基于HSV空间的禁令交通标志检测方法研究

合集下载

基于颜色与形状特征的交通标志检测方法

基于颜色与形状特征的交通标志检测方法张志佳;李文强;张丹;钟玲【摘要】Nowadays,traffic accidents happening every day,the number of casualties caused by traffic accidents is increasing. How to im-prove road traffic safety has become a pressing problem. Traffic signs recognition mentioned gets useful traffic information for drivers through computer processing and feedback to the driver timely,to reduce and avoid traffic accidents caused by the drivers' negligence. The road traffic signs includes warning signs,prohibition signs and directional signs. They all have specific colors and shapes. According to the characteristics of the trafficsigns,present a traffic sign recognition system based on color-shape feature. Firstly,use HSV color model to extract the whole image for traffic signs region,then utilize morphological methods to get filtration and apply geometric shape characteristic feature to get split,finally extracting the region which are satisfied both color and shape conditions. Experimental results show that the algorithm has a small amount of computation, not sensitive to changes in the external environment, can accurately and quickly detect the road traffic signs within sight.%现今社会，交通事故频发，每年因交通事故而造成的伤亡人数正在逐年递增，如何提高道路交通的安全性，已然成为迫在眉睫的问题。

融合颜色分割与形状特征的交通标志检测

（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｉｎｒｇａｎｄＡｕｔｏｍａｔｉｏｎ，ＨｕａｑｉａｏＵｎｉｖｅｒｓｉｔｙ，Ｘｉａｍｅｎ３６１０２１，Ｃｈｉｎａ）
ｈｉｓｔｏｇｒａｍｏｆｏｉｒｅｎｔｅｄｇｒａｄｉｅｎｔ（ＨＯＧ）ｍｅｔｈｏｄｗｉｔｈｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｔｏｃｏｍｐｌｅｔｅｔｈｅｔｒａｆｉｆｃｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅｅｘｐｅｉｒｍｅｎｔ
Ｔｒａｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎｏｆｔｈｅｆｕｓｉｏｎｏｆｃｏｌｏｒｓｅｇｍｅｎｔａｔｉｏｎａｎｄｓｈａｐｅｆｅａｔｕｒｅ
ＺｈａｎｇＪｉｎｐｅｎｇ，ＦａｎｇＱｉａｎｓｈａｎ
算子获取提取区域的轮廓。然后，采用基于标记的形状检测算法判定所分割区域的形状，利用方向梯度直方图特征结合支持向量机（ＳＶＭ）方法完成交通标志识别。经实验测试，该方法对图片视点变换、
ｓｅｇｍｅｎｔａｔｉｏｎｗｉｔｈｓｈａｐｅｄｅｔｅｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｒｏｂｕｓｔｎｅｓｓｏｆｄｅｔｅｃｔｉｏｎ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｏｌｏｒｆｅａｔｕｒｅｏｆｔｒａｉｃｆｓｉｇｎ，ｔａｋｅｔｈｅａｐｐｒｏａｃｈｏｆｔｈｅｃｏｌｏｒｓｅｇｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎＨＳＶｓｐａｃｅｔｏｇｅｔｔｈｅｉｍａｇｅｏｆｔｈｅｒｅｇｉｏｎｗｈｉｃｈｍａｙｃｏｎｔａｉｎｔｒａｉｃｆｓｉｇｎａｎｄｔｈｅｎｅｘａｃｔｔｈｅｒｅｇｉｏｎ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｈａｐｅｆｅａｔｕｒｅｏｆｔｒａｉｃｆｓｉｇｎ，ｗｅｕｓｅｃａｎｎｙｏｐｅｒａｔｏｒｔｏｇｅｔｔｈｅｏｕｔｌｉｎｅｏｆｔｈｅ

交通灯识别处理函数,基于hsv色彩空间判断 -回复

交通灯识别处理函数，基于hsv色彩空间判断-回复“交通灯识别处理函数，基于hsv色彩空间判断”交通信号灯在道路交通中起到了至关重要的作用，它们为驾驶者提供了必要的指引，并保证了道路交通的安全性。

然而，在自动驾驶技术发展的今天，交通灯识别变得尤为重要，因为让车辆能够准确地识别和理解交通信号灯，可以为提供更安全、高效的道路交通服务。

在交通灯的识别处理中，一种常见的方法是使用HSV色彩空间判断。

HSV （即色相、饱和度、明度）是一种颜色模型，常用于计算机视觉领域。

HSV 模型将颜色分为色相、饱和度和明度三个维度，不仅能够更好地描述颜色，还对于光照条件变化相对稳定。

HSV颜色空间模型将颜色分为色相、饱和度和明度三个维度，其中色相表示颜色的种类，饱和度表示颜色的纯度，明度表示颜色的明暗程度。

HSV 模型的一个重要优势在于，它能够提供对颜色的鲁棒性，无论光照条件如何变化，都能够更好地保持颜色的一致性。

在交通灯识别处理函数中，首先需要将输入的图像转换到HSV色彩空间。

可以使用常用的图像处理库，如OpenCV，在编程中实现此功能。

将图像转换为HSV色彩空间后，我们可以通过在色相、饱和度和明度三个维度中设定合适的阈值来筛选出交通信号灯区域的像素。

对于红绿灯识别，我们可以使用红色和绿色在HSV空间中的特定范围来进行筛选。

假设我们的图像中有一个交通信号灯区域，我们可以选择适当的色相和饱和度范围来识别红色和绿色，同时结合明度信息来进一步提高准确性。

具体而言，在HSV空间中，红色位于色相的边界处，例如可以选择色相范围在0到30和150到180之间的像素作为红色。

同时，由于红色的饱和度较高，我们还可以选择适当的饱和度阈值以确定红色区域。

类似地，绿色的色相范围通常在90到150之间，饱和度较高。

通过对图像中HSV空间的像素进行筛选，我们可以获得红色和绿色交通信号灯的候选区域。

然而，这只是识别的第一步，我们还需要进一步验证这些区域是否确实是交通信号灯。

基于CNN和HSV模型的交通标志识别研究(英文)

