CN107122737A - 一种道路交通标志自动检测识别方法 - Google Patents
一种道路交通标志自动检测识别方法 Download PDFInfo
- Publication number
- CN107122737A CN107122737A CN201710283912.8A CN201710283912A CN107122737A CN 107122737 A CN107122737 A CN 107122737A CN 201710283912 A CN201710283912 A CN 201710283912A CN 107122737 A CN107122737 A CN 107122737A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- variance
- circle
- array
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种道路交通标志自动检测识别方法。本发明基于自动检测识别系统实现,所述自动检测识别系统包括,交通标志采集模块、交通标志检测处理模块和交通标志识别模块。交通标志采集模块用于采集行车视频,交通标志检测处理模块对采集到的视频进行处理,检测出含有交通标志的图像帧,并对兴趣区域进行提取。交通标志识别模块用于对提取的兴趣区域图像进行分类和识别。本发明所述道路交通标志自动检测识别方法,识别交通标志种类多、精度高、识别准确性高、鲁棒性好;并有效降低了光照、几何形变、旋转等影响,具有较高的抗干扰能力。
Description
技术领域
本发明涉及一种道路交通标志自动检测识别方法,属于环境感知辅助驾驶的技术领域。
背景技术
随着社会、经济的不断进步,我国的公路交通网建设得到了持续、快速的发展,汽车的保有数量增加,道路交通情况也变得越来越复杂。如今,道路上方或两侧的交通标志种类和数量非常多。驾驶员在全神贯注驾驶汽车的同时,还要留意道路上设置的各种交通标志,对驾驶员提出了较高的要求。对于驾驶技能不熟练的新手来说,经常出现忽视交通标志,引起违章驾驶等情况。因此,设计一套道路交通标志自动检测与识别系统对于辅助驾驶,提示驾驶员注意道路情况,确保交通安全,保障文明驾驶具有重要意义。与此同时,道路交通标志自动检测与识别方法对于无人驾驶汽车的发展也具有实际意义。
根据《中华人民共和国国家标准GB 5768[1].2-2009道路交通标志和标线》的规定,交通标志形状一般可分为:正等边三角形、圆形、倒等边三角形、八角形、叉形、方形。规定中对标志的颜色、尺寸和式样做了非常详细而具体的规定。合格的道路交通标志自动检测与识别系统应能实时准确地检测出正等边三角形、圆形、倒等边三角形和方形等各种形状的交通标志。
目前国内外一些学者对道路交通标志识别方法开展了研究。有的学者[1]用Gabor小波与支持向量机识别交通标志。该方法对于光照条件不敏感,但当交通标志出现几何形变、旋转、缩放等情况时,识别率不高。杨斐等[2]提出了一种分块图像特征与BP神经网络相结合的识别方法,能解决灰度畸变、旋转、平移等问题,但采用图像分块的方法带有较大的盲目性,在交通标志检测时容易漏检。相关参考文献:[1]谷明琴,蔡自兴,何芬芬.形状标记图和Gabor小波的交通标志识别[J].智能系统学报,2011,06(6):526-530;[2]杨斐,王坤明,马欣,等.应用BP神经网络分类器识别交通标志[J].计算机工程,2003,29(10):120-121。
双线性插值算法、Canny边缘检测算法、Sobel边缘检测算法、Hough变换检测算法、LBP纹理特征提取算法、SVM支持向量机是现有技术中图像处理和模式识别常用的算法。
将Hough变换检测算法推广到检测曲线,称为广义霍夫变换(GHT)。广义霍夫变换是检测圆的有效方法,但由于圆的半径、坐标有三个自由参数,采用广义霍夫变换,计算量庞大、需要大量的内存。概率霍夫变换(Progressive Probabilistic Hough Transform,缩写为PPHT)可有效克服上述缺陷。参考文献:[3]Matas,C.Galambos,J.Kittler.Robustdetection of lines using the progressive probabilistic houghtransform.Comput.Vision Image Underst.,78(1)(2000),pp.119–137。文献:[4]袁理,叶露,贾建禄.基于Hough变换的椭圆检测算法[J].中国光学与应用光学,2010年8月,3(4):379-384.公开了Hough变换检测椭圆的原理。文献:[5]黎海兵,易卫东.一种高效检测图像中是否有三角形的算法[J].中国图象图形学报,2008,13(3):456-460.公开了Hough变换三角形检测算法。文献:[6]李强兵,刘文予.基于Hough变换的快速矩形检测算法[J].微计算机信息,2007,23(31):248-250.公开了Hough变换类正方形检测算法。
LBP(局部二值模式,Local binary patterns)是机器视觉领域中用于描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等显著的优点。另外LBP最大的特点就是对光线等环境因素造成的灰度变化具有很好的鲁棒性。原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。
基本的LBP算子有着很大的缺陷,在于它只覆盖了一个固定半径范围内的小区域,不能满足不同尺寸和频率纹理的要求,而且基本的LBP并不具备旋转不变性,也就是说同一幅图片发生了旋转就会获得不同的LBP值,除此之外基本的LBP还存在二进制模式过多问题,这对于纹理的识别、分类及信息的存取都是不利的。
为了克服以上这些问题,研究人员还提出了圆形LBP算子、LBP旋转不变模式、LBP等价模式等。文献:[7]Ojala T,Pietikainen M,Maenpaa T.Multiresolution gray-scaleand rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2002,24(7):971-987.公开了LBP等价模式的方法。
SVM是一种典型的两类分类器,其只会回答是否属于正类的问题。而现实中的问题却往往是多分类的问题。由于SVM最初是为了二值分类问题设计的,所以使用两类分类器解决多分类问题,现在有两中解决办法:
直接法。这是一劳永逸的办法,一次性考虑所有样本,修改目标函数,将多个分类面的求解合并到一个优化问题中。
间接法。常见的方法有“一类对余类法”和“一对一法”两种。
a)一类对余类法。具体实现方法为:当有M(M≥3)个类别需要分类时的步骤为:
Step1:将第一类定义为正样本,将其余类定义为负样本进行训练,这样得到一个二类分类器;
Step2:将第二类定义为正样本,将其余类定义为负样本进行训练,这样也得到一个二类分类器;
......
