本發(fā)明涉及圖像檢測技術(shù)領(lǐng)域，特別是涉及一種交通標志檢測方法和裝置。

背景技術(shù)：

交通標志是指街道旁設(shè)立的具有交通警示或交通提示作用的物體，比如區(qū)間測速標志、禁止通行標志、路況提示標志或者通行方向指示標志等。通過在電子地圖中標注交通標志的位置，對道路信息的檢索和導航都具有重要意義。

然而，目前交通標志的信息獲取來源主要是依靠人工獲取，但人工獲取需要大量人力并消耗大量時間，效率太低。而且人工獲取準確性較差。

技術(shù)實現(xiàn)要素：

基于此，有必要針對目前交通標志的信息獲取來源主要依靠人工獲取導致效率低且準確性差的問題，提供一種交通標志檢測方法和裝置。

一種交通標志檢測方法，所述方法包括：

獲取街景圖像；

從所述街景圖像中獲取與交通標志中的標志性圖形的顏色取值范圍匹配的候選區(qū)域；

對獲取的候選區(qū)域進行篩選，篩選出的候選區(qū)域符合所述標志性圖形所在區(qū)域的預設(shè)區(qū)域特征；

將篩選出的候選區(qū)域提取特征后，將提取的特征通過用于判別是否屬于標志性圖形類的分類器進行判別，以獲得交通標志檢測結(jié)果。

一種交通標志檢測裝置，所述裝置包括：

街景圖像獲取模塊，用于獲取街景圖像；

候選區(qū)域獲取模塊，用于從所述街景圖像中獲取與交通標志中的標志性圖形的顏色取值范圍匹配的候選區(qū)域；

候選區(qū)域篩選模塊，用于對獲取的候選區(qū)域進行篩選，篩選出的候選區(qū)域符合所述標志性圖形所在區(qū)域的預設(shè)區(qū)域特征；

判別模塊，用于將篩選出的候選區(qū)域提取特征后，將提取的特征通過用于判別是否屬于標志性圖形類的分類器進行判別，以獲得交通標志檢測結(jié)果。

上述交通標志檢測方法和裝置，在獲取到街景圖像后，按照標志性圖形的顏色取值范圍獲取候選區(qū)域，這樣可以從街景圖像中過濾掉明顯不符合交通標志的顏色特征的區(qū)域。從候選區(qū)域中篩選出符合標志性圖形所在區(qū)域的預設(shè)區(qū)域特征的候選區(qū)域，這樣可以進一步過濾掉明顯不符合交通標志的預設(shè)區(qū)域特征的候選區(qū)域。通過分類器的判別，最終可以檢測出街景圖像中是否存在標志性圖形，從而檢測出是否存在相應(yīng)的交通標志。這樣可以實現(xiàn)自動化的交通標志檢測，無需人工獲取，效率和準確性都得到提升。

附圖說明

圖1為一個實施例中用于實現(xiàn)交通標志檢測方法的計算機的內(nèi)部結(jié)構(gòu)圖；

圖2為一個實施例中交通標志檢測方法的流程示意圖；

圖3為一個實施例中區(qū)間測速標志的示意圖；

圖4為另一個實施例中區(qū)間測速標志的示意圖；

圖5為另一個實施例中交通標志檢測方法的流程示意圖；

圖6為一個實施例中水平360度全景街景圖像的示意圖；

圖7為一個實施例中HSV顏色模型區(qū)間測速標志的輪廓示意圖；

圖8為一個實施例中經(jīng)過連通域查找后的二值化圖像中區(qū)間測速標志處的圖像的示意圖；

圖9為一個實施例中檢測出的交通標志的標志性圖形的示意圖；

圖10為一個實施例中交通標志檢測裝置的結(jié)構(gòu)框圖；

圖11為另一個實施例中交通標志檢測裝置的結(jié)構(gòu)框圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，在一個實施例中，提供了一種計算機100，包括通過系統(tǒng)總線連接的處理器、非易失性存儲介質(zhì)、內(nèi)存儲器以及圖像采集器。其中處理器具有計算功能和控制計算機100工作的功能。該處理器被配置為執(zhí)行一種交通標志檢測方法。非易失性存儲介質(zhì)包括磁存儲介質(zhì)、光存儲介質(zhì)和閃存式存儲介質(zhì)中的至少一種，非易失性存儲介質(zhì)存儲有操作系統(tǒng)和一種交通標志檢測裝置，該交通標志檢測裝置用于實現(xiàn)一種交通標志檢測方法。圖像采集器用于采集實時的圖像，圖像采集器可以是360度全景攝像頭。

