《基于RGB视觉模型的交通标志分割.docx》由会员分享，可在线阅读，更多相关《基于RGB视觉模型的交通标志分割.docx（3页珍藏版）》请在三一文库上搜索。
1、2004年第 21卷第 10期微电子学与计算机147基于 RGB视觉模型的交通标志分割黄志勇 1 孙光民李芳(1北京工业大学电控学院，北京 100022) (2信息工程大学电子技术学院，郑州 450004)摘 要：提出了一种基于 RGB视觉模型的交通标志分割算法。该算法可以避免光照和天气的影响，试验结果和算法本身均表明该算法具有很好的鲁棒性且算法易于实现，非常便于实时处理和硬件实现。关键词：HSI视觉模型，RGB视觉模型，交通标志分割，算法中图法分类号：TP39141文献标识码：A文章编号：1o00-7180(2oo4)10147-02Traffic Sign SegmentBased on
2、RGB Vision M odelHUANG Zhi-yong，SUN Guang-min，LIFang2(1BeijingUniversityofTechnology，Beijing 100022China)(2ThePLA InformationEngineeringUniversity，Zhengzhou450004China)Abstract：Analgorithm ofTrafic Sign SegmentBased on RGB Vision ModelisintroducedhT ealgorithm isnotinfluencedbyHgltandweatherconditio
3、nsheTalgorithm itselfandhetexperimentresults showhattitisnotonlyrobustbutalso simpleso itis very convenientforrealprocessingKey words：RGB vision mod el，HIS vision mod el，Trac sign segment，Algorithm1 引言觉理论就是使用红、绿、蓝三种基色来显示彩色的近几年，智能交通系统的开发与应用得到各国基础，称之为 RGB色彩空间模型。政府和学术界的重视。交通标志自动识别系统作为以 R、G、B三个参数为坐标，我们可
4、以得到如智能交通系统的重要组成部分成为学术界的研究下的一个单位立方体来描述 RGB颜色模型，如图 1热点。由于交通标志识别需要处理的信息量很大，所示。红、绿、蓝是相互正交的坐标轴，每个坐标轴如何有效排除干扰。降低算法复杂度以及增强系统都量化为 0-255，0对应最暗，255对应最亮。彩色立鲁棒性成为目前各国学者面临的主要问题。方体中任一点都对应一种颜色，以下是常见颜色的交通标志的自动分割是对交通标志进行正确RGB数值：识别的前提，就目前国内的研究来看。主要集 中在黑色=(0，0，0)；白色=(255，255，255)；灰色=交通标志识别部分而对前端交通标志的分割部分(128，128，128)；
5、研究较少，国外的研究如文献【141所述。其分割方青色=(0，255，255)；品红=(255，0，255)；黄色=法均离不开 RGB色彩空间向 HSI色彩空间的转(255，255，0)；换，需要很多的浮点运算，影响算法的实时性。红色 =(255，0，0)；绿色 =(O，255，0)；蓝色：(0，鉴于此，本文提出了一种基于 RGB模型的交0，255)；通标志分别算法，该算法不受光照和天气等因素影响，另外不需要视觉空间的转换便可以实现交通标志的分割。2 RGB视觉模型我们的眼睛通过三种可见光对视网膜的椎状细胞的刺激来感受颜色。这些光在波长为 630nm()530nm(绿)和 450(N)时的刺激达
6、到高峰。通过对各刺激强度的比较，我们感受到光的颜色。这种视图1 RGB色彩空间模型收稿 13期：2004-04-26148微电子学与计算机2004年第 21卷第 10期RGB彩色系统是通过对颜色进行加运算来完成颜色综合的彩色系统，其原点是黑色，通过在黑色中加入不同分量的红色、绿色、蓝色来得到某种彩色。大多数系统(比如电视机、显示器等)都采用RGB模型显示色彩 。Windows内部的位图也采用RGB颜色模型。3 HSI视觉空间模型31 HsI视觉模型的概念HSI(Hue，Saturation，Intensity)(色度，饱和度，亮度)是适合人类视觉特性的色彩模型。其中 H(色度 )表示不同的颜色
7、；而 S(饱 和度 )表示颜色的深浅；I(亮度)表示颜色的明暗程度。空间模型示意如图 2所示。HSI模型的最大特点就是：H，S，I三分量之间的相关性较小，在 HSI空间中，彩色图像的每一个均匀彩色区域都对应一个相对一致的色调 H所以可以利用色调 H完成独立于亮度的彩色区域分割。(a)HSI圆锥空间模型(b)色度、亮度、饱和度之间的关系图2 HS咆 彩空间模型32 RGB模型向 HSI模型的转换我们通过图像采集设备得到的原始图像一般用 RGB空间模型表示，要利用 HSI空间对图像进行分割，前提条件是将 RGB模型转化为 HSI模型。转化公式如下：型的，如果能够实现基于 RGB模型的交通标志分割，
8、其应用起来应是最为方便的。41 分割算法我国的交通标志基本分为三种：警告标志、禁令标志、指示标志。共有三种颜色：红色表示禁令，黄色表示警告，蓝色表示指示。在 RGB模型中R、G、B分量极易受光照的影响，这也是人们很少直接采用 RGB模型实现分割的主要原因。但是三种色彩对应三分量的差值却保持在一定的范围之内，即受光照影响不大。我们经过多次试验得到了实现交通标志分割的分割算法和经验阈值。基于 RGB模型的交通标志分割算法如下：对于所研究图像的所有像素点：如果：(r-g)008&(r一6)008，那么是红色像素；如果：(6 001&(br)001，那么是蓝色像素；如果：(r一6)012&(g-6 0
