交通道路標(biāo)志牌檢測(cè)和識(shí)別綜述

1、.wd.wd24/24.wd交通道路標(biāo)志牌檢測(cè)與識(shí)別綜述背景綜述隨著社會(huì)科技不斷開(kāi)展和進(jìn)步，車輛已經(jīng)普及到國(guó)內(nèi)大局部家庭。汽車的普及極大方便了人們的出行、生活和工作，同時(shí)也不可防止的產(chǎn)生了很多的交通問(wèn)題。據(jù)公安部交通管理局統(tǒng)計(jì)，2014年1月至10月，全國(guó)共發(fā)生道路交通事故426378起，造成87218人死亡、391752人受傷，直接財(cái)產(chǎn)損失20.2億元。交通安全問(wèn)題成為人們?nèi)粘Ｉ钪凶畛Ｒ?jiàn)的問(wèn)題之一，受到了政府、科研機(jī)構(gòu)以及汽車生產(chǎn)廠家的高度重視。解決交通安全問(wèn)題的途徑之一是準(zhǔn)確、有效地設(shè)立道路交通標(biāo)志，為駕駛員提供豐富的禁令、警告、指示等信息，從而起到減少交通事故的作用。為了確保交通標(biāo)志的

2、信息能夠及時(shí)、準(zhǔn)確地傳達(dá)，交通標(biāo)志自動(dòng)識(shí)別系統(tǒng)(Traffic Sign Recognition,TSR)受到了各國(guó)學(xué)者的關(guān)注，其主要功能表現(xiàn)在以下幾個(gè)方面：(1)用于駕駛輔助。交通標(biāo)志識(shí)別的概念最早就是作為駕駛輔助工具被提出的。TSR系統(tǒng)在識(shí)別出交通標(biāo)志后，可對(duì)駕駛員進(jìn)展語(yǔ)音或視頻等方式的提醒，甚至可以在必要的時(shí)候?qū)囕v駕駛系統(tǒng)直接做出控制，從而確保駕駛安全。(2)用于交通標(biāo)志維護(hù)。由于交通標(biāo)志通常放置于室外環(huán)境中，受自然環(huán)境(如風(fēng)吹雨淋)及人為因素(如涂抹)影響，難免出現(xiàn)褪色、變形甚至墜落失蹤現(xiàn)象，需要進(jìn)展定期檢查維護(hù)。通常，這一工作需安排專人專崗，工作量巨大且很難保證實(shí)時(shí)性和準(zhǔn)確性。顯然

3、，一個(gè)有效的TSR系統(tǒng)是完成這一工作的理想方案。(3)用于無(wú)人駕駛技術(shù)。無(wú)人駕駛汽車在近年來(lái)受到了越來(lái)越多的關(guān)注。從上世紀(jì)90年代起，國(guó)內(nèi)外相繼研發(fā)出了一系列無(wú)人駕駛汽車，其智能化逐漸提高，能夠自動(dòng)規(guī)劃路線，避讓障礙物等。使無(wú)人駕駛汽車具備識(shí)別交通標(biāo)志的能力顯然是使其實(shí)用化的一個(gè)重要步驟。TSR在計(jì)算機(jī)領(lǐng)域中是一個(gè)非常重要的分支研究領(lǐng)域，而圖像檢測(cè)以及處理是其主要手段，這是一個(gè)難度比較大的實(shí)景圖形識(shí)別問(wèn)題。在車載視覺(jué)系統(tǒng)中，若何有效地識(shí)別道路交通標(biāo)志是一個(gè)非常重要的研究課題。TSR包括三個(gè)重要模塊：圖像復(fù)原、標(biāo)志檢測(cè)、標(biāo)志分類。交通標(biāo)志的外觀受天氣條件的影響很大，如在有霧的天氣條件下，標(biāo)志會(huì)變