StepM:将第M类定义为正样本,将其余类定义为负样本进行训练,这样得到一个二类分类器;
StepM+1:判别,将输入信号分别输入经过以上步骤得到的M个分类器,共得到M个输出值,若只有一个“+1”出现,找到输出“+1”信号的分类器,并以该分类器的正样本的类别作为判别结果输出。
b)一对一法。使用该方法时将会在任意两个类之间创建一个分类器,因此同样解决M(M≥3)个分类的问题时,通过组合的计算公式
可得,将会有个二类分类器。当进行判决时,每个分类器都对其所属的类别进行判断,并为其所属的类“投票”,将票数最多的类别作为结果输出。
上述实现多分类的方法都有其优点与缺点,直接法的问题主要在于一次性求解多个平面的最优解,导致计算量太大,只能在小型项目中使用。而“一类对余类法”在训练的过程中会不可避免的产生数据集倾斜问题(正负样本严重不平衡),这是最影响训练出来的分类器性能的情况。除此之外“一类对余类法”还会产生多输出(不止一个分类器输出了+1)和无输出(没有分类器输出+1)的情况,但“一类对余类法”的优点在于分类的速度比较快。“一对一法”最大的不足在于当M(类别数)增大时需要的二类分类器数量关于M的二次函数增长,但“一对一法”的优势在于它总能输出一个类别,不会出现无输出的情况。
透视变换也是图像处理中常用的一种方法。文献[8]代勤,王延杰,韩广良.基于改进Hough变换和透视变换的透视图像矫正[J].液晶与显示,2012,27(4):552-556.公开了透视变换的具体过程。
发明内容
针对现有技术的不足,本发明提供一种道路交通标志自动检测识别方法。
术语说明:
SVM:支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
发明概述:
本发明基于自动检测识别系统实现,所述自动检测识别系统包括,交通标志采集模块、交通标志检测处理模块和交通标志识别模块。交通标志采集模块用于采集行车视频。交通标志检测处理模块对采集到的视频进行处理,检测出含有交通标志的图像帧,并对兴趣区域进行提取。交通标志识别模块用于对提取的兴趣区域图像进行分类和识别。
本发明的技术方案为:
一种道路交通标志自动检测识别方法,基于自动检测识别系统实现,所述自动检测识别系统包括,交通标志采集模块、交通标志检测处理模块和交通标志识别模块;所述道路交通标志自动检测识别方法包括步骤如下:
1)所述交通标志采集模块采集行车环境中道路上方及道路两侧的图像;
2)所述交通标志检测处理模块对步骤1)采集的图像进行处理:
2.1)采用双线性插值算法将步骤1)采集的图像缩放为统一分辨率大小,得到第二交通环境图像;
2.2)将步骤2.1)处理得到的第二交通环境图像进行分支处理;
2.2.1)利用Sobel边缘检测算法对所述第二交通环境图像进行检测,得到彩色边缘图像Image1,并将所述彩色边缘图像Image1灰度变换为灰度图像Image2;灰度变换是现有技术中常用的图像处理方法。
2.2.2)直接对所述第二交通环境图像进行灰度处理:利用Canny边缘检测算子检测第二交通环境图像的边缘,得到灰度边缘图像Image3;利用Hough检测灰度边缘图像Image3中的兴趣区域;分别输出兴趣区域内不同形状交通标志对应的X-Y平面参数;所述兴趣区域是指图像中包含交通标志的区域。X-Y平面参数是指不同形状的交通标志对应的坐标参数,对于圆形交通标志,X-Y平面参数是指圆的圆心坐标和圆的半径;对于三角形交通标志是指三角形三个顶点的坐标;对于椭圆交通标志是指椭圆一般方程中的五个参数;对于类正方形交通标志是指四个顶点的坐标。
2.3)利用步骤2.2.2)得到的X-Y平面参数,对所述灰度图像Image2进行提取,忽略兴趣区域外的像素,只保留兴趣区域内的像素,得到提取图像Image4;经过大量实验验证,灰度图像Image2中包含的纹理细节比使用Canny算子所提取出的灰度边缘图像Image3包含的纹理细节信息量大,具有更好的分类效果;因此,我们在灰度图像Image2中提取兴趣区域。
2.4)对所述提取图像Image4进行归一化处理得到标准图像Image5;
因拍摄视角的问题,导致采集的图像可能会出现几何形变,因此,将兴趣区域图像,归一化处理成标准圆形、标准等边三角形、标准正方形,得到标准图像Image5,用于后续模块训练或识别。
3)交通标志识别模块对标准图像Image5进行训练和识别分类检测;
3.1)分类器训练:将所述标准图像Image5以图片文件的形式作为训练图像保存到存储器中,当存储器中训练图像的数目达到N后,开始训练过程;训练过程具体如下:提取每张训练图像的LBP纹理特征;设置p个SVM,分别对训练图像的LBP纹理特征进行训练,生成分类器模型文件,用于识别分类检测;
3.2)识别分类检测:对所述标准图像Image5进行LBP纹理特征提取,使用p个SVM同时对标准图像Image5进行识别分类后对各SVM识别分类的结果进行评估:当各SVM对标准图像Image5的识别分类结果一致时,输出识别分类结果;当p个识别分类结果不一致时,认为所识别的图像不具备分类特征,不予处理;这样在一定程度上可以减少分类错误情况的发生;
4)重复步骤1)-3)。步骤1)-3)会不断重复直至检测结束;但是,在样本不变的情况下,对所有样本的训练只进行一次,对模型文件的加载只进行一次,即步骤3.1)只进行一次即可。
根据本发明优选的,所述交通标志检测处理模块的程序在图像处理器中运行。
进一步优选的,所述步骤1)中,所述交通标志采集模块通过车载摄像机实时拍摄行车环境中的道路上方及道路两侧的图像并存入内存,供图像处理器读取;车载摄像机的图像采集速率为30帧/秒或25帧/秒;图像处理器内设定有软件定时器,间隔时间t读取内存中的图像信息。
根据本发明优选的,所述步骤2.1)中采用双线性插值算法将步骤1)采集的图像缩放为统一分辨率320×240;所述标准图像Image5的像素为60×60。摄像机拍摄到的图像分辨率可能不同,先处理为320×240再做进一步处理。
根据本发明优选的,所述p=4;4个SVM分别为LINEAR线性核、2个POLY多项式核、RBF径向基核;每个SVM设置有不同的参数。
进一步优选的,所述SVM的参数包括惩罚因子。
根据本发明优选的,所述步骤2.2.2)中通过PPHT检测处理目标区域内圆形的方法如下:
