《車載智能技術(shù)》

無人駕駛汽車環(huán)境感知-交通信號燈和交通標(biāo)志檢測2主講人：黃侃江西交通職業(yè)技術(shù)學(xué)院二、交通標(biāo)志的檢測×××交通標(biāo)志識別是智能汽車感知靜態(tài)交通環(huán)境的一個重要內(nèi)容，世界各大研究機構(gòu)在該領(lǐng)域均有重要研究。德國奔馳汽車公司開發(fā)了一種交通標(biāo)志識別(trafficsignrecognition，TSR)系統(tǒng)，該系統(tǒng)可實現(xiàn)對交通標(biāo)志的檢測分割與分類識別。通常來講，交通標(biāo)志識別一般包括檢測和識別兩個階段。二、交通標(biāo)志的檢測檢測階段一般利用交通標(biāo)志可區(qū)分性的特征檢測出可能包含交通標(biāo)志的區(qū)域，然后將感興趣區(qū)域進(jìn)行大小規(guī)則化，同時縮小識別階段的識別范圍。目前文獻(xiàn)中用于交通標(biāo)志檢測的特征主要有顏色特征、形狀特征、紋理特征等。1、檢測階段二、交通標(biāo)志的檢測(1)顏色特征。常用于交通標(biāo)志檢測的顏色模型有:以紅、綠、藍(lán)為分量的模型(RGB)，

以色調(diào)、飽和度、明度為分量的模型(HSV)，以亮度、藍(lán)色、紅色為分量的模型(YCbCr)等。通過顏色模型檢測出可能含有交通標(biāo)志的區(qū)域后，可以用形狀特征進(jìn)行進(jìn)一步的檢測。二、交通標(biāo)志的檢測(2)形狀特征目前交通標(biāo)志以圓形、三角形和方形為主，其檢測方法通常為基于霍夫變換、基于不變矩特征等。Meuter等針對圓形交通標(biāo)志進(jìn)行檢測，使用快速徑向?qū)ΨQ檢測算子，對光照變化和遮擋具有一定的魯棒性。此外，基于樣本的機器學(xué)習(xí)方法也被廣泛應(yīng)用于道路標(biāo)志檢測。二、交通標(biāo)志的檢測(3)紋理特征采用多尺度、多區(qū)域的LBP紋理特征訓(xùn)練自適應(yīng)增強(Adaboost)分類器，利用自適應(yīng)的控制原理，對交通標(biāo)志進(jìn)行識別，達(dá)到檢測交通限速標(biāo)志的作用。二、交通標(biāo)志的檢測交通標(biāo)志檢測完成后，可以進(jìn)一步在檢測出來的感興趣區(qū)域進(jìn)行交通標(biāo)志識別。交通標(biāo)志識別需要提取更加魯棒、可區(qū)分性的交通標(biāo)志特征，然后選用某種模型進(jìn)行分類。魯棒、可區(qū)分性的特征主要包括局部特征點、HOG特征、Gabor濾波特征等，分類模型主要有鄰近算法(KNN)模型、決策樹、SVM、神經(jīng)網(wǎng)絡(luò)，以及極限學(xué)習(xí)機(ELM)等。在上述算法中，SVM在解決非線性及高維模式識別中表現(xiàn)出特有的優(yōu)勢，并且能夠推廣應(yīng)用到機器學(xué)習(xí)問題中。2、識別階段二、交通標(biāo)志的檢測這些檢測方法都是基于傳統(tǒng)人工設(shè)計特征，因其有限的表示能力，僅利用了圖像的底層信息，當(dāng)交通標(biāo)志類別數(shù)目增加時，不能具有良好的擴展性;且對交通標(biāo)志圖像拍攝角度、噪聲及物體遮擋不魯棒，尤其對于運動模糊與氣象條件引起非常規(guī)變化的圖像檢測與識別精度極低。隨著多種深度學(xué)習(xí)平臺與算法的開源，以及圖形圖像處理單元(GPU)硬件集成的加速發(fā)展，深度學(xué)習(xí)將成為突破交通標(biāo)志識別精度瓶頸的有效工具。二、交通標(biāo)志的檢測2015年與2016年，ImageNet大規(guī)模圖像識別挑戰(zhàn)賽(ILSVRC)優(yōu)勝團隊算法是值得借鑒的，無論是Faster-RCNN的RPN+Fast-RCNN，還是檢測與識別一氣呵成的SSD網(wǎng)絡(luò)，結(jié)合具體的交通標(biāo)志檢測與識別應(yīng)用，能夠從輸入信息中提取高階特征。具體來說，卷積神經(jīng)網(wǎng)絡(luò)中的卷積層和池化層能夠響應(yīng)輸入特征的平移不變性，即能夠識別位于空間