薛玉利

　　(山东青年政治学院 信息工程学院，山东 济南 250103)

　　摘要：提出一种最大极值区域（MSERs）结合分水岭变换的粘连交通标志分离算法。首先通过MSERs对图像进行二值化，选取在多个二值图像中形状均保持不变的区域作为候选标志区域；然后，判断是否为粘连标志，若是则用分水岭变换分离；最后提取单个标志。实验结果表明，该算法能够有效分离粘连交通标志，提取到完整的单个交通标志。

　　关键词： MSERs；分水岭变换；粘连标志

0引言

　　利用颜色分割来检测交通标志的算法主要采用RGB［1］、YUV和HIS等颜色空间，因为RGB颜色特征对光照变化非常敏感，人们又提出了归一化RGB［2］和MSERs［3］来改进。在检测中，如果多个交通标志距离较近，分割后的图像会出现互相粘连的情况（通常为2~4个），在去除干扰区域时，粘连的标志区域被误滤除，降低了交通标志检测性能。目前的检测算法对这个问题关注较少，在参考文献［4］中，BUIMINH T等提出两种分离粘连标志的算法，第一种算法利用粘连标志内部区域之间不连通的特性进行分离，当遮挡程度高时，分离效果差；第二种算法利用分水岭变换分离，不受遮挡程度的约束，但算法计算成本较高。参考文献［5］采用归一化RGB方法对图像分割，对每一个候选标志区域进行分水岭变换，计算成本较参考文献［4］有明显提高，但是在图像二值化时采用单一阈值，提取的标志存在断裂、不连续等问题，影响了后续的检测和识别。

　　本文针对上述问题，提出一种基于MSERs和分水岭变换的粘连交通标志分离算法，利用多个阈值对图像进行二值化，选取在多个二值图像中形状均保持不变的区域作为候选标志区域，然后对其进行分离处理，可以有效提取出交通标志，而且对光照变化鲁棒性更强。

1基于MSERs的图像分割

　　1.1交通标志的MSERs提取

　　图像转换为归一化红蓝图像ΩRB的公式为：

　　ΩRB可以提取出红、蓝色像素值最高的像素，有利于检测红、蓝色的标志。设定标志的阈值范围为［90,150］，均匀选择12个阈值对ΩRB二值化。如果某个连通区域的形状在几个阈值的二值图像中均保持不变，则选作候选标志区域。

　　1.2排除干扰区域

　　将候选区域进行孔洞填充，将像素数小于80或大于2 000的区域判为干扰区域，将其滤除。

　　对于候选标志区域，设定纵横比参数阈值ARth。圆形或正方形标志最小外接矩形的纵横比为1；三角形标志的纵横比为0.87（水平放置）或1.15（垂直放置）。考虑到交通标志倾斜、旋转及摄像装置的放置位置等问题，容许各种形状标志的纵横比在一个范围内。不同数量的粘连标志的纵横比范围如表1所示。

　　当候选标志区域的纵横比击中［0.8,1.3］时，判定为1个标志，直接提取；如果纵横比击中2、3、4个标志的阈值区间时，判定为粘连标志，提取该连通区域。

2基于分水岭变换的粘连标志分离

　　距离变换的图像可以看做一个分水岭地形结构，需要通过分水岭变换找到分水岭脊线。

　　令M1，M2，…，MR是表示图像G(x,y)的区域最小点的坐标的集合。令C(Mi)是标志与区域最小值Mi相联系的汇水盆地中的点的坐标集合。令T［n］表示满足G(s,t)<n的坐标(s,t)的集合。即：

　　T［n］={(s,t)|G(s,t)<n}(2)

　　令Cn(Mi)表示汇水盆地中与淹没阶段n的最小值Mi相关联的点的坐标集。则Cn(Mi)可看成是由下式给出的一幅二值图像。

　　Cn(Mi)=C(Mi)∩T［n］(3)

