前言：尋找寫作靈感？中文期刊網用心挑選的機器視覺的交通標志檢測識別系統設計，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：針對人機交互中目標識別的問題，設計基于BP神經網絡的交通標志檢測識別系統。首先，采集自然環境下的原始圖像，運用RGB模型轉換為HSV模型。然后，應用圖像增強處理和濾波腐蝕技術，減少圖像的環境噪聲。最后，運用BP神經網絡模板建立交通標志數據模板庫，通過BP神經網絡的方式將模板進行訓練和數據提取，采用模板匹配識別原始圖像交通標志。設計目標識別的GUI人機交互界面，實驗測試結果表明，設計系統可以準確識別圖像中交通標志并彈窗提醒和語音播報識別結果，設計的目標識別系統快速可靠，能夠廣泛應用于不同場景。
關鍵詞：機器視覺；圖像處理；目標識別；BP神經網絡
社會步入了人工智能的高速發展時代，其中機器視覺的發展是人工智能面向用戶交流體驗的關鍵，機器對目標檢測與識別是人工智能的“慧眼”。智能汽車需要有效地識別路側的交通標志識別牌輔助汽車駕駛運行，但是在自然采集的原始圖像環境復雜容易影響交通標志的檢測識別，需要對原始圖像增強預處理提高目標識別率。本文設計了基于BP神經網絡的交通標志識別系統，并對不同的交通標志進行顏色模型分類，將預處理后的交通標志提取出來與訓練模板進行匹配對比識別交通標志，為智能汽車提供慧眼。
1BP神經網絡特征識別
BP（BackPropagation）神經網絡是人工神經網絡的一種[1]，BP神經網絡結構分為三層，分別是輸入層，隱藏層和輸出層。隱藏層收到多個輸入信號，學習輸入層給的特征標志，相當于記住了一個物體的多種特點，再由輸出層輸出。BP神經網絡算法具有反饋式的誤差分析，能夠將計算出的值反饋給輸入層進行再次優化和計算，計算過程由正向計算過程和反向計算過程組成，目前BP網絡主要用于函數誤差分析，記憶識別，分類等方面[2]。設計應用BP神經網絡的記憶識別功能，將模板進行首次檢測，當下一次遇到和模板相似的時候，將調動記憶和模板匹配。首先導入模板讀取模板的特征數據，然后設定訓練的次數，將輸出的數據和輸入的模板讀取的數據進行匹配計算，求得這一輸出數據和模板輸出值之間的平方誤差值。根據實際情況調整訓練，對訓練集中的所有不同的輸入樣本向量重復進行多次，直到誤差值降低到與模板數據誤差在接受的范圍以內。BP神經網絡訓練的流程圖如圖1所示，當BP神經網絡訓練結束后把交通標志模板數據保存到程序數據庫中，當進行識別程序的時候調用交通標志模板數據庫與目標進行對比、判斷。
2交通標志目標檢測
2.1圖像采集預處理
采集自然光照下圖像，交通標志在采集時受環境的影響很大，而且交通標志有各種各樣的形狀和顏色，為了區別復雜的背景區域和目標區域，提高目標識別率需要對原始圖像進行預處理，圖像預處理方法如圖2所示。首先，把采集的數字圖像的RGB數據模型轉化為HSV數據模型。雖然我國交通標志種類繁多，但是交通標志的顏色固定，主要為紅色、黃色、白色和黑色，相比于RGB三原色模型，HSV模型的顏色范圍更好確定，方便目標定位。然后，根據交通標志典型顏色設置圖像二值化閾值轉化為二值化圖像，使得交通標志從復雜背景中區分出來。最后，為了提高目標識別精度，對圖像增強處理，創建腐蝕膨脹模板生成3*3維的矩陣，運用開運算[3]連接鄰近像素平滑邊界，減少圖像中的噪聲，防止腐蝕掉特征目標。
