1.1 研究背景及意义

随着计算机技术的不断发展，数字图像处理技术进入了高速发展时期，图像以其信息量大，处理技术日趋成熟等优点成为获取和利用信息的重要来源。图像检测技术是视觉认知的延伸，在各种自动目标识别系统中占有重要地位。随着计算机技术及人工智能技术的发展，它也越来越成为计算机视觉的基础技术。

灰度、纹理和形状是描述图像的主要特征，用来表示图像的亮度、颜色变化和几何属性。形状特征具有对空间、旋转、伸缩以及运动的不变形，满足计算机视觉技术对物体识别的要求^[1]。图像检测领域，几何形状是含信息量较高的图像特征，其中直线、圆和椭圆为自然界和普通物体中常见的基本几何形状。先检测出简单的几何形状再将检测出的结果进一步进行组合就可以识别出更为复杂的图形或者物体。因此，简单几何形状的检测与提取是重要的一步，会直接影响到最后的结果，对它们进行准确的检测有着重要的意义。

图像的特征提取技术在工业制造、交通监控、人脸检测、测量等众多领域都有着广泛的应用。特别是在智能交通领域，图像处理技术对于无人驾驶汽车尤为重要，它能为行驶中的车辆提供及时准确的环境信息，从而确保汽车安全行驶。而交通标志及标线的检测是其中的关键技术，在车辆行驶过程中，交通标志指示了道路的禁止信息、指示信息、警告信息等，这些信息是保障道路安全通畅的重要工具，交通标线为路面上的各种线条、箭头、文字等所构成的安全设施，用来引导车辆在规定车道内正确行使，起到了管制和引导交通的重要作用^[2]。由于交通标志和标线的外形轮廓都呈现圆形、矩形、三角形等规则的几何形状，通过对这些几何特征进行有效的提取，可以保留图像中的有效信息，为无人驾驶汽车对道路信息的识别和解析提供基础^[3]。

在处理复杂图像时，首先要对图像进行边缘检测，为了提取出图像中的多种几何特征，需要依次用提取直线、圆和椭圆的算法对图像进行处理，这会大大减慢图像处理的速度，此外，如果对直线、圆和椭圆的检测原理不统一，处理速度将会更慢。因此，为了提高不同特征元素分类提取的快速性，有必要设计一种基于同一种检测原理、能够同时提取图像中直线、圆和椭圆的算法。此外，特征提取算法还需要对多种类型的图像具有自适应能力，减少人为设置参数的步骤，从而扩大算法的应用范围，避免人为因素产生干扰，提高检测结果的准确性。

1.2 图像边缘检测及特征提取方法的研究现状

1.2.1 边缘检测方法的发展

基于边缘检测的对象特征提取是机器视觉检测过程中的重要步骤。图像边缘是包含幅度和方向的矢量对象，在一定条件下包含了原图像的全部信息，一般存在于灰度值发生剧烈变化的区域内，表现为局部特征的不连续性，利用该特征可用于图像中几何形状的提取^[4]。

由于边缘是图像中相邻区域灰度值不连续带来的结果，因此利用求取梯度的方法可以方便的检测这种灰度值的不连续性。L.G.Roberts^[5]最早提出了用图像灰度分布梯度来表征灰度变化的一阶边缘检测微分算子——Roberts算子，之后出现的 Prewitt 算子、Sobel算子和 Kirsch算子等，也都是传统基于梯度的局域窗口一阶微分算子。虽然此类算子运算简单，但容易在图像边缘产生较宽的响应，对实际图像的处理效果不够理想。

针对一阶微分检测算法在处理灰度均匀的图像时可能存在无法检测边缘的情况，二阶微分运算在寻找图像细节方面效果显著。常见的二阶微分算子主要有 Laplacian算子，LOG算子和Canny算子等。Laplacian算子可以在二阶微分的过零点处提取一个像素宽度的边缘。但是，Laplacian 微分算子对噪声更加敏感，边缘检测的完整性不高。在实际边缘检测过程中，Marr提出了高斯-拉普拉斯（Laplacian-Gaussian，LOG）算子^[6]，首先要对图像进行低通滤波，但滤波算法会丢失检测中的部分边缘，这会降低边缘检测的精度，而且滤波器的尺寸在不同复杂程度的图像中难以确定。Canny算子^[7]是目前理论上相对完善而且至今仍广为使用的一种边缘检测算子。Canny边缘检测算法的实现需要经过高斯模糊、梯度计算、非极大值抑制和双阈值边缘连接处理几个步骤，对边缘的检测效果较好，但仍然需要对边缘区域中的每个像素进行独立的判定和输出，从而造成不连续的检测效果。