论文部分内容阅读
摘 要：复杂背景下存在较多干扰因素，影响交通标志实时分类正确性。为此，提出基于改进支持向量机提出一种复杂背景交通标志实时分类方法。预处理采集到的图像，检测和定位交通标志，利用梯度直方图提取特征向量。通过改进支持向量机将图像特征向量投影到线性数据空间，完成交通标志实时分类。实验结果表明，此次设计方法的分类正确率比基于BP神经网络、卷积神经网络和YOLOv3的方法高出10.2%、8.1%和7.2%，具有良好的应用性。
关键词：支持向量机;复杂背景;交通标志;实时分类;特征提取;图像处理
中图分类号：TP391.41 文献标识码：A
0 引言
交通标志识别作为智能驾驶的辅助功能，可以有效解决道路拥堵问题，帮助驾驶员行驶在正确的车道上，并保持规定的车速，有利于提高道路利用率和安全性。在车辆行驶过程中，交通标志实时分类可帮助车辆提取道路信息，提高标志信息识别准确率，在一定程度上可以避免违反交通规则和发生交通事故。但在复杂背景下，交通标志图像分类过程存在许多干扰因素，比如形状、符号大小以及视角变化等，不利于精准进行实时分类。针对此问题，需要设计一种具有高分辨率和强适应性的分类方法。支持向量机（SVM）被广泛应用于图像分类检索上面，具有较好的泛化能力。本文基于改进支持向量机提出一种复杂背景交通标志实时分类方法，以提高交通标志识别效果。
1 基于改进支持向量机的复杂背景交通标志实时分类方法
1.1 交通标志图像预处理
为对交通标志进行实时分类，首先进行图像预处理。在确定的目标区域内分割图像，以此完成定位和检测。交通标志主要由车载摄像头采集，该过程存在一定干扰信息和随机噪声。将采集的车载视频转化为视频帧，并筛选包含交通标志的图像，以筛选出的视频帧为样本进行图像预处理[1]。为降低图像的模糊度，采用灰度直方图进行均衡化转换。处理后，像素灰度范围增大的同时，对比度也相应增强。将图像序列中数值较小的点，使用中值进行替换。经过上述操作后，整体像素序列更具有代表性，并消除了干扰噪声。在此基础上，利用二值化处理，将交通图像转化为灰度值为0或1的输出图像，完成从复杂背景中的提取。为消除图像的透视效果，还需通过逆透视变换，分割目标区域。假设每个像素在轴方向上的序列为，在轴方向上的序列為，则每个像素的图像坐标和成像坐标可进行转换，公式如下：
（1）
式（1）中，表示成像坐标;表示成像原点;表示图像坐标。令两个坐标原点相等，即：
（2）
式（2）中，表示图像坐标系原点。由此，完成了逆透视变换。预处理后的交通标志缩小了识别范围，滤除无关干扰信息，减少图像特征提取和实时分类的计算量。
1.2 提取交通标志目标特征
在实际车辆行驶的情况下，交通标志的特征会发生改变，如发生伸缩和旋转等变化，不利于实时分类。因此，在检测和定位到交通标志后，需要进一步提取图像特征。本文采用梯度直方图方法进行特征提取，并对特征向量进行降维处理。将目标图像分为连通的子区域，计算各子区域像素点的梯度特征，计算公式为：
（3）
式（3）中，表示梯度幅值;表示梯度方向;表示水平梯度;表示垂直梯度。将每个子区域的像素，沿梯度方向映射到固定空间，即得到加权投影。由此获得像素图像对应的特征向量。在特征提取中，梯度强度变化剧烈，并且与图像对比度变化密切相关。为获得最平均的梯度强度，计算子区域密度，完成对图像的归一化处理，消除明暗变化引起的图像质量缺陷[2]。样本经上述处理后仍具有较高维数，对此实施降维变换，提高图像分类的实时性和准确性。将样本通过正交变换投影到低维空间，并将特征值重新排列，取主要特征值代替原有特征值。输入的高维向量与投影矩阵相乘，就可以将维数降低到指定数值。降维后，图像的采样密度增加，并且起到降噪的效果。
1.3 构建基于改进支持向量机的交通标志实时分类模型
支持向量机将模型分类训练转化为求解二次规划的运算问题。支持向量机算法的训练需要确定以下三个因素：最优超平面、核函数和软间隔，具体如图1所示。
将特征向量所组成的样本集，利用非线性函数，投影到线性数据空间，计算公式表示为：
（4）
式（4）中，表示分类超平面;表示权值向量;表示转置矩阵;表示投影后的特征向量;表示支持向量;表示常数。利用支持向量机将图像分类问题转化为求解最优超平面，则核函数可表示为：
（5）
