SCI论文（www.lunwensci.com）:
摘 要 ：针对雾霾天气导致交通标志难以被准确识别的问题,本文提出在雾霾天气下快速实现交通标志检测识别算法的研 究。通过全局直方图均衡、局部直方图均衡、单尺度 Retinex 和多尺度 Retinex 四种去雾算法实现含雾图像的去雾处理。采用 YOLOv1 目标检测算法对交通标志目标进行精准定位和检测。通过 Alex-Net 分类识别模型实现对 LISA 交通标志数据集中 14 类交通标志的识别。结果表明,本文的方法能使快速准确地对雾天交通标志进行检测、分类和识别。
关键词 ：交通标志,检测识别 ,去雾 ,YOLOv1 ,Alex-Net
Research on Algorithm of Traffic Sign Recognition Based on Fog
LEI Xiaoyan, ZHAO Yiduo, HUANG Lingxiao
(Ningxia University School of Information Engineering, Yinchuan Ningxia 750021)
【Abstract】： Aiming at the problem that the traffic signs are difficult to be accurately recognized in foggy weather, this paper proposes a research on the rapid realization of traffic sign detection and recognition algorithm in haze weather. Firstly, four dehazing algorithms including global histogram equalization, local histogram equalization, single-scale Retinex and multi-scale Retinex are used to realize the dehazing process of the foggy image. Secondly, the YOLOv1 target detection algorithm is used to accurately locate and detect traffic sign targets. Finally, the recognition of 14 types of traffic signs in the LISA traffic sign dataset is realized through the Alex-Net classification recognition model. The results show, the method in this paper can quickly and accurately detect, classify and recognize foggy traffic signs.
【Key words】：traffic signs;detection and recognition;fog removal;YOLOv1;Alex-Net
0 引言
随着智能交通系统应用越来越广泛,对交通标志进 行准确高效的识别也越来越重要。但由于包含交通标志 的场景复杂、天气干扰、明暗遮挡等,导致交通标志的 精准识别存在较大的困难。现有的雾天交通标志识别算 法主要通过图像去雾 [1]、交通标志定位检测 [2]、交通标 志分类识别 [3] 三个步骤实现交通标志的精准识别。
在图像去雾方面,诸多研究者主要从图像增强 [4]、 图像复原 [5] 和卷积神经网络 [6] 三个角度进行去雾算法的 研究。交通标志检测方面, 诸多研究者主要通过颜色 [7] 和形状 [8] 对交通标志进行定位和检测 ；交通标志识别方面,诸多研究者主要通过模版匹配法 [9]、机器学习法 [10] 和深度学习法 [11] 对交通标志进行分类和识别。
本文针对 LISA 交通标志数据集中的单幅含雾交通 标志图像,首先使用图像增强算法对含雾图像进行去雾 处理,再使用 YOLOv1 算法对去雾后的图像进行交通 标志检测,最后通过卷积神经网络 Alex-Net 对交通标 志进行分类识别。
