CN104766042B - 交通标志板识别方法及装置 - Google Patents

交通标志板识别方法及装置 Download PDF

Info

Publication number
CN104766042B
CN104766042B CN201410282847.3A CN201410282847A CN104766042B CN 104766042 B CN104766042 B CN 104766042B CN 201410282847 A CN201410282847 A CN 201410282847A CN 104766042 B CN104766042 B CN 104766042B
Authority
CN
China
Prior art keywords
traffic sign
sign boards
region
stage
amendment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410282847.3A
Other languages
English (en)
Other versions
CN104766042A (zh
Inventor
吴宪
卞蕙兰
李太雨
任广容
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hyundai Mobis Co Ltd
Original Assignee
Hyundai Mobis Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hyundai Mobis Co Ltd filed Critical Hyundai Mobis Co Ltd
Publication of CN104766042A publication Critical patent/CN104766042A/zh
Application granted granted Critical
Publication of CN104766042B publication Critical patent/CN104766042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Nonlinear Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种利用MCT(Modified Census Transform，修正的统计变换)特征而检测并识别交通标志板的方法及其装置。根据本发明的一方面的交通标志板识别方法，包括：在输入影像中利用MCT(Modified Census Transform)特征而检测交通标志板候选区域的阶段；利用对所述候选区域的MCT特征直方图而验证所述候选区域是否对应交通标志板的阶段；及利用对已验证的候选区域(以下称关心区域)的MCT特征直方图，把所述关心区域阶段性地分类为相应交通标志板的交通标志板识别阶段。

