交通標示識別技術綜述
來源:用戶上傳
作者:
摘 要：交通標示含有豐富的指引和限制信息，對車輛駕駛員具有非常重要的意義。在快節奏的社會發展中，智能駕駛和輔助駕駛有著非比尋常的研究和應用價值。該文介紹了交通標示識別技術的研究背景、交通標示相關數據集的特點和組成及交通標示識別技術的評價指標。并歸納了已有的交通標示識別技術，包括了傳統的圖像處理技術和基于學習的算法。最后總結了交通標示識別技術的前景和發展趨勢。
關鍵詞：交通標示 圖像處理 機器學習 計算機視覺
中圖分類號：TP391 文獻標識碼：A 文章編號：1672-3791（2019）02（c）-0015-02
隨著科技的發展，傳統的工業生產、人民的日常生活都向著無人化、智能化轉型。車輛行駛已經成為絕大多數人每天都會接觸到甚至使用的。正在研發當中的無人駕駛技術或者輔助駕駛技術有著比人類更為廣闊的感知范圍和靈敏的反應時間，將會給人們帶來了巨大的便捷和安全保障。智能車的駕駛技術包含了感知層、決策層和控制層[1]。識別車輛所處的交通場景和環境信息是感知層的重要任務[2]，主要使用攝像頭、雷達、傳感器來對環境中的障礙物、路況、標示信息進行采集和分析，就相當于駕駛員的眼睛。交通標示識別技術應用于感知層。交通標示含有豐富的信息，對車輛行駛起到指示和限制作用，對的實現智能化感知在無人車技術的研究中有著重要作用。
1 數據集和評價指標
交通標示的識別與檢測是計算機視覺領域內富有挑戰的任務，因此舉辦多次挑戰賽鼓勵眾多科研人員進行研究。隨著挑戰賽公開的數據集有德國交通標示識別數據集（German Traffic Sign Recognition Benchmark，GTSRB）和德國交通標示檢測數據集（German Traffic Sign Detection Benchmark，GTSDB）[3]。GTSRB和GTSDB作為該領域的常用數據集，研發的算法都需要在這兩個數據集上進行驗證，方可得到認可。這兩個數據集都是取自于德國街景，因此，交通標示皆是德國標準制式。該數據集中的德國交通標志主要分為3個大類，分別為——禁止標志：紅色圓形的外形，內部是黑色字體表示限速或者圖形表示車型禁行;警告標志：紅色三角形的外形，通常表示危險，道路曲折等;指示標志：藍色圓形，內部白色箭頭指示，左轉、右轉等信息。
GTSRB是交通標示的識別任務，也就是圖像分類。該數據集共包含51840幅圖像，每幅圖像包含一個交通標志，共包含43類。GTSDB是交通標示檢測任務，檢測任務包含了圖像分類和目標定位，檢測任務更為復雜一些。該數據集共900幅圖像，共包含1206個交通標志。一張圖像上包含多個目標，并包括了光照不均、圖示破損等情況，是比較有挑戰性的一個數據集。
交通標示識別的評價指標是準確率。即分類的正確率。
如公式（1）所示，正確率越高代表著算法越為可靠。
交通標示的檢測使用平均精度作為評價指標。主要考慮，其一，檢測目標的位置，檢測的標準結果用矩形框標注，當找到的標志與矩形框重合超過50%時，即為召回;其二，分類的正確性，即上文的準確率。綜合二者指標得到平均精度，即召回率和準確率同樣高時，會得到比較高的平均精度。
2 現有技術
計算機視覺的任務目前分為兩個流派，一是傳統的圖像處理技術，主要運用圖像本身的信息，如對灰度、色彩、邊緣等進行識別和分類。在機器學習技術出現之前，眾多挑戰賽都是應用傳統圖像處理技術，并且已經處于瓶頸當中。二是基于學習的技術，近10年興起的機器學習和深度學習技術徹底改變了交通標示識別的局面，取得了許多傲人成績。以下就分別從這兩個方面介紹最新的交通標示識別的方法。
2.1 基于圖像處理的方法
