通標(biāo)志的形狀為橢圓形。橢圓檢測(cè)步驟：step1：計(jì)算圖像中各點(diǎn)的梯度斜率k1并存儲(chǔ)；step2：用canny算子提取邊緣并二值化；step3：構(gòu)造邊緣點(diǎn)集d，初始化參數(shù)單元集p＝null，循環(huán)次數(shù)k＝0；step4：從d中隨機(jī)選取2個(gè)點(diǎn)p1、p2，如果二者之間的距離大于d，則轉(zhuǎn)step5，否則轉(zhuǎn)step11；step5：按照參考文獻(xiàn)中的方法搜索橢圓點(diǎn)p3，如果能搜索到，轉(zhuǎn)step6，否則轉(zhuǎn)step11；step6：檢驗(yàn)p3處的切線與弦p1p2是否平行，若是轉(zhuǎn)step7，否則轉(zhuǎn)step11；step7：以p1、p2、p3三點(diǎn)為中心作正方形窗口，將窗口內(nèi)的所有點(diǎn)做最小二乘擬合，得到橢圓參數(shù)p，如果p滿足判別式，則轉(zhuǎn)step8，否則轉(zhuǎn)step11；step8：在p中找一個(gè)pc滿足，是容許誤差，若找到了則轉(zhuǎn)step10，否則轉(zhuǎn)step；step9：將p插入p，令其值為1，轉(zhuǎn)step11；step10：將pc的值加1，若小于閾值nt，則轉(zhuǎn)step11，否則，轉(zhuǎn)step12；step11：k＝k+1，若k>kmax，結(jié)束。否則，轉(zhuǎn)step4；step12：pc為候選橢圓的參數(shù)，驗(yàn)證該參數(shù)對(duì)應(yīng)橢圓上的點(diǎn)數(shù)m，若m>mmax轉(zhuǎn)step13，否則為誤檢測(cè)橢圓，從p中去除pc，轉(zhuǎn)step4；step13：檢測(cè)到參數(shù)為pc的真實(shí)橢圓，判斷已檢測(cè)到的橢圓是否達(dá)到規(guī)定的數(shù)目，若是，結(jié)束；否則，將落到參數(shù)pc對(duì)應(yīng)橢圓的點(diǎn)從d中去除，重置參數(shù)單元集p＝null，循環(huán)次數(shù)k＝0，轉(zhuǎn)step4。

實(shí)施例8

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，興趣區(qū)域內(nèi)交通標(biāo)志的形狀為三角形。三角形檢測(cè)步驟：step1：輸入canny算法處理的到的邊緣圖像i；step2：修補(bǔ)圖像i上的斷裂點(diǎn)；step3：初始化新的圖像t，t的大小與i相同，將t所有的像素設(shè)為0；step4：逐行掃描圖像i，如果掃描到當(dāng)前像素的值為非0，則記錄該點(diǎn)為x0，并重置t，使t的每個(gè)像素點(diǎn)的值為0，然后轉(zhuǎn)step5。如果掃描到的當(dāng)前像素的值為0，則繼續(xù)掃描下一個(gè)像素。如果圖像已經(jīng)被掃描完，則退出檢測(cè)；step5：將x0所在的連通域邊緣抽取出來(lái)，反復(fù)迭代下式：其中，x0為一個(gè)已知的起點(diǎn)，xk表示對(duì)該公式迭代k次所抽取出來(lái)的與點(diǎn)x0連通的連通分量。表示對(duì)連通分量xk-1進(jìn)行形態(tài)學(xué)上的膨脹操作。再與原始圖像相交把與點(diǎn)x0連通的所有像素點(diǎn)都抽取出來(lái)，當(dāng)xk＝xk-1時(shí)循環(huán)結(jié)束，連通分量不再增長(zhǎng)，算法收斂；step6：更新原始圖像i＝i-t。將抽取出來(lái)的連通邊緣從原圖像中擦掉；step7：對(duì)圖像t中被連通邊緣所圍的區(qū)域進(jìn)行填充；step8：檢查圖像t中區(qū)域的頂點(diǎn)的個(gè)數(shù)若頂點(diǎn)個(gè)數(shù)不為3則轉(zhuǎn)到step4；step9：通過(guò)三個(gè)頂點(diǎn)的坐標(biāo)計(jì)算三邊(分別為a，b，c)邊長(zhǎng)，若三邊中任何一邊小于給定的閾值，轉(zhuǎn)到step4，該步驟可確保所檢測(cè)到的三角形接近正三角形，過(guò)濾掉噪聲三角形；step10：計(jì)算區(qū)域面積s，若區(qū)域?yàn)槿切蝿t應(yīng)滿足海倫公式(前面有公式描述)，若滿足上述式子，則將該區(qū)域的三個(gè)頂點(diǎn)坐標(biāo)當(dāng)作結(jié)果之一輸出，轉(zhuǎn)step4迭代；step11：輸出結(jié)果，算法結(jié)束。

