交通道路標志牌檢測與識別綜述(編輯修改稿)
2024-08-26 00:14 本頁面
【文章內(nèi)容簡介】 ][]在RGB空間上直接進行二值化，然后進行形狀分析來檢測路標，使用神經(jīng)網(wǎng)絡(luò)進行分類。對于禁令標志、警告標志和指示標志的檢測，KangHyun使用RGB顏色分割，使用形狀分析來識別[]。近幾年以來，在物體檢測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[]使用一系列對顏色敏感的哈爾小波特征來檢測路標，這些特征是從AdaBoost訓(xùn)練和時態(tài)信息傳播過程中得到的。Gome z等基于一套完整的交通標志檢測和分類系統(tǒng)，對各種顏色空間下的最終識別結(jié)果進行了比較，認為歸一化RGB空間和HSV空間的檢測結(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，位置臨近的點合并為感興趣區(qū)域。Escalera等采用角點檢測的方法在相近顏色點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，則給后級的分類模塊帶來很大負擔。因此，眾多算法通過判斷連通域的形狀實現(xiàn)進一步篩選。Maldonado等提出Dt B(Distance toBound ing Box)特征，通過計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(SVM,Support Vector Machine)對連通域的形狀分類，若非交通標志形狀，則將其篩除。Gil等計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點的切向角的正切值組成一個特征向量，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了顏色提取的可靠性，但在特殊條件下，如嚴重背光或標志褪色時，基于顏色的方法普遍會出現(xiàn)不穩(wěn)定甚至漏檢。此外，當多個交通標志連接在一起或背景顏色相似時，連通域的提取通常會遇到困難，導(dǎo)致基于顏色的檢測方法出現(xiàn)漏檢。而基于形狀的檢測算法則通?？梢暂^好地解決這些問題。Gavrila提出一種基于距離變換的檢測方法。先檢測出圖像的邊緣，然后得出圖形中每一個點到邊緣的距離圖像，最后用標準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行模板匹配，從而找出滿足交通標志形狀的區(qū)域。該方法的主要問題是運算量大，無法滿足實時處理要求。霍夫變換是一種有效的檢測直線、圓等參數(shù)化曲線的方法，在交通標志檢測中具有廣泛應(yīng)用。但霍夫變換運算量大、存儲空間要求高的問題使其不易滿足實時處理的要求。為提高算法的運行效率，Garcia等在限定的區(qū)域內(nèi)用霍夫變換檢測圓形標志。Loy等提出了一種霍夫變換的改進算法，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，通過計算邊緣點的梯度方向，大大降低了霍夫變換的運算量。Ruta在此基礎(chǔ)上結(jié)合了顏色信息，進一步提高了算法的效率。Barnes等對鏡像對稱算法進行了擴展，使其可應(yīng)用于三角形和正方形標志的檢測，但準確率和速度都與圓檢測有一定差距。Belaroussi等提出了另一種霍夫變換的改進形式，可以實時檢測三角形標志?；诨舴蜃儞Q的方法對遮擋等問題具有較好的適應(yīng)能力，但當視角發(fā)生傾斜時，交通標志的形狀變?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，生成一副二值圖像，之后用遺傳算法進行啟發(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，而后對每個區(qū)域進行平移、旋轉(zhuǎn)、尺度的變換，用遺傳算法估計參數(shù)，可有效應(yīng)對由視角傾斜引起的標志變形。遺傳算法的缺點是速度較慢，每次只能檢測一個標志，多標志檢測時需要多次調(diào)用，不適合于駕駛輔助等高實時性要求的場合。除基于顏色和形狀的檢測算法外，近年來也出現(xiàn)了一些基于模板的檢測算法。這類方法通常在一個滑動的窗口中對窗口內(nèi)圖像進行分類，判斷其是否為交通標志。其典型代表為基于Harr特征和基于方向梯度直方圖的檢測方法。Harr特征最早用于人臉檢測，利用積分圖像實現(xiàn)高效特征提取，而后用級聯(lián)的boost分類器實現(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交通標志，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)分力很強的形狀描述子，最早被用于行人檢測，通過與SVM配合，可實現(xiàn)很高的準確率。Yuan等在灰度圖像中提取HOG特征，并用線性SVM分類，取得了較高的準確率。Creusen等分別計算RGB三個通道上的HO G特征，進一步提高了準確率，代價是運算量明顯提高。Gao等未使用SVM，而是通過計算相似性系數(shù)對HOG特征分類，以提高檢測速度。提高速度的另一個
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1