4、得比正常情況下的亮度更高、顏色更淡，而在沙塵天氣下，交通標(biāo)志會(huì)變得比正常顏色更黃。圖像復(fù)原模塊根據(jù)惡劣天氣條件的生成模型，對(duì)輸入的降質(zhì)圖像進(jìn)展逆變換，得到相對(duì)清晰的圖像，以使后續(xù)的標(biāo)志檢測(cè)、分類更加準(zhǔn)確；標(biāo)志檢測(cè)模塊負(fù)責(zé)找出輸入圖像中類似交通標(biāo)志的區(qū)域，通常被稱作感興趣區(qū)域(Region of Interest,RO I)，并將這些區(qū)域送入標(biāo)志分類模塊；標(biāo)志分類模塊對(duì)每個(gè)ROI進(jìn)展分析，判斷出其中所包含標(biāo)志的具體類別，最后輸出結(jié)果。如以以下圖所示，為T(mén)SR的總體框圖。圖 1- SEQ 圖 * ARABIC s 1 1 TSR的總體框圖交通標(biāo)志簡(jiǎn)介交通標(biāo)志是一種圖形與文字相結(jié)合的公共標(biāo)識(shí)，用圖形

5、符號(hào)和文字傳遞特定信息，用以管理交通、指示行車方向以保證道路暢通與行車安全的設(shè)施。有很顯著的顏色和形狀特征,起到指示、示和警示等作用。適用于公路、城市道路以及一切專用公路，具有法令的性質(zhì)，車輛、行人都必須遵守。我國(guó)的交通標(biāo)志有警告標(biāo)志、禁令標(biāo)志、指示標(biāo)志、指路標(biāo)志、旅游區(qū)標(biāo)志、作業(yè)區(qū)標(biāo)志、告示標(biāo)志、輔助標(biāo)志8種。下文對(duì)禁令標(biāo)志、警告標(biāo)志、指示標(biāo)志三類標(biāo)志進(jìn)展簡(jiǎn)明扼要的介紹。禁令標(biāo)志：起到制止某種行為的作用。共有43種。制止或限制車輛、行人交通行為的標(biāo)志。除個(gè)別標(biāo)志外，顏色為白底，紅圈，紅杠，黑圖案，圖案壓杠；形狀為圓形、八角形、頂角朝下的等邊三角形。設(shè)置在需要制止或限制車輛、行人交通行為的路段

6、或穿插口附近。如圖2-1所示的禁令標(biāo)志，紅色在自然環(huán)境下比較少見(jiàn)，故以紅色作為特征顏色檢測(cè)禁令標(biāo)志通常具有較好的效果。圖 2- SEQ 圖 * ARABIC s 1 2 我國(guó)的交通禁令標(biāo)志警告標(biāo)志：起警告作用。共有49種。警告車輛、行人注意不安全地點(diǎn)的標(biāo)志。顏色為黃底、黑邊、黑圖案，形狀為頂角朝上的等邊三角形。如圖2-2所示的警告標(biāo)志，由于外沿與圖案的顏色均為黑色，某些圖案面積較大的標(biāo)志與外沿幾乎相連，給檢測(cè)帶來(lái)一定困難。圖 2- SEQ 圖 * ARABIC s 1 3 我國(guó)的交通警告標(biāo)志指示標(biāo)志：起指示作用。共有29類。指示車輛、行人行進(jìn)的標(biāo)志。顏色為藍(lán)底、白圖案；形狀分為圓形、長(zhǎng)方形和正

7、方形；設(shè)置在需要指示車輛、行人行進(jìn)的路段或穿插口附近。指示標(biāo)志沒(méi)有特定的外沿顏色，某些標(biāo)志的圖案幾乎將藍(lán)底分為了幾個(gè)局部，給檢測(cè)帶來(lái)一定困難。圖 2- SEQ 圖 * ARABIC s 1 4 我國(guó)的指示標(biāo)志其他國(guó)家的交通標(biāo)志與中國(guó)的標(biāo)志非常類似，只是警告標(biāo)志的顏色與中國(guó)不同，通常為紅色外沿、白底、黑色圖案。圖像復(fù)原算法研究現(xiàn)狀常見(jiàn)的惡劣天氣條件主要有霧、霾、沙塵、雨雪等幾種。雨和雪由于顆粒較大，且比較稀疏，對(duì)交通標(biāo)志的影響主要表現(xiàn)為遮擋，相當(dāng)于在交通標(biāo)志上參加了噪聲干擾，因此可以簡(jiǎn)單地對(duì)圖像進(jìn)展邊緣保持的濾波，如中值濾波、雙邊濾波(Bilateral Filter)等，一般可較好地復(fù)原圖像。

