本發(fā)明屬于實(shí)踐應(yīng)用
技術(shù)領(lǐng)域：
，特別涉及一種交通標(biāo)志檢測(cè)與識(shí)別的方法，可應(yīng)用于智能交通系統(tǒng)以及無人駕駛系統(tǒng)。
背景技術(shù)：
：在科學(xué)技術(shù)飛速發(fā)展、社會(huì)經(jīng)濟(jì)顯著提升的今天，交通運(yùn)輸也進(jìn)入了飛快的變革發(fā)展中，道路交通也在交通運(yùn)輸行業(yè)中占據(jù)了主導(dǎo)地位。然而，在很多發(fā)達(dá)國(guó)家中，能源消耗問題、空氣污染問題已經(jīng)變得越來越嚴(yán)重，那些追求高質(zhì)量生活的人們對(duì)于一個(gè)安全暢通的交通環(huán)境的需求也越來越大，這就迫使著解決交通問題的手段變得智能化。為了解決交通運(yùn)輸方面存在的問題，各國(guó)的科研人員付出了大量的努力，在研究的過程中，包括自動(dòng)和半自動(dòng)駕駛系統(tǒng)在內(nèi)的智能設(shè)備有了相當(dāng)大的提高。從二十世紀(jì)八十年代起，美國(guó)、日本、德國(guó)等發(fā)達(dá)國(guó)家開始研究智能交通，一個(gè)新的研究項(xiàng)目就也應(yīng)運(yùn)而生——智能交通系統(tǒng)（ITS，IntelligentTransportationSystem）。ITS主要由三個(gè)主體組成，包括：駕駛員、智能高速公路系統(tǒng)和智能交通工具。如何才能使得道路交通變得更加安全呢？這通常都采用先進(jìn)的科學(xué)技術(shù)，就比如電子信息技術(shù)還有計(jì)算機(jī)控制技術(shù)，使得道路交通與科學(xué)技術(shù)緊密相連才能更好地保證道路交通的安全。經(jīng)過多年研究，道路交通專家和科技研究人員認(rèn)為，“智能交通系統(tǒng)”主要應(yīng)用在以下幾個(gè)方面：智能交通工具的容量、交通工具的智能化水平、交通工具之間的聯(lián)系情況以及一些關(guān)于智能交通的設(shè)施基礎(chǔ)。智能交通系統(tǒng)的要求不僅僅在于要對(duì)交通工具的智能情況做出研究，還要對(duì)交通道路的信息狀況進(jìn)行控制，以及考慮到包括駕駛員在內(nèi)的人為因素和交通標(biāo)志檢測(cè)識(shí)別以及其他輔助系統(tǒng)等外在因素，所以交通標(biāo)志技術(shù)的實(shí)現(xiàn)與否，也最終決定了智能交通系統(tǒng)的發(fā)展走向。同時(shí)，道路交通標(biāo)志識(shí)別系統(tǒng)（TSR，TrafficSignRecognition），是一種基于公路上行駛的交通車輛采用計(jì)算機(jī)視覺技術(shù)對(duì)交通標(biāo)志圖樣進(jìn)行采集，并且能夠?qū)崿F(xiàn)對(duì)交通標(biāo)志圖像的自動(dòng)監(jiān)測(cè)與識(shí)別，最后將所得到的交通標(biāo)志信息返回給駕駛員，以此來增強(qiáng)交通車輛的駕駛輔助功能的系統(tǒng)。這種系統(tǒng)能夠有效地幫助駕駛員及時(shí)了解到前方的路況，或者在無人駕駛的情況下幫助車輛自能地進(jìn)行調(diào)整控制，提高交通出行的安全率、規(guī)范道路交通的駕駛行為，但是目前技術(shù)尚未達(dá)到這一水準(zhǔn)，在很多技術(shù)方面還有很多不足的存在，正因?yàn)檫@些不足之處，才使得交通標(biāo)志檢測(cè)識(shí)別這一塊成為一項(xiàng)極具挑戰(zhàn)的任務(wù)?；谝曨l的智能交通標(biāo)志檢測(cè)與識(shí)別系統(tǒng)的設(shè)計(jì)與開發(fā)是一項(xiàng)非常有意義的課題，主要表現(xiàn)在以下幾個(gè)突出方面：（1）駕駛輔助的重要組成部分駕駛車輛通常受到天氣、環(huán)境的外界自然因素和駕駛員的人為因素兩方面影響。