论文部分内容阅读
随着科学技术的发展，集检测、通信、控制和计算机等技术于一体并结合人工智能理论的智能交通系统已经成为国内外广泛研究的课题。利用计算机视觉系统采集环境信息是智能交通系统获取外界信息的主要来源，而道路交通标志本身包含着重要的交通信息。如何准确而实时地利用计算机视觉系统识别在复杂环境下的道路交通标志成为智能交通系统的热点也是难点问题。此问题的解决对自动驾驶系统和辅助驾驶系统的设计也有重要的现实意义。
一、交通标志的有关知识
（一）路标概述
路标是图形、符号与颜色的结合，有的包含少量文本，主要起指示、提示和警示作用。交通标志是一种常见而且比较规范的人工路标。在道路上，我们可以看到各种各样的交通标志。它们用图案、符号和表达特定的意思，提醒驾驶员和行人注意附近环境。常见的交通标志主要有警告、禁令和指示标志等三类。
（二） 基于路标的先验知识
路标不仅要考虑对比度对视认性的影响，还要考虑颜色所能表达的抽象概念。图形符号信息在辨认速度和辨认距离上比文字信息要优越。分辨力受诸多因素的影响，包括细节尺寸、细节间的间隔以及观察距离影响。因此交通标志可以从颜色、形状和尺寸和安放位置四个方面来细述：
a) 警告标志：黄底、黑边、黑图案（仅“叉形符号”除外）。
顶角朝上的等过三角形（仅“叉形符号”除外）。
其设置地点与到危险地点的距离有关，警告标志
到危险地点的距离，应根据计算行车速度确定。
如受实际地形限制，可酌情变更。但其设置位置
必须明显，并不得少于安全停车视距。
b) 禁令标志：白底、红圈、红斜杠、黑图案、图案压杠（仅“解除禁止超车”、“解除限制速度”这两种除外）。
圆环形、八角形（仅“停车让行”一种）、顶角向 下的等边三角形（仅“减速让行”一种）。
设于距禁制事项附近的适当地点，一般需设置在最醒目的地方，并随标志设置目的而改变。
c)指示标志：蓝底，白图案。
内部背景形状分为圆形或者方形。
一般设于行车道的入口处。
二、交通标志识别过程
交通标志识别一般分为检测和识别两个模块。检测阶段一般是利用交通标志的色彩和形状特征检测出可能包含交通标志的区域，然后将感兴趣的区域进行大小不一规则化，在识别阶段进一步判定交通标志区域的有效性及其含义。
（一）检测
检测方法可分为其于颜色的检测和其于形状的检测两类。基于颜色的检测方法是最为基本的检测方法。这类方法又可分为三类：（1）彩色阈值分割法，在这类算法中，色彩空间的选择是很重要的。最直观的方法是选择RGB空间，直接通过设定的阈值进行分割。（2）基于神经网络学习的方法。为克服空间转换的非线性以及噪声的影响，可采用基于神经网络学习的方法。（3）基于视觉模型的方法。为克服各种视觉条件的影响，通过视觉模型对交通标志进行检测。
虽然基于颜色的检测方法具有直接聚焦的特点，但由于受到外界环境影响比较多，仅仅依靠颜色信息不能精确检测出交通标志的区域，而利用图像梯度的基于形状的方法能对以上事件进行有效的补充。因此，两种方法结合，是交通标志检测的最适合的办法。基于形状的方法又可分为基于边缘轮廓和基于模板的匹配方法。
（二）识别
在检测到可能包含交通标志的区域上，一般还要将区域的大小不一转化为固定的大小并采取其他的一些预处理技术来消除噪声、运动模糊、光照等影响，然后采用分类器技术进行识别。在识别技术中常用的方法有：（1）最近邻域方法。它的基本思想是根据类别之间的最近距离对待识别模式进行分类。（2）径向基函数方法。径向基函数网络的实质降维映射，因而在交通标志的分类中获得应用。（3）多层决策树分类法。采用多层结构的决策树分类，比采用单分类器分类能加快处理速度、提高分类结果的精度，而且通过将相关特征分解到各层简化分类器的设计。（4）神经网络方法。神经是一种非线性的映射，在模式识别方面，神经网络方法和传统的方法比较，具有较强的容错性，能够识别带有噪声或变形的输入模式，具有很强的自适应学习能力，采用并行分布式信息存储预处理，识别速度较快。（5）匹配投影法分类。能过离线对测度集进行匹配投影，找到能代表交通标志的一组基元。只需和由基元组合而成的模板进行匹配。（6）支持向量机分类。是一种基于数据库的优化分类模型，左传于结构风险最小化原理，具有结构简单、泛化能力强等特点。（7）句法分类。对于复杂性的目标，只提取它的数值特征构成特征向量，往往不能全面对其进行描述，这是因为这些数值特征对目标进行描述和识别的句法模式识别方法，在交通标志识别中也是人们关注的重点之一。
三、展望
