图像处理的交通标志分割研究(源码)
摘要：随着经济发展，汽车已经逐渐进入我们的日常生活中。给我们带来便利的同时也带来了事故频发和交通堵塞等问题。在此背景下，智能驾驶系统得到了快速发展。作为智能驾驶系统中重要一环，图像中交通标志的检测分割成为近年来的研究热点。本文先介绍了图像预处理的知识，分析比较了中值滤波、均值滤波、高斯滤波、双边滤波算法，简述了直方图均衡化的基本思想。然后介绍基于颜色的交通标志分割算法，对常规RGB颜色分割进行分析，并在常规RGB颜色分割基础上进行改进，对HSI颜色分割进行分析。最后介绍基于轮廓的交通标志分割，分析比较Canny、Sobel、Laplacian边缘检测算子，介绍图像膨胀腐蚀的基本原理，通过研究交通标志的形状特征，提出了一系列轮廓筛选的先验条件，根据筛选得到的轮廓所确定的最小外接矩信息，完成对图像的分割。
目录
摘要 1
关键词 1
Abstract 1
Keywords 1
1.课题背景 2
1.1 课题研究背景与意义 2
1.2 研究状况 2
1.3 存在的问题 2
2.开发平台及应用技术 3
2.1 OPENCV 3
2.2 MFC 3
3.系统简介 3
4.图像预处理 5
4.1 图像滤波 5
4.2 常见滤波方法效果比较 6
4.2 直方图均衡化 6
5.基于颜色的交通标志图像分割 7
5.1 常见颜色模型 7
5.2 RGB颜色模型下的交通标志分割 8
5.2.1 常规RGB颜色分割 8
5.2.2 改进的RGB颜色分割 9
5.3 HSI颜色模型下的交通标志分割 9
5.4 三种分割方法比较 10
6.基于轮廓的交通标志图像分割 10
6.1 边缘检测 11
6.2 边缘图像预处理 11
6.2.1 膨胀腐蚀 11
6.3 轮廓筛选 13
6.4 图像分割 17
7.实验结果分析 19
7.1 实验基本步骤 19
*好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
/> 7.2 主要工作和创新点 21
7.3 后续研究构想 21
致谢 21
参考文献 22
基于图像处理的交通标志分割研究
计算机科学与技术学生 鲁可琦
引言
1.课题背景
1.1 课题研究背景与意义
随着经济发展，汽车已经逐渐进入我们的日常生活中。给我们带来便利的同时也带来了事故频发和交通堵塞等问题。在此背景下，智能驾驶系统得到了快速发展，图像中交通标志分割作为智能驾驶系统中重要一环，成为近年来的研究热点。本文主要研究目的是设计一个快速检测分割出图片中交通标志的系统。该系统能在不同光照和复杂背景条件下，快速、高效、准确的定位并分割图片中的交通标志。
1.2 研究状况
在基于颜色的交通标志分割研究中，北京工业大学的孙光民等用RGB分量的差值提取图像中特定颜色的像素点[1]；南京师范大学的张卡等通过对整幅图像颜色信息的统计，从统计结果中获取阈值信息，并设定分割阈值实现像素点的提取[2]；北京交通大学的刘芳等通过对RGB分量归一化，然后设定归一化后R、G、B门限值的方法，筛选满足要求的像素点[3]。Varan等在RGB模型下，通过提取1.5倍R分量大于G、B分量之和的点作为红色点[4]；Escalera等通过同时设定R分量的绝对数值和相对数值(与B、G分量的比值)的门限以检测红色点[5]；Xin等针对不同的光照条件设定了多种门限检测红色点[6]。Gomez等基于一套完整的交通标志检测和分类系统，对各种颜色空间下的最终识别结果进行了比较，认为归一化RGB空间和HSV空间的检测结果相似，优于其他颜色空间[7]。
在基于形状的交通标志分割研究中，Lafuente等提出DtB(Distance to Bounding Box)特征，计算连通域边缘到其最小外接矩形的四条边的距离，结合线性支持向量机SVM（Support Vector Machine)对连通域进行形状分类，若该连通域不属于交通标志形状，则将其筛除[8]。Gil等计算连通域中心到其所有边缘的距离，形成一条一维曲线，并计算其FFT幅度特征[9]，而后采用神经网络分类器或最近邻域分类的方法进行形状判别，此方法具有良好的平移、旋转不变性。Xu采用正切函数特征，组成一个特征向量，向量的值是连通域边缘曲线每个点的切向角的正切值，最后并通过模板匹配完成分类[10]。
