基于图像特征及改进支持向量机算法的交通标志识别
郝永杰+周博文
摘 要： 研究一种基于图像特征以及改进支持向量机算法的交通标志识别方法。使用颜色以及形状特征对交通标志图像特征进行提取，使用Gabor 滤波方法增强处理交通标志图像。针对支持向量机识别算法的精度在很大程度上受到基本参数的影响，通常根据经验来进行参数的选取等问题，使用模拟退火算法对支持向量机的参数进行优化选择。研究结果表明，使用研究的交通标志检测方法的检测精度高于其他三种方法，使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。
关键词： 图像特征； 支持向量机； 模拟退火算法； 交通标志识别
中图分类号： TN911?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2017）08?0097?03
Traffic sign recognition based on image feature and improved support
vector machine algorithm
HAO Yongjie1， ZHOU Bowen2
（1. Hohhot Vocational College， Hohhot 010051， China； 2. College of Management and Economics， Tianjin University， Tianjin 300072， China）
Abstract： A traffic sign recognition method based on image feature and improved support vector machine （SVM） algorithm is studied in this paper. The color feature and shape feature are used to extract the image feature of the traffic sign. The Gabor filtering method is adopted to perform the enhancement processing of the traffic sign image. Since the accuracy of the recognition algorithm based on SVM is affected by the basic parameters to a great extent， and the parameters are selected according to the experience usually， the simulated annealing algorithm is used to select the parameters of the support vector machine optimally. The research results show that the detection accuracy of the traffic sign detection method is higher than that of the other three methods， and the detection accuracy of color and shape features extraction method is higher than that of the single color feature extraction method or shape feature extraction method.
Keywords： image feature； SVM； simulated annealing algorithm； traffic sign recognition
交通安全問题以及道路通信能力不足问题越来越严重，人们开始重视如何提升道路交通的安全性及有效性，车辆安全辅助驾驶能够将道路信息、车辆信息以及驾驶员信息联系起来，驾驶员在其辅助下能够对行车环境进行感知，进而达到识别和监测道路信息的目的[1?2]。作为高级辅助系统的重要部分，交通标志识别系统能够有效地提升驾车的舒适性以及安全性。利用该系统，能够采集自然场景图像，经过图像识别和处理以后就可以检测交通标志，进而及时警告、指示以及提醒驾驶员[3?4]。
1 基于图像特征的交通标志检测特征提取
1.1 基于颜色的交通标志特征
不同的交通标志在颜色上存在着较大的差距，因此在分割交通标志图像的过程中通常以颜色为基础来分离抽取交通标志[5?6]。色调V、饱和度S以及色度H三个分量组成了HSV 颜色空间，作为三原色RGB空间的一种非线性变换，HSV颜色空间模型和圆柱坐标系的一个圆锥形子集是相互对应的，实现RGB颜色空间和HSV空间之间的转换[7]如下：
（1）
（2）
（3）
1.2 基于形状的交通标志特征
利用颜色抽取的方法能够在实景图中提取交通标志区域。然而由于在背景上自然场景和交通标志均比较复杂，如果仅仅依靠颜色无法获得较为精确的判定结果。但是这种方法能够将那些颜色比较类似的背景排除掉，主要是因为这些复杂背景和交通标志的特殊形状存在着一定的差距[8]。矩形、三角形以及圆形为交通标志的三种主要类型，当交通标志不同时其属性也存在着一定的差距，例如执行到边缘的距离、伸长度、矩形度以及圆形度等。圆形度、矩形度以及伸长度计算方法如下[9]：
（4）
（5）
（6）
1.3 Gabor滤波
Gabor 滤波首先对核函数模板进行确定，然后对图像进行卷积操作。Gabor 滤波函数乘以复指数振荡函数就是所对应的冲激响应。本文在提取特征向量时采用Gabor滤波法，所对应的核函数[10]如下：
