前言：寻找写作灵感？中文期刊网用心挑选的机器视觉的交通标志检测识别系统设计，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘要：针对人机交互中目标识别的问题，设计基于BP神经网络的交通标志检测识别系统。首先，采集自然环境下的原始图像，运用RGB模型转换为HSV模型。然后，应用图像增强处理和滤波腐蚀技术，减少图像的环境噪声。最后，运用BP神经网络模板建立交通标志数据模板库，通过BP神经网络的方式将模板进行训练和数据提取，采用模板匹配识别原始图像交通标志。设计目标识别的GUI人机交互界面，实验测试结果表明，设计系统可以准确识别图像中交通标志并弹窗提醒和语音播报识别结果，设计的目标识别系统快速可靠，能够广泛应用于不同场景。
关键词：机器视觉；图像处理；目标识别；BP神经网络
社会步入了人工智能的高速发展时代，其中机器视觉的发展是人工智能面向用户交流体验的关键，机器对目标检测与识别是人工智能的“慧眼”。智能汽车需要有效地识别路侧的交通标志识别牌辅助汽车驾驶运行，但是在自然采集的原始图像环境复杂容易影响交通标志的检测识别，需要对原始图像增强预处理提高目标识别率。本文设计了基于BP神经网络的交通标志识别系统，并对不同的交通标志进行颜色模型分类，将预处理后的交通标志提取出来与训练模板进行匹配对比识别交通标志，为智能汽车提供慧眼。
1BP神经网络特征识别
BP（BackPropagation）神经网络是人工神经网络的一种[1]，BP神经网络结构分为三层，分别是输入层，隐藏层和输出层。隐藏层收到多个输入信号，学习输入层给的特征标志，相当于记住了一个物体的多种特点，再由输出层输出。BP神经网络算法具有反馈式的误差分析，能够将计算出的值反馈给输入层进行再次优化和计算，计算过程由正向计算过程和反向计算过程组成，目前BP网络主要用于函数误差分析，记忆识别，分类等方面[2]。设计应用BP神经网络的记忆识别功能，将模板进行首次检测，当下一次遇到和模板相似的时候，将调动记忆和模板匹配。首先导入模板读取模板的特征数据，然后设定训练的次数，将输出的数据和输入的模板读取的数据进行匹配计算，求得这一输出数据和模板输出值之间的平方误差值。根据实际情况调整训练，对训练集中的所有不同的输入样本向量重复进行多次，直到误差值降低到与模板数据误差在接受的范围以内。BP神经网络训练的流程图如图1所示，当BP神经网络训练结束后把交通标志模板数据保存到程序数据库中，当进行识别程序的时候调用交通标志模板数据库与目标进行对比、判断。
2交通标志目标检测
2.1图像采集预处理
采集自然光照下图像，交通标志在采集时受环境的影响很大，而且交通标志有各种各样的形状和颜色，为了区别复杂的背景区域和目标区域，提高目标识别率需要对原始图像进行预处理，图像预处理方法如图2所示。首先，把采集的数字图像的RGB数据模型转化为HSV数据模型。虽然我国交通标志种类繁多，但是交通标志的颜色固定，主要为红色、黄色、白色和黑色，相比于RGB三原色模型，HSV模型的颜色范围更好确定，方便目标定位。然后，根据交通标志典型颜色设置图像二值化阈值转化为二值化图像，使得交通标志从复杂背景中区分出来。最后，为了提高目标识别精度，对图像增强处理，创建腐蚀膨胀模板生成3*3维的矩阵，运用开运算[3]连接邻近像素平滑边界，减少图像中的噪声，防止腐蚀掉特征目标。
2.2特征标志定位
对于交通标志的定位和提取采用的是基于形态学的膨胀操作的提取连通分量的方法。在预处理后的二值化图像上，从左边缘到右边缘依次从上到下读取每像素的灰度值，若第一次扫描到的这一行读取到的灰度值只有一个数值和交通标志的灰度值相同，则认为这是交通标志的左边界，这时记下该像素点Xmin，如果所读取的这一行上的灰度值有两个或者多个灰度值有着相同的值的时候，则认为该行位于交通标志范围之间，此时记下像素纵坐标Ymin和Ymax，到扫描结束进行判断。若扫描到的读取的灰度值和目标交通标志的灰度值相同像素点从多点变为一点时，则认为是交通标志的右边界，把每一次读取到的目标灰度值坐标信息做记录，根据像素坐标点，对像素连通区域在二值化图像中进行裁剪获得目标图像。
3识别系统设计与实现
3.1人机对话界面设计
为了方便人机交互，观察检验目标识别效果，设计了人机交互操作界面[4]。设置5个操作按钮控件，分别用于读取原始图像、图像预处理、分割标志、识别标志和退出程序。不仅设计显示采集原图和用静态文本框显示识别结果，为了方便调试测试，设计显示了预处理的增强图像和分割显示的标志。
3.2目标识别系统设计与实现
采用模板匹配实现目标识别，从已加载的交通标志的标准模型库中提取交通标志的多个特征分量，并与需要识别的图像的特征向量进行一一比对，同时计算图像与模板之间的特征向量的距离，用最小的距离和相识度最高的概率来判定所属类别。模板匹配建立模板库和匹配过程中都需要花费大量的时间，但是随着技术的进步，现在开发出了高速模板匹配法[5]，提高匹配效率。在系统开始的时候首先载入交通标志的模板和判断交通标志的类型，因为我国交通标志种类繁多，本系统分了警示标志、禁令标志和指示标志三种交通标志类别，每一种标志的形状、颜色特征不一样，在检测识别和仿真的时候运用不一样的RGB数值检测提取，在系统运行前提前判断交通标志是属于什么类型。载入车载摄像机拍摄到的道路环境交通标志图片，然后对图像进行预处理。由于可能存在误拍的情况，在进行预处理之后先判断是否存在交通标志，如果没有交通标志弹窗则提示重新输入图像，然后分割标志并与BP神经网络训练的模板匹配，最后输出识别结果，基于模板匹配的特征标志识别流程如图3所示。
4实验测试分析
先应用BP神经网络训练模板，载入模板进行训练，本次共训练了三种类型的交通标志共计9个模板，训练错误个数为0，训练模板结果如图4所示。通过仿真验证是否能精准识别交通标志，分别为三种类型标志创建了三种模板，进行对照实验。本系统适用于各种交通标志，如三角形的交通标志、圆形的交通标志或者方形的交通标志，从建立的30种模板中选取质量较好的10张图像作为实验基础模板，再进行交通标志识别。图5、图6、图7分别为禁令标志、警示标志和指示标志识别结果图，根据识别结果所示，所有的交通标志都能够正常识别，同时语音播报和文字弹窗显示交通标志。
5结束语
本文依据BP神经网络建立交通标志模板库，基于机器视觉的数字图像处理增强、定位匹配，有效识别路侧交通标志，并分别通过人机对话界面显示和语音播报识别结果，实验测试在原始图像基本清晰且有交通标志的情况下，交通标志识别率达到100%。在实际应用中，车载摄像头采集图像受到环境因素和运动模糊的影响使交通标志难以识别，需要结合图像增强技术和多帧视频图像联合识别提高识别系统的适应性。
作者：杨佳义 单位：重庆移通学院 智能工程学院