8、而霧、霾、沙塵顆粒小且濃密，光線通過(guò)有霧或沙塵的大氣時(shí)，會(huì)產(chǎn)生較明顯的折射和散射作用，使交通標(biāo)志的顏色發(fā)生變化。因此，簡(jiǎn)單的濾波類算法很難較好地復(fù)原霧和沙塵圖像。以下著重分析霧和沙塵圖像復(fù)原算法的研究現(xiàn)狀。由于有霧或沙塵的圖像比照度下降，因此用圖像增強(qiáng)算法恢復(fù)這類圖像是一種比較直觀的想法。Land根據(jù)人類視覺(jué)系統(tǒng)從不同光照條件下提取彩色信息的原理提出色彩不變性模型Retinex，具有壓縮圖像動(dòng)態(tài)范圍，保持色彩不變的特點(diǎn)，可有效增強(qiáng)因光照不均勻形成的低比照度圖像。Chen和芮義斌分別用單分辨率Retinex(Single-Scale Retinex,SSR)和多分辨率Retinex(Multi-

9、Scale Retinex,MSR)對(duì)有霧圖像進(jìn)展增強(qiáng)，取得了一定的去霧效果。直方圖均衡化是一種有效提升圖像比照度的方法，北京航空航天大學(xué)艾明晶等提出采用塊局部重疊的直方圖均衡化方法復(fù)原霧天圖像，能夠有效突出圖像的局部細(xì)節(jié)信息，從而起到去霧效果。該方法速度較快，能夠滿足實(shí)時(shí)處理的要求。曲波變換是一種在小波變換根基上開(kāi)展起來(lái)的新的多尺度分析方法，由于它特別適合于各向異性特征的信號(hào)處理，因此是對(duì)小波變換在圖像邊緣增強(qiáng)方面局限性的一個(gè)很好彌補(bǔ)。Brian Eriksson利用曲波變換這一特點(diǎn)，通過(guò)檢測(cè)曲波的消失點(diǎn)實(shí)現(xiàn)了圖像的去霧。圖像增強(qiáng)算法雖然能夠增強(qiáng)有霧或沙塵圖像的比照度，卻不能保證真實(shí)地復(fù)原出

10、圖像色彩，在特定條件下易出現(xiàn)明顯的顏色失真。因此，人們對(duì)霧或沙塵圖像的成像原理進(jìn)展了研究，建設(shè)了相應(yīng)的物理模型。根據(jù)圖像的特定特征估算出模型的參數(shù)，并對(duì)降質(zhì)圖像進(jìn)展逆變換，以期得到更加真實(shí)的復(fù)原圖像。董濤、王揮等認(rèn)為霧天圖像的降質(zhì)是由于大氣湍流和氣溶膠引起的。通過(guò)分別估計(jì)湍流傳遞函數(shù)和氣溶膠傳遞函數(shù)，并用二者的乘積作為總的大氣調(diào)制傳遞函數(shù)，之后在頻域內(nèi)根據(jù)大氣調(diào)制傳遞函數(shù)對(duì)降質(zhì)圖像進(jìn)展復(fù)原，并對(duì)降質(zhì)過(guò)程引起的衰減進(jìn)展補(bǔ)償，取得了一定的復(fù)原效果。Tarel提出了一種快速的基于單圖像的去霧算法。該算法也基于物理模型，但沒(méi)有采用全局最優(yōu)化方法，大大提高了處理速度，可以接近滿足實(shí)時(shí)處理要求。但該算法的

11、處理效果比暗通道假設(shè)算法略差。 綜上，對(duì)現(xiàn)有的較具代表性的霧天、沙塵圖像復(fù)原算法總結(jié)于表3-1。復(fù)原算法優(yōu)點(diǎn)缺點(diǎn)Retinex有效增強(qiáng)圖像比照度復(fù)原的圖像真實(shí)感較差直方圖均衡化速度快，有效增強(qiáng)比照度復(fù)原的圖像真實(shí)感較差曲波變換有效增強(qiáng)圖像的細(xì)節(jié)復(fù)原的圖像真實(shí)感較差大氣調(diào)制傳遞函數(shù)較好的去模糊效果需要估計(jì)霧氣濃度和場(chǎng)景深度，不易實(shí)現(xiàn)Tarel 的算法處理速度快處理效果略差表 3-1 現(xiàn)有霧天、沙塵圖像復(fù)原算法的特點(diǎn)現(xiàn)有的霧天、沙塵圖像復(fù)原算法均存在一定局限性。從去霧效果的角度比較，最大化比照度與暗通道假設(shè)算法處于現(xiàn)有算法中的領(lǐng)先地位，但速度較慢，無(wú)法用于駕駛輔助等高實(shí)時(shí)性應(yīng)用場(chǎng)合。而 Tarel