1 基本原理
1.1 图像增强算法
1.1.1 全局直方图均衡
全局直方图均衡是指通过对整个直方图进行处理,提高图像的对比度,从而实现全局均衡。从理论上讲, 图像的灰度直方图可以看作是一维离散函数,符号 nk 是图像f(x,y) 中具有 k 级像素的数量,如式（1）所示 ：
h(k) = nk k = 0,1, …, L − 1 (1)
基于直方图将其归一化,定义归一化的直方图中各 灰度级出现的相对频率为 Pr (k), N 为该图像f(x,y) 的像 素总数, nk 是图像中 k 级像素的数量,那么该直方图的 定义如式（2）所示 ：
P (rk )= nk / N，k = 0,1, 2, … , L − 1 (2)
在本文论述中, r 表示对原图像进行归一操作后的 图像灰度, s 表示处理后的图像灰度,每一个 r 经过变 换后可得到 s, r 和 s 的关系如式（3）所示 ：
s=T(r) (3)
在此公式中, sk 为归一化后的像素值,将其乘以 L-1 后取整即可得到均衡化后的图像每一像素的灰度值。
1.1.2 局部直方图均衡
全局直方图均衡化处理一般会导致图像色调整体偏 深,图像局部细节丢失严重,使用局部直方图均衡化可 以确保图像局部增强。局部均衡化可以被分为两类,分 别是子块不重叠均衡和子块重叠的均衡。
子块不重叠均衡算法是将图像分割成小块,这些块之间互不重叠,对不重叠的小块分别进行全局均衡,充 分强化原始图像模糊不清的局部细节,但是每一子块之 间的差距较大,最终处理后的图像通常会出现块效应 ； 子块重叠的均衡算法只需先确立一个子块 a,均衡处理 a 的中间像素,然后将 a 遍历到整幅图像的各个像素, 从而实现对各个像素点的处理。
1.1.3 单尺度 Retinex
图像 S 由观察者看到,其具体信息如式（8）所示 ：
S(x, y) = R(x, y)L(x, y) (8)
R(x,y) 是物体反射分量, S(x,y) 是物体的图像, L(x,y) 是入射光的亮度。在对数域可将反射分量 R 与入射光亮 度L 分离,便于计算,对式（8）两边求对数,如式（9） 所示 ：
log(S(x, y)) = log(L(x, y)) +log(R(x, y)) (9)
为消除图像除中心区域外较暗的部分,即最终的图 像是空间平滑图像,通过高斯滤波函数对原图像做低通 滤波,如式（10）所示 ：
D(x, y) = S(x, y) ⊗F(x, y) (10)
D(x,y) 是经过低通滤波处理后的图像, F(x,y) 是低 通处理时使用的高斯滤波函数。在对图像使用高斯滤波 函数做卷积之前,需要对图像进行傅里叶变换,得到图 像的信号频域,在信号频域中,高频区域通常为物体的 轮廓,看上去颜色暗淡,低频区域为图像平坦部分,看 上去亮。对图像做低通滤波就是去除图像中除中心区域 外暗的地方。
在对数域中,原图像减去经过低通滤波后的图像得到 中心区域的高频图像 G(x,y),如式（11）所示 ：
G(x, y) = log(S(x, y)) − log(D(x, y)) (11)
将图像的数据返回到正常域中, 即取反对数后,如 式（12）所示 ：
R(x, y) = exp(G(x, y)) (12)
对 R(x,y) 进行对比度增强,得到增强后的图像,其 中 Rmin 为原图像最小灰度值, Rmax 为原图像最大灰度 值,如式（13）所示 ：
1.1.4 多尺度 Retinex
在单尺度 Retinex 的基础上,对一幅图像的 R、G、 B 三个通道分别进行多次不同尺度的高斯滤波低通处 理, 一般情况下选择为三种,对得到的结果求取加权平 均值,以此获得最终图像,这就是多尺度 Retinex 的基 本思想,其原理如式（14）所示 ：
N 表示多尺度中尺度的个数, ω 表示不同的高斯 指数。
1.2 YOLOv1 目标检测
YOLOv1 由卷积和池化两层全连接组成, 最后对输 出层预测边框的位置,用线性函数做激活函数。输入图 像大小为 448×448×3, 输出是 7×7×30 的张量。此 张量前 20 个是类别概率值,接下来 2 个是边框置信度, 最后 8 个是边框位置信息。边框置信度为边框存在对象 的概率乘以预测边框与实际边框的交并比,其公式如 式（15）所示 ：