在天氣惡劣的情況下，駕駛員往往不能準(zhǔn)確地判別出強(qiáng)前方道路狀況，忽略身邊可能發(fā)生事故的細(xì)節(jié)，在這個(gè)時(shí)候智能交通標(biāo)志檢測(cè)和識(shí)別系統(tǒng)就能夠及實(shí)地反映道路交通狀況，根據(jù)這些信息制定合理地交通路線規(guī)劃，從而使得剛上路的新手和初來此處的游客帶來很大的便捷，盡量減少不必要的路程，也最大限度地緩解出行帶來的交通擁堵。（2）無人駕駛智能車輛的組成部分在國(guó)外無人駕駛是一項(xiàng)很熱門的課題，智能交通標(biāo)志檢測(cè)與識(shí)別系統(tǒng)的研發(fā)同時(shí)也使得無人駕駛車輛有了更強(qiáng)的助力。20世紀(jì)九十年代以來，無人駕駛車輛已經(jīng)成為交通領(lǐng)域另一個(gè)新的發(fā)展目標(biāo)。美國(guó)、歐洲和日本等國(guó)家都進(jìn)行了相關(guān)方面的研究，像1993年美國(guó)針對(duì)“停車”標(biāo)志進(jìn)行檢測(cè)判別利用顏色聚類方法研制了ADIS系統(tǒng)。2003年我國(guó)第一部無人駕駛的紅旗汽車被研發(fā)出來，2005年12月第一個(gè)智能無人駕駛電動(dòng)車在上海交通大學(xué)被研究誕生。這些車輛可以大致地辨別道路狀況，繞離障礙物、搜索最規(guī)范的行車路線，但是像這樣的大部分車輛還只能運(yùn)行在特定的道路上，目前還無法完全代替司機(jī)的工作。（3）多學(xué)科交叉支持的范例交通標(biāo)志檢測(cè)作為一種模式為如何科學(xué)涉及圖像處理、計(jì)算機(jī)視覺、自動(dòng)化、人工智能和其他學(xué)科，提供了一個(gè)參考。為此進(jìn)一步實(shí)現(xiàn)該模式，研究人員做了大量準(zhǔn)備工作，但由于需要高度的準(zhǔn)確性和實(shí)時(shí)性的測(cè)試系統(tǒng)，以及周圍的環(huán)境和天氣條件的影響下，目前尚沒有完美的解決方案。此外，交通標(biāo)志基于視頻圖像的自然場(chǎng)景下的目標(biāo)檢測(cè)和識(shí)別主要以相同或相似的研究廣泛應(yīng)用于民用和軍事領(lǐng)域。如交通標(biāo)志檢測(cè)和跟蹤，以及海洋和陸地目標(biāo)檢測(cè)與識(shí)別。技術(shù)實(shí)現(xiàn)要素：本課題的目標(biāo)是要設(shè)計(jì)一個(gè)能夠高效、快速地檢測(cè)與識(shí)別交通標(biāo)志的系統(tǒng)。為此，針對(duì)目前流行的交通標(biāo)志檢測(cè)和識(shí)別算法存在的一些主要問題，研究并設(shè)計(jì)了一套新穎的交通標(biāo)志檢測(cè)識(shí)別系統(tǒng)。本文的主要研究?jī)?nèi)容如下：第一，對(duì)交通標(biāo)志檢測(cè)的基本方法做出研究。交通標(biāo)志檢測(cè)算法包括：顏色閾值檢測(cè)法、形狀檢測(cè)以及級(jí)聯(lián)分類器檢測(cè)法等，對(duì)這幾種方法進(jìn)行簡(jiǎn)單地介紹，并且首次將級(jí)聯(lián)分類器運(yùn)用到交通標(biāo)志檢測(cè)方面，與其他檢測(cè)方法相比，級(jí)聯(lián)分類器法更具有特征優(yōu)勢(shì)。級(jí)聯(lián)分類器主要是基于Haar特征，本文將Haar特征分為四大類：邊緣特征、中心特征、線性特征、對(duì)角線特征，這些特征共同組成特征模板庫。本文在級(jí)聯(lián)分類器原理進(jìn)行深入研究的基礎(chǔ)上，根據(jù)Adaboost算法訓(xùn)練完成交通標(biāo)志的級(jí)聯(lián)分類器，該分類器實(shí)現(xiàn)了對(duì)交通標(biāo)志的檢測(cè)，獲得的檢測(cè)信息為之后的分割、識(shí)別奠定基礎(chǔ)。