汽车技术 · Automobile Technology
·第五届国际智能网联汽车技术年会（CICV 2018）优秀论文选登·
A Study on Traffic Sign Recognition Based on CNN and HSV Model
Zhan Ziqi, Liu Bing, Huo Bin
Key words: Traffic sign recognition, HSV model, CNN, Autonomous driving
基于 CNN 和 HSV 模型的交通标志识别研究（英文）
占子奇刘兵霍彬
（东风日产技术中心，广州 510800）
【摘要】基于 HSV 颜色空间模型和卷积神经网络（CNN），建立了实现交通标志识别（TSR）的完整过程。为了
（Dongfeng Nissan Technical Center, Guangzhou 510800）
【Abstract】In this research, a complete process of engineering implementation for Traffic Sign Recognition (TSR) was established based on RGB (Red, Green, Blue) to HSV (Hue, Saturation, Value) model and Convolutional Neural Network (CNN). In order to improve operational speed, identification of dynamic Region Of Interest (ROI) was optimized, method of image changing from RGB to HSV model was optimized, and neural network structure was designed. TSR algorithm was verified with GTSRB database. The result shows that the proposed TSR method improves computation speed and recognition rate effectively.

基于HSV颜色空间的车牌定位方法[1]

（１．华北电力大学信息与网络管理中心；２．保定电力职业技术学院）张丽静１孙杰１殷晓宇２
ＺＨＡＮＧＬＩＪＩＮＧＳＵＮＪＩＥＹＩＮＸＩＡＯＹＵ
摘要：文章提出了一种基于ＨＳＶ颜色空间的车牌定位方法。首先把输入的ＲＧＢ彩色图像转化到ＨＳＶ颜色空间，利用车牌区
ｆｏｒｍｅｄｔｏＨＳＶｃｏｌｏｒｓｐａｃｅ，ＴｈｅｍｅｔｈｏｄｅｍｐｌｏｙｓｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｃｏｌｏｒｉｍａｇｅｉｎＨＳＶｃｏｌｏｒｓｐａｃｅｔｏｃｏｎｓｔｒｕｃｔａｆｉｖｅ－ｓｃａｌｅｇｒａｙｉｍ－
ａｇｅ，ａｎｄｂｙｃｏｍｂｉｎａｔｉｎｇｔｈｅｍｏｒｐｈｏｌｏｇｙｓｍｏｏｔｈｍｅｔｈｏｄｔｏＤｅｎｏｉｓｉｎｇ，Ａｔｌａｓｔ，ｗｅｇｅｔｔｈｅａｃｃｕｒａｔｅｐｏｓｉｔｉｏｎｏｆｔｈｅｐｌａｔｅｂｙｕｓｉｎｇ
张丽静：教授硕士生导师
在我国共有四类车牌—蓝底白字（小功率汽车牌照）、黄底黑字（大功率汽车牌照）、白底黑字或红字（军用或警用车派）、黑底白字（国外驻华机构用车）。即车牌底色共蓝、黄、白、黑四种颜色。在ＨＳＶ空间中，利用Ｖ分量可以将黑色区域识别出来，并将其灰度值设为１００，利用Ｈ、Ｓ分量可将蓝、黄区域识别出来，将蓝色和黄色区域的灰度值分别设为２５５和２００，利用Ｖ、Ｓ分量可以识别白色区域，将其其灰度值设为１５０，将其它颜色信息设为背景，灰度值设为０，这样将图像转化为５级灰度图，可以快速定位到与车牌颜色有关的区域。通过对大量的色彩分析得出四种色彩所限定的区间范围如表１所示：

基于HSV颜色空间静止背景中运动目标的检测算法

ＣｏｐｔｒａｄＣｍｍｕｉａｉｎＥｎｎｅｉｇ，ａｎｎｈｈａＵｎｖｒｉｙ，ＦｕｈｎＬｉｏｉｇ１３０，Ｒ．ｈｎ）ｍｕｅｎｄｎｃｔｏｇｉｅｒｎＬｉｏｉｇＳｉｕｉｅｓｔｓｕａｎｎ１０１Ｐ．Ｃｉａ
始帧中的Ｈ分量对运动区域进行筛选，而得到特定运动目标被点亮的前景帧。实验结果表明，算法能够有效地从该
实现在静止背景、多运动目标共存的视频中检测出特定颜色的运动目标。
ｏｊｃｓｓｌｃｅ．ｅｅｐｒｎａｅｕｔｈｗｈｔｔｅａｇｒｔｍａｃｉｖｈｐｃａｏｏｖｎｂｅｔｄｔｃｉｎｉｂｅｔｗａｅｅｔｄＴｈｘｅｉｔｌｒｓｌｓｏｔａｈｌｏｉｍｅｓｈｃｎａｈｅｅｔｅｓｅｉｌｃｌｒｍｏｉｇｏｊｃｅｅｔｎｏ
ｔｅｒｓｎａｈｒｗｒｍｅｉｉｅｅｕｎｅ．ｈｎｉｅｔｂｉｈｄｂｃｇｏｎｒｍｅｂｓｄｏｅＯｒｐｅｅｔｅｃａｆａｎｖｄｏｓｑｅｃｓｔｅｓａｌｅａｋｒｕｄｆａａｅｎｓＨ— ａａｔｅｂｃｇｏｎｄｌｔｓｄｐｉａｋｒｕｄｍｏｅｖ
关键词：颜色空间；背景差分法；运动目标检测中图分类号：Ｔ３１４Ｐ９．１文献标识码：Ａ
ＭｏｉｇＯｂｅｔｔｃｉｎＢｓｄｏＶｌｒＳａｅａｄＦｘｄＳｅｅｖｎｊｃｅｔａｅｎＨＳＣｏｏｐｃｎｉｅｃｎＤｅｏ