为了使目标检测效果更好,首先需要构造好训练样 本。在训练过程中,设置每个边框的标签,包括边框的 位置信息和类别。标签选取的原理 ：如果物体中心落在 网格里,就给这个网格设置该物体的标签,这个网格 边框的存在对象概率为 1,其边框置信度为 1 乘以交并 比。边框位置的确定是以网格左上角为原点计算偏移 量,宽高由对整张照片宽高进行归一化得到。
训练的最后阶段是损失函数,在计算网络损失时, 若边框内存在物体,则计算边框中心点的误差、置信度 误差、边框高度宽度误差和对象分类误差。若边框内不 存在对象,则只计算置信度误差即可。
1.3 Alex-Net 分类识别
交通标志识别最重要的就是分类识别模型,本文使 用 Alex-Net 网络模型对交通标志进行分类学习和训练 识别。Alex-Net 由 8 层网络结构组成,分别是 5 层卷 积层和 3 层全连接层。
Alex-Net 的激活函数选用非线性非饱和函数 Relu, 为了增强网络的泛化能力, Alex-Net 提出了基于局部 响应归一化的方法。Alex-Net 采用层叠池化操作,层 叠池化的窗口比步长大,可以更好地避免过拟合。
2 实验结果与分析
本文通过四种去雾算法对包含 47 种类别的 LISA 交通标志数据集中的同一含雾交通标志图像进行去雾处 理,对处理后的图像通过 YOLOv1 算法进行目标检测, 对检测结果使用 Alex-Net 分类模型进行交通标志的识 别,如图 1~ 图 6 所示。
通过上述实验分析发现,对图像进行去雾处理时, 全局直方图均衡使图像灰度值均匀分布,并对处理结果 进行拉伸均衡,图像对比度明显增强,但会导致图像 局部信息丢失,出现天空区域曝光、物体分界模糊的现 象 ；局部直方图均衡对图像进行分块处理,处理后的灰 度级分布范围较集中,图像局部细节突出,但去雾效果 不是很好 ；单尺度 Retinex 对图像处理后,图像近点处理效果较好,物体清晰可见,颜色真实,对于远点的物 体处理后较为模糊 ；多尺度 Retinex 对图像处理后,近 点远点的物体都清晰可见,为交通标志的检测与识别提 供了良好的基础。
去雾处理后,对交通标志图像使用 YOLOv1 算法 进行目标检测,对于图像中微小或昏暗的交通标志, YOLOv1 算法都可以准确地定位。经过 Alex-Net 模型 的训练,本系统可以较准确地识别 LISA 交通标志数据 集中的 14 种交通标志。
3 结语
本文通过四种图像增强算法实现图像的去雾处理 ； 采用 YOLOv1 算法对交通标志进行检测 ；应用 Alex-Net 模型实现 14 种交通标志的准确识别,说明本文提出的 方法能快速准确地识别雾天交通标志。
参考文献
[1] 王道累,张天宇.图像去雾算法的综述及分析[J].图学学报, 2020,41(6):861-870.
[2] 陈飞,刘云鹏,李思远.复杂环境下的交通标志检测与识别方法综述[J].计算机工程与应用,2021,57(16):65-73.
[3] 张佳达,许学斌,路龙宾,等.基于深度残差网络的交通标志识 别方法研究[J].计算机仿真,2022,39(1):143-147.
[4] 王鹏飞,李强,冯谦,等.动态不良天候图像去雾霾增强方法 [J].光学与光电技术,2022,20(6):36-44.
[5] 张玲,吴发辉,余文森,等.基于多通道视觉注意力的图像清晰 度复原方法[J].计算机仿真,2023,40(5):262-266.
[6] 刘哲,梁宇栋,李嘉莹.基于动态卷积核的自适应图像去雾算 法[J].计算机科学,2023,50(6):200-208.
[7] 伍晓晖,田启川.交通标志识别方法综述[J].计算机工程与应 用,2020,56(10):20-26.
[8] 于平平,齐林,马苗立,等.基于视觉注意机制和形状特征的交 通标志检测方法[J].数学的实践与认识,2019,49(21):123-131.
[9] 王仁杰,周晓宏.高速公路交通标志的认知及评价综述[J].交 通信息与安全,2021,39(2):9-18.
[10] 曹海燕,张大维.基于机器学习算法的交通标志图像智能识 别[J].微型电脑应用,2021,37(1):19-22.
[11] 高涛,邢可,刘占文,等.基于金字塔多尺度融合的交通标志 检测算法[J].交通运输工程学报,2022,22(3):210-224.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/77122.html