A1、将采集到的连续多帧图像,按步骤2.2.1)的方法转化成灰度边缘图像Image3(1),Image3(2),……,Image3(p);
A2、在每一张灰度边缘图像Image3(1),Image3(2),……,Image3(p)中使用PPHT算法找圆,将所有圆的X-Y平面参数存入同一个原始矩阵MT0中,原始矩阵MT0共3列,i行,i表示检测到的圆的总数量;所述圆的X-Y平面参数包括,圆心的x坐标、圆心的y坐标和圆的半径r;所述原始矩阵MT0的第1列用于保存检测到的圆的圆心x坐标,所述原始矩阵MT0的第2列用于保存检测到的圆的圆心y坐标,所述原始矩阵MT0的第3列用于保存检测到的圆的半径r;
A3、检测原始矩阵MT0的行数i,如果原始矩阵MT0的行数i<m,则判定原始矩阵MT0中对应的圆为误差圆,清空原始矩阵MT0并回到步骤1);如果原始矩阵MT0中的行数i≥m,则进行步骤A4;当检测到的圆的数量较低时,则判定图像中实际不存在圆,所检测到的少数圆只是误差圆。
A4、对原始矩阵MT0依次进行X分组、Y分组和R分组处理,处理同心圆问题,输出目标圆参数;
交通标志图像中的圆形图像边缘常常包含多个同心圆,通过在多个同心圆中选取半径最大的圆作为兴趣区域,实现对兴趣区域的准确定位;上述步骤是对连续的p帧图像所进行的处理,检测兴趣区域内的圆形;
进一步优选的,X分组的具体步骤如下:
X1:将所述原始矩阵MT0中每一行作为一个整体,按第1列元素x的大小升序或降序排序;排序后的原始矩阵记为MT1;
设矩阵MT1为:
X2:将矩阵MT1进行X分组,得到X分组子矩阵,具体方法如下:
依次计算数组(x1)的方差Dx1,数组(x1,x2)的方差Dx2,数组(x1,x2,x3)的方差Dx3,……,数组(x1,x2,…,xk1)的方差Dxk1,数组(x2,x3,…,xk1+1)的方差Dx(k1+1),数组(x3,x4,…,xk1+2)的方差Dx(k1+2),……,数组(xn-k1,xn-k1+1,…,xn-1,xn)的方差Dxn,直至Dxn≥σx;k1表示计算方差时所选取的元素的最大数量;为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k1;
X3:检查当前行号n,如果n<LX,则删除矩阵MT1中的前n-1行,得到矩阵MT2;如果n≥LX,则将矩阵MT1的前n-1行抽取出来作为矩阵MT1的第1个X分组子矩阵,记为MTX1;将矩阵MT1的前n-1行删除,作为矩阵MT2;其中,LX为X分组最少行阈值,如果n<LX,则认为该分组矩阵内的圆数量太少,为误差圆;
矩阵MTX1为:
矩阵MT2为:
X4:对矩阵MT2重复步骤X2和X3,依次得到第2个X数组子矩阵MTX2、第3个X数组子矩阵MTX3、……、第z个X分组子矩阵MTXz,直到将矩阵MT1内所有数据进行了X分组处理;
Y分组的具体步骤如下:
Y1:将X分组子矩阵中每一行为一个整体,按照第2列元素的大小升序或降序排列;排序后的矩阵记为MTXA1;
Y2:将矩阵MTXA1中每一行为一个整体进行Y分组,得到Y分组子矩阵,具体方法如下:
设矩阵MTXA1为:
依次计算数组(ya)的方差Dy1,数组(ya,yb)的方差Dy2,数组(ya,yb,yc)的方差Dy3,数组(ya,yb,…,yk2)的方差Dyk2,数组(yb,yc,…,yk2+1)的方差Dy(k2+1),数组(yc,yd,…,yk2+2)的方差Dy(k2+2),……,数组(yn-k2,yn-k2+1,…,yn-1,yn)的方差Dyn;直至Dyn≥σy,停止方差计算;k2表示计算方差时所选取的元素的最大数量;为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k2;
Y3:检查当前行号n,如果n<LY,删除矩阵MTXX1的前n-1行,生成矩阵MTXB1;如果n≥LY,则将矩阵MTXX1的前n-1行抽取出来,作为矩阵MTXA1的第1个Y分组子矩阵,记为MTX1Y1;将矩阵MTXX1的前n-1行删除,作为矩阵MTXB1;其中,LY为Y分组最少行阈值;
矩阵MTXX1生成的第1个Y分组子矩阵MTX1Y1为:
Y4:对矩阵MTXB1重复步骤Y2和Y3,依次得到第2个Y数组子矩阵MTX1Y2、第3个Y数组子矩阵MTX1Y3、……、第w个Y分组子矩阵MTX1Yw,直到将矩阵MTXX1内所有数据进行了Y分组处理;
Y5:将X分组后得到的其他子矩阵MTX2、MTX3、……、MTXz逐次执行步骤Y1~步骤Y4,最终得到X、Y两步分组后的子矩阵:MTX1Y1、MTX1Y2、…、MTX1Yw;MTX2Y1、MTX2Y2、…、MTX2Yu;……;MTXzY1、MTXzY2、…、MTXzYv。
经过X分组和Y分组后,得到的每一个子矩阵内的圆数据均为同心圆数据,半径可能不同,但圆心一致或接近;后续所述R分组目的是从众多同心圆中,选取半径较大且接近的圆求半径平均值,作为目标圆进行提取。
R分组的具体步骤如下:
R1:将Y分组得到的第1个Y分组子矩阵按照第3列元素r的大小降序排序;排序后的矩阵记为MTX1Y1R;
R2:将矩阵MTX1Y1R中每一行作为一个整体,按照第3列元素r的大小进行分组,仅保留第一个R分组,即r值最大的一个分组,其余数据表示同心圆中半径较小的圆,予以删除;具体方法如下:
设排序后的矩阵MTX1Y1R为:
依次计算数组(r13)的方差Dr1,数组(r13,r23)的方差Dr2,数组(r13,r23,r33)的方差Dr3,数组(r13,r23,…,r(k3)3)的方差D(k3)3,数组(r23,r33,…,r(k3)3)的方差D(k3+1)3,……,数组(rn-k3,rn-k3+1,…,rn-1,rn)的方差Drn,直至Drn≥σr,停止方差计算;k3表示计算方差时所选取的元素的最大数量,为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k3;
R3:检查当前行号n,如果n<LR,删除矩阵MTX1Y1R的前n-1行,生成矩阵MTX1Y1RB,将MTX1Y1RB返回步骤R2替代矩阵MTX1Y1R重新进行提取;如果n≥LR,则将矩阵MTX1Y1R的前n-1行抽取出来,作为矩阵MTX1Y1R的第1个R分组子矩阵,记为MTX1Y1R1;对矩阵MTX1Y1R中的其他数据不再处理;其中,LR为R分组最少行阈值;