（7）
2 改进支持向量机模型
相比于神经网络，支持向量机不需要太多的训练样本，同时对于凸优化问题支持向量机能够有效的解决，当参数和样本一致时，训练模型所得到的预测值就不会产生变化，因此在实际应用和理论中都比神经网络模型具有更高的性能。
但是在应用的过程中支持向量机需要依靠经验对学习参数进行选取。比如惩罚因子C和ε等，支持向量机的精度在很大程度上受到这些参数的影响，通常根据经验来进行参数的选取，这对于支持向量机模型的使用和推广是不利的。因此本文使用模拟退火算法对支持向量机的参数进行优化选择。
支持向量机的思想是利用结构风险最小化思想以及构造损失函数的思想，以统计学理论为基础，通过极小化目标函数就可以对回归函数进行确定，如下[11]：
（8）
将上述问题转化为对偶问题：
（9）
解出上述问题即为支持向量机的回归函数：
（10）
作为一种随机寻优算法，模拟退火算法是以蒙特卡罗迭代求解策略为基础的，其基本原理和物理上的金属退火比较类似。使用模拟退火算法对支持向量机的参数进行优化选择，主要过程如下：
步骤1：初始化参数。设定支持向量机中的ε，C和σ参数的初始范围。
步骤2：使用模拟退火算法对支持向量机的参数进行优化选择。
步骤3：更新最优解。如果，则使，，；否则使。
步骤4：抽样稳定性判别。如果，则使，并返回步骤2；否则使。
步骤5：终止退火判别。如果，则使，否则使。如果，则终止退火算法，否则继续向下进行。
步骤6：退火方案。如果，则按照方式进行退火；否则按照方式进行退火。
在利用SA对SVM参数进行确定的过程中能够记忆性地进行参数的选取，可以存储当前进化所得到的最优参数，保证可以根据记忆调整参数的选择过程；同时利用SA算法能够调整所选取的参数，避免出现局部最小的情况，对于逼近系统的精度以及参数选择学习速度的提升有非常好的效果[12]。
3 交通标志识别实例分析
通过交通标志识别实例对本文研究的识别方法进行验证分析。通過实地考察，拍摄了500幅包括826个交通标志的图像，用于实例分析，部分标志图像如图1所示。
本文以文献[13]中研究的图像特征检测方法为例进行对比分析。使用本文研究的图像特征检测方法得到的图像处理结果和使用文献[13]中研究的图像特征检测方法得到的图像处理结果如图2所示。
对比本文和文献[13]中的特征检测方法可以看出，本文研究的方法处理后图像中杂点更少，更利于图像的分类识别。另外，由于文献[13]中的特征检测方法使用计算图像均值处理，因此特征检测效率相对更低。
下面对交通标志识别准确率进行分析。使用多种图像特征检测方法和图像分类模型进行组合：本文研究的使用颜色和形状特征提取，改进支持向量机进行图像分类，称方法A；使用颜色和形状特征提取，常规支持向量机进行图像分类，称方法B；使用颜色特征提取，改进支持向量机进行图像分类，称方法C；使用形状特征提取，改进支持向量机进行图像分类[14]，称方法D。
使用上述四种方法针对拍摄的826个交通标志的图像进行识别，对比结果如表1所示。
表1 四种算法的识别结果对比
可以看出使用本文研究的交通标志检测方法的检测精度高于其他三种方法。使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。
4 结 论
交通标志识别系统能够有效地提升驾车的舒适性以及安全性。交通标志识别系统能够采集自然场景图像，经过图像识别和处理以后就可以检测交通标志，进而及时警告、指示以及提醒驾驶员。本文研究一种基于颜色和形状特征以及改进支持向量机算法的交通标志识别方法，并通过实例对所研究的交通标志识别方法的可行性进行了验证。
参考文献
[1] 王刚毅.交通标志检测与分类算法研究[D].哈尔滨：哈尔滨工业大学，2013.
[2] 宋婀娜，房俊杰，李娜，等.一种基于局部特征的交通标志检测算法的研究[J].现代电子技术，2015，38（13）：114?116.
[3] 杨正帅.基于视觉的道路识别技术在移动机器人导航中的应用研究[D].南京：南京理工大学，2007.
[4] 王忠.基于视觉的道路识别技术在智能小车导航中的应用研究[D].南京：东南大学，2006.
[5] 陈朴.模拟退火支持向量机算法研究及在电力负荷预测中的应用[D].哈尔滨：哈尔滨工业大学，2006.
[6] 陈亦欣，叶锋，肖锋，等.基于HSV空间和形状特征的交通标志检测识别研究[J].江汉大学学报（自然科学版），2016（2）：119?125.
[7] 王洋.一种基于模板匹配的交通标志识别方法[D].长春：吉林大学，2013.
[8] 卢艳君.交通标志自动检测与识别算法研究[D].武汉：武汉科技大学，2015.
[9] 鲍朝前.针对圆形和三角形交通标志的检测与识别[D].北京：北京工业大学，2015.
[10] 周欣.圆形和三角形交通标志分割与识别算法研究[D].上海：华东理工大学，2013.
[11] 李瑾，刘金朋，王建军.采用支持向量机和模拟退火算法的中长期负荷预测方法[J].中国电机工程学报，2011（16）：63?66.
[12] 张震，徐子怡，袁淑芳.基于支持向量机和模拟退火算法对供暖热负荷的预测方法[J].自动化技术与应用，2016（2）：10?14.
[13] ZAKLOUTA F， STANCIULESCU B. Real?time traffic sign recognition in three stages [J]. Robotics and autonomous system， 2014， 62（1）： 16?24.
[14] 李光瑞，夏凌，杜健，等.基于颜色特征和SVM的交通标志检测[J].西华大学学报（自然科学版），2016（1）：89?93.