如圖2所示，在一個實施例中，提供了一種交通標志檢測方法，本實施例以該方法應(yīng)用于上述圖1中的計算機100來舉例說明。該方法具體包括如下步驟：

步驟202，獲取街景圖像。

具體地，計算機100可調(diào)用圖像采集器來獲取街景圖像，獲取的街景圖像可稱為原始的街景圖像。圖像采集器可設(shè)置在可移動裝置上，這樣可以通過可移動裝置在移動過程中實時獲取街景圖像。可移動裝置包括汽車、無人機以及機器人中的至少一種。街景圖像是指具有道路旁的影像的圖像。道路包括公路和人行街道，公路包括高速公路。

在一個實施例中，街景圖像為水平360度全景街景圖像。其中水平360度全景街景圖像是包括覆蓋水平面360度方向的視野的街景圖像。計算機100可控制圖像采集器采集多個方向的街景圖像合成為360街景圖像，也可以控制圖像采集器采集水平旋轉(zhuǎn)并同時獲取街景圖像并合成以獲得360街景圖像。

步驟204，從街景圖像中獲取與交通標志中的標志性圖形的顏色取值范圍匹配的候選區(qū)域。

步驟204是顏色過濾的步驟。其中，交通標志是指街道旁設(shè)立的具有交通警示或交通提示作用的人造物體，比如區(qū)間測速標志、禁止通行標志、路況提示標志或者通行方向指示標志等。具體區(qū)間測速標志如圖3中的3a、3b和3c。

標志性圖形是指在交通標志中將該交通標志與其它交通標志區(qū)分開的圖形。舉例說明，當交通標志為區(qū)間測速標志時，標志性圖形為區(qū)間測速標志中包括攝像頭圖像且不包括文字的圖像，如圖3中的3a1。

交通標志的形狀主要包括矩形、圓形和三角形，因此交通標志形狀本身存在一定的共性，區(qū)分性不是很好，這里采用交通標志中的標志性圖形來實現(xiàn)交通標志的檢測，準確率較高。

交通標志與自然產(chǎn)生的物體不同，特定的交通標志的顏色組成是固定的。具體區(qū)間測速標志主要由綠色和白色組成，也有些區(qū)間測速標志主要由藍色和白色組成，還有些區(qū)間測速標志主要由黃色和黑色組成。如圖4所示的區(qū)間測速標志包括標志性圖形400，標志性圖形400的區(qū)域401和402為綠色，區(qū)域403為白色。

考慮到自然環(huán)境中光線的變化造成標志性圖形呈現(xiàn)的顏色也會發(fā)生變化，這里可預先統(tǒng)計各種光線條件下標志性圖形呈現(xiàn)的顏色，從而根據(jù)統(tǒng)計結(jié)果確定該顏色取值范圍。顏色取值范圍可以是按照特定的顏色模型下的顏色通道劃分的，比如若街景圖像采用HSV顏色模型，則顏色取值范圍可以包括H(Hue，色調(diào))、S(Saturation，飽和度)和V(Value，亮度)三個顏色通道中的至少一種的取值范圍。顏色模型還可以采用RGB(紅綠藍)顏色模型或者YUV顏色模型等。

步驟206，對獲取的候選區(qū)域進行篩選，篩選出的候選區(qū)域符合所述標志性圖形所在區(qū)域的預設(shè)區(qū)域特征。

具體地，經(jīng)過顏色過濾的步驟后所獲取的候選區(qū)域仍然會包括較多與交通標志不相關(guān)的候選區(qū)域，這里通過對獲取的候選區(qū)域進行過濾，過濾掉不符合預設(shè)區(qū)域特征的候選區(qū)域，從而獲得符合預設(shè)區(qū)域特征的候選區(qū)域。預設(shè)區(qū)域特征是標志性圖形所在區(qū)域應(yīng)當具有的預設(shè)的區(qū)域性特征。

步驟208，將篩選出的候選區(qū)域提取特征后，將提取的特征通過用于判別是否屬于標志性圖形類的分類器進行判別，以獲得交通標志檢測結(jié)果。

具體地，分類器經(jīng)過屬于標志性圖形類的正樣本集和不屬于標志性圖形類的負樣本集訓練。其中正樣本集中的正樣本是包括標志性圖形的圖像；負樣本 集中的負樣本則是不包括標志性圖形的圖像，負樣本可以包括與標志性圖形不相關(guān)的隨機圖像，也可以包括與標志性圖形相似的圖像。

訓練分類器時，將正樣本集中的正樣本和負樣本集中的負樣本分別提取特征后，根據(jù)提取的特征來訓練分類器。經(jīng)過訓練的分類器可用來預測一個新的圖像是否屬于標志性圖形類，如果屬于標志性圖形類則說明檢測到交通標志；如果不屬于標志性圖形類則說明未檢測到交通標志。交通標志檢測結(jié)果包括是否檢測到交通標志，還可以包括檢測到的交通標志在街景圖像中的位置。