当n≥LR时,矩阵MTX1Y1R生成的第1个R分组子矩阵MTX1Y1R1为:
R4:将矩阵MTX1Y1R1中每一列元素求平均值,得到对应目标圆的参数(avr_X,avr_Y,avr_R);
R5:将所述Y分组得到的子矩阵MTX1Y2、…、MTX1Yw;MTX2Y1、MTX2Y2、…、MTX2Yu;……;MTXzY1、MTXzY2、…、MTXzYv分别执行上述步骤R1-R4;分别求出每个目标圆的参数。
Hough变换仅仅查找边缘点的排列方式,由于意外的像素排列以及噪声的影响,很有可能带来错误检测;因此,采取算法尽量避免误检测的发生,并在多个同心圆中选取半径最大的圆作为兴趣区域,这是非常有必要的。
当用PPHT变换检测图像中的圆时,容易出现误检测(即将图像中的其他区域偶然检测成了圆)。或者易出现所检测到的目标圆区域中包含同心圆(圆心相同或接近,半径不同);在X、Y、R分组过程中,除了解决同心圆的问题外,还把误差圆排除掉。当连续多帧中,检测到同一个圆的次数较多时,认为是有效目标圆,当检测到同一个圆的次数较少时,认为是误差,予以排除。
根据本发明优选的,所述步骤2.2.2)中兴趣区域内交通标志的形状包括,圆形、椭圆形、三角形和类正方形。
进一步优选的,所述步骤2.4)中,对所述提取图像Image4进行归一化处理的具体方法如下:
根据透视变换的原理,二维图像经过透视变换后的新坐标为:
其中(x,y)是原图像的像素坐标,(u,v)是透视变换后图像的像素坐标,a,b,c,d,e,f,m,l是透视变换参数;
式(2)的矩阵形式为:
在原图像中的四个像素点坐标记为(x1,y1)(x2,y2)(x3,y3)(x4,y4),相应的透视变换后图像中对应点的坐标记为(u1,v1)(u2,v2)(u3,v3)(u4,v4),可得:
将式(4)记为:B=AM (5)
则:M=A-1B (6)
由(2)式得:
用矩阵可表示为:
透视变换的反变换公式:
椭圆几何校正算法:
E1)椭圆的一般方程为:
Ax2+Bxy+Cy2+Dx+Ey+1=0 (10)
长轴倾角为θ:
椭圆的圆心坐标为:
椭圆的长、短半轴的长度分别为a和b,满足:
E2)椭圆的最小外接矩形AeBeCeDe的四个顶点坐标分别为:
E3)设透视变换后圆的半径为r,透视变换后的圆的最小外接正方形EeFeGeHe的四个顶点坐标分别为:Ee(0,0);Fe(2r,0);Ge(2r,2r);He(0,2r);
E4)将变换前后的四个点对代入公式(6),得到透视参数矩阵M;
E5)利用透视反变换公式(9),求出透视变换后的图像中整数像素点坐标对应在原始图像中的浮点数坐标位置;
E6)利用双线性插值算法,遍历透视变换后的图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
三角形几何校正算法:
T1)在三角形AtBtCt顶点上构建一个外接平行四边形AtBtDtEt,三角形的底边AtBt作为平行四边形AtBtDtEt的一个边,三角形顶点Ct作为平行四边形AtBtDtEt另一个边DtEt的中点;
T2)通过Hough变换三角形检测算法,检测三角形的三个顶点坐标分别为:At(x1,y1);Bt(x2,y2);Ct(x3,y3);则,平行四边形AtBtDtEt的四个顶点的坐标分别为:At(x1,y1);Bt(x2,y2);
T3)设透视变换后等边三角形的边长为w,透视变换后等边三角形外接矩形的四个顶点坐标分别为:Ft(0,0);Gt(w,0);
T4)将透视变换前后的四个点代入公式(6),得到透视参数矩阵M;
T5)利用透视反变换公式(9),求出透视变换后的图像中整数像素点坐标对应在原始图像中的浮点数坐标;
T6)利用双线性插值算法,遍历透视变换后图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
类正方形几何校正算法:
S1)类正方形As Bs Cs Ds顶点坐标分别为:As(x1,y1);Bs(x2,y2);Cs(x3,y3);Ds(x4,y4);设透视变换后正方形的边长为w,透视变换后正方形EsFsHsGs的四个顶点坐标分别为:Es(0,0);Fs(w,0);Hs(w,w);Gs(0,w);将变换前后的四个点对全部求出后,代入公式(6),得到透视参数矩阵M;
S2)利用透视反变换公式(9),求出新图像中的整数像素点坐标对应在原始图像的浮点数坐标;
S3)利用双线性插值算法,遍历透视变换后图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
本发明的有益效果为:
1.本发明所述道路交通标志自动检测识别方法,识别交通标志种类多、精度高、识别准确性高、鲁棒性好;并有效降低了光照、几何形变、旋转等影响,具有较高的抗干扰能力;
2.本发明通过对原始矩阵内的数据依次进行X分组、Y分组和R分组,有效避免了误检测和同心圆问题,提高检测的准确性;
3.本发明所述椭圆归一化校正算法,将几何失真的圆形交通标志处理成标准的圆形,尽量少的丢失像素,为后续识别检测提供了标准的圆形图像,避免了因拍摄角度造成的交通标志几何失真而引起的漏检测;
4.本发明所述三角形归一化校正算法,将几何失真的三角形交通标志处理成标准的等边三角形,尽量少的丢失像素,为后续识别检测提供了标准的等边三角形图像,避免了因拍摄角度造成的交通标志几何失真而引起的漏检测;
5.本发明所述类正方形归一化校正算法,将几何失真的正方形交通标志处理成标准的正方形,且尽量少的丢失像素,为后续识别检测提供了标准的正方形图像,避免了因拍摄角度造成的交通标志几何失真而引起的漏检测;
6.本发明所述SVM仲裁器表决方法,有效减少了分类错误的可能性;
7.本发明基于Canny边缘检测与Sobel边缘检测相结合的方法,可准确的检测出图像边缘,且保留了Sobel边缘提取图像中的纹理特征,为后续检测提供了充足的信息。
附图说明
图1为原始图像;
图2为灰度处理后的图像;
图3为彩色边缘图像Image1;
图4为灰度图像Image2;
图5为灰度边缘图像Image3;
图6为在灰度边缘图像Image3中提取的兴趣区域图像;
图7为在灰度图像Image2中提取的兴趣区域图像;