式（5）中，表示核函数;表示非松弛变量;表示误差惩罚参数，调节置信范围和风险比例。核函数将样本空间向外映射输出，调节模型训练的性能。为防止支持向量机过拟合，需要设置软间隔。软间隔能够约束较多的样本数量，并保证区间最大[3]。支持向量机的参数决定分类精度，为提高收敛速度，得到全局最优解，本次研究采用遗传算法对支持向量机进行改进。设定误差惩罚参数的取值范围为[0，1]，使用遗传算法对该参数进行迭代，经交叉验证后，得到最优的训练参数。将该参数作为设计模型的核函数参数，运用到本文设计方法中，完成交通标志实时分类。
2 实验
为验证本文提出的分类方法的有效性，下面进行实验测试。本次实验所选择的数据集为GTSRT，该数据集由车载相机拍摄不同场景下的交通标志图像所组成。实验选取1 000张交通标志图像，作为测试样本。采用本文方法对交通标志进行实时分类，结果如表1所示。
根据表1的测试结果，本文设计的方法能够对交通标志进行实时分类，并且分类结果具有一定准确性，能够满足车辆行驶的需求。进一步将本文方法与其他图像实时分类方法进行比较。选取基于BP神经网络、基于卷积神经网络和基于YOLOv3的交通标志实时分类方法为对照组，进行对比实验。为减少实验测试偶然性，每种方法均进行5次训练，实验结果取平均值。对比结果如表2所示。
根据表2的对比结果，本文设计方法的分类正确率高于其他三种分类方法，分别高出10.2%、8.1%和7.2%。由此证明基于改进向量机的实时分类方法在复杂背景交通标志的识别上具有一定可行性，有利于实现智能驾驶功能。
3 结束语
交通标志是管理道路和指挥行车路线的重要标识，能够疏导交通并控制车辆有序安全行驶。本文基于改进支持向量机提出一种复杂背景交通标志实时分类方法，提高了分类正确率。但本文研究是在离线情况下进行，没有对实际行驶车辆进行在线测试，后续应进行更深入研究，提高实际应用效果。
参考文献：
[1]苏寒松，陈震宇，龙鑫，等.一种基于改进运动历史图像和支持向量机的行为识别算法[J].陕西师范大学学报（自然科学版），2020（2）：17-24.
[2]丁博，王水凡.基于混合预测模型的交通标志识别方法[J].哈尔滨理工大学学报，2019（5）：108-115.
[3]揭伟，李为相，李为.基于多特征融合的交通标识实时分类与识别[J].现代电子技术，2019（11）：50-53+58.
关键词：支持向量机;复杂背景;交通标志;实时分类;特征提取;图像处理
中图分类号：TP391.41 文献标识码：A
0 引言
交通标志识别作为智能驾驶的辅助功能，可以有效解决道路拥堵问题，帮助驾驶员行驶在正确的车道上，并保持规定的车速，有利于提高道路利用率和安全性。在车辆行驶过程中，交通标志实时分类可帮助车辆提取道路信息，提高标志信息识别准确率，在一定程度上可以避免违反交通规则和发生交通事故。但在复杂背景下，交通标志图像分类过程存在许多干扰因素，比如形状、符号大小以及视角变化等，不利于精准进行实时分类。针对此问题，需要设计一种具有高分辨率和强适应性的分类方法。支持向量机（SVM）被广泛应用于图像分类检索上面，具有较好的泛化能力。本文基于改进支持向量机提出一种复杂背景交通标志实时分类方法，以提高交通标志识别效果。
1 基于改进支持向量机的复杂背景交通标志实时分类方法
1.1 交通标志图像预处理
为对交通标志进行实时分类，首先进行图像预处理。在确定的目标区域内分割图像，以此完成定位和检测。交通标志主要由车载摄像头采集，该过程存在一定干扰信息和随机噪声。将采集的车载视频转化为视频帧，并筛选包含交通标志的图像，以筛选出的视频帧为样本进行图像预处理[1]。为降低图像的模糊度，采用灰度直方图进行均衡化转换。处理后，像素灰度范围增大的同时，对比度也相应增强。将图像序列中数值较小的点，使用中值进行替换。经过上述操作后，整体像素序列更具有代表性，并消除了干扰噪声。在此基础上，利用二值化处理，将交通图像转化为灰度值为0或1的输出图像，完成从复杂背景中的提取。为消除图像的透视效果，还需通过逆透视变换，分割目标区域。假设每个像素在轴方向上的序列为，在轴方向上的序列為，则每个像素的图像坐标和成像坐标可进行转换，公式如下：
（1）