1.3 存在的问题
尽管很多学者已经对交通标志的检测分割方法进行了深入研究,但仍未建立一套完整有效的分割体系。同时，自然场景下拍摄的交通标志图片受诸多因素影响，这些因素制约图片中交通标志的有效检测分割。
1.光照条件多样性。不同天气条件、不同季节、不同时间的光照均有不同。光照强度过高或者过低会造成图像边缘对比度过低、图像颜色失真等问题，如图11中a、b。
2.交通标志形状的影响。各类标志形状不统一，由于人为因素、拍摄角度，会出现交通标志歪斜、扭曲等问题，如图11中c。
3.图像背景复杂，图中干扰因素多。实时图像中存在大量建筑和自然景物的干扰，如汽车、建筑、广告牌等颜色与交通标志相似、树木阴影等，加大了交通标志分割的难度，如图11中d、e。
4.多个交通标志连接在一起。在交通标志图片中，经常遇到交通标志被排成一列或者一行，导致统一分割结果中存在多个交通标志，图11中f。
5.实时性处理要求高。在实际的系统中，需要快速的分割出交通标志，而复杂的算法往往时间复杂度比较大，处理图片的时间长，不能将结果及时的反馈给智能交通系统。
（a）光照过强 （b）光照不足 （c）视角倾斜
（d）背景颜色相似 （e）树木阴影 （f）交通标志连接
图11 交通标志检测时遇到的各种不利情况
2.开发平台及应用技术
2.1 OPENCV
Opencv全称是：Open Source Computer Vision Library，是一个开源的跨平台计算机视觉库，由一系列C函数和少量的C++类构成，提供了Python、Ruby、MATLAB等语言的接口,实现了很多图像处理方面的通用算法，具有轻量，高效，可移植性好的优点。
2.2 MFC
MFC全称是：Microsoft Foundation Classes，以C++类的形式封装了Windows API，并为用户提供一个基础应用程序框架。MFC中包含大量Windows句柄封装类和很多Windows的内建控件和组件的封装类，具有浅封装，灵活性高的优点。
3.系统简介
交通标志主要分为禁令标志、警告标志、指示标志三个大类，每个类别的颜色和形状都各具特点。以国内的交通标志为例，禁令标志为红色的边、白色的底、形状为圆形，如图31；警告标志为黑色的边、黄色的底、形状为正三角形，如图32；指示标志则为无边、蓝色的底、形状为正方形，如图33。
目录
摘要 1
关键词 1
Abstract 1
Keywords 1
1.课题背景 2
1.1 课题研究背景与意义 2
1.2 研究状况 2
1.3 存在的问题 2
2.开发平台及应用技术 3
2.1 OPENCV 3
2.2 MFC 3
3.系统简介 3
4.图像预处理 5
4.1 图像滤波 5
4.2 常见滤波方法效果比较 6
4.2 直方图均衡化 6
5.基于颜色的交通标志图像分割 7
5.1 常见颜色模型 7
5.2 RGB颜色模型下的交通标志分割 8
5.2.1 常规RGB颜色分割 8
5.2.2 改进的RGB颜色分割 9
5.3 HSI颜色模型下的交通标志分割 9
5.4 三种分割方法比较 10
6.基于轮廓的交通标志图像分割 10
6.1 边缘检测 11
6.2 边缘图像预处理 11
6.2.1 膨胀腐蚀 11
6.3 轮廓筛选 13
6.4 图像分割 17
7.实验结果分析 19
7.1 实验基本步骤 19
*好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
/> 7.2 主要工作和创新点 21
7.3 后续研究构想 21
致谢 21
参考文献 22
基于图像处理的交通标志分割研究
计算机科学与技术学生 鲁可琦
引言
1.课题背景
1.1 课题研究背景与意义
随着经济发展，汽车已经逐渐进入我们的日常生活中。给我们带来便利的同时也带来了事故频发和交通堵塞等问题。在此背景下，智能驾驶系统得到了快速发展，图像中交通标志分割作为智能驾驶系统中重要一环，成为近年来的研究热点。本文主要研究目的是设计一个快速检测分割出图片中交通标志的系统。该系统能在不同光照和复杂背景条件下，快速、高效、准确的定位并分割图片中的交通标志。