其中提取的特征可以采用HOG(Histogram of Oriented Gradient，方向梯度直方圖)特征、SIFT(Scale-Invariant Feature Transform，尺度不變特征轉(zhuǎn)換)特征或者SURF(Speeded Up Robost Features，加速穩(wěn)健特征)特征等。分類器可以采用SVM(Support Vector Machine，支持向量機)、級聯(lián)分類器(如Adaboost分類器)或者人工神經(jīng)網(wǎng)絡(luò)分類器等。

上述交通標志檢測方法，在獲取到街景圖像后，按照標志性圖形的顏色取值范圍獲取候選區(qū)域，這樣可以從街景圖像中過濾掉明顯不符合交通標志的顏色特征的區(qū)域。從候選區(qū)域中篩選出符合標志性圖形所在區(qū)域的預設(shè)區(qū)域特征的候選區(qū)域，這樣可以進一步過濾掉明顯不符合交通標志的預設(shè)區(qū)域特征的候選區(qū)域。通過分類器的判別，最終可以檢測出街景圖像中是否存在標志性圖形，從而檢測出是否存在相應(yīng)的交通標志。這樣可以實現(xiàn)自動化的交通標志檢測，無需人工獲取，效率和準確性都得到提升。

在一個實施例中，計算機100還可以獲取街景圖像的地理位置信息，并根據(jù)檢測到的交通標志在街景圖像中的位置以及該地理位置信息，在電子地圖上標注相應(yīng)的交通標志。其中街景圖像的地理位置信息可在獲取街景圖像時獲取。

在一個實施例中，計算機100還可以根據(jù)交通標志檢測結(jié)果進行提示預警。比如在檢測到區(qū)間測速標志后發(fā)出“前方測速”的提示。

在一個實施例中，步驟204之前，還包括：根據(jù)交通標志在預獲取街景圖像中的出現(xiàn)位置的統(tǒng)計信息，對街景圖像進行裁剪。

具體地，預獲取街景圖像是指預先獲取的街景圖像，通過對預獲取街景圖像中交通標志的出現(xiàn)位置進行統(tǒng)計獲得相應(yīng)的統(tǒng)計信息。該統(tǒng)計信息可以反映 出交通標志不會出現(xiàn)在街景圖像的哪些位置，或者可能會出現(xiàn)在街景圖像的哪些位置。

比如，通常街景圖像會包括天空的圖像和道路的圖像，天空的圖像通常位于街景圖像的上部區(qū)域，道路的圖像則位于街景圖像的下部區(qū)域，這些區(qū)域中不會出現(xiàn)交通標志，可將這些區(qū)域裁剪掉。

本實施例中，根據(jù)交通標志在預獲取街景圖像中的出現(xiàn)位置的統(tǒng)計信息來對街景圖像進行裁剪，可以在流程前端直接摒棄掉不可能出現(xiàn)交通標志的區(qū)域，從而提高后續(xù)處理的效率。

在一個實施例中，步驟204包括：將街景圖像中與交通標志中的標志性圖形的顏色取值范圍匹配的像素值置為前景色值，將與該顏色取值范圍不匹配的像素值置為背景色值，獲得二值化圖像；在所述二值化圖像查找前景色值構(gòu)成的連通域以獲取到候選區(qū)域。

其中對該二值化圖像進行連通域查找，從而獲得由前景色值的像素構(gòu)成的連通域，將該連通域作為候選區(qū)域，或者將該連通域?qū)?yīng)到原始的背景圖像中的像素作為候選區(qū)域。

進一步地，前景色值可為0，視覺上表現(xiàn)為黑色；背景色值可為255，視覺上表現(xiàn)為白色。候選區(qū)域與顏色取值范圍匹配，是指在街景圖像中該候選區(qū)域?qū)?yīng)的像素值在該顏色取值范圍內(nèi)。

連通域是指圖像中具有相同像素值且位置相鄰的前景像素點組成的圖像區(qū)域。連通域查找是將圖像中的連通域找出并標記的過程，也稱為連通域分析。連通域查找可采用Two-Pass(兩遍掃描)算法和Seed Filling(種子填充)算法。在查找到連通域后還可以對連通域的角度進行調(diào)整，使得角度規(guī)范化。比如將角度調(diào)整到[-90°，90°]這個范圍內(nèi)。