實(shí)施例9

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，興趣區(qū)域內(nèi)交通標(biāo)志的形狀為矩形。hough變換檢測(cè)類正方形的步驟：step1：霍夫變換檢測(cè)直線(包括尋找投票空間的峰值點(diǎn))；step2：設(shè)從投票空間內(nèi)選取了m個(gè)峰值點(diǎn)，分別h1＝(ρ1，θ1)，h2＝(ρ2，θ2)，...，hm＝(ρm，θm)。首先，滿足下列條件的頂點(diǎn)hi和hj被配對(duì)在一起：

δθ＝|θi-θj|＜tθ

其中，c(ρi,θi)代表投票空間內(nèi)點(diǎn)(ρi,θi)的票數(shù)，tθ是角度閾值，tl是歸一化閾值。

用pk(αk,ξk)來(lái)表示每對(duì)滿足上述不等式組的峰值點(diǎn)hi和hj，其中

step3：比較所有的pk(k＝1,2…)，得到滿足下式條件的pi和pj；

δα＝||αi-αj|-90°|＜tα

其中tα是角度閾值，通過(guò)調(diào)整tα的大小，可把因拍攝角度原因而由正方形幾何形變產(chǎn)生的平行四邊形(類正方形)檢測(cè)出來(lái)，可通過(guò)幾何校正轉(zhuǎn)化為正方形。同時(shí)通過(guò)比較邊長(zhǎng)排除與正方形相差較大的四邊形。通過(guò)上式判斷后的4個(gè)峰值點(diǎn)分別代表的直線段圍成的區(qū)域被判定為類正方形。step4：計(jì)算類正方形面積，與提前設(shè)定的閾值比較，小于給定閾值則丟棄，大給定閾值則將類正方形在x-y平面內(nèi)的四個(gè)頂點(diǎn)坐標(biāo)輸出。

實(shí)施例10

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述步驟2.4)中，對(duì)所述提取圖像image4進(jìn)行歸一化處理的具體方法如下：

根據(jù)透視變換的原理，二維圖像經(jīng)過(guò)透視變換后的新坐標(biāo)為：

其中(x，y)是原圖像的像素坐標(biāo)，(u，v)是透視變換后圖像的像素坐標(biāo)，a，b，c，d，e，f，m，l是透視變換參數(shù)；

式(2)的矩陣形式為：

在原圖像中的四個(gè)像素點(diǎn)坐標(biāo)記為(x1，y1)(x2，y2)(x3，y3)(x4，y4)，相應(yīng)的透視變換后圖像中對(duì)應(yīng)點(diǎn)的坐標(biāo)記為(u1，v1)(u2，v2)(u3，v3)(u4，v4)，可得：

將式(4)記為：b＝am(5)

則：m＝a^-1b(6)

由(2)式得：

用矩陣可表示為：

透視變換的反變換公式：

橢圓幾何校正算法：

e1)橢圓的一般方程為：

ax²+bxy+cy²+dx+ey+1＝0(10)

長(zhǎng)軸傾角為θ：

橢圓的圓心坐標(biāo)為：

橢圓的長(zhǎng)、短半軸的長(zhǎng)度分別為a和b，滿足：

如圖17、圖18所示；

e2)橢圓的最小外接矩形aebecede的四個(gè)頂點(diǎn)坐標(biāo)分別為：

e3)設(shè)透視變換后圓的半徑為r，透視變換后的圓的最小外接正方形eefegehe的四個(gè)頂點(diǎn)坐標(biāo)分別為：ee(0，0)；fe(2r，0)；ge(2r，2r)；he(0，2r)；

e4)將變換前后的四個(gè)點(diǎn)對(duì)代入公式(6)，得到透視參數(shù)矩陣m；

e5)利用透視反變換公式(9)，求出透視變換后的圖像中整數(shù)像素點(diǎn)坐標(biāo)對(duì)應(yīng)在原始圖像中的浮點(diǎn)數(shù)坐標(biāo)位置；

e6)利用雙線性插值算法，遍歷透視變換后的圖像中每個(gè)像素點(diǎn)，求取每個(gè)像素點(diǎn)的灰度值，得到歸一化后的圖像；

實(shí)施例11

如實(shí)施例10所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述步驟2.4)中，對(duì)所述提取圖像image4進(jìn)行歸一化處理的具體方法如下：