第二，對(duì)定位的交通標(biāo)志進(jìn)行分割。本文介紹和對(duì)比了分割常見的幾種方法，并提出了改進(jìn)的基于圖割的分割方法（Grabcut）。Grabcut是一種交互式的分割方法，只需要用戶簡(jiǎn)單地框出目標(biāo)區(qū)域就能有效地分割出了目標(biāo)，而本文提出將檢測(cè)交通標(biāo)志信息作為先驗(yàn)信息，不需要用戶手動(dòng)框出目標(biāo)，自動(dòng)對(duì)交通標(biāo)志進(jìn)行精確分割。第三，對(duì)分割的交通標(biāo)志進(jìn)行識(shí)別。識(shí)別包括特征提取和分類訓(xùn)練兩塊。在特征提取部分，本文將顏色特征、不變矩和HOG特征進(jìn)行介紹和比較，發(fā)現(xiàn)HOG特征對(duì)光學(xué)形變和圖像幾何形變都能保持很好的不變性，很適合用來對(duì)交通標(biāo)志進(jìn)行特征提取。識(shí)別這塊，本文使用的是支持向量機(jī)（SupportVectorMachine,SVM），SVM對(duì)少量樣本也具有很好的識(shí)別效果，適用于解決分類和函數(shù)估計(jì)問題，收斂速度快，分類精度高，已經(jīng)在圖像和字體識(shí)別領(lǐng)取得了不錯(cuò)的效果。本文利用SVM這一優(yōu)點(diǎn)對(duì)交通標(biāo)志樣本進(jìn)行分類訓(xùn)練，實(shí)現(xiàn)對(duì)分割后的交通標(biāo)志的識(shí)別。該方法在本文自建的2000多張樣本庫上，通過測(cè)試對(duì)所使用的識(shí)別算法的性能和可靠性進(jìn)行了驗(yàn)證，結(jié)果表明，本文的識(shí)別準(zhǔn)確率達(dá)到了80%以上，與先進(jìn)的基于視覺顯著性的交通標(biāo)志檢測(cè)與識(shí)別方法相比，不僅效率高而且準(zhǔn)確率也高。附圖說明圖1為本發(fā)明具體實(shí)施方式的流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明：如附圖1所示，本發(fā)明實(shí)施方案按照以下步驟進(jìn)行：步驟A、對(duì)交通標(biāo)志檢測(cè)的基本方法做出研究。交通標(biāo)志檢測(cè)算法包括：顏色閾值檢測(cè)法、形狀檢測(cè)以及級(jí)聯(lián)分類器檢測(cè)法等，對(duì)這幾種方法進(jìn)行簡(jiǎn)單地介紹，并且首次將級(jí)聯(lián)分類器運(yùn)用到交通標(biāo)志檢測(cè)方面，與其他檢測(cè)方法相比，級(jí)聯(lián)分類器法更具有特征優(yōu)勢(shì)。級(jí)聯(lián)分類器主要是基于Haar特征，本文將Haar特征分為四大類：邊緣特征、中心特征、線性特征、對(duì)角線特征，這些特征共同組成特征模板庫。本文在級(jí)聯(lián)分類器原理進(jìn)行深入研究的基礎(chǔ)上，根據(jù)Adaboost算法訓(xùn)練完成交通標(biāo)志的級(jí)聯(lián)分類器，該分類器實(shí)現(xiàn)了對(duì)交通標(biāo)志的檢測(cè)，獲得的檢測(cè)信息為之后的分割、識(shí)別奠定基礎(chǔ)。步驟B、對(duì)定位的交通標(biāo)志進(jìn)行分割。本文介紹和對(duì)比了分割常見的幾種方法，并提出了改進(jìn)的基于圖割的分割方法（Grabcut）。Grabcut是一種交互式的分割方法，只需要用戶簡(jiǎn)單地框出目標(biāo)區(qū)域就能有效地分割出了目標(biāo)，而本文提出將檢測(cè)交通標(biāo)志信息作為先驗(yàn)信息，不需要用戶手動(dòng)框出目標(biāo)，自動(dòng)對(duì)交通標(biāo)志進(jìn)行精確分割。步驟C、對(duì)分割的交通標(biāo)志進(jìn)行識(shí)別。識(shí)別包括特征提取和分類訓(xùn)練兩塊。在特征提取部分，本文將顏色特征、不變矩和HOG特征進(jìn)行介紹和比較，發(fā)現(xiàn)HOG特征對(duì)光學(xué)形變和圖像幾何形變都能保持很好的不變性，很適合用來對(duì)交通標(biāo)志進(jìn)行特征提取。識(shí)別這塊，本文使用的是支持向量機(jī)（SVM），SVM對(duì)少量樣本也具有很好的識(shí)別效果，適用于解決分類和函數(shù)估計(jì)問題，收斂速度快，分類精度高，已經(jīng)在圖像和字體識(shí)別領(lǐng)取得了不錯(cuò)的效果。本文利用SVM這一優(yōu)點(diǎn)對(duì)交通標(biāo)志樣本進(jìn)行分類訓(xùn)練，實(shí)現(xiàn)對(duì)分割后的交通標(biāo)志的識(shí)別。該方法在本文自建的2000多張樣本庫上，通過測(cè)試對(duì)所使用的識(shí)別算法的性能和可靠性進(jìn)行了驗(yàn)證，結(jié)果表明，本文的識(shí)別準(zhǔn)確率達(dá)到了80%以上，與先進(jìn)的基于視覺顯著性的交通標(biāo)志檢測(cè)與識(shí)別方法相比，不僅效率高而且準(zhǔn)確率也高。為了更好地說明本方法的有效性，以下表1至表4都是從2016年5月1日至2016年6月16日從不同交通標(biāo)志中采集的數(shù)據(jù)，其中表1是不同交通標(biāo)志的檢測(cè)時(shí)間、表2是使用SVM識(shí)別交通標(biāo)志時(shí)間，表3是不同樣本下的識(shí)別率，表4是交通標(biāo)志檢測(cè)識(shí)別系統(tǒng)實(shí)現(xiàn)時(shí)間。表1不同標(biāo)志的檢測(cè)時(shí)間執(zhí)行次數(shù)禁止停車禁止左轉(zhuǎn)禁止大型貨車運(yùn)行注意行人前方直行第1次0.039322s0.090775s0.048528s0.099516s0.023531s第2次0.039735s0.060192s0.054596s0.096147s0.121314s第3次0.052512s0.137250s0.197106s0.051595s0.167601s表2使用SVM識(shí)別交通標(biāo)志時(shí)間執(zhí)行次數(shù)禁止停車禁止左轉(zhuǎn)禁止大型貨車運(yùn)行注意行人前方直行第1次3.574741s3.535142s3.581123s3.599516s3.523533s第2次3.564966s3.539042s3.804947s3.696147s3.121314s第3次3.547683s3.658354s3.797106s3.551595s3.767602s表3不同樣本數(shù)下的識(shí)別率執(zhí)行次數(shù)第1次第2次第3次第4次第5次訓(xùn)練樣本數(shù)200300500700800測(cè)試樣本數(shù)800700500300200識(shí)別準(zhǔn)確率80.12%81.32%82.14%82.55%84.01%標(biāo)準(zhǔn)誤差1.111.091.0090.9990.996注：標(biāo)準(zhǔn)誤差一般用來判定該組測(cè)量數(shù)據(jù)的可靠性，在數(shù)學(xué)上它的值等于測(cè)量值誤差的平方和的平均值的平方根。表4交通標(biāo)志檢測(cè)識(shí)別系統(tǒng)實(shí)現(xiàn)時(shí)間交通標(biāo)志類型禁止停車禁止左轉(zhuǎn)禁止大型貨車運(yùn)行注意行人前方直行檢測(cè)時(shí)間0.039735s0.060192s0.054596s0.096147s0.121314s識(shí)別時(shí)間3.564966s3.539042s3.804947s3.697345s3.142094s總時(shí)間3.604701s3.599234s3.859543s3.793492s3.263408s當(dāng)前第1頁1 2 3