Description

交通标志板识别方法及装置
技术领域
本发明涉及交通标志板识别方法及装置，更详细地说，利用MCT(Modified CensusTransform)特征而检测并识别交通标志板的方法及其装置。
背景技术
随着利用车辆的移动变得普及，道路上设有交通标志板，以行驶通畅和安全驾驶为目的而向车辆的驾驶员提供行驶所需信息。
一般，交通标志板根据种类，可提供交通信息标志板、里程标志板、气象信息现况板、大气污染现况板、交通事故现况板、市政信息板及广告版等。
最近随着视力较差的驾驶员或高龄驾驶员的增加，开发能够正确传达交通标志板信息的安全驾驶辅助系统的必要性也在增加。
并且，为开发智能型无人汽车，同时需要视觉为基础的交通标志板识别系统的开发，因此开始关注交通标志板检测及识别模型。
但是，现有的交通标志板检测模型因气候及照度变化、安装摄像头的汽车的运动导致的影像的模糊不清，及突然的颜色对比变化，因交通标志板的遮挡及倾斜导致的模样变化等原因，交通标志板的检测性能会降低。
尤其，传统的交通标志板检测技术是通过预处理过程对输入的影像进行一次加工后，利用基于颜色和形态的特征信息。这里，预处理过程需要增加演算，从而降低检测及识别速度，利用颜色的检测技术在照明变化和涂抹的涂料变色时，会出现检测性能降低的问题。并且，利用形态的检测技术的演算量较多，难以实时检测或者演算量少时，会出现检测的准确度降低的问题。
发明内容
(要解决的技术问题)
为解决所述问题点的本发明的目的在于，提供一种利用MCT(Modified CensusTransform)特征为交通标志板检测及识别的特征矢量，无需预处理过程而能够提高检测及识别速度的技术。
本发明的另一目的在于，提供一种按各个阶段在不同的影像区域生成MCT特征直方图而分类交通标志板，提高了识别性能的交通标志板识别方法及装置。
本发明的目的并不限定于以上涉及的目的，未涉及的其他目的可根据以下的记载被本领域从业者所明确理解。
(解决问题的手段)
根据为达成前述目的的本发明的一方面的交通标志板识别方法，包括：在输入影像中利用MCT(Modified Census Transform)特征而检测交通标志板候选区域的阶段；利用对所述候选区域的MCT特征直方图而验证所述候选区域是否对应交通标志板的阶段；及利用对已验证的候选区域(以下称关心区域)的MCT特征直方图，把所述关心区域阶段性地分类为相应交通标志板的交通标志板识别阶段。
根据本发明的一实施例，检测所述候选区域的阶段，包括：利用所述输入影像的像素值，分别对所述输入影像的像素提取所述MCT特征的阶段；利用已根据Adaboost算法及Cascade算法中的至少一个学习了对所述交通标志板的MCT特征的分类器，从所述输入影像分类所述候选区域。
根据本发明的一实施例，所述验证的阶段包括：利用对所述候选区域的各像素的MCT特征，生成对MCT特征值与相应值的频次的MCT特征直方图的阶段，及利用已学习对所述交通标志板的MCT特征直方图的分类器，验证所述输入影像的所述MCT特征直方图的阶段。
根据本发明的一实施例，所述交通标志板识别阶段包括：利用RSD(RadialSymmetryDetection)，整合所述关心区域的阶段。
根据本发明的一实施例，所述交通标志板识别阶段包括：利用按阶段成为分类对象的交通标志板及定义所述关心区域中生成MCT特征直方图的区域的多阶段分类结构，把所述关心区域分类为相应交通标志板的阶段。
根据本发明的一实施例，所述交通标志板识别阶段，包括：N阶段中，在所述关心区域的第1区域生成第1MCT特征直方图；N+1阶段中，在所述关心区域的第2区域生成第2MCT特征直方图的阶段。
根据本发明的一实施例，所述交通标志板识别阶段包括：第1阶段，把所述关心区域分类成速度标志板和其他标志板；第2阶段，把所述速度标志板分类成相应速度标志板，或者把所述其他标志板分类为相应其他标志板和非识别对象标志板。