在一個實施例中，步驟204包括：從街景圖像中獲取與交通標志中的標志性圖形的一種組成顏色的預設(shè)顏色取值范圍匹配的候選區(qū)域。該一種組成顏色可取標志性圖形中面積占比最大的顏色。比如交通標志為區(qū)間測速標志時，顏色取值范圍可為攝像頭圖像的顏色即為綠色。通過一種組成顏色的顏色取值范圍來獲取候選區(qū)域，可以提高效率并保留邊緣信息。

在一個實施例中，步驟204包括：從街景圖像中獲取與交通標志中的標志性圖形的一種組成顏色的多組預設(shè)顏色取值范圍中的至少一組匹配的候選區(qū)域。

具體地，考慮到室外光照條件差異較大，顏色取值范圍變化也較大，這里預先為一種組成顏色設(shè)置多組預設(shè)顏色取值范圍，某區(qū)域只要命中其中一組預設(shè)顏色取值范圍就可以保留下作為候選區(qū)域，若不滿足任何一組預設(shè)顏色取值范圍就過濾掉該區(qū)域。

舉例說明，若交通標志為區(qū)間測速標志，標志性圖形的一種組成顏色為綠色，則交通標志中的標志性圖形的一種組成顏色的多組預設(shè)顏色取值范圍具體可如以下所列：

第一組：50<H<100，S>55，75<V<160。

第二組：50<H<100，S>50，V<70。

第三組：60<H<90，S>35，170<V<220。

第四組：28<H<100，110<V<178。

第五組：20<H<110，130<S<230，30<V<60。

其中H、S和V分別表示色調(diào)顏色通道、飽和度顏色通道和亮度顏色通道下的像素值。

本實施例中，通過設(shè)置一種組成顏色的多組預設(shè)顏色取值范圍，可以確保顏色過濾步驟對交通標志的檢測具有較高的召回率，防止漏檢。其中召回率又稱查全率，是檢測出的交通標志的數(shù)量占實際存在的交通標志的數(shù)量的比率。

在一個實施例中，預設(shè)區(qū)域特征包括：標志性圖形所在區(qū)域的尺寸范圍、高寬比范圍、顏色聚類類別數(shù)以及梯度特征中的至少一種。

其中標志性圖形所在區(qū)域的尺寸范圍是指標志性圖形所在區(qū)域的外切矩形的寬度的范圍和高度的范圍。比如若交通標志為區(qū)間測速標志，且獲取的街景圖像尺寸為8192像素(寬)×4096像素(高)，則該區(qū)間測速標志所在區(qū)域的尺寸范圍可為：14像素<height<231像素，10像素<width<600像素；其中height表示該區(qū)間測速標志所在區(qū)域的高度，width表示該區(qū)間測速標志所在區(qū)域的寬度。

高寬比范圍是指標志性圖形所在區(qū)域的外切矩形的高度和寬度的比值的范圍。比如若交通標志為區(qū)間測速標志，則該區(qū)間測速標志所在區(qū)域的高寬比范圍可為：1.0<height/width<5.2；其中height表示該區(qū)間測速標志所在區(qū)域的高度，width表示該區(qū)間測速標志所在區(qū)域的寬度。

顏色聚類類別數(shù)是指將標志性圖形所在區(qū)域的像素值進行聚類后所獲得的類別數(shù)量。聚類可采用K-means聚類算法，還可以采用K-modes以及其它聚類算法，不再一一列舉。

比如若交通標志為區(qū)間測速標志，則可采用K-means聚類算法，首先從獲取的候選區(qū)域中任意選擇K個像素作為初始聚類中心；而對于所剩下其它像素，則根據(jù)它們與這些聚類中心的像素值距離，分別將它們分配給距離最近的聚類中心所代表的聚類；然后再計算每個所獲新聚類的聚類中心；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。若最終能夠聚類為兩類，則保留相應(yīng)的候選區(qū)域；若最終不能夠聚類為兩類，則將相應(yīng)的候選區(qū)域過濾掉。其中像素值距離可采用歐式距離計算。標準測度函數(shù)可取均方差。

若把圖像看成二維離散函數(shù)，該圖像的梯度為這個二維離散函數(shù)的求導，梯度可以反映出圖像的邊緣，梯度特征可以反映出圖像中邊緣特征。比如若交通標志為區(qū)間測速標志，由于交通標志包括大量綠色區(qū)域，與綠色樹葉容易混淆。但交通標志的標志性圖形中邊緣是規(guī)則的、數(shù)量較少的，而樹葉的邊緣則是雜亂的、數(shù)量較多的，這樣通過能夠反映變換變化的梯度特征就可以將標志性圖形和樹葉區(qū)分開。