12、的算法雖然速度較快，但以犧牲去霧效果為代價(jià)。其他算法或處理效果不夠真實(shí)，或受限于實(shí)施難度大，均不適合駕駛輔助場(chǎng)合。交通標(biāo)志檢測(cè)的研究現(xiàn)狀一般來(lái)說(shuō)，交通標(biāo)志識(shí)別系統(tǒng)包括路標(biāo)檢測(cè)和路標(biāo)分類兩個(gè)階段。在路標(biāo)檢測(cè)階段，系統(tǒng)會(huì)在圖像中搜索路標(biāo)。在各類文獻(xiàn)中，圖像分割被廣泛應(yīng)用于路標(biāo)檢測(cè)階段中。這里主要有三種方法來(lái)實(shí)現(xiàn)對(duì)路標(biāo)的分割：對(duì)灰度圖像進(jìn)展邊緣檢測(cè)，然后進(jìn)展分析直方圖閾值法特征提取和聚類在分類階段，系統(tǒng)會(huì)對(duì)檢測(cè)階段發(fā)現(xiàn)的區(qū)域進(jìn)展分析，然后區(qū)分出路標(biāo)。常見(jiàn)的分類方法如下：神經(jīng)網(wǎng)絡(luò)(NN)最近鄰分類器支持向量機(jī)(SVM)遺傳算法(GA)基于相關(guān)的模式匹配在處理灰度圖像時(shí)，是基于形狀的特點(diǎn)進(jìn)展對(duì)路標(biāo)搜索，

13、計(jì)算量是十分龐大的。對(duì)于實(shí)現(xiàn)快速檢測(cè)路標(biāo)，一些方法是基于形狀識(shí)別開(kāi)展的，是因?yàn)樽髡邆冋J(rèn)為基于顏色分割的檢測(cè)是不可靠的比方，距離、天氣、灰塵和路標(biāo)使用的時(shí)間都會(huì)對(duì)路標(biāo)的色彩產(chǎn)生變化和影響。比方，Barnes等人提出了一種使用后驗(yàn)概率(posterior probability)的路標(biāo)檢測(cè)算法，它是基于路標(biāo)的位置和角度信息的。文獻(xiàn)使用了自組織神經(jīng)網(wǎng)絡(luò)( self-organization map,SOM)的方法提取輪廓線，然后識(shí)別路標(biāo)的形狀。文獻(xiàn)應(yīng)用了圖像的梯度方向的幾何模型識(shí)別三角形路標(biāo)。Loy和Barnes實(shí)現(xiàn)了一種基于快速輻射對(duì)稱(fast radial symmetry)的算法，它使用邊緣

14、方向的模式檢測(cè)三角形、正方形和六邊形的路標(biāo)。然后，基于梯度的特征檢測(cè)方法對(duì)于噪點(diǎn)處理不佳，很多形狀檢測(cè)器在計(jì)算超大圖像時(shí)速度很慢。在直方圖閾值法中，有兩種方法。即，使用標(biāo)準(zhǔn)顏色空間和進(jìn)展更加徹底顏色空間的研究。文獻(xiàn)提出了使用RGB分量之間的差異來(lái)進(jìn)展路標(biāo)的分割。文獻(xiàn)在RGB空間上直接進(jìn)展二值化，然后進(jìn)展形狀分析來(lái)檢測(cè)路標(biāo)，使用神經(jīng)網(wǎng)絡(luò)進(jìn)展分類。對(duì)于禁令標(biāo)志、警告標(biāo)志和指示標(biāo)志的檢測(cè)，Kang-Hyun使用RGB顏色分割，使用形狀分析來(lái)識(shí)別。近幾年以來(lái)，在物體檢測(cè)中被廣為承受并且使用的方法之一就是圖像特征聚類。Bahlmann等人使用一系列對(duì)顏色敏感的哈爾小波特征來(lái)檢測(cè)路標(biāo)，這些特征是從AdaB