根据为达成前述目的的本发明的另一面的交通标志板识别装置，其特征在于，包括：至少一个以上的处理器；非易失性存储器，保存了根据所述处理器执行的代码；所述处理器在输入影像中利用MCT(Modified Census Transform)特征而检测交通标志板候选区域，利用对所述候选区域的MCT特征直方图，验证所述候选区域是否对应交通标志板，利用对已验证的候选区域(以下称关心区域)的MCT特征直方图，把所述关心区域阶段性地分类为相应交通标志板。
同时，呈现根据前述的本发明的一方面的交通标志板识别方法的程序可记录到计算机可读的记录媒体。
(发明的效果)
根据本发明，把MCT(Modified Census Transform)特征利用为交通标志板检测及识别的特征矢量，因此无需预处理过程，能够提高检测及识别速度。
并且，按阶段在不同影像区域生成MCT特征直方图而分类交通标志板，能够提高识别性能。
附图说明
图1是图示根据本发明的一实施例的交通标志板识别方法的图。
图2是说明本发明的实施例的MCT变换技术的图。
图3是说明本发明的实施例的Adaboost分类技术的图。
图4是说明本发明的实施例的Cascade分类技术的图。
图5是说明本发明的实施例中生成MCT特征直方图的一例的图。
图6是说明本发明的实施例的SVM分类技术的图。
图7是说明本发明的实施例中圆形标志板的RSD整合的例示性地的图。
图8是说明本发明的实施例中使用于交通标志板识别1阶段的生成MCT特征直方图的一例的图。
图9是说明本发明的实施例中使用于交通标志板识别过程的多阶段分类结构的一例的图。
图10是图示根据本发明的实施例的能够执行交通标志板识别方法的电脑装置的一构成的图。
具体实施方式
本发明的优点及特征，以及达成这些的方法，可通过参照附图和详细说明的实施例而明确理解。但本发明并不限定于以下公开的实施例，而是以多种形态体现，提出这些实施例的目的在于，使本发明公开完整，并向本发明所述技术领域具有一般知识的人完整地告知本发明的范畴，本发明根据权利要求的范围而定义。另外，本说明书中使用的用语是为了说明本发明，而不是为了限制本发明。除了有特殊说明的以外，本说明书中的单数型包括复数型。说明书中使用的“包括(comprises)”及/或“包括的(comprising)”涉及的构成要素、阶段、动作及/或要素并不排除一个以上的其他构成要素、阶段、动作及/或要素的存在或增加。
下面，参照附图详细说明本发明的优选实施例。首先，关于为各附图的构成要素附加参照符号，相同的构成要素标示在不同的附图上时，尽可能使用了相同的符号，并且，说明本发明时，判断为相关的公开构成或功能的具体说明有可能会混淆本发明的技术要旨时，省略其详细的说明。
根据本发明的交通标志板识别方法，包括：在输入影像中检测交通标志板候选区域的阶段；验证所述候选区域是否对应交通标志板的阶段；把已验证的候选区域(以下称关心区域)分类为相应交通标志板的识别阶段。
前述的交通标志板识别方法中，所述的MCT(Modified Census Transform)指的是局部二值模式被共同使用为特征信息。因检测、验证、识别等所有过程中共同使用MCT特征，输入影像只需1次变换。
如所述，根据本发明的交通标志板识别方法无需经过另外的预处理过程，在整个程序中共同使用MCT特征，因此具有减少演算量的优点。以下参照图1，具体说明前述的交通标志板检测、验证、识别阶段。
图1是图示根据本发明的一实施例的交通标志板识别方法的图。
在S10阶段，交通标志板识别装置对拍摄交通标志板的输入影像进行MCT变换。MCT变换是为了提取使用于客体检测的特征描述子(feature descriptor)，MCT变换结果，特征描述子(以下称MCT特征)在输入影像中以像素单位算出。
图2中图示了输入影像被MCT变换的过程。如图2所图示，为MCT变换，以作为变换对象的像素为中心，指定一定大小(例如3x3)的内核窗口。这时，假定作为变换对象的像素和包括在内核窗口的像素各自具有相应的像素值。之后，比较包括在内核窗口的像素的平均值和各自的像素值，计算相应像素的像素值大于平均值时为1、小于平均值时为0的9位数的比特(Bits)。