彩色圖像分別為RGB三通道，每個通道分布為0～255之間，圖像處理技術對矩陣直接操作。交通標示不同類之間的外形差距很大，而類間差距很小。大連理工大學的蔡俊杰[4]使用圖像預處理技術設定閾值應用于交通標示圖像的RGB顏色空間，形成以交通標示為主的顯著圖，然后使用Sobel算子進行邊緣檢測，進一步使用霍夫變換完成了目標圖像的提取，并設計了交通標識檢測和識別系統實現了仿真。
彩色圖像能夠提供豐富的語義信息，但是同樣會受到光照的影響。許華榮等[5]為了克服光照變化對交通標示檢測產生的影響，應用基于RGB顏色空間的先驗知識設計了的顏色概率模型，生成交通標示的顯著性圖譜以進行分割，并實驗證明了其魯棒性。劉芳[6]設計了基于注意力機制的交通標志識別算法，在顏色顯著圖的基礎上，使用形狀語義信息和模板匹配的方法來確定區域是否為交通標識。
2.2 基于學習的算法
機器學習的思想顛覆了交通標示識別的方法，其后在此基礎上發展的深度學習的方法，具有更好的泛化性。天津大學的徐巖等[7]對主成分分析法和極限學習機進行改進，首先提取交通標志數據庫中每個交通標志的梯度方向直方圖特征，利用改進的主成分分析法進行降維，之后進行訓練，訓練好的模型在數據集上可達到97.69%的正確率。
深度學習應用卷積神經網絡對圖像進行提取特征進行訓練。其優點是自動提取特征，隨著網絡層數的增加，提取到更加高級的特征;缺點是訓練依賴于數據的選擇。楊心[8]設計了一種快速卷積神經網絡算法，能夠將得到的感興趣的區域進行交通標示分類。在GTSRB數據集上該算法對交通標示分類準確率高達98.03%，并且可以達到實時識別的速度。
混合使用傳統圖像處理和深度學習網絡成為交通標示檢測算法的發展趨勢。黃娜君[9]先使用MSER算法對圖像進行分割，得到交通標志所在的感興趣區域，然后把分割的感興趣區域輸入深度卷積神經網絡提取特征和分類，該算法在GTSDB數據集上的平均識別率達到了98.54%。
3 結語
交通標識識別技術是智能交通系統的重要組成部分，有著重要的理論意義和實用價值。交通標示識別技術已經不局限使用傳統方法還是深度學習的方法，更多地是混合使用，從而展現了兩種算法的優點。目前交通標示檢測算法在數據集上已經取得了不錯的成果，真實場景中運行才是真正的考驗。交通標示識別技術的發展將大大推動無人車技術的落地，必將成為惠及群眾的重要科技手段。
參考文獻
[1] 王建強，王昕.智能網聯汽車體系結構與關鍵技術[J].長安大學學報：社會科學版，2017（19）：18-25.
[2] 韓昕輝.基于深度學習的無人駕駛場景識別[D].中山大學，2017.
[3] 楊怡.交通場景中的交通標志和行人檢測方法研究[D].中國科學院自動化研究所，2015.
[4] 蔡俊杰.復雜條件下交通標識的檢測和識別算法[D].大連理工大學，2016.
[5] 許華榮，楊怡，洪朝群.基于顏色概率模型的交通標志識別算法研究[J].閩南師范大學學報：自然版，2012（4）：19-23.
[6] 劉芳.基于注意機制的交通標識的檢測[D].北京交通大學，2012.
[7] 徐巖，韋鎮余.一種改進的交通標志圖像識別算法[J].激光與光電子學進展，2017（2）：124-131.
[8] 楊心.基于卷積神經網絡的交通標識識別研究與應用[D].大連理工大學，2014.
[9] 黃娜君，汪慧蘭，朱強軍，等.基于ROI和CNN的交通標志識別研究[J].無線電通信技術，2018，44（2）：160-164.
轉載注明來源:http://www.hailuomaifang.com/8/view-14828639.htm
