薛玉利

　　(山東青年政治學院 信息工程學院，山東 濟南 250103)

　　摘要：提出一種最大極值區域（MSERs）結合分水嶺變換的粘連交通標志分離算法。首先通過MSERs對圖像進行二值化，選取在多個二值圖像中形狀均保持不變的區域作為候選標志區域；然后，判斷是否為粘連標志，若是則用分水嶺變換分離；最后提取單個標志。實驗結果表明，該算法能夠有效分離粘連交通標志，提取到完整的單個交通標志。

　　關鍵詞： MSERs；分水嶺變換；粘連標志

0引言

　　利用顏色分割來檢測交通標志的算法主要采用RGB［1］、YUV和HIS等顏色空間，因為RGB顏色特征對光照變化非常敏感，人們又提出了歸一化RGB［2］和MSERs［3］來改進。在檢測中，如果多個交通標志距離較近，分割后的圖像會出現互相粘連的情況（通常為2~4個），在去除干擾區域時，粘連的標志區域被誤濾除，降低了交通標志檢測性能。目前的檢測算法對這個問題關注較少，在參考文獻［4］中，BUIMINH T等提出兩種分離粘連標志的算法，第一種算法利用粘連標志內部區域之間不連通的特性進行分離，當遮擋程度高時，分離效果差；第二種算法利用分水嶺變換分離，不受遮擋程度的約束，但算法計算成本較高。參考文獻［5］采用歸一化RGB方法對圖像分割，對每一個候選標志區域進行分水嶺變換，計算成本較參考文獻［4］有明顯提高，但是在圖像二值化時采用單一閾值，提取的標志存在斷裂、不連續等問題，影響了后續的檢測和識別。

　　本文針對上述問題，提出一種基于MSERs和分水嶺變換的粘連交通標志分離算法，利用多個閾值對圖像進行二值化，選取在多個二值圖像中形狀均保持不變的區域作為候選標志區域，然后對其進行分離處理，可以有效提取出交通標志，而且對光照變化魯棒性更強。

1基于MSERs的圖像分割

　　1.1交通標志的MSERs提取

　　圖像轉換為歸一化紅藍圖像ΩRB的公式為：

　　ΩRB可以提取出紅、藍色像素值最高的像素，有利于檢測紅、藍色的標志。設定標志的閾值范圍為［90,150］，均勻選擇12個閾值對ΩRB二值化。如果某個連通區域的形狀在幾個閾值的二值圖像中均保持不變，則選作候選標志區域。

　　1.2排除干擾區域

　　將候選區域進行孔洞填充，將像素數小于80或大于2 000的區域判為干擾區域，將其濾除。

　　對于候選標志區域，設定縱橫比參數閾值ARth。圓形或正方形標志最小外接矩形的縱橫比為1；三角形標志的縱橫比為0.87（水平放置）或1.15（垂直放置）。考慮到交通標志傾斜、旋轉及攝像裝置的放置位置等問題，容許各種形狀標志的縱橫比在一個范圍內。不同數量的粘連標志的縱橫比范圍如表1所示。

　　當候選標志區域的縱橫比擊中［0.8,1.3］時，判定為1個標志，直接提取；如果縱橫比擊中2、3、4個標志的閾值區間時，判定為粘連標志，提取該連通區域。

2基于分水嶺變換的粘連標志分離

　　距離變換的圖像可以看做一個分水嶺地形結構，需要通過分水嶺變換找到分水嶺脊線。

　　令M1，M2，…，MR是表示圖像G(x,y)的區域最小點的坐標的集合。令C(Mi)是標志與區域最小值Mi相聯系的匯水盆地中的點的坐標集合。令T［n］表示滿足G(s,t)<n的坐標(s,t)的集合。即：

　　T［n］={(s,t)|G(s,t)<n}(2)

　　令Cn(Mi)表示匯水盆地中與淹沒階段n的最小值Mi相關聯的點的坐標集。則Cn(Mi)可看成是由下式給出的一幅二值圖像。

　　Cn(Mi)=C(Mi)∩T［n］(3)

　　令C［n］表示在階段n中已被水淹沒的匯水盆地的“并”。令C［max+1］表示所有匯水盆地的“并”。即：

　　C［n］=∪Ri=1CnMi(4)

　　C［max+1］=∪Ri=1C(Mi)(5)