上述實施例中，可以從區(qū)域尺寸、高寬比、顏色類別以及梯度特征的多個維度對獲取的候選區(qū)域進行過濾，過濾掉明顯不符合預設(shè)區(qū)域特征的候選區(qū)域，保留可能存在標志性圖形的候選區(qū)域，便于提高后續(xù)通過分類器進行判別的效率。而且通過多個維度的預設(shè)區(qū)域特征的組合，可以使得后續(xù)通過分類器進行判別的效率得到進一步提升。

如圖5所示，在一個實施例中，提供了一種交通標志檢測方法，本實施例中交通標志為區(qū)間測速標志。該方法具體包括如下步驟：

步驟502，獲取水平360度全景街景圖像。比如水平360度全景街景圖像可 如圖6所示，該水平360度全景街景圖像的最左端可與最右端無縫連接。

步驟504，根據(jù)交通標志在預獲取水平360度全景街景圖像中的出現(xiàn)位置的統(tǒng)計信息，對獲取的水平360度全景街景圖像進行裁剪。參照圖6，水平360度全景街景圖像的區(qū)域601和區(qū)域602均可以裁剪掉。

步驟506，在HSV顏色模型下，檢測水平360度全景街景圖像各顏色通道中各像素值是否與交通標志中的標志性圖形的綠色的多組預設(shè)顏色取值范圍中的至少一組匹配。其中HSV顏色模型下，區(qū)間測速標志如圖7所示。區(qū)間測速標志的標志性圖形的多組預設(shè)顏色取值范圍可采用如下所列五組：

第一組：50<H<100，S>55，75<V<160。

第二組：50<H<100，S>50，V<70。

第三組：60<H<90，S>35，170<V<220。

第四組：28<H<100，110<V<178。

第五組：20<H<110，130<S<230，30<V<60。

步驟508，將水平360度全景街景圖像中檢測為匹配的像素值置為前景色值，將水平360度全景街景圖像中檢測為不匹配的像素值置為背景色值，獲得二值化圖像。

步驟510，對二值化圖像進行連通域查找獲得候選區(qū)域。具體經(jīng)過連通域查找后的二值化圖像中區(qū)間測速標志處的圖像如圖8所示。其中上述步驟506至步驟510是在HSV顏色模型下，從所述街景圖像中獲取與交通標志中的標志性圖形的綠色的多組預設(shè)顏色取值范圍中的至少一組匹配的候選區(qū)域的步驟。

步驟512，從獲得的候選區(qū)域中過濾掉不符合標志性圖形所在區(qū)域的尺寸范圍、高寬比范圍、顏色聚類類別數(shù)以及梯度特征中的任意一種的候選區(qū)域。

其中尺寸范圍可取14像素<height<231像素，10像素<width<600像素。高寬比范圍可取1.0<height/width<5.2。其中height表示該區(qū)間測速標志所在區(qū)域的高度，width表示該區(qū)間測速標志所在區(qū)域的寬度。顏色聚類類別數(shù)可取2類。這里的梯度特征主要是與樹葉的梯度特征相區(qū)別的梯度特征。

步驟514，將過濾后保留的候選區(qū)域提取HOG特征后，將提取的HOG特征通過用于判別是否屬于標志性圖形類的支持向量機進行判別，以獲得交通標 志檢測結(jié)果。最終檢測出的交通標志的標志性圖形如圖9所示的9a和9b。

如圖10所示，在一個實施例中，提供了一種交通標志檢測裝置1000，具有實現(xiàn)上述各個實施例的交通標志檢測方法的功能模塊。該交通標志檢測裝置1000包括：街景圖像獲取模塊1001、候選區(qū)域獲取模塊1002、候選區(qū)域篩選模塊1003和判別模塊1004。

街景圖像獲取模塊1001，用于獲取街景圖像。

具體地，街景圖像獲取模塊1001可用于調(diào)用圖像采集器來獲取街景圖像，獲取的街景圖像可稱為原始的街景圖像。圖像采集器可設(shè)置在可移動裝置上，這樣可以通過可移動裝置在移動過程中實時獲取街景圖像。可移動裝置包括汽車、無人機以及機器人中的至少一種。街景圖像是指具有道路旁的影像的圖像。道路包括公路和人行街道，公路包括高速公路。

在一個實施例中，街景圖像為水平360度全景街景圖像。其中水平360度全景街景圖像是包括覆蓋水平面360度方向的視野的街景圖像。街景圖像獲取模塊1001可用于控制圖像采集器采集多個方向的街景圖像合成為360街景圖像，也可以控制圖像采集器采集水平旋轉(zhuǎn)并同時獲取街景圖像并合成以獲得360街景圖像。