本发明的实施例中，利用对除了作为变换对象的像素的像素值以外的其余像素的二值化结果值而计算共8位数的比特，由此能够算出共具有0～255的256次元的10进制的特征矢量(或者，特征描述子)。优选地，所述MCT特征对输入影像的所有像素算出。
S20阶段中，交通标志板识别装置利用由输入影像提取的MCT特征和，利用已学习对交通标志板的MCT特征的分类器，在输入影像中检测交通标志板候选区域。
作为为此的具体的实施例，交通标志板识别装置利用所述MCT特征探索输入影像。这时，交通标志板识别装置使用已学习对交通标志板的MCT特征的分类器。
为检测包括特征描述子的客体，可利用使用了影像集群(Clustering)技术、机器学习(Machine learning)方法的客体检测方法。这时，可利用影像信号内部的空间频率特性、均匀性、连续性、颜色信息、深度信息等。本发明的特征在于，使用通过机器学习方法学习交通标志板的MCT特征的分类器，检测交通标志板。
同时，作为学习所述MCT特征的机器学习方法，可使用Adaboost学习技术及Cascade学习技术。本发明的实施例中，可使用前述的2种学习技术中的任意一个技术，或者2种学习技术都使用而提高学习性能。以下，参照图3及图4，分别说明前述的学习技法。
AdaBoost
AdaBoost技术是具有很多特征时，制作有效的分类器所需的技术。若输入的影像中，交通标志板的大小为40x40时，除了边缘处的1像素以外的各像素具有1个MCT特征，即共具有1，444(38x38)个MCT特征。AdaBoost技术根据各个像素的重要度，赋予不同的加权值，接收到部分影像时，演算各个像素的基准和加权值，分类为是否是交通标志板。若把各自的像素定义为一个弱分类器，如图3所图示，多个弱分类器与一定的加权值合在一起，生成精密的强分类器。
Cascade
Cascade技术是为提高检测速度的技术。为了影像内检测交通标志板，输入影像的所有像素都把MCT特征(40x40时，具有1，444个的特征)与已学习的MCT特征进行比较时，会消耗太多演算量。为解决此问题，选择对背景和交通标志板的识别性能突出的少数的MCT特征而进行多阶段的分类。例如，1阶段中20个、2阶段中40个、3阶段中60个、4阶段中80个等形式利用MCT特征而进行检测，由此大幅减少演算量。图4中图示了4阶段的分类过程和，被选为各阶段主要特征的MCT特征像素。
S30阶段中，交通标志板识别装置生成对已检测的各个候选区域的MCT特征直方图。这是为了验证已检测的交通标志板候选区域是否对应实际交通标志板而提取新的特征描述子的过程。
MCT特征直方图是指属于候选区域的所有像素中提取的MCT特征值的度数分布，是包括MCT特征值次元和MCT特征值的频次次元的2次元结构的特征描述子。
例如，假设MCT特征具有8位数的二进值，制作共256个Bin而生成直方图。即，利用关于可通过MCT特征表现的0～255值在候选区域内出现几次的分析结果。若一个像素中MCT特征值为00000001(2进制)，即1(10进制)，1号Bin加上+1。然后，像素中MCT特征值为00000111(2进制)，即7(10进制)，7号Bin加上+1。这样制作的直方图成为共具有256次元的一个特征矢量。本发明的实施例中，除了没有意义的0号Bin以外，优选使用具有255次元的MCT特征直方图。图5中图示了MCT特征直方图的一例。
S40阶段中，交通标志板识别装置把候选区域中提取的MCT特征直方图为特征矢量，利用已学习对交通标志板的MCT特征直方图的分类器而验证候选区域。
例如，分类器可利用SVM(Support Vector Machine)学习技术而学习对交通标志板的MCT特征直方图。图6中图示了SVM分类器的动作例。
SVM学习技术是数据由两个类别构成时，找出能够最佳区分两个类别的分类器的技术。其作用在于，验证过程中利用的SVM利用MCT特征直方图而制作分类器后，收到实验数据(例如，候选区域中提取的MCT特征直方图)时，以分类器为基准，对是否是标志板进行分类。