15、oost訓(xùn)練和時(shí)態(tài)信息傳播過(guò)程中得到的。Gome z等基于一套完整的交通標(biāo)志檢測(cè)和分類系統(tǒng)，對(duì)各種顏色空間下的最終識(shí)別結(jié)果進(jìn)展了比較，認(rèn)為歸一化RGB空間和HSV空間的檢測(cè)結(jié)果相似，優(yōu)于其他顏色空間。在顏色提取之后，通常需要將顏色一樣，位置臨近的點(diǎn)合并為感興趣區(qū)域。Escalera等采用角點(diǎn)檢測(cè)的方法在相近顏色點(diǎn)組成的二值圖像中尋找感興趣區(qū)域，但無(wú)法抑制遮擋問(wèn)題。區(qū)域生長(zhǎng)是一種使用較多的方法，一些算法利用區(qū)域生長(zhǎng)的方式將相近顏色點(diǎn)連成區(qū)域，得到一系列連通域，而后判斷各連通域的大小和縱橫比，從而快速排除局部虛警情況。經(jīng)過(guò)大小、縱橫比等簡(jiǎn)單判據(jù)篩選后，通常仍存在大量虛警情況，假設(shè)直接輸出為感興趣區(qū)

16、域，那么給后級(jí)的分類模塊帶來(lái)很大負(fù)擔(dān)。因此，眾多算法通過(guò)判斷連通域的形狀實(shí)現(xiàn)進(jìn)一步篩選。Maldonado等提出Dt B(Distance toBound ing Box)特征，通過(guò)計(jì)算連通域邊緣到能覆蓋它的最小矩形的四條邊的距離，結(jié)合線性支持向量機(jī)(SVM,Support Vector Machine)對(duì)連通域的形狀分類，假設(shè)非交通標(biāo)志形狀，那么將其篩除。Gil等計(jì)算連通域的中心到其所有邊緣的距離，形成一條一維曲線，并計(jì)算其FFT幅度特征，而后采用最近鄰分類或神經(jīng)網(wǎng)絡(luò)分類器進(jìn)展形狀判別，獲得了良好的平移、旋轉(zhuǎn)不變性。Xu采用正切函數(shù)特征，將連通域邊緣曲線每個(gè)點(diǎn)的切向角的正切值組成一個(gè)特征向量

17、，并通過(guò)模板匹配完成分類。雖然基于顏色的方法通過(guò)各種方式增強(qiáng)了顏色提取的可靠性，但在特殊條件下，如嚴(yán)重背光或標(biāo)志褪色時(shí)，基于顏色的方法普遍會(huì)出現(xiàn)不穩(wěn)定甚至漏檢。此外，當(dāng)多個(gè)交通標(biāo)志連接在一起或背景顏色相似時(shí)，連通域的提取通常會(huì)遇到困難，導(dǎo)致基于顏色的檢測(cè)方法出現(xiàn)漏檢。而基于形狀的檢測(cè)算法那么通?？梢暂^好地解決這些問(wèn)題。Gavrila提出一種基于距離變換的檢測(cè)方法。先檢測(cè)出圖像的邊緣，然后得出圖形中每一個(gè)點(diǎn)到邊緣的距離圖像，最后用標(biāo)準(zhǔn)形狀的距離圖作為模板，用不同的位置、旋轉(zhuǎn)角度以及尺寸與在前面得出的距離圖像進(jìn)展模板匹配，從而找出滿足交通標(biāo)志形狀的區(qū)域。該方法的主要問(wèn)題是運(yùn)算量大，無(wú)法滿足實(shí)時(shí)處理

18、要求?；舴蜃儞Q是一種有效的檢測(cè)直線、圓等參數(shù)化曲線的方法，在交通標(biāo)志檢測(cè)中具有廣泛應(yīng)用。但霍夫變換運(yùn)算量大、存儲(chǔ)空間要求高的問(wèn)題使其不易滿足實(shí)時(shí)處理的要求。為提高算法的運(yùn)行效率，Garcia等在限定的區(qū)域內(nèi)用霍夫變換檢測(cè)圓形標(biāo)志。Loy等提出了一種霍夫變換的改進(jìn)算法，被稱作快速?gòu)较驅(qū)ΨQ算法。該算法利用圓形徑向?qū)ΨQ的特點(diǎn)，通過(guò)計(jì)算邊緣點(diǎn)的梯度方向，大大降低了霍夫變換的運(yùn)算量。Ruta在此根基上結(jié)合了顏色信息，進(jìn)一步提高了算法的效率。Barnes等對(duì)鏡像對(duì)稱算法進(jìn)展了擴(kuò)展，使其可應(yīng)用于三角形和正方形標(biāo)志的檢測(cè)，但準(zhǔn)確率和速度都與圓檢測(cè)有一定差距。Belaroussi等提出了另一種霍夫變換的改進(jìn)形式