一种基于HSV颜色空间和SIFT特征的车牌提取算法

关键词：ＨＶ颜色空间；ＳＦ特征；车牌提取；图像配准ＳＩＴ中图分类号：Ｔ３１４Ｐ９．文献标志码：Ａ文章编号：１０．６５２１）０３３．３０１３９（０１１—９７０
ｄｉ１．９９ｊｉｎ１０－６５２１．００２ｏ：０３６／．ｓ．０１３９．０１１．９ｓ
ｅｃＳａｔｈｔｅｆａｕｅａｔａｄｃｒｅｔｘｅｉｎａｅｕｔｌＯｓｏｔａｈｔｏａｏｄｐｒｒｎｅｎｅ。Ｏｃｎｍａｃｈｅｔｒｓｆｓｎｏｃ．ＥｐｒｍｅｔｌｓｌａＳｈｗｈｔｅｍｅｈｄｈｓａｇｏｅｆｍａｃ．ｒｓｔｏＫｅｒｓ：ＨＳｏｏｐｃｙｗｏｄＶｃｌｒｓａｅ；ｓＦｅｔｒＩｒｆａｕｅ；ｖｈｃｅｐａｅｅｔａｔｎ；ｉｇｔｈｎｅｉｌｌｔｘｒｃｉｏｍａｅｍａｃｉｇ
杨涛，张森林
（江大学电气工程学院，州３０２）浙杭１０７
摘
要：为了克服ＳＦＩｔ算法直接应用在车牌提取中表现出来的执行时间过长、误配率高的缺陷，出了一种基提
于ＨＶ颜色空间与ＳＦＳＩＴ特征的两级车牌提取算法，先使用ＨＶ颜色空间确定车牌的候选区域，行快速粗定Ｓ进位，使用ＳＦ＂再ＩＩ算法对候选区域进行精确定位与倾斜校正，精确定位的同时也完成了对车牌汉字的辨识。这在种方法不仅减少了ＳＦ特征的计算量，ＩＴ而且也避免了复杂背景对于ＳＦ特征匹配的干扰，大提高了匹配准ＩＴ大确率。最后通过编程实验证实本算法有良好的性能。

一种快速的禁令交通标志检测算法

一种快速的禁令交通标志检测算法【摘要】本文介绍了一种快速的禁令交通标志检测算法，着重探讨了研究背景和研究意义。

算法原理部分详细阐述了该算法的工作原理，数据集准备部分介绍了用于训练和测试的数据集情况。

模型训练和性能评估章节分别描述了算法的训练过程和对其性能进行评估的方法。

实验结果分析部分分析了算法在不同数据集上的表现。

在结论中强调了本算法在快速禁令交通标志检测方面的技术贡献，并展望了未来在该领域的发展方向。

通过本文的研究，可以为交通安全领域提供更加高效准确的交通标志检测方法。

【关键词】禁令交通标志检测算法, 快速, 引言, 研究背景, 研究意义, 算法原理, 数据集准备, 模型训练, 性能评估, 实验结果分析, 结论, 技术贡献, 未来展望.1. 引言1.1 研究背景不够需要补充等。

:交通标志在道路上起着至关重要的作用，它们向驾驶员传达各种信息，包括限速、禁止通行、道路条件等。

由于交通标志数量众多且种类繁多，对于驾驶员来说往往很难及时正确地识别这些标志。

发展一种快速的禁令交通标志检测算法变得至关重要。

目前，基于深度学习的计算机视觉技术已经取得了巨大进展，在交通标志检测领域也逐渐得到了广泛应用。

现有的算法往往存在计算速度较慢、检测准确率不高等问题，使得其在实际道路环境中的应用受到限制。

本研究旨在针对当前禁令交通标志检测算法的不足之处，提出一种快速且准确的禁令交通标志检测算法，以提高交通标志识别的效率和精度，帮助驾驶员更好地遵守交通规则，提高道路安全性。

