一種交通標誌包圍盒的優化方法與流程
2023-05-09 04:53:07
本發明涉及計算機視覺領域，更具體地，涉及一種交通標誌包圍盒的優化方法。
背景技術：
現代交通高度發達，道路狀況越來越複雜，交通安全等問題也愈加重要。智能交通系統可以有效地緩解交通擁堵，減少交通事故。
交通標誌是顯示交通法規及道路信息的圖形符號，用以管理交通、指示行車方向以保證道路暢通與行車安全。在智能交通系統中，交通標誌識別是一個非常重要的部分。交通標誌識別技術可以對駕駛員進行提示或者警告，從而達到緩解交通擁堵，減少交通事故的目的。
在交通標誌識別中，相對於大尺寸的道路圖像，交通標誌尺寸較小，難以進行直接的識別。通常需要在較大尺寸的道路圖像中對交通標誌進行檢測，獲得交通標誌的包圍盒，對該包圍盒中的內容進行識別。在目前的一些交通標誌檢測方法(如級聯分類器)中，得到的交通標誌包圍盒通常不夠精確，造成對交通標誌識別的準確率降低
技術實現要素：
本發明提供一種克服上述問題或者至少部分地解決上述問題的交通標誌包圍盒的優化方法。
根據本發明的一個方面，提供一種交通標誌的包圍盒的優化方法，包括：
S1、對原始的包圍盒中的每個像素進行初始的標記，獲得交通標誌的初始的形狀；
S2、基於所述初始的形狀以及交通標誌的標準形狀，獲得初始的形變參數；
S3、基於所述初始的形狀和形變參數優化能量函數，獲得更優的形狀和形變參數；以及
S4、基於所述更優的形狀和形變參數，對所述能量函數進行多次迭代運算，獲得優化的包圍盒。
本申請提出一種通過對包圍盒中的像素進行分類，獲得初始的形狀，再基於初始的形狀獲得形變參數，基於形狀和形變參數不斷優化能量函數，最終獲得優化的包圍盒，本發明獲得的交通標誌包圍盒更精確，交通標誌識別準確率相比現有技術更高。
附圖說明
圖1為根據本發明實施例的交通標誌包圍盒的優化方法的流程圖；
圖2為根據本發明實施例的優化方法與其他優化方法的對比效果圖。
具體實施方式
下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用於說明本發明，但不用來限制本發明的範圍。
為了克服現有交通標誌檢測(例如級聯分類器)中，交通標誌包圍盒精度不高，識別的交通標誌識準確度低的問題，本發明提供了通過對包圍盒中的像素進行分類，獲得初始的形狀，再基於初始的形狀獲得形變參數，基於形狀和形變參數不斷優化能量函數，最終獲得優化的包圍盒。
圖1示出了本發明中交通標誌包圍盒的優化方法的流程圖，如圖所示，本方法包括：
S1、對原始的包圍盒中的每個像素進行初始的標記，獲得交通標誌的初始的形狀；
S2、基於所述初始的形狀以及交通標誌的標準形狀，獲得初始的形變參數；
S3、基於所述初始的形狀和形變參數優化能量函數，獲得更優的形狀和形變參數；以及
S4、基於所述更優的形狀和形變參數，對所述能量函數進行多次迭代運算，獲得優化的包圍盒。
本申請提出一種通過對包圍盒中的像素進行分類，獲得初始的形狀，再基於初始的形狀獲得形變參數，基於形狀和形變參數不斷優化能量函數，最終獲得優化的包圍盒，本發明獲得的交通標誌包圍盒更精確，交通標誌識別準確率相比現有技術更高
在一個實施例中，所述步驟S1包括：
S1.1、基於原始的包圍盒的尺寸，重新從街景圖或者包含該交通標誌的圖片中採集該交通標誌的包圍盒，重新採集的包圍盒的尺寸為原始的包圍盒的尺寸的兩倍；以及
S1.2、基於圖割算法對所述重新採集的包圍盒進行初始的標記，即對包圍盒的每個像素分為交通標誌像素或背景像素；
S1.3、將所有交通標誌像素組合成的形狀記為初始的形狀。
現有方法採集的原始包圍盒的尺寸通常較小，帶來了交通標誌識別不清楚的問題，而本發明在原始包圍盒尺寸的基礎上擴大兩倍，能夠捕獲到完整的交通標誌圖。
在一個實施例中，所述步驟S2包括：
S2.1、分別計算所述初始的形狀與交通標誌的標準形狀的形狀上下文描述因子。交通標誌的標準形狀分為三種：方形、圓形和三角形。形狀上下文描述因子是通過形狀上下文算法(shape contex算法)獲得的。
S2.2、匹配兩個所述形狀上下文描述因子，獲得所述初始形狀與交通標誌的標準形狀間的對應關係。
S2.3、對所述對應關係基於RANSAC算法獲得初始的形變參數。形狀參數的作用是：通過初始形狀對應的初始形變參數，可以將初始形狀近似地變換到標準形狀。
在一個實施例中所述步驟S3包括：
S3.1、基於所有像素獲得的顏色因子、形狀因子以及平滑因子，創建以形狀和形變參數為變量的能量函數。
其中，所述能量函數的表達式為：
Edata(L,H)＝Ecolor(L)+λshapeEshape(L,H)；