候選區(qū)域獲取模塊1002，用于從街景圖像中獲取與交通標志中的標志性圖形的顏色取值范圍匹配的候選區(qū)域。

其中，交通標志是指街道旁設(shè)立的具有交通警示或交通提示作用的人造物體，比如區(qū)間測速標志、禁止通行標志、路況提示標志或者通行方向指示標志等。標志性圖形是指在交通標志中將該交通標志與其它交通標志區(qū)分開的圖形。舉例說明，當交通標志為區(qū)間測速標志時，標志性圖形可為區(qū)間測速標志中包括攝像頭圖像且不包括文字的圖像，如圖3中的3a1。

交通標志的形狀主要包括矩形、圓形和三角形，因此交通標志形狀本身存在一定的共性，區(qū)分性不是很好，這里采用交通標志中的標志性圖形來實現(xiàn)交通標志的檢測，準確率較高。

交通標志與自然產(chǎn)生的物體不同，特定的交通標志的顏色組成是固定的。 具體區(qū)間測速標志主要由綠色和白色組成，也有些區(qū)間測速標志主要由藍色和白色組成。如圖4所示的區(qū)間測速標志，區(qū)域401為綠色，區(qū)域402為白色。

考慮到自然環(huán)境中光線的變化造成標志性圖形呈現(xiàn)的顏色也會發(fā)生變化，這里可預先統(tǒng)計各種光線條件下標志性圖形呈現(xiàn)的顏色，從而根據(jù)統(tǒng)計結(jié)果確定該顏色取值范圍。顏色取值范圍可以是按照特定的顏色模型下的顏色通道劃分的，比如若街景圖像采用HSV顏色模型，則顏色取值范圍可以包括H(Hue，色調(diào))、S(Saturation，飽和度)和V(Value，亮度)三個顏色通道中的至少一種的取值范圍。顏色模型還可以采用RGB(紅綠藍)顏色模型或者YUV顏色模型等。

候選區(qū)域篩選模塊1003，用于對獲取的候選區(qū)域進行篩選，篩選出的候選區(qū)域符合所述標志性圖形所在區(qū)域的預設(shè)區(qū)域特征。

具體地，經(jīng)過顏色過濾后所獲取的候選區(qū)域仍然會包括較多與交通標志不相關(guān)的候選區(qū)域，這里通過對獲取的候選區(qū)域進行過濾，過濾掉不符合預設(shè)區(qū)域特征的候選區(qū)域，從而獲得符合預設(shè)區(qū)域特征的候選區(qū)域。預設(shè)區(qū)域特征是預設(shè)的標志性圖形所在區(qū)域應(yīng)當具有的區(qū)域性特征。

判別模塊1004，用于將篩選出的候選區(qū)域提取特征后，將提取的特征通過用于判別是否屬于標志性圖形類的分類器進行判別，以獲得交通標志檢測結(jié)果。

具體地，分類器經(jīng)過屬于標志性圖形類的正樣本集和不屬于標志性圖形類的負樣本集訓練。其中正樣本集中的正樣本是包括標志性圖形的圖像；負樣本集中的負樣本則是不包括標志性圖形的圖像，負樣本可以包括與標志性圖形不相關(guān)的隨機圖像，也可以包括與標志性圖形相似的圖像。

訓練分類器時，將正樣本集中的正樣本和負樣本集中的負樣本分別提取特征后，根據(jù)提取的特征來訓練分類器。經(jīng)過訓練的分類器可用來預測一個新的圖像是否屬于標志性圖形類，如果屬于標志性圖形類則說明檢測到交通標志；如果不屬于標志性圖形類則說明未檢測到交通標志。交通標志檢測結(jié)果包括是否檢測到交通標志，還可以包括檢測到的交通標志在街景圖像中的位置。其中提取的特征可以采用HOG特征、SIFT特征或者SURF特征等。分類器可以采用支持向量機、級聯(lián)分類器或者人工神經(jīng)網(wǎng)絡(luò)分類器等。

上述交通標志檢測裝置1000，在獲取到街景圖像后，按照標志性圖形的顏色取值范圍獲取候選區(qū)域，這樣可以從街景圖像中過濾掉明顯不符合交通標志的顏色特征的區(qū)域。從候選區(qū)域中篩選出符合標志性圖形所在區(qū)域的預設(shè)區(qū)域特征的候選區(qū)域，這樣可以進一步過濾掉明顯不符合交通標志的預設(shè)區(qū)域特征的候選區(qū)域。通過分類器的判別，最終可以檢測出街景圖像中是否存在標志性圖形，從而檢測出是否存在相應(yīng)的交通標志。這樣可以實現(xiàn)自動化的交通標志檢測，無需人工獲取，效率和準確性都得到提升。