图8为双线性插值算法原理示意图;
图9为Sobel算子垂直方向的模板;
图10为Sobel算子水平方向的模板;
图11为对同心圆的处理的方法流程图;
图12为X分组、Y分组和R分组的方法示意图;
图13圆形提取未分组图像;
图14为X分组、Y分组和R分组的处理后的图像;
图15为识别分类检测的方法流程图;
图16为本发明所述道路交通标志自动检测识别方法整体流程图。
图17为实施例10中变换前椭圆的示意图;
图18为实施例10中变换后圆的示意图;
图19为实施例11中变换前三角形的示意图;
图20为实施例11中变换后三角形的示意图;
图21为实施例12中变换前类正方形的示意图;
图22为实施例12中变换后正方形的示意图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明,但不限于此。
实施例1
一种道路交通标志自动检测识别方法,基于自动检测识别系统实现,所述自动检测识别系统包括,交通标志采集模块、交通标志检测处理模块和交通标志识别模块(所述自动检测识别系统为基于PC机的硬件系统);所述道路交通标志自动检测识别方法包括步骤如下:
1)所述交通标志采集模块采集行车环境中道路上方及道路两侧的图像;
2)所述交通标志检测处理模块对步骤1)采集的图像进行处理:
2.1)采用双线性插值算法将步骤1)采集的图像缩放为统一分辨率大小,得到第二交通环境图像;
2.2)将步骤2.1)归一化处理得到的第二交通环境图像进行分支处理;
2.2.1)利用Sobel边缘检测算法对所述第二交通环境图像进行检测,得到彩色边缘图像Image1,并将所述彩色边缘图像Image1通过灰度变换变换为灰度图像Image2;灰度变换是现有技术中常用的图像处理方法。
Sobel边缘检测算子是由两个卷积核g1(x,y)与g2(x,y)对原图像f(x,y)进行卷积运算而得到的,是现有技术中常用的一种图像处理方式。其数学表达式为:
Sobel边缘检测算子所采用的算法是先进行加权平均,然后进行微分运算,可以用差分代替一阶偏导,算子的计算方法如下:
Sobel算子垂直方向和水平方向的模板如图9、图10所示,前者可以检测出图像中水平方向的边缘,后者则可以检测图像中垂直方向的边缘。图像中每一个像素点都用这两个卷积核进行卷积运算,取其最大值作为输出。运算结果是一幅体现边缘幅度的图像。
2.2.2)直接对所述第二交通环境图像进行灰度处理:利用Canny边缘检测算子检测第二交通环境图像的边缘,得到灰度边缘图像Image3;利用Hough检测灰度边缘图像Image3中的兴趣区域;分别输出兴趣区域内不同形状交通标志对应的X-Y平面参数;兴趣区域内交通标志的形状包括为圆形;
Canny边缘检测算子是现有技术中对图像进行处理的常用方法。根据边缘检测的有效性和定位的可靠性,Canny给出评价边缘检测性能的三个指标:
①高的准确性,检测结果中应尽量多的包含真正的边缘,而尽量少的包含假边缘。
②高的精确度,检测到的边缘应该在真正的边界上。
③单像素宽,要有很高的选择性,对每个边缘有唯一的响应。
针对这三个指标,Canny提出了用于边缘检测的一阶微分滤波器h'(x)的三个最优化标准则,即最大信噪比准则、最优过零点定位准则和单边缘响应准则。具体如下:
(a)信噪比准则
式中,G(x)为边缘函数;h(x)为带宽为W的低通滤波器的脉冲响应;σ是高斯噪声的均方差。
(b)定位精确度准则
L为边缘的定位精度,定义如下:
式中,G'(x)和h'(x)为G(x)和h(x)的一阶导数;L是对边缘定位精确程度的度量,L越大定位精度越高。
(c)单边缘响应准则
要保证对但边缘只有一个响应,检测算子的脉冲响应导数的零交叉点平均距离应该满足:
式中,h”(x)是h(x)的二阶导数;f'是进行边缘检测后的图像。
这三个准则是对前述边缘检测指标的定量描述。对于阶跃形的边缘,Canny推导出的最优边缘检测器的形状与高斯函数的一阶导数类似,因此Canny边缘检测器就是高斯函数的一阶导数构成的。高斯函数是圆对称的,因此,Canny算子在边缘方向上是对称的,在垂直于边缘的方向上是反对称的。
设二维高斯函数为:其中,σ是高斯函数的分布参数,可用以控制对图像的平滑程度。最优阶跃边缘检测算子以卷积▽G*f(x,y)为基础的,边缘强度为|▽G*f(x,y)|,而边缘方向为
从高斯函数的定义可知,该函数是无限拖尾的,在实际应用中,一般情况下是将原始模板截断到有限尺寸N。本专利中实验表明,当时,能够获得较好的边缘检测结果。下面给出Canny算子的具体实现。
利用高斯函数的可分性,将▽G的两个滤波卷积模板分解为两个一维的行列滤波器:
其中,
可见,h1(x)=xh2(x),h1(y)=yh2(y),k为常数。
然后把这两个模板分别与f(x,y)进行卷积,得到
令则A(i,j)反映边缘强度,a(i,j)为垂直于边缘的方向。
根据Canny的定义,中心边缘点为算子Gn与图像f(x,y)的卷积在边缘梯度方向上的区域中的最大值。这样,就可以在每一点的梯度方向上判断此点强度是否为其领域的最大值来确定该点是否为边缘点。当一个像素满足以下三个条件时,则被认为是图像的边缘点。
1)该点的边缘强度大于沿该点梯度方向的两个相邻像素点的边缘强度;
2)与该点梯度方向上相邻两点方向差小于45°;
3)以该点为中心的3×3领域中的边缘强度极大值小于某个阈值。
此外,如果1)和2)同时被满足,那么在梯度方向上的相邻像素就从候选边缘点中取消,条件3)相当于区域梯度最大值组成的阈值图像与边缘点进行匹配,这一过程消除了许多虚假的边缘点。
Canny边缘检测算子步骤如下:Step1:用高斯滤波器对图像进行滤波消噪;Step2:用一阶偏导的有限差分来计算梯度的幅值和方向;Step3:对梯度幅值进行非极大值抑制;Step4:用双阈值算法检测和连接边缘。
2.3)利用步骤2.2.2)得到的X-Y平面参数,对所述灰度图像Image2进行提取,忽略兴趣区域外的像素,只保留兴趣区域内的像素,得到提取图像Image4;经过大量实验验证,灰度图像Image2中包含的纹理细节比使用Canny算子所提取出的灰度边缘图像Image3包含的纹理细节信息量大,具有更好的分类效果;因此,我们在灰度图像Image2中提取兴趣区域。