摘 要： 研究一种基于图像特征以及改进支持向量机算法的交通标志识别方法。使用颜色以及形状特征对交通标志图像特征进行提取，使用Gabor 滤波方法增强处理交通标志图像。针对支持向量机识别算法的精度在很大程度上受到基本参数的影响，通常根据经验来进行参数的选取等问题，使用模拟退火算法对支持向量机的参数进行优化选择。研究结果表明，使用研究的交通标志检测方法的检测精度高于其他三种方法，使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。
关键词： 图像特征； 支持向量机； 模拟退火算法； 交通标志识别
中图分类号： TN911?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2017）08?0097?03
Traffic sign recognition based on image feature and improved support
vector machine algorithm
HAO Yongjie1， ZHOU Bowen2
（1. Hohhot Vocational College， Hohhot 010051， China； 2. College of Management and Economics， Tianjin University， Tianjin 300072， China）
Abstract： A traffic sign recognition method based on image feature and improved support vector machine （SVM） algorithm is studied in this paper. The color feature and shape feature are used to extract the image feature of the traffic sign. The Gabor filtering method is adopted to perform the enhancement processing of the traffic sign image. Since the accuracy of the recognition algorithm based on SVM is affected by the basic parameters to a great extent， and the parameters are selected according to the experience usually， the simulated annealing algorithm is used to select the parameters of the support vector machine optimally. The research results show that the detection accuracy of the traffic sign detection method is higher than that of the other three methods， and the detection accuracy of color and shape features extraction method is higher than that of the single color feature extraction method or shape feature extraction method.
Keywords： image feature； SVM； simulated annealing algorithm； traffic sign recognition
交通安全問题以及道路通信能力不足问题越来越严重，人们开始重视如何提升道路交通的安全性及有效性，车辆安全辅助驾驶能够将道路信息、车辆信息以及驾驶员信息联系起来，驾驶员在其辅助下能够对行车环境进行感知，进而达到识别和监测道路信息的目的[1?2]。作为高级辅助系统的重要部分，交通标志识别系统能够有效地提升驾车的舒适性以及安全性。利用该系统，能够采集自然场景图像，经过图像识别和处理以后就可以检测交通标志，进而及时警告、指示以及提醒驾驶员[3?4]。
1 基于图像特征的交通标志检测特征提取
1.1 基于颜色的交通标志特征
不同的交通标志在颜色上存在着较大的差距，因此在分割交通标志图像的过程中通常以颜色为基础来分离抽取交通标志[5?6]。色调V、饱和度S以及色度H三个分量组成了HSV 颜色空间，作为三原色RGB空间的一种非线性变换，HSV颜色空间模型和圆柱坐标系的一个圆锥形子集是相互对应的，实现RGB颜色空间和HSV空间之间的转换[7]如下：
（1）
（2）
（3）
1.2 基于形状的交通标志特征
利用颜色抽取的方法能够在实景图中提取交通标志区域。然而由于在背景上自然场景和交通标志均比较复杂，如果仅仅依靠颜色无法获得较为精确的判定结果。但是这种方法能够将那些颜色比较类似的背景排除掉，主要是因为这些复杂背景和交通标志的特殊形状存在着一定的差距[8]。矩形、三角形以及圆形为交通标志的三种主要类型，当交通标志不同时其属性也存在着一定的差距，例如执行到边缘的距离、伸长度、矩形度以及圆形度等。圆形度、矩形度以及伸长度计算方法如下[9]：
（4）
（5）
（6）
1.3 Gabor滤波
Gabor 滤波首先对核函数模板进行确定，然后对图像进行卷积操作。Gabor 滤波函数乘以复指数振荡函数就是所对应的冲激响应。本文在提取特征向量时采用Gabor滤波法，所对应的核函数[10]如下：