1.2 研究意义交通标志在道路上起着非常重要的作用，它们用以指引驾驶员正确的行驶方向，提醒驾驶员注意交通规则，保障道路交通安全。

由于交通标志种类繁多、形状、颜色等特征各异，传统的交通标志检测方法存在着识别速度慢、误检率高等问题。

研究一种快速的禁令交通标志检测算法具有重要的意义。

快速的禁令交通标志检测算法能够有效地提高交通标志识别的速度和准确性，减少因交通标志未被及时发现而引发的交通事故风险。

基于图像处理的道路标志检测技术研究与应用

基于图像处理的道路标志检测技术研究与应用随着社会的不断发展，交通工具越来越普及。

道路标志作为交通安全的基础设施之一，对于车辆行驶和行人出行都有着重要的意义。

而道路标志检测技术在交通安全领域中也发挥了不可替代的作用。

本文将对基于图像处理的道路标志检测技术进行探讨与研究，并分析其在实际应用中的价值。

一、基于图像处理的道路标志检测技术概述道路标志检测技术是指通过对红绿灯、速限等各种交通标志进行图像处理分析，实现自动识别和辅助驾驶。

它的核心技术是图像处理技术，主要包括图像预处理、特征提取、分类识别等。

图像预处理指的是先对图像进行去噪、滤波、增强等操作，使得图像更加清晰、鲜明。

同时，也包括对图像进行一些形态学处理，以便于后续的特征提取和分类识别操作。

特征提取是指从图像中找出目标物体的特征，包括形状、颜色、纹理等。

其中，形状是最为重要的特征之一，常用的算法包括轮廓分析、边缘检测等。

颜色和纹理则通常通过色彩空间转换和滤波器等方式进行处理。

分类识别是指通过对提取的特征进行分类，来识别道路标志。

分类器的种类有很多，包括SVM、神经网络、贝叶斯分类器等。

不同的分类器有各自的优缺点，需要结合实际应用情况进行选择。

二、基于图像处理的道路标志检测技术应用场景道路标志检测技术的应用场景较为广泛。

首先，它可以应用于无人驾驶技术中，通过图像处理技术来实现对交通标志的自动识别和辅助驾驶。

其次，它也可以应用于车载智能设备中，实现对交通标志的识别和提醒。

还可以应用于交通监管领域，通过拍摄和识别过程，帮助监管部门实现对违规行驶的检测和处罚。

三、基于图像处理的道路标志检测技术在实际应用中的价值基于图像处理的道路标志检测技术在实际应用中具有很大的价值。

首先，它可以有效地辅助驾驶，提高道路行驶的安全性和可靠性。

其次，它可以有效地监管交通违法行为，保障公共交通秩序。

再者，它可以使可穿戴设备和车载智能设备更具实用性和智能化，提高用户的使用体验。

《2024年交通标志检测与分类算法研究》范文

《交通标志检测与分类算法研究》篇一一、引言随着智能交通系统的快速发展，交通标志的检测与分类成为了计算机视觉领域的重要研究方向。

交通标志作为道路交通的重要信息载体，对于保障道路交通安全、提高驾驶辅助系统的智能性具有重要意义。

本文旨在研究交通标志的检测与分类算法，以提高交通标志识别的准确性和实时性。

二、交通标志检测算法研究1. 传统检测算法传统的交通标志检测算法主要基于颜色、形状、边缘等特征进行检测。

其中，基于颜色的检测算法通过提取图像中的颜色信息，利用颜色模型（如HSV、RGB等）进行颜色过滤，从而实现交通标志的初步检测。

然而，这种方法在复杂环境下容易受到光线、阴影等因素的影响，导致误检或漏检。

2. 基于深度学习的检测算法随着深度学习技术的发展，基于深度学习的交通标志检测算法逐渐成为主流。

该类算法通过训练卷积神经网络（CNN）等模型，自动提取图像中的特征信息，实现交通标志的精准检测。

其中，目标检测算法（如Faster R-CNN、YOLO等）在交通标志检测中应用广泛。

三、交通标志分类算法研究1. 传统分类算法传统的交通标志分类算法主要基于人工设计的特征进行分类。

这些特征包括形状、边缘、纹理等，通过提取这些特征并利用分类器（如支持向量机、随机森林等）进行分类。

然而，这种方法对于复杂环境下的交通标志分类效果并不理想。

2. 基于深度学习的分类算法基于深度学习的分类算法通过训练深度神经网络模型，自动学习和提取交通标志的特征信息，实现准确分类。

其中，卷积神经网络（CNN）在交通标志分类中应用广泛。

通过构建多层卷积层和全连接层，可以自动学习和提取图像中的特征信息，从而实现高精度的交通标志分类。

四、算法优化与改进针对交通标志检测与分类算法的不足，学者们提出了多种优化与改进方法。

例如，通过引入注意力机制、优化网络结构、使用更丰富的数据集等方法，提高算法在复杂环境下的检测与分类性能。

此外，结合多种算法的优点，可以实现更高效的交通标志检测与分类系统。

基于颜色和国形度的交通禁令标志提取

基于颜色和国形度的交通禁令标志提取白兵乾【摘要】To meet the demands of real-time intelligent transport system and to make image-pretreatment promptly, this paper introduced a new method for extracting traffic sign, example of traffic ban sign. First, the method segmented a color image to binary image with RGB color information. Then we detected the edge of the object. The circumference and the area of the thinning-image was gotten by chain code. And then we can get the circularity of the target. At last the method used the optimal threshold in circularity to extract the traffic ban sign. We have 20 sample images to test the method. It's cost less than 0.3 second for each sample extraction. Experiments show that this method has less computation and more efficiency.%为满足智能交通系统的实时性要求,提高交通标志图像预处理的速度,以交通禁令标志为例,介绍了一种提取交通标志的新方法.该方法首先通过RGB彩色信息快速分割彩色标志图像转换为灰度图像,使用log边缘提取算子进行图形的边缘检测.对细化后的灰度图像,再利用链码计算图形周长和面积,进而求取目标圆形度,设置合适的面积和圆形度阈值可提取出交通标志.使用20个自拍样本测试,捉取用时均小于0.3s.实验结果表明本方法计算简单,实时性好,检测的有效性较高.【期刊名称】《电子设计工程》【年(卷),期】2011(019)006【总页数】4页(P150-153)【关键词】图像分割;交通标志提取;边缘检测;链码;圆形度【作者】白兵乾【作者单位】河北工业大学,信息工程学院,天津,300401【正文语种】中文【中图分类】TP391随着智能交通系统的发展，作为其重要组成部分的交通标志自动识别系统也逐渐成为研究热点。