2.2特征標志定位
對于交通標志的定位和提取采用的是基于形態學的膨脹操作的提取連通分量的方法。在預處理后的二值化圖像上，從左邊緣到右邊緣依次從上到下讀取每像素的灰度值，若第一次掃描到的這一行讀取到的灰度值只有一個數值和交通標志的灰度值相同，則認為這是交通標志的左邊界，這時記下該像素點Xmin，如果所讀取的這一行上的灰度值有兩個或者多個灰度值有著相同的值的時候，則認為該行位于交通標志范圍之間，此時記下像素縱坐標Ymin和Ymax，到掃描結束進行判斷。若掃描到的讀取的灰度值和目標交通標志的灰度值相同像素點從多點變為一點時，則認為是交通標志的右邊界，把每一次讀取到的目標灰度值坐標信息做記錄，根據像素坐標點，對像素連通區域在二值化圖像中進行裁剪獲得目標圖像。
3識別系統設計與實現
3.1人機對話界面設計
為了方便人機交互，觀察檢驗目標識別效果，設計了人機交互操作界面[4]。設置5個操作按鈕控件，分別用于讀取原始圖像、圖像預處理、分割標志、識別標志和退出程序。不僅設計顯示采集原圖和用靜態文本框顯示識別結果，為了方便調試測試，設計顯示了預處理的增強圖像和分割顯示的標志。
3.2目標識別系統設計與實現
采用模板匹配實現目標識別，從已加載的交通標志的標準模型庫中提取交通標志的多個特征分量，并與需要識別的圖像的特征向量進行一一比對，同時計算圖像與模板之間的特征向量的距離，用最小的距離和相識度最高的概率來判定所屬類別。模板匹配建立模板庫和匹配過程中都需要花費大量的時間，但是隨著技術的進步，現在開發出了高速模板匹配法[5]，提高匹配效率。在系統開始的時候首先載入交通標志的模板和判斷交通標志的類型，因為我國交通標志種類繁多，本系統分了警示標志、禁令標志和指示標志三種交通標志類別，每一種標志的形狀、顏色特征不一樣，在檢測識別和仿真的時候運用不一樣的RGB數值檢測提取，在系統運行前提前判斷交通標志是屬于什么類型。載入車載攝像機拍攝到的道路環境交通標志圖片，然后對圖像進行預處理。由于可能存在誤拍的情況，在進行預處理之后先判斷是否存在交通標志，如果沒有交通標志彈窗則提示重新輸入圖像，然后分割標志并與BP神經網絡訓練的模板匹配，最后輸出識別結果，基于模板匹配的特征標志識別流程如圖3所示。
4實驗測試分析
先應用BP神經網絡訓練模板，載入模板進行訓練，本次共訓練了三種類型的交通標志共計9個模板，訓練錯誤個數為0，訓練模板結果如圖4所示。通過仿真驗證是否能精準識別交通標志，分別為三種類型標志創建了三種模板，進行對照實驗。本系統適用于各種交通標志，如三角形的交通標志、圓形的交通標志或者方形的交通標志，從建立的30種模板中選取質量較好的10張圖像作為實驗基礎模板，再進行交通標志識別。圖5、圖6、圖7分別為禁令標志、警示標志和指示標志識別結果圖，根據識別結果所示，所有的交通標志都能夠正常識別，同時語音播報和文字彈窗顯示交通標志。
5結束語
本文依據BP神經網絡建立交通標志模板庫，基于機器視覺的數字圖像處理增強、定位匹配，有效識別路側交通標志，并分別通過人機對話界面顯示和語音播報識別結果，實驗測試在原始圖像基本清晰且有交通標志的情況下，交通標志識別率達到100%。在實際應用中，車載攝像頭采集圖像受到環境因素和運動模糊的影響使交通標志難以識別，需要結合圖像增強技術和多幀視頻圖像聯合識別提高識別系統的適應性。
作者：楊佳義 單位：重慶移通學院 智能工程學院