S50阶段中，交通标志板识别装置为提高对验证的候选区域(以下称关心区域)的识别的正确度而进行整合处理。例如，整合过程中，为了正确调整圆形形态的标志板的大小和位置，可利用RSD(Radial Symmetry Detection)技术。
RSD技术是假设关心区域的各像素为形成圆的成分而推定圆的中心点。圆的中心点推定方法如下。利用各像素的x轴与y轴的偏差，以梯度方向进行投票(vote)，判断投票值最高的地方为圆的中心点。整合为以该中心为关心区域的中心，以求得的半径为一个棱角的一半的长度的四角形的关心区域。图7中图示了利用RSD的圆形标志板的整合例。
S60阶段中，交通标志板识别装置利用已学习的分类器，把关心区域阶段性地分类为相应的交通标志板。这时，使用MCT特征直方图为分类的特征描述子，使用通过SVM学习技术而学习交通标志板的MCT特征直方图的SVM分类器。
具体来说，交通标志板识别装置按阶段区分而把关心区域分类为相应交通标志板，这时，交通标志板识别装置可按各阶段在关心区域的不同区域，生成MCT特征直方图。并且，可使用已学习各阶段互不相同的MCT特征直方图的SVM分类器。
例如，交通标志板识别装置在N阶段，在关心区域的第1区域生成第1MCT特征直方图；在N+1阶段，则在关心区域的第2区域生成第2MCT特征直方图。如所述，按各个阶段不同地生成的MCT特征直方图优选是在各阶段中分类性能最强的特征。
同时，交通标志板识别装置利用多阶段分类结构，把关心区域分类为相应标志板。这里，多阶段分类结构上定义按阶段成为分类对象的交通标志板和，在关心区域生成MCT特征直方图的区域。图8中图示了用于交通标志板分类的特定阶段中定义的区域中生成的MCT特征直方图的一例，图9中图示了多阶段分类结构的一例。
参照图9，交通标志板识别装置把关心区域1次分类为速度标志板何其他标志板(S71，S73)。这时，MCT特征直方图分别在关心区域的右侧一半和左侧一半生成，交通标志板识别装置利用2个MCT特征直方图(共510次元)而分类速度标志板和其他标志板。
其次，交通标志板识别装置把速度标志板分类为相应速度标志板(S81)，或者把其他标志板分类为相应其他标志板(S83)及非识别对象标志板(S84)。这时，可使用关心区域的左侧一半区域中生成的MCT特征直方图。
同时，根据本发明的实施例的交通标志板识别方法可在计算机系统中呈现，或记录到记录媒体。如图9所图示，计算机系统可包括：至少一个以上的处理器121、内存123、使用者输入装置126、数据通讯总线122、使用者输入装置127及存储器128。前述的各个构成要素通过数据通讯总线122进行数据通信。
计算机系统还可包括耦合到网络的网络界面129。所述处理器121可以是中央处理装置(central processing unit，CPU)，或者是处理存储在存储器123及/或存储器128的指令的半导体装置。
所述内存123及所述存储器128可包括多种形态的易失性或者非易失性存储媒体。例如，所述内存123可包括ROM124及RAM125。
因此，根据本发明的实施例的交通标志板识别方法可通过电脑上可执行的方法呈现。根据本发明的实施例的交通标志板识别方法在电脑装置执行时，电脑可判别的指令可执行根据本发明的识别方法。
同时，所述根据本发明的交通标志板识别方法可通过电脑可读的记录媒介以电脑可读的代码呈现。电脑可读的记录媒介是指储存了电脑系统可读数据的所有种类的记录媒介，例如，ROM(Read Only Memory)、RAM(Random Access Memory)、磁带、软磁盘、光学数据储存设备等。并且，电脑可读的记录媒介分散在由计算机通讯网连接的计算机系统中，以分散方式可读的代码保存并执行。
以上通过本发明的优选实施例，详细说明了本发明的构成，但本发明所属技术领域具有一般知识的人能够理解到无需变更其技术思想或必需的特征，也可实施为与本说明书中公开的内容不同的其他具体形态。因此，应理解为以上说明的实施例在整个方面是例示性的，并不是限制性的。本发明的保护范围根据后述的权利要求范围所呈现，而不是根据所述详细的说明，应解释为由本发明的权利要求范围及其均等的概念导出的所有变更及变形的形态都包括在本发明的范围。