融合颜色分割与形状特征的交通标志检测

融合颜色分割与形状特征的交通标志检测张金朋;方千山【摘要】交通标志的颜色特征和形状特征是其最主要的两个特征,为提高检测的准确性和鲁棒性,提出颜色分割和形状特征相结合的方法.利用交通标志的颜色特征,采用基于HSV空间的颜色分割方法,获得图像中可能包含交通标志的区域,并提取该区域.根据交通标志的形状特点,利用canny算子获取提取区域的轮廓.然后,采用基于标记的形状检测算法判定所分割区域的形状,利用方向梯度直方图特征结合支持向量机(SVM)方法完成交通标志识别.经实验测试,该方法对图片视点变换、尺度变换以及亮度变换等情况具有很强的鲁棒性.【期刊名称】《微型机与应用》【年(卷),期】2015(034)011【总页数】4页(P83-85,88)【关键词】交通标志检测;颜色分割;形状检测;HOG特征;SVM【作者】张金朋;方千山【作者单位】华侨大学机电工程及自动化学院,福建厦门361021;华侨大学机电工程及自动化学院,福建厦门361021【正文语种】中文【中图分类】TP391.4交通标志检测是智能交通系统的重要组成部分，对智能驾驶以及辅助驾驶都具有重要意义。

经过各国研究人员的长期探索，交通标志检测和识别技术取得了很大进展，但是仍存在许多问题，主要包括：（1）交通标志在自然条件下采集，易受光照、天气及背景图像等干扰；（2）交通标志种类繁多，且易受污损、变形和遮挡。

针对交通标志的特点和各种干扰因素，国内外学者提出许多方法和理论，黄志勇等人提出颜色分割方法[1]；Garcia-Garrido提出基于形状的检测方法[2]；Khan J F 提出图像分割结合形状特征匹配的方法[3]；King Hann Lim等人提出利用颜色直方图特征结合形状特征，利用RBF神经网络分类识别方法[4]。

