基于红外与可见光图像融合的交通标志检测

发布时间：2021-01-25 05:56

　　针对大多数交通标志检测方法易受光照和天气影响的问题,提出一种基于红外与可见光融合的交通标志检测方法。首先,分别在红外与可见光图像中提取交通标志的形状和颜色特征,对目标进行粗定位,并将结果放入候选组内进行分类与整理;然后,将候选组放入卷积神经网络,对粗定位结果赋予相应的置信度;最后,根据置信度对红外与可见光的粗定位结果进行决策融合,并将融合结果展示在可见光图像中。实验结果表明,该算法对检测环境的变化更加鲁棒,在白天、夜晚和不良天气等多种环境下有效地提高了检测效率,具有良好的适用范围。 

【文章来源】：现代电子技术. 2020,43(03)北大核心

【文章页数】：5 页

【部分图文】：

算法流程

在Sobel算子检测效果图中，部分轮廓特征不完整容易导致漏检，而Scharr滤波器对边缘特征的检测效果足以满足后续的形状特征提取，效果对比如图2所示。将Scharr滤波器处理后的边缘特征图像针对圆形、三角形、矩形进行形状检测，并使用矩形框对形状检测结果进行标注。同时，通过设定检测框周长的阈值过滤较小的干扰物，从而完成红外图像下的交通标志粗定位。

RGB空间的R,G,B分量间存在复杂的联系且易受光照变化的影响。而交通标志大多数设立于户外，同一颜色的标志在不同光照下有较大差别，如图3所示。由于HSI颜色空间中的色调（Hue）和饱和度（Saturation）分量独立于亮度（Intensity）分量，能够较好地排除光照和天气对颜色分割的干扰，因此本文将图像由RGB颜色空间转换到HSI颜色空间进行颜色特征的提取。为了使颜色特征模型能够适应更加复杂的背景环境，采集并建立了不同环境中红、黄、蓝三种颜色的交通标志库，分别对三种颜色的色调H和饱和度S标准化至[0,1]进行统计，如图4所示。

【参考文献】：
期刊论文
[1]基于非下采样轮廓波变换和直觉模糊集的红外与可见光图像融合[J]. 蔡怀宇,卓励然,朱攀,黄战华,武晓宇.  光子学报. 2018(06)
[2]自动驾驶场景下小且密集的交通标志检测[J]. 葛园园,许有疆,赵帅,韩亚洪.  智能系统学报. 2018(03)
[3]一种基于稀疏表示的可见光与红外图像融合方法[J]. 张生伟,李伟,赵雪景.  电光与控制. 2017(06)
[4]基于图模型与卷积神经网络的交通标志识别方法[J]. 刘占文,赵祥模,李强,沈超,王姣姣.  交通运输工程学报. 2016(05)
[5]自然场景下三角形交通标志的检测与识别[J]. 贾永红,胡志雄,周明婷,姬伟军.  应用科学学报. 2014(04)
[6]基于高斯颜色模型和SVM的交通标志检测[J]. 常发亮,黄翠,刘成云,赵永国,马传峰.  仪器仪表学报. 2014(01)



本文编号：2998704