19、，可以實(shí)時(shí)檢測(cè)三角形標(biāo)志。基于霍夫變換的方法對(duì)遮擋等問(wèn)題具有較好的適應(yīng)能力，但當(dāng)視角發(fā)生傾斜時(shí)，交通標(biāo)志的形狀變?yōu)闄E圓或非正多邊形，此類算法的漏檢率明顯提升。遺傳算法是另一類能夠有效檢測(cè)形狀的方法。Aoyagi等先用拉普拉斯核濾波的方式提取出感興趣點(diǎn)，生成一副二值圖像，之后用遺傳算法進(jìn)展啟發(fā)式搜索，找出其中的圓形。Escalera等首先找出感興趣的顏色區(qū)域，而后對(duì)每個(gè)區(qū)域進(jìn)展平移、旋轉(zhuǎn)、尺度的變換，用遺傳算法估計(jì)參數(shù)，可有效應(yīng)對(duì)由視角傾斜引起的標(biāo)志變形。遺傳算法的缺點(diǎn)是速度較慢，每次只能檢測(cè)一個(gè)標(biāo)志，多標(biāo)志檢測(cè)時(shí)需要屢次調(diào)用，不適合于駕駛輔助等高實(shí)時(shí)性要求的場(chǎng)合。除基于顏色和形狀的檢測(cè)算法外，

20、近年來(lái)也出現(xiàn)了一些基于模板的檢測(cè)算法。這類方法通常在一個(gè)滑動(dòng)的窗口中對(duì)窗口內(nèi)圖像進(jìn)展分類，判斷其是否為交通標(biāo)志。其典型代表為基于Harr特征和基于方向梯度直方圖的檢測(cè)方法。Harr特征最早用于人臉檢測(cè)，利用積分圖像實(shí)現(xiàn)高效特征提取，而后用級(jí)聯(lián)的boost分類器實(shí)現(xiàn)快速窗口篩選。一些算法用Harr特征在特定的顏色通道中檢測(cè)交通標(biāo)志，取得了良好的效果。方向梯度直方圖(HOG,Histogram of Orientated Gradient)是一種區(qū)分力很強(qiáng)的形狀描述子，最早被用于行人檢測(cè)，通過(guò)與SVM配合，可實(shí)現(xiàn)很高的準(zhǔn)確率。Yuan等在灰度圖像中提取HOG特征，并用線性SVM分類，取得了較高的準(zhǔn)

21、確率。Creusen等分別計(jì)算RGB三個(gè)通道上的HO G特征，進(jìn)一步提高了準(zhǔn)確率，代價(jià)是運(yùn)算量明顯提高。Gao等未使用SVM，而是通過(guò)計(jì)算相似性系數(shù)對(duì)HOG特征分類，以提高檢測(cè)速度。提高速度的另一個(gè)策略是用boost方法將一系列基于HOG的分類器級(jí)聯(lián)，實(shí)現(xiàn)由粗到精的快速窗口篩選，一些算法采用這一策略實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)。三大類交通標(biāo)志檢測(cè)算法各自的優(yōu)缺點(diǎn)總結(jié)于表 4-1優(yōu)點(diǎn)缺點(diǎn)基于形狀的檢測(cè)對(duì)光照、遮擋、相鄰標(biāo)志影響等問(wèn)題適應(yīng)能力強(qiáng)速度較慢，多數(shù)方法對(duì)視角傾斜適應(yīng)能力較差基于顏色的檢測(cè)速度快，對(duì)視角傾斜、輕度遮擋的適應(yīng)能力較強(qiáng)對(duì)光照條件敏感，易受背景及相鄰標(biāo)志的影響基于模板的檢測(cè)檢測(cè)精度高，能適應(yīng)光