如圖11所示，在一個實施例中，交通標志檢測裝置1000還包括：剪裁模塊1005，用于根據(jù)交通標志在預獲取街景圖像中的出現(xiàn)位置的統(tǒng)計信息，對街景圖像進行裁剪。

具體地，預獲取街景圖像是指預先獲取的街景圖像，通過對預獲取街景圖像中交通標志的出現(xiàn)位置進行統(tǒng)計獲得相應(yīng)的統(tǒng)計信息。該統(tǒng)計信息可以反映出交通標志不會出現(xiàn)在街景圖像的哪些位置，或者可能會出現(xiàn)在街景圖像的哪些位置。

比如，通常街景圖像會包括天空的圖像和道路的圖像，天空的圖像通常位于街景圖像的上部區(qū)域，道路的圖像則位于街景圖像的下部區(qū)域，這些區(qū)域中不會出現(xiàn)交通標志，可將這些區(qū)域裁剪掉。

本實施例中，根據(jù)交通標志在預獲取街景圖像中的出現(xiàn)位置的統(tǒng)計信息來對街景圖像進行裁剪，可以在流程前端直接摒棄掉不可能出現(xiàn)交通標志的區(qū)域，從而提高后續(xù)處理的效率。

在一個實施例中，候選區(qū)域獲取模塊1002還用于將街景圖像中與交通標志中的標志性圖形的顏色取值范圍匹配的像素值置為前景色值，將與該顏色取值范圍不匹配的像素值置為背景色值，獲得二值化圖像。然后對該二值化圖像進行連通域查找，從而獲得由前景色值的像素構(gòu)成的連通域，可將連通域?qū)?yīng)到原始的背景圖像中的像素作為候選區(qū)域。

其中前景色值可為0，視覺上表現(xiàn)為黑色；背景色值可為255，視覺上表現(xiàn)為白色。候選區(qū)域與顏色取值范圍匹配，是指在街景圖像中該候選區(qū)域?qū)?yīng)的像素值在該顏色取值范圍內(nèi)。

連通域是指圖像中具有相同像素值且位置相鄰的前景像素點組成的圖像區(qū)域。連通域查找是將圖像中的連通域找出并標記的過程，也稱為連通域分析。連通域查找可采用Two-Pass(兩遍掃描)算法和Seed Filling(種子填充)算法。

在一個實施例中，候選區(qū)域獲取模塊1002還用于從街景圖像中獲取與交通標志中的標志性圖形的一種組成顏色的預設(shè)顏色取值范圍匹配的候選區(qū)域。該一種組成顏色可取標志性圖形中面積占比最大的顏色。比如交通標志為區(qū)間測速標志時，顏色取值范圍可為攝像頭圖像的顏色即為綠色。通過一種組成顏色的顏色取值范圍來獲取候選區(qū)域，可以提高效率并保留邊緣信息。

在一個實施例中，候選區(qū)域獲取模塊1002還用于從街景圖像中獲取與交通標志中的標志性圖形的一種組成顏色的多組預設(shè)顏色取值范圍中的至少一組匹配的候選區(qū)域。

具體地，考慮到室外光照條件差異較大，顏色取值范圍變化也較大，這里預先為一種組成顏色設(shè)置多組預設(shè)顏色取值范圍，某區(qū)域只要命中其中一組預設(shè)顏色取值范圍就可以保留下作為候選區(qū)域，若不滿足任何一組預設(shè)顏色取值范圍就過濾掉該區(qū)域。

舉例說明，若交通標志為區(qū)間測速標志，標志性圖形的一種組成顏色為綠色，則交通標志中的標志性圖形的一種組成顏色的多組預設(shè)顏色取值范圍具體可如以下所列：

第一組：50<H<100，S>55，75<V<160。

第二組：50<H<100，S>50，V<70。

第三組：60<H<90，S>35，170<V<220。

第四組：28<H<100，110<V<178。

第五組：20<H<110，130<S<230，30<V<60。

其中H、S和V分別表示色調(diào)顏色通道、飽和度顏色通道和亮度顏色通道下的像素值。

本實施例中，通過設(shè)置一種組成顏色的多組預設(shè)顏色取值范圍，可以確保顏色過濾步驟對交通標志的檢測具有較高的召回率，防止漏檢。其中召回率又稱查全率，是檢測出的交通標志的數(shù)量占實際存在的交通標志的數(shù)量的比率。