Claims (12)

1.一种交通标志板识别方法，包括：
在输入影像中利用修正统计变换特征而检测交通标志板候选区域的阶段；
利用对所述候选区域的修正统计变换特征直方图而验证所述候选区域是否对应交通标志板的阶段；及
利用对已验证的候选区域的修正统计变换特征直方图，把关心区域阶段性地分类为相应交通标志板的交通标志板识别阶段，
所述关心区域是所述已验证的候选区域，
所述交通标志板识别阶段，包括：
利用多阶段分类结构把所述关心区域分类为相应交通标志板的阶段，所述多阶段分类结构定义了按阶段成为分类对象的交通标志板及在所述关心区域中生成修正统计变换特征直方图的区域，
所述利用多阶段分类结构把所述关心区域分类为相应交通标志板的阶段是先在定义的各所述关心区域生成修正统计变换特征直方图再根据生成的所述修正统计变换特征直方图把所述关心区域1次分类为速度标志板和其他标志板，然后把所述速度标志板分类为相应速度标志板或者把所述其他标志板分类为相应其他标志板及非识别对象标志板。
2.根据权利要求1所述的交通标志板识别方法，检测所述候选区域的阶段，包括：
以所述输入影像中作为变换对象的像素为中心，指定一定大小的内核窗口的阶段；及
比较所述包括在内核窗口的像素的像素值的平均和各个像素值，计算相应像素的像素值大于平均值时为1、小于平均值时为0的9位数的n位数比特的所述修正统计变换特征的阶段。
3.根据权利要求1所述的交通标志板识别方法，检测所述候选区域的阶段，包括：
利用所述输入影像的像素值，分别对所述输入影像的像素提取所述修正统计变换特征的阶段；
利用已根据Adaboost算法及Cascade算法中的至少一个学习了对所述交通标志板的修正统计变换特征的分类器，从所述输入影像分类所述候选区域。
4.根据权利要求1所述的交通标志板识别方法，所述验证的阶段，包括：
利用对所述候选区域的各像素的修正统计变换特征，生成对修正统计变换特征值与相应值的频次的修正统计变换特征直方图的阶段；及
利用已学习对所述交通标志板的修正统计变换特征直方图的分类器，验证所述输入影像的所述修正统计变换特征直方图的阶段。
5.根据权利要求1所述的交通标志板识别方法，所述交通标志板识别阶段，包括：
利用辐射对称探测而整合所述关心区域的阶段。
6.根据权利要求1所述的交通标志板识别方法，所述交通标志板识别阶段，包括：
N阶段中，在所述关心区域的第1区域生成第1修正统计变换特征直方图；
N+1阶段中，在所述关心区域的第2区域生成第2修正统计变换特征直方图的阶段。
7.根据权利要求1所述的交通标志板识别方法，所述交通标志板识别阶段，包括：
第1阶段，把所述关心区域分类成速度标志板和其他标志板；
第2阶段，把所述速度标志板分类成相应速度标志板，或者把所述其他标志板分类为相应其他标志板和非识别对象标志板。
8.一种交通标志板识别装置，
包括：至少一个以上的处理器；非易失性存储器，保存了根据所述处理器执行的代码；
所述处理器，
在输入影像中利用修正统计变换特征而检测交通标志板候选区域，
利用对所述候选区域的修正统计变换特征直方图，验证所述候选区域是否对应交通标志板，
利用对已验证的候选区域的修正统计变换特征直方图，把关心区域阶段性地分类为相应交通标志板，
所述关心区域是所述已验证的候选区域，
所述处理器呈现为，
利用多阶段分类结构把所述关心区域分类为相应交通标志板，所述多阶段分类结构定义了按阶段成为分类对象的交通标志板及在所述关心区域中生成修正统计变换特征直方图的区域，
利用多阶段分类结构把所述关心区域分类为相应交通标志板具体是先在定义的各所述关心区域生成修正统计变换特征直方图再根据生成的所述修正统计变换特征直方图把所述关心区域1次分类为速度标志板和其他标志板，然后把所述速度标志板分类为相应速度标志板或者把所述其他标志板分类为相应其他标志板及非识别对象标志板。
9.根据权利要求8所述的交通标志板识别装置，
所述处理器呈现为，
以所述输入影像中作为变换对象的像素为中心，指定一定大小的内核窗口，
比较所述包括在内核窗口的像素的像素值的平均和各个像素值，计算相应像素的像素值大于平均值时为1、小于平均值时为0的9位数的n位数比特的所述修正统计变换特征。
10.根据权利要求8所述的交通标志板识别装置，
所述处理器呈现为，
利用所述输入影像的像素值，分别对所述输入影像的像素提取所述修正统计变换特征，
利用已根据Adaboost算法及Cascade算法中的至少一个学习了对所述交通标志板的修正统计变换特征的分类器，从所述输入影像分类所述候选区域。
11.根据权利要求8所述的交通标志板识别装置，
所述处理器呈现为，
利用对所述候选区域的各像素的修正统计变换特征，生成对修正统计变换特征值与相应值的频次的修正统计变换特征直方图，
利用已学习对所述交通标志板的修正统计变换特征直方图的分类器，验证所述输入影像的所述修正统计变换特征直方图。
12.根据权利要求8所述的交通标志板识别装置，
所述处理器呈现为，
利用辐射对称探测而整合所述关心区域。
CN201410282847.3A 2014-01-06 2014-06-23 交通标志板识别方法及装置 Active CN104766042B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020140001006A KR101596299B1 (ko) 2014-01-06 2014-01-06 교통 표지판 인식 방법 및 장치
KR10-2014-0001006 2014-01-06