22、照、遮擋等多種不利條件速度較慢，不同標(biāo)志需要不同特征，不適合嵌入式應(yīng)用表 4-1 三類交通標(biāo)志檢測(cè)算法的特點(diǎn)總結(jié)交通標(biāo)志識(shí)別的研究現(xiàn)狀交通標(biāo)志分類是 TSR系統(tǒng)的最后一個(gè)步驟，負(fù)責(zé)對(duì)感興趣區(qū)域進(jìn)展準(zhǔn)確分類，剔除不是交通標(biāo)志的區(qū)域。常用的分類方法有模板匹配法，神經(jīng)網(wǎng)絡(luò)分類法，支持向量機(jī)分類法等。模板匹配法是一種較直接的方法。Piccioli 等利用標(biāo)準(zhǔn)模板與輸入圖像進(jìn)展互相關(guān)運(yùn)算，可適應(yīng)不同的光照強(qiáng)度。然而，模板匹配法要先將待分類圖像與標(biāo)準(zhǔn)模板配準(zhǔn)。在很多情況下，如交通標(biāo)志有形變或背景復(fù)雜時(shí)，配準(zhǔn)十分困難。一些算法對(duì)輸入圖像進(jìn)展距離變換，一定程度上提高了算法對(duì)小形變的適應(yīng)能力。相比于模板匹配法，

23、特征提取+分類器的分類模式在近些年的目標(biāo)識(shí)別算法中更常被使用。利用一些具有旋轉(zhuǎn)、尺度甚至仿射等不變性的特征，再配適宜當(dāng)?shù)姆诸惼鬟M(jìn)展分類，通常可以大大提高分類算法的正確率。Fleyeh等先將待分類圖像縮放至固定尺寸，再用PC A(Principal Component Analysis)算法提取待分類圖像的特征值，組成特征向量送入分類器(具體分類器文中未提及)，獲得了較高的識(shí)別率。由于PCA對(duì)旋轉(zhuǎn)敏感，導(dǎo)致該算法同樣需要配準(zhǔn)輸入圖像。此外，當(dāng)交通標(biāo)志被局部遮擋時(shí)，該方法的識(shí)別率下降較多。一些算法提取待分類圖像的SIFT(Scale-invariant Feature Transform)特征，并

24、送入多層神經(jīng)網(wǎng)絡(luò)分類。SIFT特征通過(guò)多尺度分析提取輸入圖像中在各尺度下均顯著的點(diǎn)作為特征點(diǎn)，從而具備了平移、旋轉(zhuǎn)、尺度的不變性。然而，由于SIFT特征對(duì)圖像的質(zhì)量要求較高，當(dāng)輸入圖像分辨率較低(如視頻圖像)時(shí)，SIFT特征提取的精度嚴(yán)重下降，影響分類正確率。 Doubille用不同分辨率的Gabor小波作為特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可抵抗復(fù)雜背景和形變的情況，不僅得到了較高的分類正確率，且處理速度較快。中南大學(xué)的谷明琴等同樣采用Gabor小波作為特征，但以線性支持向量機(jī)作為分類器，也取得了較好的分類結(jié)果。Maldonado等利用Dt Bs特征獲得了旋轉(zhuǎn)和尺度的不變性，用線性支持向量機(jī)判斷待分類圖形的

25、形狀，再將形狀內(nèi)的點(diǎn)組成特征向量送入一個(gè)高斯核支持向量機(jī)作最終分類。該方法具有平移、旋轉(zhuǎn)及尺度的不變性，且可以抵抗一定程度的局部遮擋，但速度較慢，達(dá)不到實(shí)時(shí)處理的要求。Adaboost 算法是一種分類器增強(qiáng)方法，通過(guò)訓(xùn)練多個(gè)級(jí)聯(lián)分類器實(shí)現(xiàn)分類性能的增強(qiáng)。浙江大學(xué)的何耀平等融合Adaboost 算法與支持向量機(jī)分類器，實(shí)現(xiàn)了較高的分類正確率及較快的分類速度。上述算法的分類結(jié)果多數(shù)來(lái)自于未公開(kāi)的數(shù)據(jù)庫(kù)，導(dǎo)致無(wú)法對(duì)各算法的性能進(jìn)展直接比較。實(shí)驗(yàn)結(jié)果及分析我們的程序簡(jiǎn)單實(shí)現(xiàn)了對(duì)限制標(biāo)志的檢測(cè)，采用基于顏色的路標(biāo)檢測(cè)方法，在圖像分割后，再采用幾何的方式，提取輪廓。以下分情況說(shuō)一下實(shí)驗(yàn)結(jié)果：簡(jiǎn)單背景原圖顏