L為本次迭代輸入的形狀；H為本次迭代輸入的形變參數；E(L,H)為以L和H為變量獲得的能量函數值；P為包圍盒中所有像素的集合，N為P的輪廓像素集合，對於P中的像素p，Lp為像素p的標記值，Lp∈(0,1)，0代表該像素為背景像素，1代表該像素為交通標誌像素；為數據因子；Ecolor表示顏色因子；Eshape表示形狀因子；Esmooth表示平滑因子；λshape表示形狀因子權重；λsmooth表示平滑因子權重。
S3.2、固定初始的形變參數，計算使所述能量函數取最小值的形狀，作為下一次迭代的形狀；以及
S3.3、固定初始的形狀，計算使所述能量函數取最小值的形變參數，作為下一次迭代的形變參數；
在一個實施例中，所述步驟S3.1中顏色因子的獲得方法為：
對每個像素分別訓練一個高斯混合模型，獲得各高斯混合模型的權重、均值以及協方差；
計算每個像素對應於自身訓練的高斯混合模型中各成員的概率；
採集每個像素的RGB值；
基於所述高斯混合模型的權重、均值、協方差、概率以及RGB值，獲得每個像素的顏色因子；以及
基於每個像素的顏色因子獲得當前迭代輸入的形狀的顏色因子。
所述顏色因子的表達式為：
其中，Ecolor(L)為以L為自變量的顏色因子；Dcolor(Lp,kp,Ip,θ)為像素p的顏色因子；P為包圍盒中所有像素的集合；像素p屬於P；Lp表示對像素p的標記值，為0或1，0代表該像素為背景像素，1代表該像素為交通標誌像素；θ代表高斯混合模型，K表示高斯混合模型的成員個數，kp表示像素p對應於高斯混合模型中的成員k得到的概率大小，Ip表示像素p的RGB值。式中的分別表示高斯混合模型中的權重，均值和協方差。
在一個實施例中，所述步驟S3.1中形狀因子的獲取方法為：
基於形變參數，將標準形狀通過單應性形變矩陣形變為近似於形狀的近似形狀，單應性形變矩陣是一種數學上的一般方法，可以將一個形狀變換成另一個形狀，通過變換，形狀與近似形狀的每個像素都相互對應。
將形狀和近似形狀中交通標誌像素作為數字1，將背景像素作為數字0，分別獲得所述形狀的二值圖像a和近似形狀的二值圖像b；
對所述兩個二值圖像，計算每個對應位置的像素的形狀因子；以及
將所有像素的形狀因子相加，獲得當前迭代輸入的形狀的形狀因子。
形狀因子通過如下公式定義：
Eshape(L,H)＝Dshape(L,HΨ)
式中，Eshape為形狀因子，L表示本次迭代中輸入的標記，H表示本次迭代中輸入的形變參數，P為包圍盒中所有像素的集合，像素p屬於P，Lp表示對像素p的標記值，為0或1，0代表該像素為背景像素，1代表該像素為交通標誌像素。ψ表示步驟S2中預先定義的交通標誌的標準形狀，是一個二值圖像。Hψ表示了通過形變參數H，將標準形狀形變為接近L的形狀的函數。對於某個形狀ψa，ψpa表示形狀ψa中點p在二值圖像中的取值，為0或1。
在一個實施例中，所述步驟S3.1中平滑因子的獲得方法為：
採集位於當前迭代輸入的形狀的輪廓的像素，作為輪廓像素；
相鄰兩個輪廓像素的RGB值；
基於所述兩個輪廓像素的RGB值差，獲得兩個像素因子間的平滑因子；以及
基於所有兩兩輪廓像素間的平滑因子以及平滑因子權重，獲得當前迭代輸入的形狀的平滑因子。
平滑因子的表達式為：
Esmooth(Lp,Lq)＝|Lp-Lq|exp(-β(Ip-Iq)2)
式中，Esmooth為需要的平滑因子，L表示本次迭代中輸入的標記，P為包圍盒中所有像素的集合，像素p屬於P，Lp表示對像素p的標記，Iq表示像素p的RGB值。β為設定的常量，(Ip-Iq)表示像素p和像素q的RGB值差，採用歐幾裡得距離計算。
在一個實施例中，所述形狀因子權值隨迭代過程逐漸增大。由於在初始過程中，標誌牌形狀較為不準確，早初始的幾步中需要減少在能量函數中的權重值。在迭代過程中，由於形狀逐漸較為準確，形狀因子在能量函數中的權值不斷增加。形狀因子權值通過以下公式確定
該式中，代表第i步迭代中的形狀因子權值，w＝0.5,r＝4。
在一個實施例中，所述步驟S4中迭代運算的次數的最大值為5。
圖2示出了採用本發明和其他方法獲得的交通標誌包圍盒，圖中的方框表示包圍盒，其中左側為採用本發明獲得的結果，中間為採用級聯分類器獲得的結果，右側為採用人工標註法獲得的結果，從圖2中可以清晰地發現，採用本發明和人工標註法獲得的包圍盒準確地將交通標誌納入其中，而採用級聯分類器獲得的包圍盒與交通標誌之間均存在偏移，本發明的準確率大大高於採用級聯分類器的準確率，與人工標註法不分伯仲，但效率上遠遠領先於人工標註法。
最後，本申請的方法僅為較佳的實施方案，並非用於限定本發明的保護範圍。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。