采用RGB空间的分割方法受光照影响较大，容易失真，为了抑制光照变化的影响，采用基于HSV 空间的分割方法，H分量、S分量与V分量关联性小，鲁棒性强[5]。

基于改进的HSV颜色模型及颜色均值对的车牌检测与定位

第18卷第3期2009年7月云南民族大学学报(自然科学版)Journal of Yunnan University of Nationalities (Natural Sciences Edition)Vol. 18 No. 3Jul. 2009 基于改进的HSV 颜色模型及颜色均值对的车牌检测与定位李红林(曲靖师范学院计算机科学与工程学院,云南曲靖655011)摘要针对目前车牌的定位中存在的难题,提出了基于改进的HSV 模型及边缘颜色均值对的车牌检测方法,此方法充分利用了人的视觉特性,以及车牌本身的特征,采用边缘颜色均值对后检测到的边缘点数大大减少,同时若具有与车牌相似结构和纹理特征但不满足边缘颜色对颜色要求的区域的边缘点也被剔除了,这使后续处理简单快速.关键词HSV;均值对;形态学;几何特征;车牌定位【中图分类号】TP391141 【文献标识码】A【文章编号】1672—8513 ( 2009) 03 - 0268 - 05Vehicle Logo Detection and Location Based on the Imp rovedHSV Model and Co lo r Pair MeansL i Honglin( School of Computer Science and Engineering, Qujing No r m al University, Qujing 655011, China)Abs tract: This paper p ropo ses the method of license p late detection based on the im p roved HSV model and the edge co l o r pair means so as to so l ve the current difficulties existing in L icense Plate locati on. The method makes full use of the peop l e’s visual characteristics as well as the characteristics of license p l ates. The use of the edge co l o r pair means greatly reduces the edge points detected. Meanwhile, because the edge points of those regi on s which have the si m ilar structure of vehicle license p lates and texture characteristics but can not sati sfy the requirem ent of the edge co l o r pair means have been rejected, the fo ll ow ing p rocessing becom es simp le and fast.Key words: H SV; pair means; mo rpho l ogy; geom e try characteristic; license p late location0 引言车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究课题之一,该系统可广泛应用于交通控制与诱导,交通流量检测,住宅社区和停车场信息化,高速公路收费站、机场、港口等出入口车辆管理,不停车自动收费等. 车牌识别系统主要包括车牌定位、字符分割、车牌识别3个主要方面. 其中,车牌定位是字符分割与车牌识别的前提与基础,定位的速度和准确度将直接影响到后两个步骤及最终的识别结果. 因此,车牌定位是整个车牌自动识别系统的关键. 目前,研究车牌定位的方法主要有: 基于彩色信息、纹理分析、边缘检测、数学形态学、遗传算法、神经网络、模板匹配等. 然而,现有车牌定位算法普遍存在两大难题:一是复杂的背景干扰,很难提取出适应各种情况的车牌特征;二是实拍车牌图像容易受天气、光照、车牌污损等外部因素的影响,且车牌区域只占据一小部分,且位置不固定、尺寸大小不一,使车牌区域的图像难以识别. 由于这些难题的存在,上述方法的定位准确率并不十分理想.本文提出基于边缘颜色均值对的车牌检测与定位的新方法. 此方法充分利用车牌的底色与车牌字符颜色的固定搭配,在RGB 颜色空间中求取相邻像素的RGB 各分量的均值,然后转换到H SV 颜色空间,如果出现符合车牌颜色搭配的则认为是车牌的候选区域. 经过大量实验证明,本文所采用的方法有效地提取车牌颜色均值对,使分割后的图像中存在收稿日期: 2009 - 03 - 26.作者简介:李红林( 1980～) ,女(彝族) ,硕士,助教. 主要研究方向:计算机图像处理与模式识别.第 3期李红林 :基于改进的 HSV 颜色模型及颜色均值对的车牌检测与定位的干扰区域大大减少了 , 从而大大提高了处理的速度.1 车牌定位1. 1 车牌定位框图在我国车牌的主要特征有 :车牌呈规则的矩形、车牌区域的宽高比在一定的范围内 ,车牌底色与车牌字符颜色固定. 车牌区则有较多竖直纹理、车牌区域内的灰度跳变次数在一定范围内. 车牌区车牌字蓝色和黄色区域 , V 分量可以提取白色和黑色区域. 为了更有效进行色彩分割 , 需将原始捕获图像从 RGB 模型转换到 H SV 模型 ,再在 HSV 模型上进行色彩分割. 设 RGB 颜色模型中红、绿、蓝 3 分量分别为 R, G, B; H SV 颜色模型中色度、饱和度、亮度分别为 H, S, V,则 RGB 颜色空间到 HSV 颜色空间为 :( R , G, B ) - m in ( R , G, B ) . ( 1)( R, G, B ) , D EL TA ≠0, 符与背景的亮度对比强列、车牌字符水平排列 ,字符间有一定的间隔. 结合国内车牌的底色与车牌字符颜色的固定搭配及车牌的其它特点 ,本文主要采用边缘颜色均值对的方法进行车牌定位. 车牌定位框 H x ( R, G, B ) , DELTA ≠0,ma x ( R, G, B ) , D ELTA ≠0.) = 0, ( 2)图如图 1.S ma x ( R , G, B ) ≠0. ( 3)1. 2 改进的 H SV 颜色模型从数码相机或数码摄像机输入的彩色图像大多数是以 RGB 位图格式存储的 , RGB 颜色空间的缺点 :一是 RGB 空间是颜色显示空间 ,并不适合人的视觉 (人的视觉特性无法获得物体的 RGB 分量值 ) ,对目标物体的颜色描述相对复杂 ,各个分量之间冗余信息多 ;二是 RGB 空间中两点的欧式距离与实际颜色距离不是线性关系 ,在颜色分离中极易引起误分离 ,使有用信息漏掉或夹杂其他无用信息 ;三是图像太容易受图像明暗的影响. 要对彩色车牌进行彩色分割 ,就要将 RGB 颜色空间转化为不太容易受明暗影响且对色彩识别更为方便的 HSV 模型中去. HSV 颜色空间是由色度 ( H ue ) ,饱和度 ( Satura 2 tion ) ,亮度 (Value ) 3 个分量组成 ,它是面向彩色图像处理的最常用的颜色空间 , HSV 三维空间坐标系中各坐标之间均有独立的色彩的信息 ,能较好的反映人对颜色的感知和鉴别能力 ,非常适合对色彩的图像进行颜色比较. 亮度和色度的分离有力于对图象的分割处理 ,其中 H 和 S 分量可以提取图象中的V =ma x ( R , G, B ) .( 4)结合人的视觉特性 , 本文通过大量的实验 , 对式 ( 4)中的 V 进行了改进 , 因为 V 与图像中像素的灰度等级相对应 , 在这里让 V 等于灰度化公式 :V = 013R + 0159G + 0111B.( 5)1. 3 边缘颜色均值对车牌粗分割此方法是直接对彩色图像进行处理 , 对图像颜色空间进行转换后 ,再利用边缘颜色均值对的方法对车牌区域进行初定位. 原理如下 :目前中国的车牌大概分为四种类型 :蓝底白字 (蓝牌) 、白底黑字或红字 (白牌 ) 、黄底黑字 (黄牌)和黑底白字 (黑牌 ). 