通过观察图1-图5;对比图6和图7可以看出,Canny算子所提取的兴趣区域中所包含的图像纹理信息要明显少于Sobel算子提取的图像纹理信息。
2.4)对所述提取图像Image4进行归一化处理得到标准图像Image5;
3)交通标志识别模块对标准图像Image5进行训练和识别分类检测;
3.1)分类器训练:将所述标准图像Image5以图片文件的形式作为训练图像保存到存储器中,当存储器中训练图像的数目达到N后,开始训练过程;训练过程具体如下:提取每张训练图像的LBP纹理特征;设置4个SVM,分别对训练图像的LBP纹理特征进行训练,生成分类器模型文件,用于识别分类检测;4个SVM分别为LINEAR线性核、2个POLY多项式核、RBF径向基核;每个SVM设置有不同的参数。所述SVM的参数包括惩罚因子。
3.2)识别分类检测:对所述标准图像Image5进行LBP纹理特征提取,使用4个SVM同时对标准图像Image5进行识别分类后对各SVM识别分类的结果进行评估:当各SVM对标准图像Image5的识别分类结果一致时,输出识别分类结果;当4个识别分类结果不一致时,认为所识别的图像不具备分类特征,不予处理;4个SVM分别为LINEAR线性核、2个POLY多项式核、RBF径向基核;每个SVM设置有不同的参数。所述SVM的参数包括惩罚因子。这样在一定程度上可以减少分类错误情况的发生;具体过程如图15所示。
采用“间接法”中的“一对一法”完成二类分类器实现多分类的功能。为了进一步提高分类的精度,在实现的过程中,同时创建四个分类器(每个分类器都是使用“一对一法”构建的多类分类器)。
如图15所示,在核函数的选择上分类器①、②、③、④分别采用的不同的核函数,核函数分别为LINEAR(线性核)、POLY(多项式核)、POLY(多项式核)、RBF(径向基核),且为每一个SVM设置了不同的惩罚因子。其中,LINEAR(线性)核函数的公式为:κ(x,xi)=x·xi;POLY(多项式)核函数:κ(x,xi)=((x·xi)+1)d;RBF(径向基)核函数:
不同的核函数设定不同参数。经过了不同核函数与参数调整的分类器使用相同的样本进行训练,并且当有输入信号进来的时候,四个分类器同时进行分类后由仲裁器综合评估各分类器分类的结果,当4个识别结果一致时,确定并输出分类结果,当4个SVM输出结果不一致时,认为所识别的图像不具备分类特征,不予处理,这样在一程度上可以减少分类错误的情况的发生。
4)重复步骤1)-3)。步骤1)-3)会不断重复直至检测结束;但是,在样本不变的情况下,对所有样本的训练只进行一次,对模型文件的加载只进行一次,即步骤3.1)只进行一次即可。
实施例2
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,所述交通标志检测处理模块的程序在图像处理器中运行。
实施例3
如实施例2所述的道路交通标志自动检测识别方法,所不同的是,所述步骤1)中,所述交通标志采集模块通过车载摄像机实时拍摄行车环境中的道路上方及道路两侧的图像并存入内存,供图像处理器读取;车载摄像机的图像采集速率为30帧/秒;图像处理器内设定有软件定时器,间隔时间t读取内存中的图像信息,t=30ms。
实施例4
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,所述步骤2.1)中采用双线性插值算法将步骤1)采集的图像缩放为统一分辨率320×240(图像的原尺寸为:1280×960);所述标准图像Image5的像素为60×60。
采用双线性插值算法对图像进行缩放(双线性插值算法的核心思想是在两个方向分别进行一次线性插值)的步骤如下:(如图8所示)
已知函数f在Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1)以及Q22=(x2,y2)四个点的值,欲
求未知函数f在点P=(x,y)的值。
第一步:在x方向进行线性插值,得到:
其中,R1=(x,y1)
其中,R1=(x,y2)
第二步:在y方向进行线性差值,得到:
最终即可得到所要的结果f(x,y)。
实施例5
如图11所示。
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,所述步骤2.2.2)中通过PPHT检测处理目标区域内圆形的方法如下:
A1、将采集到的连续多帧图像,按步骤2.2.1)的方法转化成灰度边缘图像Image3(1),Image3(2),……,Image3(p);其中,p=5;
A2、在每一张灰度边缘图像Image3(1),Image3(2),……,Image3(p)中使用PPHT算法找圆,将所有圆的X-Y平面参数存入同一个原始矩阵MT0中,原始矩阵MT0共3列,i行,i表示检测到的圆的总数量;所述圆的X-Y平面参数包括,圆心的x坐标、圆心的y坐标和圆的半径r;所述原始矩阵MT0的第1列用于保存检测到的圆的圆心x坐标,所述原始矩阵MT0的第2列用于保存检测到的圆的圆心y坐标,所述原始矩阵MT0的第3列用于保存检测到的圆的半径r;
A3、检测原始矩阵MT0的行数i,如果原始矩阵MT0的行数i<m(m=5),则判定原始矩阵MT0中对应的圆为误差圆,清空原始矩阵MT0并回到步骤1);如果原始矩阵MT0中的行数i≥m,则进行步骤A4;当检测到的圆的数量较低时,则判定图像中实际不存在圆,所检测到的少数圆只是误差圆。
A4、对原始矩阵MT0依次进行X分组、Y分组和R分组处理,处理同心圆问题,输出目标圆参数;
交通标志图像中的圆形图像边缘常常包含多个同心圆,通过在多个同心圆中选取半径最大的圆作为兴趣区域,实现对兴趣区域的准确定位;上述步骤是对连续的p帧图像所进行的处理,检测兴趣区域内的圆形;
采用概率霍夫变换(PPHT)检测圆形,步骤如下:Step1:随机获取图像边缘上的前景点,映射到参数空间画曲线;Step2:当参数空间里有交点达到最小投票数,将该点对应的X-Y平面坐标系里的圆找出来;Step3:搜索边缘上的前景点,将位于圆上的点(点与点之间的距离小于设定阈值)连接起来,保存该圆的参数(圆心坐标、半径),然后将该圆从输入图像内删除,防止出现重复或无效检测;Step4:如果圆的半径在给定的范围内,则将该圆检测结果存入数组;Step5:重复上述4个步骤;Step6:输出检测到的所有圆的参数数据。