　　顯然，C［n-1］是C［n］的一個子集，因為C［n］是T［n］的一個子集，所以C［n-1］可以理解為是T［n］的一個子集。即C［n-1］中的每一個連通分量都恰好包含在T［n］的一個連通分量中。

　　尋找分水線的算法使用C［min+1］=T［min+1］來初始化，然后利用遞歸處理由C［n-1］計算C［n］，最終可以得到1個像素寬的分水嶺脊線，對脊線求補，將粘連的連通區域與脊線的補進行“與”操作，即可得到被脊線分離的區域ROI。設ROI的高、寬分別為h、w，滿足式(6)的ROI被判斷為單個標志，不滿足的則認為是干擾區域。

　　3實驗結果與分析

　　為了驗證本文算法的有效性，分別對德國交通標志集GTSDB和濟南市區的交通標志集進行測試。GTSDB中粘連標志圖像20幅，涉及粘連的交通標志60個。濟南數據集是在汽車速度為30~80 km/h，由行車記錄儀在不同時間采集的城市道路圖像，共有477幅圖像，其中粘連標志圖像50幅，涉及粘連的標志150個，其中紅色標志83個，藍色標志67個。

　　對于粘連的標志圖像，分別采用參考文獻［5］的RGBN算法和本文的MSERs算法進行二值化，出現了兩種情況：(1) RGBN算法出現粘連標志，MSERs未出現粘連標志；(2) 兩種算法均出現粘連標志。

　　第一種情況如圖1所示。為了觀察方便，分別對兩種算法的粘連標志進行了局部放大。

　　由圖1可以看出，RGBN算法的閾值單一，在圖像分割中，出現了交通標志粘連、區域不連續等問題。MSERs算法選取多個閾值，其中有幾個接近最佳閾值，所以MSERs的分割效果比RGBN的好。

　　對GTSDB中20幅粘連標志圖像分別用兩種算法分割，統計是否出現粘連標志的結果如表2所示。

　　第二種情況兩種分割算法均出現粘連，此時需要進行分離。實驗結果如圖2所示。

　　由圖2可以看出，RGBN算法導致三角形標志不連續，后續的孔洞填充中該標志填充失敗，且三角形的不連續邊緣粘連在右下角的圓形標志上，在分水嶺變換中無法將二者分離。在判斷分離后的標志是否為單個標志時，因不滿足縱橫比條件導致右下角的圓形標志被濾除。兩種算法的分離結果如表3所示。

　　本文算法還適于紅色和藍色標志粘連、藍色標志之間粘連的情況。因為MSERs得到的是歸一化紅藍圖像，當出現紅色、藍色之間標志粘連時，也可以用本文算法進行分離處理。實驗結果如圖3所示。

　　對于濟南市區的數據集，采用參考文獻［5］ 與本文算法分割，實驗結果如表4所示。

　　由表3、4可以看出，參考文獻［5］僅對紅色交通標志進行實驗分析，采用RGBN分割算法，導致部分標志分割后出現斷裂、不連續等問題，因而無法定位這些標志。本文算法基于MSERs算法，采用多個閾值分割，可以獲得較完整的交通標志，最后成功定位交通標志，并且該算法同時適用于紅色和藍色的交通標志。

4結束語

　　本文提出了一種基于MSERs和分水嶺變換分離粘連交通標志的算法，實驗證明，該方法能夠有效分離粘連的交通標志，定位單個標志，為后續的交通標志識別打好基礎。MSERs方法采用多個閾值對圖像進行二值化，可以獲得比RGBN方法更好的分割效果。

參考文獻

　?。?］ SOETEDJO A, YAMADA K. Fast and robust traffic sign detection［C］. 2005 IEEE International Conference on Systems, Man and Cybernetics, Waikoloa, HI, USA,2005:13411346.

　　［2］ 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.

　?。?］ AYOAGI Y, ASAKURA T. A study on traffic sign recognition in scene image using genetic algorithms and neural networks［C］.Proceedings of IEEE Int. Conf. Ind. Electron. Control Instrum. Taipei,China:IEEE,1996:18381843.

　?。?］ BUIMINH T, GHITA A, WHELAN P F, et al. Two algorithms for detection of mutually occluding traffic signs［C］. ICCAIS 2012,2012 International Conference on Control, Automation and Information Sciences, New York: IEEE,2012:120125.

　?。?］ 李厚杰,邱天爽,宋海玉,等.基于分水嶺變換的互相遮擋交通標志自適應分離［J］.大連理工大學學報,2014,54(1):100105.