针对中国车牌的底色与车牌字符颜色的固定搭配 ,对 4种色彩限定的区域范围值 ,并采用 5 ×5的模板 ,如表1.表 1 5 ×5模板( i + 2, j - 2) ( i + 2, j - 1) ( i + 2, j ) ( i + 2, j + 1) ( i + 2, j + 2)3 3 33 3 3 3 ( i, j )3 3 33333( i - 2, j - 2)( i - 2, j - 1)( i - 2, j )( i - 2, j + 1)( i - 2, j + 2)考虑到 2种颜色的边界附近存在过渡颜色 ,取模板最上、最下边界的像素 ,设模板的中心像素 ( i, j ) ,取模板最下边一行的 5个像素 ,计算这 5 个像素的 RGB 各分量的平均值. 同理对模板的最上边一行的 5个像素 ,也计算其 RGB 各分量的平均值 ,将它们转化到 HSV 空间中. 在转换过程中 ,采用本文提出的改进的 HSV 模型. 在转换后的 H SV 颜色空间中 ,检测 2个颜色均值的 H SV 是否出现车牌底色与车牌字符的颜色搭配. 如果是 ,则认为是车牌区域 ,269云南民族大学学报(自然科学版)第18卷保留下来,否则去除.1. 4 基于边缘颜色均值对的车牌分割流程图1. 5 数学形态学与几何特征的车牌精定位1)水平投影分割:经过上面处理后的图像已经是二值图像了. 对图3进行水平投影如图 4. 根据在水平方向投影值,可以去除一些不符合车牌特征的伪车牌区域. 在此不采用垂直投影,因为垂直投影会使车牌字符处变为不连通的. 采用阈值分割方法,去除部分不符合车牌特征的区域;2)形态学闭运算. 膨胀是对二值化物体边界点进行扩充,将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程. 如果两个物体之间的距离比较近,则膨胀运算可能会把两个物体连通到一起,膨胀对填补图像分割后物体中的空洞很有用. 本文采用膨胀操作的目的是使车牌区域尽可能的连通,为后续的处理服务. 腐蚀是消除物体边界点,使边界向内部收缩的过程,可以把小于结构元素的物体去除,选取不同大小的结构元素,就可以去除不同大小的物体. 如两个物体间有细小的连通,通过腐蚀可将两个物体分开. 因为这 2 种操作不是互逆的,所以经过上面的处理后,可以用来填充区域内细小的空洞、连接邻近区域,平滑其边界,同时不改变区域面积. 所以本文采用的形态学闭运算有利于后继对连通区域进行标记;2703)基于面积的分割:通过上面分割后的图像可能还存在多个连通成分,本文采用8 连通标记的方法,给每个区域加标记. 目的是方便后续针对每一个连通区域的处理. 通过标记后可以计算出每一个连通区域的面积,即每个区域的像素的个数. 结合先验知识,采用阈值分割方法,去除面积太小或面积太大的连通区域. 通过此方法后,可能仍然存在面积和车牌大小差不多的干扰区域;4)几何特征定位: 通过计算每个连通区域的宽、高以及宽高比,如果某个区域与实际车牌的宽高相比太宽或者太高,则去除. 否则再考虑他们的宽高比,如果不符合车牌宽高比的区域也去除. 中国汽车前面车牌通常大小14 cm ×14 cm ,此值是固定的,即宽高比约为3114. 但是考虑到拍摄及倾斜等原因, 本文通过大量实验取宽高比为2～5之间的值,得到车牌定位,如图5.第 3期李红林 :基于改进的 HSV 颜色模型及颜色均值对的车牌检测与定位2 几种车牌定位方法比较2. 1 基于颜色距离和相似度的方法基于颜色距离和相似度的方法是在 H S V 空间中 ,两种色彩 C 1 = ( h 1 , s 1 , v 1 ) , C 2 = ( h 2 , s 2 , v 2 ) 之间的距离 [ 1 - 3 ] : d ( C , C ) = | ( v - v ) 2 + ( s ·cos h -121221 12 1 / 2s 2 ·cos h 2 ) + ( s 1 ·sin h 1 - s 2 ·sin h 2 ) | 1. 两色彩之间的相似度为 : S ( C 1 , C 2 ) = 1 - ·d ( C 2 , C 1 ) .这种方法在 H SV 颜色空间中 ,利用颜色空间距离和相似度计算 ,从图像中找到所需的颜色 ,从而实现图像的颜色分割. 基于颜色距离与相似度的方法在车牌不褪色 (人眼看不出有明显的褪色时)的时候定位效果较好 ,但当人眼能看出车牌褪色时 ,此方法就没有本文提出的方法定位的效果好. 此法会因从图就可以看出 ,针对车牌的颜色褪色严重的汽车图像 ,本文的方法优于基于颜色距离和相似度的方法.为褪色就找不到真正的车牌区域 ,如图 6. 而本文提 2. 2 基于边缘颜色对的方法[ 4 ]出的方法 ,只要车牌褪色不是非常严重 ,都能够找到车牌的大致区域 ,如图 7.对采集到的汽车图片进行彩色边缘检测 ,然后以每一边缘点为中心 ,垂直于边缘方向取一线形窗2715云南民族大学学报(自然科学版)第18卷口,在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色,若是,则保留为候选车牌边缘点. 图8采用边缘颜色对方法处理的结果如图9.2. 3 本文基于边缘颜色均值对的方法本文提出基于边缘颜色均值对的方法,在RGB颜色模型中,取R,G, B 各分量的均值,将其转换到H SV 颜色空间,在转换的过程中,利用改进的HSV颜色模型. 传统的H SV 模型中, V 是取R, G, B 三分量的最大值,本文的V 是取灰度化后的亮度值,实验证明,改进后的模型更有效地提取车牌颜色均值对像素. 与基于HSV 颜色空间的车牌定位相比较,本文使用的方法能够更准确的找到车牌区域候选区域. 通过基于边缘颜色对的方法处理后的图像中含有大量的边缘点,而本文的基于边缘颜色均值对的方法使边缘颜色点的数量大大减少. 总之,基于边缘检测的方法:定位准确率较高,但是得到的结果非常复杂,难以突出车牌区域,且速度慢,当车牌严重褪色,由于检测不到字符笔画的边缘会导致定位失败. 基于彩色信息的方法,具有速度快的特点,基于灰度信息的方法[ 6 ] , 当字符颜色和车牌背景颜色差别大,灰度级分布有一定的规律和范围, 定位准确率高;但是这两种方法当车牌区域颜色与附近颜色非常相近时,车牌定位误差会有所增加. 采用边缘颜色均值对后检测到的边缘点数大大减少,如图10,同时若具有与车牌相似结构和纹理特征但不满足边缘颜色对颜色要求的区域的边缘点也被剔除了,这就使后续处理简单且快速. 车牌区域颜色与附近颜色非常相近时定位的准确率也较高. 3 结语本文在CPU 为Pentium4 117GHz、内存为256MB、编程环境为VC++ 610 的计算机上进行. 通过从200多幅汽车图片中随机抽取100 幅,这些图片拍摄自学校、闹市区、居民生活小区等,图中含有大量人群、树木、草地及建筑物. 实验结果中99幅能准确的找到车牌区域,有1幅定位失败,失败的原因是该幅图采集于夜晚,加之车牌有一定的褪色. 实验表明,本文采用的基于改进的HSV 颜色模型及颜色均值对的车牌检测与定位方法,能正确的检测到车牌所在的位置,同时定位的准确率高达99%. 该方法由于综合考虑了车牌底色和车牌字符的固定搭配及对在H SV颜色空间中的V (亮度)进行了改进,使经过边缘颜色对的方法粗分割后的图像中存在的干扰区域大大减少了,从而大大提高了处理的速度.参考文献:[ 1 ] 郭捷,施鹏飞. 基于颜色和纹理分析的车牌定位方法[ J ]. 中国图象图形学报, 2002, 7 ( 5) : 472 - 476.[ 2 ] 杨家辉,王建英. 基于色彩分割与体态纹理分析的车牌定位方法[ J ]. 计算机与现代化, 2004 ( 11) : 22 - 26.[ 3 ] 吴德会,王晓红,石俊生,等. 基于车牌特征颜色相似度的定位方法[ J ]. 公路交通科技, 2005, 22 ( 1) : 136 - 139.[ 4 ] 李文举,梁德群,张旗,等. 基于边缘颜色对的车牌定位新方法[ J ]. 计算机学报, 2004, 27 ( 2) : 204 - 208.[ 5 ] 张丽静,孙杰,殷晓宇. 基于HSV 颜色空间的车牌定位方法[ J ]. 微计算机信息, 2008, 24 ( 3) : 247 - 248.[ 6 ] 王嘉梅,苏红,陆高,等. 基于图像分割的静止图像车牌识别系统研究[ J ]. 云南民族大学学报:自然科学版, 2005, 14 ( 1) :75 - 77.(责任编辑庄红林)272。