在一個實施例中，預設(shè)區(qū)域特征包括：標志性圖形所在區(qū)域的尺寸范圍、高寬比范圍、顏色聚類類別數(shù)以及梯度特征中的至少一種。

其中標志性圖形所在區(qū)域的尺寸范圍是指標志性圖形所在區(qū)域的外切矩形的寬度的范圍和高度的范圍。比如若交通標志為區(qū)間測速標志，且獲取的街景圖像尺寸為8192像素(寬)×4096像素(高)，則該區(qū)間測速標志所在區(qū)域的尺寸范圍可為：14像素<height<231像素，10像素<width<600像素；其中height表示該區(qū)間測速標志所在區(qū)域的高度，width表示該區(qū)間測速標志所在區(qū)域的寬度。

高寬比范圍是指標志性圖形所在區(qū)域的外切矩形的高度和寬度的比值的范圍。比如若交通標志為區(qū)間測速標志，則該區(qū)間測速標志所在區(qū)域的高寬比范圍可為：1.0<height/width<5.2；其中height表示該區(qū)間測速標志所在區(qū)域的高度，width表示該區(qū)間測速標志所在區(qū)域的寬度。

顏色聚類類別數(shù)是指將標志性圖形所在區(qū)域的像素值進行聚類后所獲得的類別數(shù)量。聚類可采用K-means聚類算法，還可以采用K-modes以及其它聚類算法，不再一一列舉。

比如若交通標志為區(qū)間測速標志，則可采用K-means聚類算法，首先從獲取的候選區(qū)域中任意選擇K個像素作為初始聚類中心；而對于所剩下其它像素，則根據(jù)它們與這些聚類中心的像素值距離，分別將它們分配給距離最近的聚類中心所代表的聚類；然后再計算每個所獲新聚類的聚類中心；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。若最終能夠聚類為兩類，則保留相應(yīng)的候選區(qū)域；若最終不能夠聚類為兩類，則將相應(yīng)的候選區(qū)域過濾掉。其中像素值距離可采用歐式距離計算。標準測度函數(shù)可取均方差。

若把圖像看成二維離散函數(shù)，該圖像的梯度為這個二維離散函數(shù)的求導，梯度可以反映出圖像的邊緣，梯度特征可以反映出圖像中邊緣特征。比如若交通標志為區(qū)間測速標志，由于交通標志包括大量綠色區(qū)域，與綠色樹葉容易混淆。但交通標志的標志性圖形中邊緣是規(guī)則的、數(shù)量較少的，而樹葉的邊緣則是雜亂的、數(shù)量較多的，這樣通過能夠反映變換變化的梯度特征就可以將標志性圖形和樹葉區(qū)分開。

上述實施例中，可以從區(qū)域尺寸、高寬比、顏色類別以及梯度特征的多個維度對獲取的候選區(qū)域進行過濾，過濾掉明顯不符合預設(shè)區(qū)域特征的候選區(qū)域，保留可能存在標志性圖形的候選區(qū)域，便于提高后續(xù)通過分類器進行判別的效率。而且通過多個維度的預設(shè)區(qū)域特征的組合，可以使得后續(xù)通過分類器進行判別的效率得到進一步提升。

在一個實施例中，街景圖像獲取模塊1001還用于獲取水平360度全景街景圖像。

剪裁模塊1005還用于根據(jù)交通標志在預獲取水平360度全景街景圖像中的出現(xiàn)位置的統(tǒng)計信息，對水平360度全景街景圖像進行裁剪。

候選區(qū)域獲取模塊1002還用于在HSV顏色模型下，從所述街景圖像中獲取與交通標志中的標志性圖形的綠色的多組預設(shè)顏色取值范圍中的至少一組匹配的候選區(qū)域。候選區(qū)域獲取模塊1002具體用于在HSV顏色模型下，檢測水平360度全景街景圖像各顏色通道中各像素值是否與交通標志中的標志性圖形的綠色的多組預設(shè)顏色取值范圍中的至少一組匹配。將水平360度全景街景圖像中檢測為匹配的像素值置為前景色值，將水平360度全景街景圖像中檢測為不匹配的像素值置為背景色值，獲得二值化圖像。對二值化圖像進行連通域查找，將查找到的連通域作為候選區(qū)域。

候選區(qū)域篩選模塊1003還用于從候選區(qū)域中過濾掉不符合標志性圖形所在區(qū)域的尺寸范圍、高寬比范圍、顏色聚類類別數(shù)以及梯度特征的候選區(qū)域。

判別模塊1004還用于將過濾后保留的候選區(qū)域提取HOG特征后，將提取的HOG特征通過用于判別是否屬于標志性圖形類的支持向量機進行判別，以獲得交通標志檢測結(jié)果。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)等非易失性存儲介質(zhì)，或隨機存儲記憶體(Random Access Memory，RAM) 等。

以上所述實施例的各技術(shù)特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當認為是本說明書記載的范圍。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。