通过对比图13、图14可以看出,X分组、Y分组和R分组的处理能够在很大程度上减少误检测情况的发生,能够定位同心圆的最外圆。
实施例6
如图12所示。
如实施例5所述的道路交通标志自动检测识别方法,所不同的是,X分组的具体步骤如下:
X1:将所述原始矩阵MT0中每一行作为一个整体,按第1列元素x的大小升序排序;排序后的原始矩阵记为MT1;
设矩阵MT1为:
X2:将矩阵MT1进行X分组,得到X分组子矩阵,具体方法如下:
依次计算数组(x1)的方差Dx1,数组(x1,x2)的方差Dx2,数组(x1,x2,x3)的方差Dx3,……,数组(x1,x2,…,xk1)的方差Dxk1,数组(x2,x3,…,xk1+1)的方差Dx(k1+1),数组(x3,x4,…,xk1+2)的方差Dx(k1+2),……,数组(xn-k1,xn-k1+1,…,xn-1,xn)的方差Dxn,直至Dxn≥σx;k1表示计算方差时所选取的元素的最大数量;其中,k1=4,σx=3.2;为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k1;
X3:检查当前行号n,如果n<LX,则删除矩阵MT1中的前n-1行,得到矩阵MT2;如果n≥LX,则将矩阵MT1的前n-1行抽取出来作为矩阵MT1的第1个X分组子矩阵,记为MTX1;将矩阵MT1的前n-1行删除,作为矩阵MT2;其中,LX为X分组最少行阈值,其中,LX=6,如果n<LX,则认为该分组矩阵内的圆数量太少,为误差圆;
矩阵MTX1为:
矩阵MT2为:
X4:对矩阵MT2重复步骤X2和X3,依次得到第2个X数组子矩阵MTX2、第3个X数组子矩阵MTX3、……、第z个X分组子矩阵MTXz,直到将矩阵MT1内所有数据进行了X分组处理;
Y分组的具体步骤如下:
Y1:将X分组子矩阵中每一行为一个整体,按照第2列元素的大小升序排列;排序后的矩阵记为MTXA1;
Y2:将矩阵MTXA1中每一行为一个整体进行Y分组,得到Y分组子矩阵,具体方法如下:
设矩阵MTXA1为:
依次计算数组(ya)的方差Dy1,数组(ya,yb)的方差Dy2,数组(ya,yb,yc)的方差Dy3,数组(ya,yb,…,yk2)的方差Dyk2,数组(yb,yc,…,yk2+1)的方差Dy(k2+1),数组(yc,yd,…,yk2+2)的方差Dy(k2+2),……,数组(yn-k2,yn-k2+1,…,yn-1,yn)的方差Dyn;直至Dyn≥σy,停止方差计算;k2表示计算方差时所选取的元素的最大数量;为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k2;其中,σy=3.2;k2=4;
Y3:检查当前行号n,如果n<LY,删除矩阵MTXX1的前n-1行,生成矩阵MTXB1;如果n≥LY,则将矩阵MTXX1的前n-1行抽取出来,作为矩阵MTXA1的第1个Y分组子矩阵,记为MTX1Y1;将矩阵MTXX1的前n-1行删除,作为矩阵MTXB1;其中,LY为Y分组最少行阈值;其中,LY=4;
矩阵MTXX1生成的第1个Y分组子矩阵MTX1Y1为:
Y4:对矩阵MTXB1重复步骤Y2和Y3,依次得到第2个Y数组子矩阵MTX1Y2、第3个Y数组子矩阵MTX1Y3、……、第w个Y分组子矩阵MTX1Yw,直到将矩阵MTXX1内所有数据进行了Y分组处理;
Y5:将X分组后得到的其他子矩阵MTX2、MTX3、……、MTXz逐次执行步骤Y1~步骤Y4,最终得到X、Y两步分组后的子矩阵:MTX1Y1、MTX1Y2、…、MTX1Yw;MTX2Y1、MTX2Y2、…、MTX2Yu;……;MTXzY1、MTXzY2、…、MTXzYv。
经过X分组和Y分组后,得到的每一个子矩阵内的圆数据均为同心圆数据,半径可能不同,但圆心一致或接近;后续所述R分组目的是从众多同心圆中,选取半径较大且接近的圆求半径平均值,作为目标圆进行提取。
R分组的具体步骤如下:
R1:将Y分组得到的第1个Y分组子矩阵按照第3列元素r的大小降序排序;排序后的矩阵记为MTX1Y1R;
R2:将矩阵MTX1Y1R中每一行作为一个整体,按照第3列元素r的大小进行分组,仅保留第一个R分组,即r值最大的一个分组,其余数据表示同心圆中半径较小的圆,予以删除;具体方法如下:
设排序后的矩阵MTX1Y1R为:
依次计算数组(r13)的方差Dr1,数组(r13,r23)的方差Dr2,数组(r13,r23,r33)的方差Dr3,数组(r13,r23,…,r(k3)3)的方差D(k3)3,数组(r23,r33,…,r(k3)3)的方差D(k3+1)3,……,数组(rn-k3,rn-k3+1,…,rn-1,rn)的方差Drn,直至Drn≥σr,停止方差计算;k3表示计算方差时所选取的元素的最大数量,为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k3;其中,k3=4,σr=2;
R3:检查当前行号n,如果n<LR,删除矩阵MTX1Y1R的前n-1行,生成矩阵MTX1Y1RB,将MTX1Y1RB返回步骤R2替代矩阵MTX1Y1R重新进行提取;如果n≥LR,则将矩阵MTX1Y1R的前n-1行抽取出来,作为矩阵MTX1Y1R的第1个R分组子矩阵,记为MTX1Y1R1;对矩阵MTX1Y1R中的其他数据不再处理;其中,LR为R分组最少行阈值;其中,LR=4;
当n≥LR时,矩阵MTX1Y1R生成的第1个R分组子矩阵MTX1Y1R1为:
R4:将矩阵MTX1Y1R1中每一列元素求平均值,得到对应目标圆的参数(avr_X,avr_Y,avr_R);
R5:将所述Y分组得到的子矩阵MTX1Y2、…、MTX1Yw;MTX2Y1、MTX2Y2、…、MTX2Yu;……;MTXzY1、MTXzY2、…、MTXzYv分别执行上述步骤R1-R4;分别求出每个目标圆的参数。
Hough变换仅仅查找边缘点的排列方式,由于意外的像素排列以及噪声的影响,很有可能带来错误检测;因此,采取算法尽量避免误检测的发生,并在多个同心圆中选取半径最大的圆作为兴趣区域,这是非常有必要的。
