基于机器视觉的交通标志检测与识别算法研究

发布时间：2020-07-08 20:19

【摘要】：交通标志检测与识别是辅助驾驶系统以及无人驾驶领域的核心技术,在车辆安全预警、车载导航、标志维护等方面具有广泛的应用价值。然而当下的交通环境复杂多变,光照与天气变化、标志遮挡与形变、褪色与模糊等不利因素使得该技术的研究面临诸多困难。因此本文总结了国内外相关技术的研究成果,通过分析其中的问题并对交通标志检测与识别方法展开深入研究。本文的主要工作有:(1)在交通标志检测阶段,本文充分利用了交通标志本身的颜色、形状、梯度和纹理特征,提出了多特征融合的交通标志检测算法。首先,针对传统颜色分割方法易受光照影响的问题,根据图像亮度直方图的分布特点,利用单尺度Retinex算法改善非正常光照的图像质量,并在此基础上提出了融合多个颜色空间的混合分割策略,有效提升了低亮度图像的颜色分割效果;然后,基于交通标志的形状特征利用形态学运算与几何特征筛选出粗略的候选区域;最后,为了提升检测的精度和速度,将候选区域的局部HOG特征与自适应ULBP特征进行融合,并采用高效的SVM分类器对其进行线性判决,最终实现交通标志的精确检测。实验结果表明,该方法的检测效果在准确率与实时性方面均有较大提升。(2)在交通标志识别阶段,本文采用主流的深度学习算法避免了手工设计特征的局限性。针对目前卷积神经网络计算复杂度高、实时性差等问题,提出了轻量级卷积神经网络的交通标志识别算法。首先,利用深度可分离卷积去除标准卷积的冗余特征表达,降低了模型的计算复杂度;然后,采用线性瓶颈逆残差结构加深网络层次以充分提取图像特征,同时在此基础上加入特征校准机制选择性增强部分有益的特征图信息;最后,为了提升神经网络的泛化能力,引入焦点损失函数减少了样本数量不均衡对模型精度的影响,尤其提升了困难样本的识别能力。实验结果表明,该方法的计算复杂度明显低于AlexNet,并且其分类精度与实时性得到有效提升。(3)本文在TT-100K数据集的基础上制作了更加符合实际应用的低分辨率交通标志数据集,并且在QT平台开发了算法验证的系统软件,该系统可以实现交通标志的实时检测和识别,具有一定的应用价值。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U495;TP391.41
【图文】：

地图,数据集中,图像

15*15~250*250 3*5~263*248 6*6~167*168 1615*15~250*250 1280*960 640*480~1024*522 50000+ 20000 6610 所有 4000 所有否否是识别检测识别检测识别德国瑞典美国是由清华大学与腾讯实验室联合发布的大规模中国的图像取自于腾讯的街景地图，覆盖了中国大陆的张分辨率为 2048*2048 的图像，约 3 万个左右的交通实例的外观差别较大，并且涵盖了真实行车环境的各件（上午、中午、黄昏）、不同的道路场景（农村、天气情况（晴天、阴天、雨天）。如图 2-2 所示，T通标志的位置坐标和类别，同时也增加了用于图像分各种真实场景下的交通标志检测与识别算法。

图像增强,算法,直方图均衡,尺度

1, )*( (log( ( , )) log( ( , )* ( , ))))Nk i i kk y I x y I x y F x y （3-9）果如图 3-4 所示，可以明显看出：MSRCR 算法的色彩保图像的暗光，而且很好地还原了图像细节，但是该算法耗志图像的实时处理；MSR 算法的增强效果相对柔和，但调；直方图均衡和 Gamma 校正用时最短，但同时也引入文选取了单尺度的 Retinex 算法（SSR）对弱光环境下的取合适的尺度使得增强后的图像对比度、边缘细节以及颜有利于后面的图像分割。(b) 直方图均衡 (c) Gamma 校正

流程图,光照,交通标志,差值法

利用单尺度的 Retinex 算法对非正常场景下的图像进行增强。图3-6 为 SSR 算法对两种非正常光照图像的增强效果，可以看出增强后的图像色彩更加鲜明，轮廓更加清晰。(a) 阴暗场景增强效果 (b) 逆光场景增强效果图 3-6 非正常光照下 SSR 算法的增强效果Figure 3-6 Enhancement effect of SSR algorithm under abnormal illumination3.2 交通标志图像分割(Traffic Sign Image Segmentation)颜色作为交通标志最为显著的属性，具有良好的尺度、旋转不变性。在自然场景下利用颜色信息实现图像的初步分割可以迅速去除大面积的冗余区域，不仅具有较好的实时性，而且不受拍摄距离和角度的影响。因此本文采用颜色分割方法作为候选区域提取的第一步。3.2.1 RGB 差值法在 RGB 空间中分割交通标志具有明显的速度优势，但是此空间的三个分量具有较强的相关性。在不同的光照下，同一交通标志的 RGB 三通道取值差异较大，无法根据各通道的阈值准确分割。然而，对于特定的色彩，其对应分量的差值基本维持在一定的范围内，因此可以利用 RGB 空间中两个通道分量的差值判定特定颜色。算法流程如图 3-7 所示，首先将 R、G、B 三个分量归一化至[0, 1]区间，然后利用通道间的差值分割出特定颜色。RGB图像(r-g)>0.08(r-b)>0.08(r-b)>0.12(g-b)>0.12红色像素结束否是否是否是&& && &&蓝色像素黄色像素(b-g)>0.01(b-r)>0.01图 3-7 RGB 差值法流程图Figure 3-7 Flow chart of RGB differential methodRGB 差值法计算量小，分割速度快，但是 RGB 空间的三个分量都包含了图像的亮度信息

【相似文献】