三角形幾何校正算法：

如圖19、圖20所示。

t1)在三角形atbtct頂點(diǎn)上構(gòu)建一個(gè)外接平行四邊形atbtdtet，三角形的底邊atbt作為平行四邊形atbtdtet的一個(gè)邊，三角形頂點(diǎn)ct作為平行四邊形atbtdtet另一個(gè)邊dtet的中點(diǎn)；

t2)通過(guò)hough變換三角形檢測(cè)算法，檢測(cè)三角形的三個(gè)頂點(diǎn)坐標(biāo)分別為：at(x1,y1)；bt(x2,y2)；ct(x3,y3)；則，平行四邊形atbtdtet的四個(gè)頂點(diǎn)的坐標(biāo)分別為：at(x1,y1)；bt(x2,y2)；

t3)設(shè)透視變換后等邊三角形的邊長(zhǎng)為w，透視變換后等邊三角形外接矩形的四個(gè)頂點(diǎn)坐標(biāo)分別為：ft(0，0)；gt(w，0)；

t4)將透視變換前后的四個(gè)點(diǎn)代入公式(6)，得到透視參數(shù)矩陣m；

t5)利用透視反變換公式(9)，求出透視變換后的圖像中整數(shù)像素點(diǎn)坐標(biāo)對(duì)應(yīng)在原始圖像中的浮點(diǎn)數(shù)坐標(biāo)；

t6)利用雙線性插值算法，遍歷透視變換后圖像中每個(gè)像素點(diǎn)，求取每個(gè)像素點(diǎn)的灰度值，得到歸一化后的圖像；

實(shí)施例12

如實(shí)施例10所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述步驟2.4)中，對(duì)所述提取圖像image4進(jìn)行歸一化處理的具體方法如下：

類正方形幾何校正算法：

如圖21、圖22所示；

s1)類正方形asbscsds頂點(diǎn)坐標(biāo)分別為：as(x1，y1)；bs(x2，y2)；cs(x3，y3)；ds(x4，y4)；設(shè)透視變換后正方形的邊長(zhǎng)為w，透視變換后正方形esfshsgs的四個(gè)頂點(diǎn)坐標(biāo)分別為：es(0，0)；fs(w，0)；hs(w，w)；gs(0，w)；將變換前后的四個(gè)點(diǎn)對(duì)全部求出后，代入公式(6)，得到透視參數(shù)矩陣m；

s2)利用透視反變換公式(9)，求出新圖像中的整數(shù)像素點(diǎn)坐標(biāo)對(duì)應(yīng)在原始圖像的浮點(diǎn)數(shù)坐標(biāo)；

s3)利用雙線性插值算法，遍歷透視變換后圖像中每個(gè)像素點(diǎn)，求取每個(gè)像素點(diǎn)的灰度值，得到歸一化后的圖像；

實(shí)施例13

如實(shí)施例1所述的道路交通標(biāo)志自動(dòng)檢測(cè)識(shí)別方法，所不同的是，所述自動(dòng)檢測(cè)識(shí)別系統(tǒng)基于嵌入式的硬件系統(tǒng)。由嵌入式圖像處理器、存儲(chǔ)器、拍攝裝置、語(yǔ)音提示裝置組成。其中處理器部分為控制核心和圖像處理的核心部分。存儲(chǔ)器用于存儲(chǔ)程序、數(shù)據(jù)、以及中間處理結(jié)果。拍攝裝置負(fù)責(zé)拍攝道路上方或右側(cè)出現(xiàn)的交通標(biāo)志圖像。語(yǔ)音提示裝置負(fù)責(zé)檢測(cè)到交通標(biāo)志結(jié)果后用于提示語(yǔ)音提示駕駛員。