交通标志是安全出行的重要保障，包含了道路状况的改变、行驶速度及驾驶行为限制等重要信息。因此，有关道路交通标志自动识别系统(triffic sign recognition,TSR)的研究得到了政府和各界学者的重视。TSR系统主要是通过车载摄像头获取道路影像，利用有关技术对影像进行预处理及交通标志的检测，然后进行交通标志的识别。

我国交通标志都有规定的颜色，其中禁令标志主色调为红色，警告标志为黄色，指示标志为蓝色。因此，颜色无疑是交通标志检测的重要特征。郁梅等^[1]对获取的彩色图像进行色调不变的彩色增强，再进行彩色聚类、形态滤波、模板匹配、特征点匹配等步骤，进行交通标志的检测和识别。但是由于彩色空间易受光照条件的影响，而视频影像会存在拍摄环境光照太强或者太弱等情况，不符合人类的视觉理解；Escalera^{[2, 3]}通过分析交通标志的形状和颜色，对色度和饱和度进行变换，在一定程度上减少光照带来的影响；朱双东等^[4]采用颜色规格化方法简化交通标志颜色，利用两级智能分类器实现分类，采用BP(back propagation)神经网络实现颜色规格化，具有较好的鲁棒性；Betke^[5]采用标准相关算法，避免了光强度的变化和遮挡情况，但此种方法针对不同的标志采用不同算法，计算量大，不能投入到实际应用中。

本文针对交通指示标志的形状特征和颜色特征，提出了一种基于形状特征的边缘跟踪检测算法，并设计出一种分块特征提取识别方法，能更有效地识别出自然场景下的交通指示标志，可投入到实际应用中。

1 交通指示标志检测

指示标志通常由蓝色和白色构成，指示标志的形状有圆形和矩形。基于这些特征，先进行色彩分割去除大片非感兴趣区域，然后提取具有圆形或矩形特征的区域，从而检测出影像中的指示标志及其所在区域ROI(region of interest)。

1.1 基于HSV空间的颜色分割

因为指示标志大都是以蓝色为底色，所以先对图像分割进行标志检测。RGB空间是通过对红(R)、绿(G)、蓝(B)颜色通道的叠加来得到各式各样颜色的。但是RGB空间受光照和设备的影响大，因此对彩色图像RGB不适合直接进行颜色分割^[6]。通常将彩色图像处理用色相H(Hue)、饱和度S(Saturation)、明度V(Value)三个分量颜色模型表示。色相和饱和度一起决定了颜色的色彩，明度分量则与色彩信息无关。这有利于解决各种自然场景中光照条件差别大的问题。将现实场景下的自然图片采用HSV颜色表示再分割，通过反复测试，选取阈值100≤H≤150,S>75,V>55分割效果好，可提取兴趣区ROI，如图 1所示。

1.2 基于形状特征的交通指示标志检测 1.2.1 圆形指示标志的检测

根据HSV颜色分割得到二值化图像，对于圆形指示标志，采用了一种基于圆形形状特征的边缘跟踪检测算法^[7](算法参数见表 1)。方法如下：

1) 检测ROI边缘，进行轮廓跟踪，若轮廓上像素的个数N和轮廓周长L这两个参数不满足设定的阈值，则可认为此区域不做进一步检测；

2) 若N和L满足设定的阈值，则计算轮廓的面积S和圆形度f，若S和S满足设定的阈值，则进一步判断轮廓宽与高之比rate，若rate符合设定值，则可认为该标志为圆形指示标志。

1.2.2 矩形指示标志的检测

根据HSV颜色分割得到二值化图像，对于矩形指示标志而言，采用了一种基于矩形形状特征的边缘跟踪检测算法(算法参数见表 2)。方法如下：

1) 检测出ROI边缘，进行轮廓跟踪，得到轮廓面积S、周长L和轮廓上像素的个数N，若这三个参数满足设定的阈值，则对该轮廓区域作进一步检测；

2) 获取包围该轮廓的最小外接矩形得到矩形宽w、高h，计算rate1=L·L/S,rate2=S/(w·h),矩形宽高比rate3=h/w,若这些参数都满足给定阈值范围，则认为是矩形指示标志。

2 交通标志分块识别

根据检测出来的结果可以对交通指示标志进行识别。为了便于识别，已将参考交通标志建库，规格大小为90像素×90像素。因此，检测到标志后，需要将标志区进行几何纠正，将标志区外接最小矩形变换为参考标志的大小。

采用常规的模板匹配识别标志，识别能力有限。因此，本文提出采用分块识别的方法^{[8, 9]},其基本思想是把检测出来的指示标志内核区域分块，然后提取每块特征构成待识别标志向量，与参考交通标志库中各指示标志内核区域进行特征向量的相关匹配，匹配程度最高的库中标志即为识别出来的交通标志类别。

2.1 指示标志分块

1) 圆形指示标志分块方法。 对几何纠正后的圆形交通标志区进行二值化处理，得到待识别标志的二值化图像。

如图 2所示对圆形指示标志内核进行分块，24块的分块方式具有完全对称结构，方块大小为12像素×12像素，分块与外接正方形边框的距离为9个像素。这种分块法分块数量适中，且能包含交通标志内核。

2) 矩形标志分块法。 如图 3所示，矩形指示标志的分块直接以其边框作为边界，每个分块大小为90像素×90像素。与圆形标志的分块类似，将矩形标志分为25个小块，具有完全对称结构，方块大小为16像素×16像素，分块与边框距离为5个像素。

2.2 相关匹配

对检测出来的交通标志，首先计算分块的特征向量，再计算其与标志库中各参考标志特征向量之间的相关系数，依最大相关系数就可确定检测出来的交通标志类别。 图 4为交通指示标志检测与识别流程。

3 试验结果分析

本次试验数据为车载视频图像共计300帧。按照图 4所示的流程对每帧图像进行了交通标志检测与识别，并进行了统计分析，检测与识别结果如表 3所示。

在待检的300帧图像中共有指示标志数75个,不同类型的指示标志20个。采用本文算法检测出63个，检测正确率约为84%。采用分块特征提取的识别方法，能正确识别57个，识别正确率为76%，非分块模板匹配识别法识别率为52% ，相比而言，分块特征提取的识别方法识别率提高了24%。测试中存在一些漏检和误检的情况，其原因是交通标志变形严重或目标太小、交通标志接近或重合导致粘连现象，从而造成检测和识别的正确率不能达到100%。

4 结束语

根据交通指示标志的形状和颜色特征，对交通标志进行定位和检测，同时，提出一种交通指示标志分块识别的方法。试验结果表明，该方法处理效率高，可有效对自然场景中的指示标志进行检测与识别。