9、12，那么是黄色像素；如果：是其它数值，那么是其它色彩像素；由算法本身可知：几乎不需要任何乘法运算，计算量大大简化。42 试验结果我们对“注意行人 ”的实景拍摄警告标志进行了分割，首先对白天拍摄的标志进行分割，然后在未对算法进行任何改动的情况下，对晚上拍摄的标志也进行了分割；为了进一步说明算法的鲁棒性，我们又对雨雪天交通标志进行了分割试验。由实验可知分割效果是非常好的，说明算法不但运算及其简单而且具有很强的鲁棒性2R-G B(1)， 一 ， 云丽)图3 白天交通标志分割日=c。s-l若 B大于 G，H=21rH。s=1一丽 min(R，G，(2)，_(3)图4 晚上交通标志分割由转化公式可以看
10、出，由RGB模型向 HIS模型转化需要较多的计算量。一一4 基于 RGB视觉空间的交通标志分割由摄像机采集的图像采用的是 RGB空间模型，计算机内部图像的显示大多也是基于 RGB模图5 雨雪天交通标志分割(下转第 152厕152微电子学与计算机2004年第 21卷第 10期的测试样本集进行预测检验，针对不同的核函数参数多类分类方法采用分解一重构方法的“一对一”方式和“一对其它”方式。表 1 “一对一 ”方 式的实验结果训练样本数预涌样本数核函数对自身的检对预测集的测准确度预测准确度10000(test) 60000(train)( y)= ll0o9l10ooo(tt) 60000(train
11、) k( y)= l988925000(train的前 25OOO)10000(test)( y)= ll0o93表 2 “一 对其它 ”方式 的实验结果训练样本数预测样本数核函数对自身的检对预测集的测准确度预测准确度10000(tet) 60000(trY ) k(y)= - l978610000(tt) 60000(train)( y)= - l928l5000(train210000(test)( y)= l9588的前 50OO)2实验中发现“一对其它”方式要化更多的时间，这是因为训练中“一对其它”方式的样本集要大得多，二次规划问题复杂而它 的类间距离比“一对一 ”方式的类间距离要小
12、解二次规划要更多的迭代次数。同样因为类间距离小，分类推广性不高，并且“一对一”方式有一个相互校验的过程而“一对一”方式的误差是叠加的，所以，如表 1表 2所示，(上接第 148页)5 结束语无论试验结果还是算法本身都说明文中所述的基于 RGB的交通标志分割算法是一种不受光照影响并对天气状况具有一定鲁棒性的算法，并且算法计算非常简单，非常便于实时处理和实际应用，对于开发具有高性价比的交通标志识别系统具有重要的参考价值。参考文献【1l】 NKehtarnavaz,NCGfiswofl&DSKang,Stop-signreeognition based on colour-shap processi
13、ngMachineVision ndaApphcafions，19936：206-208【2】 LPriese，V RehrmannOnHierarchical colorsegmentationnda applicationsProc，CVPR 1993，633-634【3】 LPriese，V R Lakmann，R SchianNew resultsontragic在这个实验中“一对一”方式较优越。5 结束语文中所介绍了支撑向量机理论并通过实验讨论了支撑向量机多类分类的几种方法。支撑向量机理论是正在逐步完善中的新兴理论有许多地方值得进一步的研究，期待在这个领域中不断有新的成果出现。参考文
14、献【l】 VladimirNVapnik著，张学工译 统计学习理论的本质北京清 华大学出版社2000【2】 边肇祺，张学工 编著模式识别第二版 ，北京，清华大学出版社 2000pp284304【3】 AnguloCecilio ParraXavierCatal,AndreuK-SVCRAsupport vector machine for multiclass classifcationNeurocomputing Volume55，Issue：1-2，September,2003，pp5777【4】JWestonandC WatkinsMulti-classsupportvectormach
15、inesRoyalHoHoway University of London， Technical Repo rt,CSDTR一98D4，May 201998徐勋华 男，(1979一)，硕士研究生。主要研究方向为计算机视觉与图形图像处理。王继成 男，(1958一)，教授。主要研究方向为计算机视觉与图形图像处理。sign ecognr ition In IEEE Proc InteligentVehicles 94Symposium，1994：249-253【4】 D Krumbiegel，K-F Kraiss，SSchrieberA connecfionisttrafc sign ecognit
16、ionr system orfonboard driverinforma-tion 5th IFACIFIP，IF0RSIEA Sympo sium on AnlaysisDesign and Evaluation of man-Machine Systems 1992，201206【5】杨修铭，刘昆灏，刘昭麟干扰状况下之交通标志侦测及辨识台湾省人工智能学会第七届人工智慧与应用研讨会论文集2002：555560【6】力军道路交通标志中的科学北京汽车1999(2)黄志勇 研究生。主要从事通信信号处理和模式识别理论的研究。孙光民 教授，博士。主要研究方向包括信号与图象处理。神经网络技术及应用。李 芳 研究生。主要从事计算机网络与通信技术的研究。