26、色分割邊緣檢測(cè)輪廓檢測(cè)輸出結(jié)果正常背景晚上復(fù)雜背景連體實(shí)驗(yàn)結(jié)果分析：由上幾組實(shí)驗(yàn)結(jié)果可以看出，程序?qū)τ谔幚砗?jiǎn)單背景時(shí)，顏色分割效果還是不錯(cuò)，對(duì)于復(fù)雜背景和夜晚時(shí)處理效果差。顏色分割提取輪廓之后，對(duì)于形狀以及輪廓的分析時(shí)，程序效果差，不能夠準(zhǔn)確分析圓形、三角形等幾何圖形。總結(jié)與展望程序簡(jiǎn)單實(shí)現(xiàn)了對(duì)于路標(biāo)的檢測(cè)，但存在著以下問(wèn)題：只能單獨(dú)別離紅色，不能同時(shí)處理藍(lán)色和黃色等其他顏色；對(duì)于復(fù)雜背景、夜晚，顏色分割效果不佳，分割算法需要改進(jìn)；輪廓檢測(cè)算法未能有效準(zhǔn)確分析幾何圖形，需要改進(jìn)；別離紅色的HSV閾值，需要通過(guò)實(shí)驗(yàn)確定具體數(shù)值；對(duì)于識(shí)別模塊的算法和特殊天氣下的情況還未實(shí)現(xiàn)。對(duì)于路標(biāo)的檢測(cè)，國(guó)內(nèi)外

27、已進(jìn)展深入的研究，但是由于技術(shù)細(xì)節(jié)未公開(kāi)，根據(jù)論文實(shí)現(xiàn)還存在困難。縱觀國(guó)內(nèi)外的學(xué)術(shù)論文，還未存在漏檢率低、誤檢率低同時(shí)具有高實(shí)時(shí)性的算法，對(duì)于路標(biāo)的檢測(cè)還存在著很大的開(kāi)展和探索空間。參考文獻(xiàn)1Land E.The RetinexJ.American Scientific,1964,52(2):247-264.2C hen X,Yan X,Chu X.Fast Algorithms for Foggy Image Enhancement Based on ConvolutionC. International Symposium on Computational Intelligence and

28、 Design,2008:165-168.3芮義斌,李鵬,孫錦濤.一種圖像去薄霧方法J.計(jì)算機(jī)應(yīng)用,2006,26(1):3.4艾明晶,戴隆忠,曹慶華.霧天環(huán)境下自適應(yīng)圖像增強(qiáng)去霧方法研究J.計(jì)算機(jī)仿真,2009(07):244-247.5郭璠,蔡自興,謝斌,et al.圖像去霧技術(shù)研究綜述與展望J.計(jì)算機(jī)應(yīng)用,2010,30(9):2417-2421.6Eriksson B.Automatic image de-weathering using curvelet-based vanishing point detectionEB/O L.2010.7禹晶,徐東彬,廖慶敏.圖像去霧技術(shù)研究進(jìn)展

29、J.中國(guó)圖象圖形學(xué)報(bào),2011(09):1561-1576.8董濤,董慧穎.基于大氣調(diào)制傳遞函數(shù)的天氣退化圖像復(fù)原方法研究J.沈陽(yáng)理工大學(xué)學(xué)報(bào),2006,25(5):4.9王揮,劉曉陽(yáng).利用大氣調(diào)制傳遞函數(shù)復(fù)原天氣退化圖像J.沈陽(yáng)航空工業(yè)學(xué)院學(xué)報(bào),2006,23(5):3.10Tarel J P,Hautiere N.Fast visibility restoration fro m a single color or gray level imageC.Proceedings of t he IEEE Inter national Conference on Computer Vision,

30、2009:2201-2208.11V. Andrey and J. Kang-Hyun, “Automatic detection and recognition of traffic signs using geometric structure analysis, in Proc. SICE-ICASE Int.Joint Conf., 2006, pp. 14511456.12T. Ueta, Y. Sumi, N. Yabuki, and S. Matsumae, “A study on contour lineand internal areaextraction method by using the self-organization map,in Proc.