復(fù)雜環(huán)境下的交通標(biāo)志檢測(cè)與識(shí)別方法綜述

林煒

摘要：交通標(biāo)志檢測(cè)需要在現(xiàn)實(shí)場(chǎng)景中進(jìn)行實(shí)時(shí)檢測(cè)，環(huán)境多變是其特點(diǎn)之一，進(jìn)而檢測(cè)速度和精度往往會(huì)受到較大影響。在檢測(cè)過(guò)程中面臨的困難主要有：光照條件難以控制，不同天氣、季節(jié)和背景下的亮度均不同，曝光、反光以及昏暗情況差異較大;褪色、損壞以及部分遮擋等情況常有。一方面交通標(biāo)志牌常年暴露在外，使得部分標(biāo)志牌表面出現(xiàn)了褪色不清晰、損壞等現(xiàn)象。另一方面，霧和雪等惡劣天氣往往會(huì)遮擋住標(biāo)志牌信息，同時(shí)標(biāo)志牌也容易被旁邊的樹(shù)木葉子所遮擋。車(chē)輛運(yùn)動(dòng)過(guò)程的抖動(dòng)起伏，特別是路面出現(xiàn)坑洼不平等情況時(shí)，拍攝的圖像出現(xiàn)模糊偽影、重影。以上問(wèn)題，在影響較小時(shí)，通過(guò)一定的預(yù)處理和對(duì)應(yīng)點(diǎn)處理方法可以得到較好的結(jié)果。但在情況嚴(yán)重時(shí)則無(wú)法得到想要的結(jié)果。

關(guān)鍵詞：交通標(biāo)志檢測(cè)與識(shí)別;復(fù)雜環(huán)境;交通標(biāo)志數(shù)據(jù)集

引言

在惡劣天氣和強(qiáng)光、昏暗等復(fù)雜光線的環(huán)境下，戶(hù)外采集的圖像普遍存在圖像模糊、光照不足等問(wèn)題。在檢測(cè)期間，會(huì)出現(xiàn)漏檢和定位不準(zhǔn)確的情況，無(wú)法滿足實(shí)際需要。因此，需要對(duì)獲得的圖像進(jìn)行預(yù)處理，以滿足隨后的使用。在對(duì)在這種環(huán)境下拍攝的圖像進(jìn)行預(yù)處理時(shí)，這些圖像與其他場(chǎng)景不同：交通標(biāo)志通常是戶(hù)外的，沒(méi)有任何遮蔽，全年都受到暴風(fēng)雨的侵蝕，從而使其顏色、形狀和內(nèi)容受到一定的損壞。

1、交通標(biāo)志檢測(cè)與識(shí)別方法

1.1交通標(biāo)志檢測(cè)

交通標(biāo)志有固定顏色（紅、藍(lán)、黃）和特定形狀（三角形、圓形、矩形、多邊形），這些特性使其與其他物體有所區(qū)分。因此，一些學(xué)者從顏色、形狀和混合特征三個(gè)角度進(jìn)行了交通標(biāo)志的檢測(cè)研究。基于顏色特征的檢測(cè)方法是因交通標(biāo)志通常以鮮亮可見(jiàn)的顏色進(jìn)行染色，很好地和周?chē)h(huán)境進(jìn)行了區(qū)分。具體檢測(cè)方法是將拍攝的圖像劃分為若干相似顏色屬性的子集，然后通過(guò)處理顏色閾值進(jìn)行分割，進(jìn)而提取交通標(biāo)志。其中基于色彩空間的方法有：基于紅、綠、藍(lán)（RGB）的顏色空間;基于色調(diào)、飽和度和值（HSV）顏色空間;基于色相、飽和度和強(qiáng)度（HSI）的色彩空間和其他顏色空間。但是，基于顏色特征的檢測(cè)方法很容易受天氣和光照的影響。

1.2交通標(biāo)志識(shí)別

在圖像中檢測(cè)出交通標(biāo)志后，需對(duì)其提取標(biāo)志特征，然后進(jìn)行分類(lèi)識(shí)別。主要識(shí)別方法有模板匹配法、基于機(jī)器學(xué)習(xí)法和基于深度學(xué)習(xí)法。模板匹配法是圖像處理中常用的匹配方法，也是最基本的模式識(shí)別方法，其原理是用定義好的模板在圖像像素點(diǎn)上進(jìn)行搜索匹配?；跈C(jī)器學(xué)習(xí)法主要采用“人工特征提取+機(jī)器學(xué)習(xí)方法”的方式進(jìn)行識(shí)別?；谏疃葘W(xué)習(xí)法越來(lái)越受歡迎，這是因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)無(wú)需設(shè)計(jì)手工特征就可完成輸入圖像的特征提取與內(nèi)容識(shí)別。