1.2 研究状况
在基于颜色的交通标志分割研究中，北京工业大学的孙光民等用RGB分量的差值提取图像中特定颜色的像素点[1]；南京师范大学的张卡等通过对整幅图像颜色信息的统计，从统计结果中获取阈值信息，并设定分割阈值实现像素点的提取[2]；北京交通大学的刘芳等通过对RGB分量归一化，然后设定归一化后R、G、B门限值的方法，筛选满足要求的像素点[3]。Varan等在RGB模型下，通过提取1.5倍R分量大于G、B分量之和的点作为红色点[4]；Escalera等通过同时设定R分量的绝对数值和相对数值(与B、G分量的比值)的门限以检测红色点[5]；Xin等针对不同的光照条件设定了多种门限检测红色点[6]。Gomez等基于一套完整的交通标志检测和分类系统，对各种颜色空间下的最终识别结果进行了比较，认为归一化RGB空间和HSV空间的检测结果相似，优于其他颜色空间[7]。
在基于形状的交通标志分割研究中，Lafuente等提出DtB(Distance to Bounding Box)特征，计算连通域边缘到其最小外接矩形的四条边的距离，结合线性支持向量机SVM（Support Vector Machine)对连通域进行形状分类，若该连通域不属于交通标志形状，则将其筛除[8]。Gil等计算连通域中心到其所有边缘的距离，形成一条一维曲线，并计算其FFT幅度特征[9]，而后采用神经网络分类器或最近邻域分类的方法进行形状判别，此方法具有良好的平移、旋转不变性。Xu采用正切函数特征，组成一个特征向量，向量的值是连通域边缘曲线每个点的切向角的正切值，最后并通过模板匹配完成分类[10]。
1.3 存在的问题
尽管很多学者已经对交通标志的检测分割方法进行了深入研究,但仍未建立一套完整有效的分割体系。同时，自然场景下拍摄的交通标志图片受诸多因素影响，这些因素制约图片中交通标志的有效检测分割。
1.光照条件多样性。不同天气条件、不同季节、不同时间的光照均有不同。光照强度过高或者过低会造成图像边缘对比度过低、图像颜色失真等问题，如图11中a、b。
2.交通标志形状的影响。各类标志形状不统一，由于人为因素、拍摄角度，会出现交通标志歪斜、扭曲等问题，如图11中c。
3.图像背景复杂，图中干扰因素多。实时图像中存在大量建筑和自然景物的干扰，如汽车、建筑、广告牌等颜色与交通标志相似、树木阴影等，加大了交通标志分割的难度，如图11中d、e。
4.多个交通标志连接在一起。在交通标志图片中，经常遇到交通标志被排成一列或者一行，导致统一分割结果中存在多个交通标志，图11中f。
5.实时性处理要求高。在实际的系统中，需要快速的分割出交通标志，而复杂的算法往往时间复杂度比较大，处理图片的时间长，不能将结果及时的反馈给智能交通系统。
（a）光照过强 （b）光照不足 （c）视角倾斜
（d）背景颜色相似 （e）树木阴影 （f）交通标志连接
图11 交通标志检测时遇到的各种不利情况
2.开发平台及应用技术
2.1 OPENCV
Opencv全称是：Open Source Computer Vision Library，是一个开源的跨平台计算机视觉库，由一系列C函数和少量的C++类构成，提供了Python、Ruby、MATLAB等语言的接口,实现了很多图像处理方面的通用算法，具有轻量，高效，可移植性好的优点。
2.2 MFC
MFC全称是：Microsoft Foundation Classes，以C++类的形式封装了Windows API，并为用户提供一个基础应用程序框架。MFC中包含大量Windows句柄封装类和很多Windows的内建控件和组件的封装类，具有浅封装，灵活性高的优点。
3.系统简介
交通标志主要分为禁令标志、警告标志、指示标志三个大类，每个类别的颜色和形状都各具特点。以国内的交通标志为例，禁令标志为红色的边、白色的底、形状为圆形，如图31；警告标志为黑色的边、黄色的底、形状为正三角形，如图32；指示标志则为无边、蓝色的底、形状为正方形，如图33。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2273.html