Publications (2)

Publication Number Publication Date
CN104766042A CN104766042A (zh) 2015-07-08
CN104766042B true CN104766042B (zh) 2018-12-07

Family

ID=53443363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410282847.3A Active CN104766042B (zh) 2014-01-06 2014-06-23 交通标志板识别方法及装置

Country Status (4)

Country Link
US (1) US9501703B2 (zh)
KR (1) KR101596299B1 (zh)
CN (1) CN104766042B (zh)
DE (1) DE102014214448B4 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9460355B2 (en) * 2014-10-14 2016-10-04 Here Global B.V. Lateral sign placement determination
SG11201704076YA (en) * 2014-11-18 2017-06-29 Agency Science Tech & Res Method and device for traffic sign recognition
US9905020B2 (en) * 2015-02-12 2018-02-27 Texas Instruments Incorporated Method and circuitry for performing census transforms
KR101678095B1 (ko) * 2015-07-10 2016-12-06 현대자동차주식회사 차량, 및 그 제어방법
CN105469095A (zh) * 2015-11-17 2016-04-06 电子科技大学 一种基于车型图像的模式集直方图的车型识别方法
CN105469062A (zh) * 2015-12-04 2016-04-06 电子科技大学 一种基于主成分分析网框架的车型识别方法
US10255511B2 (en) * 2016-01-04 2019-04-09 Texas Instruments Incorporated Real time traffic sign recognition
KR101834778B1 (ko) * 2017-05-30 2018-03-07 만도헬라일렉트로닉스(주) 교통 표지판 인식장치 및 방법
CN107301383B (zh) * 2017-06-07 2020-11-24 华南理工大学 一种基于Fast R-CNN的路面交通标志识别方法
KR102265796B1 (ko) * 2017-06-15 2021-06-17 한국전자통신연구원 사각지역 차량 추적 장치 및 그 방법
US10325174B2 (en) * 2017-09-18 2019-06-18 Texas Instruments Incorporated System and method for an efficient hardware implementation of census transform
KR102139932B1 (ko) * 2018-06-08 2020-08-03 안양대학교 산학협력단 에이다부스트 학습을 이용한 문자 데이터 검출 방법
JP7005762B2 (ja) * 2018-07-03 2022-02-10 日立Astemo株式会社 カメラ装置の標識認識方法及び標識認識装置
CN109409247B (zh) * 2018-09-30 2022-05-13 阿波罗智联(北京)科技有限公司 交通标志识别方法和装置
KR102274544B1 (ko) * 2018-10-04 2021-07-07 삼성전자주식회사 주행 보조 장치 및 이미지 처리 방법
US11106925B2 (en) * 2018-10-25 2021-08-31 Intel Corporation Computer-assisted or autonomous driving traffic sign recognition method and apparatus
US10928828B2 (en) * 2018-12-14 2021-02-23 Waymo Llc Detecting unfamiliar signs
CN111259885B (zh) * 2020-02-27 2023-11-24 深圳成子科技有限公司 腕表识别方法及设备
JP7470967B2 (ja) * 2020-03-30 2024-04-19 株式会社ユピテル システム、プログラム、機械学習方法、及び機械学習モデル等

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702197A (zh) * 2009-10-26 2010-05-05 宁波大学 一种道路交通标志的检测方法
CN102542260A (zh) * 2011-12-30 2012-07-04 中南大学 一种面向无人驾驶车的道路交通标志识别方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0449283B1 (en) * 1990-03-30 1997-11-12 Sanyo Electric Co., Ltd. An image sensing apparatus having camera-shake detection function
US7466841B2 (en) 2004-08-16 2008-12-16 Siemens Corporate Research, Inc. Method for traffic sign detection
CN101110101A (zh) * 2006-07-17 2008-01-23 松下电器产业株式会社 识别图像的方法及设备
US8725394B2 (en) * 2007-10-09 2014-05-13 Siemens Corporation Multi-modal speed limit assistant
DE102009027275A1 (de) * 2009-06-29 2010-12-30 Robert Bosch Gmbh Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements
KR101151435B1 (ko) * 2009-11-11 2012-06-01 한국전자통신연구원 얼굴 인식 장치 및 방법
KR101366776B1 (ko) 2009-12-07 2014-02-21 세종대학교산학협력단 영상 객체 검출 장치 및 그 방법
KR101624210B1 (ko) * 2010-08-27 2016-05-31 한화테크윈 주식회사 초해상도 영상 복원 방법, 및 이를 이용한 불법 주정차 단속 시스템
US8548201B2 (en) * 2010-09-02 2013-10-01 Electronics And Telecommunications Research Institute Apparatus and method for recognizing identifier of vehicle
KR20130000828A (ko) * 2011-06-24 2013-01-03 엘지이노텍 주식회사 얼굴 피쳐 검출 방법
KR101312306B1 (ko) 2011-11-11 2013-09-27 서강대학교산학협력단 표지판 인식장치, 표지판 인식방법, 및 이미지 인식방법
KR101394462B1 (ko) 2012-06-27 2014-05-13 서강대학교산학협력단 이산화탄소 흡수 및 탈착용 히드라진 및 히드라진 유도체
US9224106B2 (en) * 2012-12-21 2015-12-29 Nec Laboratories America, Inc. Computationally efficient whole tissue classifier for histology slides
US9092696B2 (en) * 2013-03-26 2015-07-28 Hewlett-Packard Development Company, L.P. Image sign classifier