2、交通標(biāo)志檢測(cè)與識(shí)別難點(diǎn)

近幾十年來(lái)，許多研究人員提出了許多檢測(cè)和鑒定方法，但目前的研究結(jié)果還不能很好地適應(yīng)復(fù)雜的環(huán)境。TSR系統(tǒng)包括圖像處理、人工智能、模型識(shí)別等多個(gè)領(lǐng)域。現(xiàn)階段在檢測(cè)和識(shí)別路標(biāo)方面遇到的困難如下。（1）復(fù)雜駕駛環(huán)境對(duì)路標(biāo)的影響。主要表現(xiàn)為路標(biāo)損壞、惡劣天氣下拍攝的圖像質(zhì)量受到影響、全年展出路標(biāo)、不可避免地?fù)p壞、變色等。這會(huì)給信號(hào)板的檢測(cè)帶來(lái)一些困難（2）駕駛環(huán)境的影響。外部環(huán)境中的干擾較多，使得特征提取的準(zhǔn)確性較低。（3）射擊角度的效果。鏡頭角度的差異可能導(dǎo)致圖像失真，不利于實(shí)時(shí)檢測(cè)和識(shí)別路標(biāo)。（4）在車(chē)輛行駛過(guò)程中，所拍攝的圖像具有運(yùn)動(dòng)模糊、失真等條件，這會(huì)增加檢測(cè)和識(shí)別的難度?？傊?，因?yàn)樵谏钪杏幸陨蠁?wèn)題的存在，所以在設(shè)計(jì)交通標(biāo)志檢測(cè)與識(shí)別算法的時(shí)候應(yīng)有針對(duì)性的解決上述問(wèn)題。

3、復(fù)雜環(huán)境下交通標(biāo)志檢測(cè)與識(shí)別

3.1霧與霧霾環(huán)境下交通標(biāo)志識(shí)別

針對(duì)霧霾這一現(xiàn)象，提出了一種霧霾環(huán)境下交通標(biāo)志檢測(cè)與識(shí)別的方法該方法首先是檢測(cè)圖像中是否有霧，如果有霧進(jìn)行圖像去霧處理，如果沒(méi)有則跳過(guò)。圖像去霧采用的方法是雙邊濾波，過(guò)濾其圖像中的霧霾噪音。然后，通過(guò)使用經(jīng)典的物理模型來(lái)描述霧霾天對(duì)圖像造成的損失程度來(lái)恢復(fù)原圖，此模型包含衰減模型和環(huán)境光照模型兩部分。該方法的思想是從圖像中估計(jì)環(huán)境的光照和全局大氣光，來(lái)達(dá)到圖像去霧的目的;在交通標(biāo)志檢測(cè)階段，使用傳統(tǒng)的混合特征進(jìn)行檢測(cè)，先將其圖像的顏色空間改為HSV，然后進(jìn)行Canny邊緣檢測(cè)和計(jì)算邊緣形狀角度來(lái)完成檢測(cè);在識(shí)別階段，采用經(jīng)典的模板匹配法進(jìn)行標(biāo)志識(shí)別。但是此方法計(jì)算量較大、耗時(shí)較長(zhǎng)。

3.2雨、雪環(huán)境下交通標(biāo)志識(shí)別

在圖像去雨方面，通過(guò)低通濾波處理方法將圖像中雨雪點(diǎn)和雨雪線兩種不同形式分解成粗糙和細(xì)節(jié)兩部分;之后，將細(xì)節(jié)部分通過(guò)稀疏編碼和字典學(xué)習(xí)算法分成紋理圖和雨痕圖;最后，根據(jù)雨痕形狀特征的先驗(yàn)信息，通過(guò)雨痕長(zhǎng)寬比對(duì)所述紋理圖和雨痕子圖進(jìn)行二次判別，以便更精確的將紋理圖從細(xì)節(jié)圖中分解出來(lái)，從而得到清晰圖像。在交通標(biāo)志檢測(cè)方面，根據(jù)交通標(biāo)志特有的顏色、形狀、梯度以及位置建立了多層特征顯著性模型，并采用提升方法算法（Boosting）進(jìn)行訓(xùn)練。同時(shí)，采用級(jí)聯(lián)式卷積神經(jīng)網(wǎng)絡(luò)對(duì)標(biāo)志進(jìn)行識(shí)別。該級(jí)聯(lián)式卷積神經(jīng)網(wǎng)絡(luò)由兩部分組成：第一部分卷積神經(jīng)網(wǎng)絡(luò)是對(duì)輸入的標(biāo)志進(jìn)行簡(jiǎn)單的粗分類(lèi)，且將結(jié)果傳送到第二部分;第二部分的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行細(xì)分類(lèi)，進(jìn)而達(dá)到準(zhǔn)確識(shí)別的目的。但是此方法計(jì)算量較大，并不滿足實(shí)時(shí)性要求。