式（1）中，表示成像坐标;表示成像原点;表示图像坐标。令两个坐标原点相等，即：
（2）
式（2）中，表示图像坐标系原点。由此，完成了逆透视变换。预处理后的交通标志缩小了识别范围，滤除无关干扰信息，减少图像特征提取和实时分类的计算量。
1.2 提取交通标志目标特征
在实际车辆行驶的情况下，交通标志的特征会发生改变，如发生伸缩和旋转等变化，不利于实时分类。因此，在检测和定位到交通标志后，需要进一步提取图像特征。本文采用梯度直方图方法进行特征提取，并对特征向量进行降维处理。将目标图像分为连通的子区域，计算各子区域像素点的梯度特征，计算公式为：
（3）
式（3）中，表示梯度幅值;表示梯度方向;表示水平梯度;表示垂直梯度。将每个子区域的像素，沿梯度方向映射到固定空间，即得到加权投影。由此获得像素图像对应的特征向量。在特征提取中，梯度强度变化剧烈，并且与图像对比度变化密切相关。为获得最平均的梯度强度，计算子区域密度，完成对图像的归一化处理，消除明暗变化引起的图像质量缺陷[2]。样本经上述处理后仍具有较高维数，对此实施降维变换，提高图像分类的实时性和准确性。将样本通过正交变换投影到低维空间，并将特征值重新排列，取主要特征值代替原有特征值。输入的高维向量与投影矩阵相乘，就可以将维数降低到指定数值。降维后，图像的采样密度增加，并且起到降噪的效果。
1.3 构建基于改进支持向量机的交通标志实时分类模型
支持向量机将模型分类训练转化为求解二次规划的运算问题。支持向量机算法的训练需要确定以下三个因素：最优超平面、核函数和软间隔，具体如图1所示。
将特征向量所组成的样本集，利用非线性函数，投影到线性数据空间，计算公式表示为：
（4）
式（4）中，表示分类超平面;表示权值向量;表示转置矩阵;表示投影后的特征向量;表示支持向量;表示常数。利用支持向量机将图像分类问题转化为求解最优超平面，则核函数可表示为：
（5）
式（5）中，表示核函数;表示非松弛变量;表示误差惩罚参数，调节置信范围和风险比例。核函数将样本空间向外映射输出，调节模型训练的性能。为防止支持向量机过拟合，需要设置软间隔。软间隔能够约束较多的样本数量，并保证区间最大[3]。支持向量机的参数决定分类精度，为提高收敛速度，得到全局最优解，本次研究采用遗传算法对支持向量机进行改进。设定误差惩罚参数的取值范围为[0，1]，使用遗传算法对该参数进行迭代，经交叉验证后，得到最优的训练参数。将该参数作为设计模型的核函数参数，运用到本文设计方法中，完成交通标志实时分类。
2 实验
为验证本文提出的分类方法的有效性，下面进行实验测试。本次实验所选择的数据集为GTSRT，该数据集由车载相机拍摄不同场景下的交通标志图像所组成。实验选取1 000张交通标志图像，作为测试样本。采用本文方法对交通标志进行实时分类，结果如表1所示。
根据表1的测试结果，本文设计的方法能够对交通标志进行实时分类，并且分类结果具有一定准确性，能够满足车辆行驶的需求。进一步将本文方法与其他图像实时分类方法进行比较。选取基于BP神经网络、基于卷积神经网络和基于YOLOv3的交通标志实时分类方法为对照组，进行对比实验。为减少实验测试偶然性，每种方法均进行5次训练，实验结果取平均值。对比结果如表2所示。
根据表2的对比结果，本文设计方法的分类正确率高于其他三种分类方法，分别高出10.2%、8.1%和7.2%。由此证明基于改进向量机的实时分类方法在复杂背景交通标志的识别上具有一定可行性，有利于实现智能驾驶功能。
3 结束语
交通标志是管理道路和指挥行车路线的重要标识，能够疏导交通并控制车辆有序安全行驶。本文基于改进支持向量机提出一种复杂背景交通标志实时分类方法，提高了分类正确率。但本文研究是在离线情况下进行，没有对实际行驶车辆进行在线测试，后续应进行更深入研究，提高实际应用效果。
参考文献：
[1]苏寒松，陈震宇，龙鑫，等.一种基于改进运动历史图像和支持向量机的行为识别算法[J].陕西师范大学学报（自然科学版），2020（2）：17-24.
[2]丁博，王水凡.基于混合预测模型的交通标志识别方法[J].哈尔滨理工大学学报，2019（5）：108-115.
[3]揭伟，李为相，李为.基于多特征融合的交通标识实时分类与识别[J].现代电子技术，2019（11）：50-53+58.