基于HSV的交通信号标志识别方法设计与实现

基于HSV的交通信号标志识别方法设计与实现
仇小鹏;田杰;胡秋霞;贾帅
【期刊名称】《电子设计工程》
【年(卷),期】2022(30)10
【摘要】针对交通信号标志识别方法复杂度高的问题,文中以常见交通信号标志图像为研究对象,研究基于HSV的交通信号标志识别方法的设计与实现。

整个过程分为交通信号标志图像预处理、图像增强、图像分割、特征提取和图像识别等5个模块。

使用Otsu算法将图像进行二值化分割,通过多种滤波方法进行实验比较,选择中值滤波方法进行图像增强,采用HSV颜色特征对交通信号标志进行分割,使用模板匹配技术进行图像识别。

通过对该识别方法进行测试与验证,结果表明文中设计的方法操作简单,识别效果较好。

【总页数】5页(P120-123)
【作者】仇小鹏;田杰;胡秋霞;贾帅
【作者单位】西安航空学院计算机学院
【正文语种】中文
【中图分类】TN102
【相关文献】
1.复杂背景下基于HSV空间和模板匹配的车牌识别方法研究
2.复杂背景下基于HSV空间和模板匹配的车牌识别方法研究
3.基于RGB和HSV的胶囊异囊缺陷识
别方法4.基于HSV颜色特征的苹果病斑点检测系统设计与实现5.基于YOLO v4+HSV的成熟期番茄识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于彩色图像的道路交通标志检测新方法

一种基于彩色图像的道路交通标志检测新方法
段炜;李海滨;段志信
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)11
【摘要】提出了一种改进的彩色图像分割方法,并将该方法与不变矩理论相结合用于检测彩色图像中的交通禁令标志.首先对采集图像进行预处理,包括对图像进行RGB到HSI或改进HSI颜色空间的转换和图像形态学的运算,然后对图像中不同的封闭子区域进行标记,并去除不满足面积阈值的子区域.分别计算剩下子区域的hu 矩组得到每个子区域的7个图像特征值.将相应子区域的特征值与事先准备好的环形和三角形路标特征值用欧式距离分类器进行比较判别.实验结果表明,此方法能准确并较为快速地实现警告标志检测.
【总页数】5页(P184-187,219)
【作者】段炜;李海滨;段志信
【作者单位】内蒙古工业大学,理学院,呼和浩特,010051;内蒙古工业大学,理学院,呼和浩特,010051;内蒙古工业大学,理学院,呼和浩特,010051
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于彩色图像边缘检测的道路检测方法 [J], 李大杰;柴毅;尹宏鹏;徐术平
2.一种基于色差分析的彩色图像编码新方法 [J], 陈宇拓;余英林
3.基于深度学习的道路交通标志多目标实时检测 [J], 刘英璇; 伍锡如; 雪刚刚
4.基于维纳复原的道路限速交通标志检测 [J], 乔敏; 孙国强
5.基于改进SSD的道路交通标志检测 [J], 黄桥;胡绍林;张彩霞
因版权原因，仅展示原文概要，查看原文内容请购买。

基于色彩恒常性算法的交通标志检测

基于色彩恒常性算法的交通标志检测
李娜;宋婀娜;房俊杰;訾鸿;张妍
【期刊名称】《机电一体化》
【年(卷),期】2013()12
【摘要】文章对由于颜色退化、光线减弱所导致的交通标志漏检问题提出一种算法。

该算法首先用色彩恒常性对交通标志的图像增强色彩,然后将其转换到
HSV(hue-saturation-value)彩色空间进行颜色分割。

标志检测实验结果表明,该算法能够有效地克服光照减弱、颜色退化对交通标志颜色的影响,从而有效提高交通标志的检测率。

【总页数】3页(P58-60)
【关键词】交通标志检测;色彩恒常性;颜色分割
【作者】李娜;宋婀娜;房俊杰;訾鸿;张妍
【作者单位】黑龙江科技大学电气与控制工程学院;鸡西大学电气与信息工程系【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于色彩恒常性的彩色图像增强改进算法 [J], 夏思宇;李久贤;夏良正
2.基于色彩恒常性的彩色图像增强改进算法 [J], 夏思宇;李久贤;夏良正
3.基于显著性检测的交通标志检测算法 [J], 郭阳阳
4.基于YOLOv3的交通标志检测与识别算法 [J], 胡鹏;黄辉;王琼瑶;邹媛媛;蔡庆荣
5.基于YOLO的交通标志检测算法 [J], 雷蕾;方睿;徐铭美;李姗
因版权原因，仅展示原文概要，查看原文内容请购买。