4、交通標(biāo)志識(shí)別關(guān)鍵技術(shù)

4.1預(yù)處理

自然場(chǎng)景中收集的信號(hào)板可能受到各種因素的影響，例如天氣條件、人為損害、光照強(qiáng)度和復(fù)雜背景。類(lèi)似的路標(biāo)圖像可以具有不同的形狀和大小。這些因素將影響相似標(biāo)志的相似性。信號(hào)板圖像預(yù)處理的目的是消除圖像中的冗馀信息，提高信號(hào)板的精度。

圖像呈灰色，路標(biāo)的圖像顏色主要為彩色。信號(hào)板的彩色圖像所代表的信息很大，因此直接提取的實(shí)體尺寸會(huì)非常大，學(xué)習(xí)和識(shí)別時(shí)間也會(huì)相對(duì)較長(zhǎng)。因此，需要將彩色圖像轉(zhuǎn)換為灰色圖像，以減少實(shí)體大小以及學(xué)習(xí)和識(shí)別時(shí)間。此過(guò)程稱(chēng)為灰度圖像處理。在自然場(chǎng)景中收集的彩色路標(biāo)圖像中的每個(gè)像素包含三個(gè)組件：r、g和b，每個(gè)組件的變化范圍為0到255。每個(gè)像素都有顏色變化范圍（255 * 255 * 255），而灰度圖像是由三通道RGB分量計(jì)算的特殊顏色圖像，只有256個(gè)顏色變化范圍。圖像變暗可以大大減少計(jì)算量，提高培訓(xùn)和識(shí)別速度。目前圖像灰度的主要方法是加權(quán)平均法歸一化，因?yàn)椴杉O(shè)備和信號(hào)板之間的距離和位置不是固定的，所以生成的信號(hào)板圖像具有不同的比例，像素范圍很大，并且不一致的比例會(huì)影響提取的圖元的大小。在信號(hào)板識(shí)別過(guò)程中，通常使用鄰近的插值方法，也就是說(shuō)，在給定區(qū)域中變換的像素的灰度值等于最近像素的灰度值。

4.2基于深度學(xué)習(xí)特征+分類(lèi)器

近年來(lái)，由于深入學(xué)習(xí)的發(fā)展，許多研究人員通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取了較高的特征，而無(wú)需人工設(shè)計(jì)提取特征，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取的特征代表了更多的信息卷積神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來(lái)的，是深度結(jié)構(gòu)的超前神經(jīng)網(wǎng)絡(luò)，其驅(qū)動(dòng)思想是通過(guò)直接傳播和反向傳播優(yōu)化迭代，從而減少輸出值和設(shè)定值之間的誤差。采用卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)方法檢測(cè)GTSRB中的信號(hào)板，實(shí)驗(yàn)結(jié)果表明，該方法的識(shí)別率首次超過(guò)人眼識(shí)別率。

結(jié)束語(yǔ)

隨著計(jì)算機(jī)硬件性能的提高，深度學(xué)習(xí)的優(yōu)勢(shì)也逐漸顯現(xiàn)。基于深度學(xué)習(xí)方法的交通標(biāo)志檢測(cè)與識(shí)別在其準(zhǔn)確度和實(shí)時(shí)性上有了很大的提升，但其處于復(fù)雜環(huán)境時(shí)，仍然有較大的提升空間。

參考文獻(xiàn)

[1]董曉華，韋玉科.交通標(biāo)志識(shí)別技術(shù)方法綜述[J].電腦知識(shí)與技術(shù)，2020，16（25）：193-194+199.

[2]張德祿，王群.交通標(biāo)志牌的圖文關(guān)系與解讀過(guò)程[J].外語(yǔ)教學(xué)，2020（04）：27-30，35.

[3]劉歡.交通標(biāo)志檢測(cè)與識(shí)別技術(shù)研究[D].沈陽(yáng)理工大學(xué)，2020.

[4]尹濤.自然場(chǎng)景下交通標(biāo)志牌的檢測(cè)與識(shí)別[D].南京理工大學(xué)，2019.

[5]盧言.基于單片機(jī)的智能水下目標(biāo)檢測(cè)識(shí)別系統(tǒng)設(shè)計(jì)[J].電子制作，2019（01）：40-42.