（7）
2 改进支持向量机模型
相比于神经网络，支持向量机不需要太多的训练样本，同时对于凸优化问题支持向量机能够有效的解决，当参数和样本一致时，训练模型所得到的预测值就不会产生变化，因此在实际应用和理论中都比神经网络模型具有更高的性能。
但是在应用的过程中支持向量机需要依靠经验对学习参数进行选取。比如惩罚因子C和ε等，支持向量机的精度在很大程度上受到这些参数的影响，通常根据经验来进行参数的选取，这对于支持向量机模型的使用和推广是不利的。因此本文使用模拟退火算法对支持向量机的参数进行优化选择。
支持向量机的思想是利用结构风险最小化思想以及构造损失函数的思想，以统计学理论为基础，通过极小化目标函数就可以对回归函数进行确定，如下[11]：
（8）
将上述问题转化为对偶问题：
（9）
解出上述问题即为支持向量机的回归函数：
（10）
作为一种随机寻优算法，模拟退火算法是以蒙特卡罗迭代求解策略为基础的，其基本原理和物理上的金属退火比较类似。使用模拟退火算法对支持向量机的参数进行优化选择，主要过程如下：
步骤1：初始化参数。设定支持向量机中的ε，C和σ参数的初始范围。
步骤2：使用模拟退火算法对支持向量机的参数进行优化选择。
步骤3：更新最优解。如果，则使，，；否则使。
步骤4：抽样稳定性判别。如果，则使，并返回步骤2；否则使。
步骤5：终止退火判别。如果，则使，否则使。如果，则终止退火算法，否则继续向下进行。
步骤6：退火方案。如果，则按照方式进行退火；否则按照方式进行退火。
在利用SA对SVM参数进行确定的过程中能够记忆性地进行参数的选取，可以存储当前进化所得到的最优参数，保证可以根据记忆调整参数的选择过程；同时利用SA算法能够调整所选取的参数，避免出现局部最小的情况，对于逼近系统的精度以及参数选择学习速度的提升有非常好的效果[12]。
3 交通标志识别实例分析
通过交通标志识别实例对本文研究的识别方法进行验证分析。通過实地考察，拍摄了500幅包括826个交通标志的图像，用于实例分析，部分标志图像如图1所示。
本文以文献[13]中研究的图像特征检测方法为例进行对比分析。使用本文研究的图像特征检测方法得到的图像处理结果和使用文献[13]中研究的图像特征检测方法得到的图像处理结果如图2所示。
对比本文和文献[13]中的特征检测方法可以看出，本文研究的方法处理后图像中杂点更少，更利于图像的分类识别。另外，由于文献[13]中的特征检测方法使用计算图像均值处理，因此特征检测效率相对更低。
下面对交通标志识别准确率进行分析。使用多种图像特征检测方法和图像分类模型进行组合：本文研究的使用颜色和形状特征提取，改进支持向量机进行图像分类，称方法A；使用颜色和形状特征提取，常规支持向量机进行图像分类，称方法B；使用颜色特征提取，改进支持向量机进行图像分类，称方法C；使用形状特征提取，改进支持向量机进行图像分类[14]，称方法D。
使用上述四种方法针对拍摄的826个交通标志的图像进行识别，对比结果如表1所示。
表1 四种算法的识别结果对比
可以看出使用本文研究的交通标志检测方法的检测精度高于其他三种方法。使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。
4 结 论
交通标志识别系统能够有效地提升驾车的舒适性以及安全性。交通标志识别系统能够采集自然场景图像，经过图像识别和处理以后就可以检测交通标志，进而及时警告、指示以及提醒驾驶员。本文研究一种基于颜色和形状特征以及改进支持向量机算法的交通标志识别方法，并通过实例对所研究的交通标志识别方法的可行性进行了验证。
参考文献
[1] 王刚毅.交通标志检测与分类算法研究[D].哈尔滨：哈尔滨工业大学，2013.
[2] 宋婀娜，房俊杰，李娜，等.一种基于局部特征的交通标志检测算法的研究[J].现代电子技术，2015，38（13）：114?116.
[3] 杨正帅.基于视觉的道路识别技术在移动机器人导航中的应用研究[D].南京：南京理工大学，2007.
[4] 王忠.基于视觉的道路识别技术在智能小车导航中的应用研究[D].南京：东南大学，2006.
[5] 陈朴.模拟退火支持向量机算法研究及在电力负荷预测中的应用[D].哈尔滨：哈尔滨工业大学，2006.
[6] 陈亦欣，叶锋，肖锋，等.基于HSV空间和形状特征的交通标志检测识别研究[J].江汉大学学报（自然科学版），2016（2）：119?125.
[7] 王洋.一种基于模板匹配的交通标志识别方法[D].长春：吉林大学，2013.
[8] 卢艳君.交通标志自动检测与识别算法研究[D].武汉：武汉科技大学，2015.
[9] 鲍朝前.针对圆形和三角形交通标志的检测与识别[D].北京：北京工业大学，2015.
[10] 周欣.圆形和三角形交通标志分割与识别算法研究[D].上海：华东理工大学，2013.
[11] 李瑾，刘金朋，王建军.采用支持向量机和模拟退火算法的中长期负荷预测方法[J].中国电机工程学报，2011（16）：63?66.
[12] 张震，徐子怡，袁淑芳.基于支持向量机和模拟退火算法对供暖热负荷的预测方法[J].自动化技术与应用，2016（2）：10?14.
[13] ZAKLOUTA F， STANCIULESCU B. Real?time traffic sign recognition in three stages [J]. Robotics and autonomous system， 2014， 62（1）： 16?24.
[14] 李光瑞，夏凌，杜健，等.基于颜色特征和SVM的交通标志检测[J].西华大学学报（自然科学版），2016（1）：89?93.