　　令C［n］表示在阶段n中已被水淹没的汇水盆地的“并”。令C［max+1］表示所有汇水盆地的“并”。即：

　　C［n］=∪Ri=1CnMi(4)

　　C［max+1］=∪Ri=1C(Mi)(5)

　　显然，C［n-1］是C［n］的一个子集，因为C［n］是T［n］的一个子集，所以C［n-1］可以理解为是T［n］的一个子集。即C［n-1］中的每一个连通分量都恰好包含在T［n］的一个连通分量中。

　　寻找分水线的算法使用C［min+1］=T［min+1］来初始化，然后利用递归处理由C［n-1］计算C［n］，最终可以得到1个像素宽的分水岭脊线，对脊线求补，将粘连的连通区域与脊线的补进行“与”操作，即可得到被脊线分离的区域ROI。设ROI的高、宽分别为h、w，满足式(6)的ROI被判断为单个标志，不满足的则认为是干扰区域。

　　3实验结果与分析

　　为了验证本文算法的有效性，分别对德国交通标志集GTSDB和济南市区的交通标志集进行测试。GTSDB中粘连标志图像20幅，涉及粘连的交通标志60个。济南数据集是在汽车速度为30~80 km/h，由行车记录仪在不同时间采集的城市道路图像，共有477幅图像，其中粘连标志图像50幅，涉及粘连的标志150个，其中红色标志83个，蓝色标志67个。

　　对于粘连的标志图像，分别采用参考文献［5］的RGBN算法和本文的MSERs算法进行二值化，出现了两种情况：(1) RGBN算法出现粘连标志，MSERs未出现粘连标志；(2) 两种算法均出现粘连标志。

　　第一种情况如图1所示。为了观察方便，分别对两种算法的粘连标志进行了局部放大。

　　由图1可以看出，RGBN算法的阈值单一，在图像分割中，出现了交通标志粘连、区域不连续等问题。MSERs算法选取多个阈值，其中有几个接近最佳阈值，所以MSERs的分割效果比RGBN的好。

　　对GTSDB中20幅粘连标志图像分别用两种算法分割，统计是否出现粘连标志的结果如表2所示。

　　第二种情况两种分割算法均出现粘连，此时需要进行分离。实验结果如图2所示。

　　由图2可以看出，RGBN算法导致三角形标志不连续，后续的孔洞填充中该标志填充失败，且三角形的不连续边缘粘连在右下角的圆形标志上，在分水岭变换中无法将二者分离。在判断分离后的标志是否为单个标志时，因不满足纵横比条件导致右下角的圆形标志被滤除。两种算法的分离结果如表3所示。

　　本文算法还适于红色和蓝色标志粘连、蓝色标志之间粘连的情况。因为MSERs得到的是归一化红蓝图像，当出现红色、蓝色之间标志粘连时，也可以用本文算法进行分离处理。实验结果如图3所示。

　　对于济南市区的数据集，采用参考文献［5］ 与本文算法分割，实验结果如表4所示。

　　由表3、4可以看出，参考文献［5］仅对红色交通标志进行实验分析，采用RGBN分割算法，导致部分标志分割后出现断裂、不连续等问题，因而无法定位这些标志。本文算法基于MSERs算法，采用多个阈值分割，可以获得较完整的交通标志，最后成功定位交通标志，并且该算法同时适用于红色和蓝色的交通标志。

4结束语

　　本文提出了一种基于MSERs和分水岭变换分离粘连交通标志的算法，实验证明，该方法能够有效分离粘连的交通标志，定位单个标志，为后续的交通标志识别打好基础。MSERs方法采用多个阈值对图像进行二值化，可以获得比RGBN方法更好的分割效果。

参考文献

　　［1］ 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.

　　［3］ 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.

　　［4］ 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.

　　［5］ 李厚杰,邱天爽,宋海玉,等.基于分水岭变换的互相遮挡交通标志自适应分离［J］.大连理工大学学报,2014,54(1):100105.