以后的研究将更多地从人的视觉特征、视觉模型出发去考虑，充分利用交通标志的颜色，并应当注意更多地采用智能方法来解决问题，另外，采用智能方法后还可以考虑将检测与判别这两个环节有机地结合起来。
（作者简介：荣慕华（1977-），女，辽宁省宽甸县人，研究生，讲师，沈阳理工大学，研究方向：计算机技术。）
一、交通标志的有关知识
（一）路标概述
路标是图形、符号与颜色的结合，有的包含少量文本，主要起指示、提示和警示作用。交通标志是一种常见而且比较规范的人工路标。在道路上，我们可以看到各种各样的交通标志。它们用图案、符号和表达特定的意思，提醒驾驶员和行人注意附近环境。常见的交通标志主要有警告、禁令和指示标志等三类。
（二） 基于路标的先验知识
路标不仅要考虑对比度对视认性的影响，还要考虑颜色所能表达的抽象概念。图形符号信息在辨认速度和辨认距离上比文字信息要优越。分辨力受诸多因素的影响，包括细节尺寸、细节间的间隔以及观察距离影响。因此交通标志可以从颜色、形状和尺寸和安放位置四个方面来细述：
a) 警告标志：黄底、黑边、黑图案（仅“叉形符号”除外）。
顶角朝上的等过三角形（仅“叉形符号”除外）。
其设置地点与到危险地点的距离有关，警告标志
到危险地点的距离，应根据计算行车速度确定。
如受实际地形限制，可酌情变更。但其设置位置
必须明显，并不得少于安全停车视距。
b) 禁令标志：白底、红圈、红斜杠、黑图案、图案压杠（仅“解除禁止超车”、“解除限制速度”这两种除外）。
圆环形、八角形（仅“停车让行”一种）、顶角向 下的等边三角形（仅“减速让行”一种）。
设于距禁制事项附近的适当地点，一般需设置在最醒目的地方，并随标志设置目的而改变。
c)指示标志：蓝底，白图案。
内部背景形状分为圆形或者方形。
一般设于行车道的入口处。
二、交通标志识别过程
交通标志识别一般分为检测和识别两个模块。检测阶段一般是利用交通标志的色彩和形状特征检测出可能包含交通标志的区域，然后将感兴趣的区域进行大小不一规则化，在识别阶段进一步判定交通标志区域的有效性及其含义。
（一）检测
检测方法可分为其于颜色的检测和其于形状的检测两类。基于颜色的检测方法是最为基本的检测方法。这类方法又可分为三类：（1）彩色阈值分割法，在这类算法中，色彩空间的选择是很重要的。最直观的方法是选择RGB空间，直接通过设定的阈值进行分割。（2）基于神经网络学习的方法。为克服空间转换的非线性以及噪声的影响，可采用基于神经网络学习的方法。（3）基于视觉模型的方法。为克服各种视觉条件的影响，通过视觉模型对交通标志进行检测。
虽然基于颜色的检测方法具有直接聚焦的特点，但由于受到外界环境影响比较多，仅仅依靠颜色信息不能精确检测出交通标志的区域，而利用图像梯度的基于形状的方法能对以上事件进行有效的补充。因此，两种方法结合，是交通标志检测的最适合的办法。基于形状的方法又可分为基于边缘轮廓和基于模板的匹配方法。
（二）识别
在检测到可能包含交通标志的区域上，一般还要将区域的大小不一转化为固定的大小并采取其他的一些预处理技术来消除噪声、运动模糊、光照等影响，然后采用分类器技术进行识别。在识别技术中常用的方法有：（1）最近邻域方法。它的基本思想是根据类别之间的最近距离对待识别模式进行分类。（2）径向基函数方法。径向基函数网络的实质降维映射，因而在交通标志的分类中获得应用。（3）多层决策树分类法。采用多层结构的决策树分类，比采用单分类器分类能加快处理速度、提高分类结果的精度，而且通过将相关特征分解到各层简化分类器的设计。（4）神经网络方法。神经是一种非线性的映射，在模式识别方面，神经网络方法和传统的方法比较，具有较强的容错性，能够识别带有噪声或变形的输入模式，具有很强的自适应学习能力，采用并行分布式信息存储预处理，识别速度较快。（5）匹配投影法分类。能过离线对测度集进行匹配投影，找到能代表交通标志的一组基元。只需和由基元组合而成的模板进行匹配。（6）支持向量机分类。是一种基于数据库的优化分类模型，左传于结构风险最小化原理，具有结构简单、泛化能力强等特点。（7）句法分类。对于复杂性的目标，只提取它的数值特征构成特征向量，往往不能全面对其进行描述，这是因为这些数值特征对目标进行描述和识别的句法模式识别方法，在交通标志识别中也是人们关注的重点之一。
三、展望
以后的研究将更多地从人的视觉特征、视觉模型出发去考虑，充分利用交通标志的颜色，并应当注意更多地采用智能方法来解决问题，另外，采用智能方法后还可以考虑将检测与判别这两个环节有机地结合起来。
（作者简介：荣慕华（1977-），女，辽宁省宽甸县人，研究生，讲师，沈阳理工大学，研究方向：计算机技术。）