交通道路標(biāo)志牌檢測(cè)與識(shí)別綜述(編輯修改稿)
2025-08-26 00:14 本頁面
【文章內(nèi)容簡介】 ][]在RGB空間上直接進(jìn)行二值化，然后進(jìn)行形狀分析來檢測(cè)路標(biāo)，使用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。對(duì)于禁令標(biāo)志、警告標(biāo)志和指示標(biāo)志的檢測(cè)，KangHyun使用RGB顏色分割，使用形狀分析來識(shí)別[]。近幾年以來，在物體檢測(cè)中被廣為接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(duì)顏色敏感的哈爾小波特征來檢測(cè)路標(biāo)，這些特征是從AdaBoost訓(xùn)練和時(shí)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(cè)和分類系統(tǒng)，對(duì)各種顏色空間下的最終識(shí)別結(jié)果進(jìn)行了比較，認(rèn)為歸一化RGB空間和HSV空間的檢測(cè)結(jié)果相似，優(yōu)于其他顏色空間。在顏色提取之后，通常需要將顏色相同，位置臨近的點(diǎn)合并為感興趣區(qū)域。Escalera等采用角點(diǎn)檢測(cè)的方法在相近顏色點(diǎn)組成的二值圖像中尋找感興趣區(qū)域，但無法克服遮擋問題。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(diǎn)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，從而快速排除部分虛警情況。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，若直接輸出為感興趣區(qū)域，則給后級(jí)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(shí)現(xiàn)進(jìn)一步篩選。Maldonado等提出Dt B(Distance toBound ing Box)特征，通過計(jì)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(duì)連通域的形狀分類，若非交通標(biāo)志形狀，則將其篩除。Gil等計(jì)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(jì)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)行形狀判別，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(gè)點(diǎn)的切向角的正切值組成一個(gè)特征向量，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(shí)，基于顏色的方法普遍會(huì)出現(xiàn)不穩(wěn)定甚至漏檢。此外，當(dāng)多個(gè)交通標(biāo)志連接在一起或背景顏色相似時(shí)，連通域的提取通常會(huì)遇到困難，導(dǎo)致基于顏色的檢測(cè)方法出現(xiàn)漏檢。而基于形狀的檢測(cè)算法則通?？梢暂^好地解決這些問題。Gavrila提出一種基于距離變換的檢測(cè)方法。先檢測(cè)出圖像的邊緣，然后得出圖形中每一個(gè)點(diǎn)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)行模板匹配，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(yùn)算量大，無法滿足實(shí)時(shí)處理要求?；舴蜃儞Q是一種有效的檢測(cè)直線、圓等參數(shù)化曲線的方法，在交通標(biāo)志檢測(cè)中具有廣泛應(yīng)用。但霍夫變換運(yùn)算量大、存儲(chǔ)空間要求高的問題使其不易滿足實(shí)時(shí)處理的要求。為提高算法的運(yùn)行效率，Garcia等在限定的區(qū)域內(nèi)用霍夫變換檢測(cè)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(diǎn)，通過計(jì)算邊緣點(diǎn)的梯度方向，大大降低了霍夫變換的運(yùn)算量。Ruta在此基礎(chǔ)上結(jié)合了顏色信息，進(jìn)一步提高了算法的效率。Barnes等對(duì)鏡像對(duì)稱算法進(jìn)行了擴(kuò)展，使其可應(yīng)用于三角形和正方形標(biāo)志的檢測(cè)，但準(zhǔn)確率和速度都與圓檢測(cè)有一定差距。Belaroussi等提出了另一種霍夫變換的改進(jìn)形式，可以實(shí)時(shí)檢測(cè)三角形標(biāo)志?；诨舴蜃儞Q的方法對(duì)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(shí)，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(cè)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(diǎn)，生成一副二值圖像，之后用遺傳算法進(jìn)行啟發(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(duì)每個(gè)區(qū)域進(jìn)行平移、旋轉(zhuǎn)、尺度的變換，用遺傳算法估計(jì)參數(shù)，可有效應(yīng)對(duì)由視角傾斜引起的標(biāo)志變形。遺傳算法的缺點(diǎn)是速度較慢，每次只能檢測(cè)一個(gè)標(biāo)志，多標(biāo)志檢測(cè)時(shí)需要多次調(diào)用，不適合于駕駛輔助等高實(shí)時(shí)性要求的場合。除基于顏色和形狀的檢測(cè)算法外，近年來也出現(xiàn)了一些基于模板的檢測(cè)算法。這類方法通常在一個(gè)滑動(dòng)的窗口中對(duì)窗口內(nèi)圖像進(jìn)行分類，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(cè)方法。Harr特征最早用于人臉檢測(cè)，利用積分圖像實(shí)現(xiàn)高效特征提取，而后用級(jí)聯(lián)的boost分類器實(shí)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(cè)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(cè)，通過與SVM配合，可實(shí)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)確率。Creusen等分別計(jì)算RGB三個(gè)通道上的HO G特征，進(jìn)一步提高了準(zhǔn)確率，代價(jià)是運(yùn)算量明顯提高。Gao等未使用SVM，而是通過計(jì)算相似性系數(shù)對(duì)HOG特征分類，以提高檢測(cè)速度。提高速度的另一個(gè)
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1