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702197A (zh) * 2009-10-26 2010-05-05 宁波大学 一种道路交通标志的检测方法
CN102542260A (zh) * 2011-12-30 2012-07-04 中南大学 一种面向无人驾驶车的道路交通标志识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic License Plate Recognition (ALPR):;Shan Du等;《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》;20130228;第23卷(第2期);全文 *
CENTRIST:A Visual Descriptor for Scene Categorization;Jianxin Wu等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20110831;第33卷(第8期);全文 *
License Plate Detection Using Local Structure Patterns;Younghyun Lee等;《2010 7th IEEE International Conference on Advanced Video and Signal Based Surveillance》;20101007;全文 *
基于Census变换和Boosting方法的陨石坑区域检测;丁萌等;《南京航空航天大学学报》;20091031;第41卷(第5期);第683页第1栏第32行-第685页第2栏第3行 *

Also Published As

Publication number Publication date
US9501703B2 (en) 2016-11-22
DE102014214448B4 (de) 2021-12-23
US20150193663A1 (en) 2015-07-09
DE102014214448A1 (de) 2015-07-09
KR20150081480A (ko) 2015-07-15
CN104766042A (zh) 2015-07-08
KR101596299B1 (ko) 2016-02-22

Similar Documents

Publication Publication Date Title
CN104766042B (zh) 交通标志板识别方法及装置
Zheng et al. An algorithm for accuracy enhancement of license plate recognition
Minetto et al. Snoopertext: A multiresolution system for text detection in complex visual scenes
CN109147340A (zh) 违法停车案件的鉴别方法、装置和计算机设备
Han et al. Real‐time license plate detection in high‐resolution videos using fastest available cascade classifier and core patterns
CN105404886A (zh) 特征模型生成方法和特征模型生成装置
CN102147869A (zh) 基于前景分析和模式识别的行人检测方法
CN101859382A (zh) 一种基于最大稳定极值区域的车牌检测与识别的方法
KR20070027768A (ko) 교통 표지판 탐지를 위한 방법
Aggarwal et al. A robust method to authenticate car license plates using segmentation and ROI based approach
Prates et al. Brazilian license plate detection using histogram of oriented gradients and sliding windows
CN105184301B (zh) 一种利用四轴飞行器判别车辆方位的方法
CN105160292A (zh) 一种车辆标识识别方法与系统
CN104408475A (zh) 一种车牌识别方法及车牌识别设备
CN106372658A (zh) 车辆分类器的训练方法
CN104182769A (zh) 一种车牌检测方法及系统
Mammeri et al. North-American speed limit sign detection and recognition for smart cars
Jo LED Dot matrix text recognition method in natural scene
Rajesh et al. Coherence vector of oriented gradients for traffic sign recognition using neural networks
Gao et al. On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection
Naimi et al. Multi-nation and multi-norm license plates detection in real traffic surveillance environment using deep learning
Hou et al. A cognitively motivated method for classification of occluded traffic signs
CN105512662A (zh) 一种无牌车辆检测方法及装置
Chiang et al. Road speed sign recognition using edge-voting principle and learning vector quantization network
Emami et al. Real time vehicle make and model recognition based on hierarchical classification

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant