1、.wd.wd24/24.wd交通道路標(biāo)志牌檢測與識別綜述背景綜述隨著社會科技不斷開展和進(jìn)步，車輛已經(jīng)普及到國內(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，同時也不可防止的產(chǎn)生了很多的交通問題。據(jù)公安部交通管理局統(tǒng)計，2014年1月至10月，全國共發(fā)生道路交通事故426378起，造成87218人死亡、391752人受傷，直接財產(chǎn)損失20.2億元。交通安全問題成為人們?nèi)粘Ｉ钪凶畛Ｒ姷膯栴}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、準(zhǔn)確地傳達(dá)，交通標(biāo)志自動識別系統(tǒng)(Traffic Sign Recognition,TSR)受到了各國學(xué)者的關(guān)注，其主要功能表現(xiàn)在以下幾個方面：(1)用于駕駛輔助。交通標(biāo)志識別的概念最早就是作為駕駛輔助工具被提出的。TSR系統(tǒng)在識別出交通標(biāo)志后，可對駕駛員進(jìn)展語音或視頻等方式的提醒，甚至可以在必要的時候?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時性和準(zhǔn)確性。顯然

3、，一個有效的TSR系統(tǒng)是完成這一工作的理想方案。(3)用于無人駕駛技術(shù)。無人駕駛汽車在近年來受到了越來越多的關(guān)注。從上世紀(jì)90年代起，國內(nèi)外相繼研發(fā)出了一系列無人駕駛汽車，其智能化逐漸提高，能夠自動規(guī)劃路線，避讓障礙物等。使無人駕駛汽車具備識別交通標(biāo)志的能力顯然是使其實用化的一個重要步驟。TSR在計算機(jī)領(lǐng)域中是一個非常重要的分支研究領(lǐng)域，而圖像檢測以及處理是其主要手段，這是一個難度比較大的實景圖形識別問題。在車載視覺系統(tǒng)中，若何有效地識別道路交通標(biāo)志是一個非常重要的研究課題。TSR包括三個重要模塊：圖像復(fù)原、標(biāo)志檢測、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，對輸入的降質(zhì)圖像進(jìn)展逆變換，得到相對清晰的圖像，以使后續(xù)的標(biāo)志檢測、分類更加準(zhǔn)確；標(biāo)志檢測模塊負(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)志分類模塊對每個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TSR的總體框圖。圖 1- SEQ 圖 * ARABIC s 1 1 TSR的總體框圖交通標(biāo)志簡介交通標(biāo)志是一種圖形與文字相結(jié)合的公共標(biāo)識，用圖形

5、符號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。下文對禁令標(biāo)志、警告標(biāo)志、指示標(biāo)志三類標(biāo)志進(jìn)展簡明扼要的介紹。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，故以紅色作為特征顏色檢測禁令標(biāo)志通常具有較好的效果。圖 2- SEQ 圖 * ARABIC s 1 2 我國的交通禁令標(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，給檢測帶來一定困難。圖 2- SEQ 圖 * ARABIC s 1 3 我國的交通警告標(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)底分為了幾個局部，給檢測帶來一定困難。圖 2- SEQ 圖 * ARABIC s 1 4 我國的指示標(biāo)志其他國家的交通標(biāo)志與中國的標(biāo)志非常類似，只是警告標(biāo)志的顏色與中國不同，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，因此可以簡單地對圖像進(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，光線通過有霧或沙塵的大氣時，會產(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，具有壓縮圖像動態(tài)范圍，保持色彩不變的特點，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，能夠滿足實時處理的要求。曲波變換是一種在小波變換根基上開展起來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處理，因此是對小波變換在圖像邊緣增強(qiáng)方面局限性的一個很好彌補。Brian Eriksson利用曲波變換這一特點，通過檢測曲波的消失點實現(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)，并對降質(zhì)圖像進(jìn)展逆變換，以期得到更加真實的復(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。通過分別估計湍流傳遞函數(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)對降質(zhì)圖像進(jìn)展復(fù)原，并對降質(zhì)過程引起的衰減進(jìn)展補償，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，可以接近滿足實時處理要求。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)點缺點Retinex有效增強(qiáng)圖像比照度復(fù)原的圖像真實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霧氣濃度和場景深度，不易實現(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，無法用于駕駛輔助等高實時性應(yīng)用場合。而 Tarel

12、的算法雖然速度較快，但以犧牲去霧效果為代價。其他算法或處理效果不夠真實，或受限于實施難度大，均不適合駕駛輔助場合。交通標(biāo)志檢測的研究現(xiàn)狀一般來說，交通標(biāo)志識別系統(tǒng)包括路標(biāo)檢測和路標(biāo)分類兩個階段。在路標(biāo)檢測階段，系統(tǒng)會在圖像中搜索路標(biāo)。在各類文獻(xiàn)中，圖像分割被廣泛應(yīng)用于路標(biāo)檢測階段中。這里主要有三種方法來實現(xiàn)對路標(biāo)的分割：對灰度圖像進(jìn)展邊緣檢測，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)會對檢測階段發(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，是基于形狀的特點進(jìn)展對路標(biāo)搜索，

13、計算量是十分龐大的。對于實現(xiàn)快速檢測路標(biāo)，一些方法是基于形狀識別開展的，是因為作者們認(rèn)為基于顏色分割的檢測是不可靠的比方，距離、天氣、灰塵和路標(biāo)使用的時間都會對路標(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概率(posterior probability)的路標(biāo)檢測算法，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別三角形路標(biāo)。Loy和Barnes實現(xiàn)了一種基于快速輻射對稱(fast radial symmetry)的算法，它使用邊緣

14、方向的模式檢測三角形、正方形和六邊形的路標(biāo)。然后，基于梯度的特征檢測方法對于噪點處理不佳，很多形狀檢測器在計算超大圖像時速度很慢。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)展形狀分析來檢測路標(biāo)，使用神經(jīng)網(wǎng)絡(luò)進(jìn)展分類。對于禁令標(biāo)志、警告標(biāo)志和指示標(biāo)志的檢測，Kang-Hyun使用RGB顏色分割，使用形狀分析來識別。近幾年以來，在物體檢測中被廣為承受并且使用的方法之一就是圖像特征聚類。Bahlmann等人使用一系列對顏色敏感的哈爾小波特征來檢測路標(biāo)，這些特征是從AdaB

15、oost訓(xùn)練和時態(tài)信息傳播過程中得到的。Gome z等基于一套完整的交通標(biāo)志檢測和分類系統(tǒng)，對各種顏色空間下的最終識別結(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，位置臨近的點合并為感興趣區(qū)域。Escalera等采用角點檢測的方法在相近顏色點組成的二值圖像中尋找感興趣區(qū)域，但無法抑制遮擋問題。區(qū)域生長是一種使用較多的方法，一些算法利用區(qū)域生長的方式將相近顏色點連成區(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)過大小、縱橫比等簡單判據(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，那么給后級的分類模塊帶來很大負(fù)擔(dān)。因此，眾多算法通過判斷連通域的形狀實現(xiàn)進(jìn)一步篩選。Maldonado等提出Dt B(Distance toBound ing Box)特征，通過計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點的切向角的正切值組成一個特征向量

17、，并通過模板匹配完成分類。雖然基于顏色的方法通過各種方式增強(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，基于顏色的方法普遍會出現(xiàn)不穩(wěn)定甚至漏檢。此外，當(dāng)多個交通標(biāo)志連接在一起或背景顏色相似時，連通域的提取通常會遇到困難，導(dǎo)致基于顏色的檢測方法出現(xiàn)漏檢。而基于形狀的檢測算法那么通?？梢暂^好地解決這些問題。Gavrila提出一種基于距離變換的檢測方法。先檢測出圖像的邊緣，然后得出圖形中每一個點到邊緣的距離圖像，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。該方法的主要問題是運算量大，無法滿足實時處理

18、要求?；舴蜃儞Q是一種有效的檢測直線、圓等參數(shù)化曲線的方法，在交通標(biāo)志檢測中具有廣泛應(yīng)用。但霍夫變換運算量大、存儲空間要求高的問題使其不易滿足實時處理的要求。為提高算法的運行效率，Garcia等在限定的區(qū)域內(nèi)用霍夫變換檢測圓形標(biāo)志。Loy等提出了一種霍夫變換的改進(jìn)算法，被稱作快速徑向?qū)ΨQ算法。該算法利用圓形徑向?qū)ΨQ的特點，通過計算邊緣點的梯度方向，大大降低了霍夫變換的運算量。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等對鏡像對稱算法進(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，但準(zhǔn)確率和速度都與圓檢測有一定差距。Belaroussi等提出了另一種霍夫變換的改進(jìn)形式

19、，可以實時檢測三角形標(biāo)志?；诨舴蜃儞Q的方法對遮擋等問題具有較好的適應(yīng)能力，但當(dāng)視角發(fā)生傾斜時，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，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，而后對每個區(qū)域進(jìn)展平移、旋轉(zhuǎn)、尺度的變換，用遺傳算法估計參數(shù)，可有效應(yīng)對由視角傾斜引起的標(biāo)志變形。遺傳算法的缺點是速度較慢，每次只能檢測一個標(biāo)志，多標(biāo)志檢測時需要屢次調(diào)用，不適合于駕駛輔助等高實時性要求的場合。除基于顏色和形狀的檢測算法外，

20、近年來也出現(xiàn)了一些基于模板的檢測算法。這類方法通常在一個滑動的窗口中對窗口內(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方法。Harr特征最早用于人臉檢測，利用積分圖像實現(xiàn)高效特征提取，而后用級聯(lián)的boost分類器實現(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，通過與SVM配合，可實現(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等分別計算RGB三個通道上的HO G特征，進(jìn)一步提高了準(zhǔn)確率，代價是運算量明顯提高。Gao等未使用SVM，而是通過計算相似性系數(shù)對HOG特征分類，以提高檢測速度。提高速度的另一個策略是用boost方法將一系列基于HOG的分類器級聯(lián)，實現(xiàn)由粗到精的快速窗口篩選，一些算法采用這一策略實現(xiàn)了實時檢測。三大類交通標(biāo)志檢測算法各自的優(yōu)缺點總結(jié)于表 4-1優(yōu)點缺點基于形狀的檢測對光照、遮擋、相鄰標(biāo)志影響等問題適應(yīng)能力強(qiáng)速度較慢，多數(shù)方法對視角傾斜適應(yīng)能力較差基于顏色的檢測速度快，對視角傾斜、輕度遮擋的適應(yīng)能力較強(qiáng)對光照條件敏感，易受背景及相鄰標(biāo)志的影響基于模板的檢測檢測精度高，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)志檢測算法的特點總結(jié)交通標(biāo)志識別的研究現(xiàn)狀交通標(biāo)志分類是 TSR系統(tǒng)的最后一個步驟，負(fù)責(zé)對感興趣區(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，配準(zhǔn)十分困難。一些算法對輸入圖像進(jìn)展距離變換，一定程度上提高了算法對小形變的適應(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)，獲得了較高的識別率。由于PCA對旋轉(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，該方法的識別率下降較多。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特征通過多尺度分析提取輸入圖像中在各尺度下均顯著的點作為特征點，從而具備了平移、旋轉(zhuǎn)、尺度的不變性。然而，由于SIFT特征對圖像的質(zhì)量要求較高，當(dāng)輸入圖像分辨率較低(如視頻圖像)時，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)的點組成特征向量送入一個高斯核支持向量機(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)不到實時處理的要求。Adaboost 算法是一種分類器增強(qiáng)方法，通過訓(xùn)練多個級聯(lián)分類器實現(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)來自于未公開的數(shù)據(jù)庫，導(dǎo)致無法對各算法的性能進(jìn)展直接比較。實驗結(jié)果及分析我們的程序簡單實現(xiàn)了對限制標(biāo)志的檢測，采用基于顏色的路標(biāo)檢測方法，在圖像分割后，再采用幾何的方式，提取輪廓。以下分情況說一下實驗結(jié)果：簡單背景原圖顏

26、色分割邊緣檢測輪廓檢測輸出結(jié)果正常背景晚上復(fù)雜背景連體實驗結(jié)果分析：由上幾組實驗結(jié)果可以看出，程序?qū)τ谔幚砗唵伪尘皶r，顏色分割效果還是不錯，對于復(fù)雜背景和夜晚時處理效果差。顏色分割提取輪廓之后，對于形狀以及輪廓的分析時，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)與展望程序簡單實現(xiàn)了對于路標(biāo)的檢測，但存在著以下問題：只能單獨別離紅色，不能同時處理藍(lán)色和黃色等其他顏色；對于復(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，需要通過實驗確定具體數(shù)值；對于識別模塊的算法和特殊天氣下的情況還未實現(xiàn)。對于路標(biāo)的檢測，國內(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，根據(jù)論文實現(xiàn)還存在困難?？v觀國內(nèi)外的學(xué)術(shù)論文，還未存在漏檢率低、誤檢率低同時具有高實時性的算法，對于路標(biāo)的檢測還存在著很大的開展和探索空間。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.中國圖象圖形學(xué)報,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.沈陽理工大學(xué)學(xué)報,2006,25(5):4.9王揮,劉曉陽.利用大氣調(diào)制傳遞函數(shù)復(fù)原天氣退化圖像J.沈陽航空工業(yè)學(xué)院學(xué)報,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.