当用PPHT变换检测图像中的圆时,容易出现误检测(即将图像中的其他区域偶然检测成了圆)。或者易出现所检测到的目标圆区域中包含同心圆(圆心相同或接近,半径不同);在X、Y、R分组过程中,除了解决同心圆的问题外,还把误差圆排除掉。当连续多帧中,检测到同一个圆的次数较多时,认为是有效目标圆,当检测到同一个圆的次数较少时,认为是误差,予以排除。
实施例7
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,兴趣区域内交通标志的形状为椭圆形。椭圆检测步骤:Step1:计算图像中各点的梯度斜率k1并存储;Step2:用Canny算子提取边缘并二值化;Step3:构造边缘点集D,初始化参数单元集P=NULL,循环次数k=0;Step4:从D中随机选取2个点P1、P2,如果二者之间的距离大于d,则转Step5,否则转Step11;Step5:按照参考文献中的方法搜索椭圆点P3,如果能搜索到,转Step6,否则转Step11;Step6:检验P3处的切线与弦P1P2是否平行,若是转Step7,否则转Step11;Step7:以P1、P2、P3三点为中心作正方形窗口,将窗口内的所有点做最小二乘拟合,得到椭圆参数p,如果p满足判别式,则转Step8,否则转Step11;Step8:在P中找一个Pc满足,是容许误差,若找到了则转Step10,否则转Step;Step9:将p插入P,令其值为1,转Step11;Step10:将pc的值加1,若小于阈值Nt,则转Step11,否则,转Step12;Step11:k=k+1,若k>Kmax,结束。否则,转Step4;Step12:pc为候选椭圆的参数,验证该参数对应椭圆上的点数M,若M>Mmax转Step13,否则为误检测椭圆,从P中去除pc,转Step4;Step13:检测到参数为pc的真实椭圆,判断已检测到的椭圆是否达到规定的数目,若是,结束;否则,将落到参数pc对应椭圆的点从D中去除,重置参数单元集P=NULL,循环次数k=0,转Step4。
实施例8
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,兴趣区域内交通标志的形状为三角形。三角形检测步骤:Step1:输入Canny算法处理的到的边缘图像I;Step2:修补图像I上的断裂点;Step3:初始化新的图像T,T的大小与I相同,将T所有的像素设为0;Step4:逐行扫描图像I,如果扫描到当前像素的值为非0,则记录该点为X0,并重置T,使T的每个像素点的值为0,然后转Step5。如果扫描到的当前像素的值为0,则继续扫描下一个像素。如果图像已经被扫描完,则退出检测;Step5:将X0所在的连通域边缘抽取出来,反复迭代下式:其中,X0为一个已知的起点,Xk表示对该公式迭代k次所抽取出来的与点X0连通的连通分量。表示对连通分量Xk-1进行形态学上的膨胀操作。再与原始图像相交把与点X0连通的所有像素点都抽取出来,当Xk=Xk-1时循环结束,连通分量不再增长,算法收敛;Step6:更新原始图像I=I-T。将抽取出来的连通边缘从原图像中擦掉;Step7:对图像T中被连通边缘所围的区域进行填充;Step8:检查图像T中区域的顶点的个数若顶点个数不为3则转到Step4;Step9:通过三个顶点的坐标计算三边(分别为a,b,c)边长,若三边中任何一边小于给定的阈值,转到Step4,该步骤可确保所检测到的三角形接近正三角形,过滤掉噪声三角形;Step10:计算区域面积S,若区域为三角形则应满足海伦公式(前面有公式描述),若满足上述式子,则将该区域的三个顶点坐标当作结果之一输出,转Step4迭代;Step11:输出结果,算法结束。
实施例9
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,兴趣区域内交通标志的形状为矩形。Hough变换检测类正方形的步骤:Step1:霍夫变换检测直线(包括寻找投票空间的峰值点);Step2:设从投票空间内选取了m个峰值点,分别H1=(ρ1,θ1),H2=(ρ2,θ2),...,Hm=(ρm,θm)。首先,满足下列条件的顶点Hi和Hj被配对在一起:
Δθ=|θi-θj|<Tθ
其中,C(ρi,θi)代表投票空间内点(ρi,θi)的票数,Tθ是角度阈值,TL是归一化阈值。
用Pk(αk,ξk)来表示每对满足上述不等式组的峰值点Hi和Hj,其中
Step3:比较所有的Pk(k=1,2…),得到满足下式条件的Pi和Pj;
Δα=||αi-αj|-90°|<Tα
其中Tα是角度阈值,通过调整Tα的大小,可把因拍摄角度原因而由正方形几何形变产生的平行四边形(类正方形)检测出来,可通过几何校正转化为正方形。同时通过比较边长排除与正方形相差较大的四边形。通过上式判断后的4个峰值点分别代表的直线段围成的区域被判定为类正方形。Step4:计算类正方形面积,与提前设定的阈值比较,小于给定阈值则丢弃,大给定阈值则将类正方形在X-Y平面内的四个顶点坐标输出。
实施例10
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,所述步骤2.4)中,对所述提取图像Image4进行归一化处理的具体方法如下:
根据透视变换的原理,二维图像经过透视变换后的新坐标为:
其中(x,y)是原图像的像素坐标,(u,v)是透视变换后图像的像素坐标,a,b,c,d,e,f,m,l是透视变换参数;
式(2)的矩阵形式为:
在原图像中的四个像素点坐标记为(x1,y1)(x2,y2)(x3,y3)(x4,y4),相应的透视变换后图像中对应点的坐标记为(u1,v1)(u2,v2)(u3,v3)(u4,v4),可得:
将式(4)记为:B=AM (5)
则:M=A-1B (6)
由(2)式得:
用矩阵可表示为:
透视变换的反变换公式:
椭圆几何校正算法:
E1)椭圆的一般方程为:
Ax2+Bxy+Cy2+Dx+Ey+1=0 (10)
长轴倾角为θ:
椭圆的圆心坐标为:
椭圆的长、短半轴的长度分别为a和b,满足:
如图17、图18所示;
E2)椭圆的最小外接矩形AeBeCeDe的四个顶点坐标分别为:
E3)设透视变换后圆的半径为r,透视变换后的圆的最小外接正方形EeFeGeHe的四个顶点坐标分别为:Ee(0,0);Fe(2r,0);Ge(2r,2r);He(0,2r);
E4)将变换前后的四个点对代入公式(6),得到透视参数矩阵M;
E5)利用透视反变换公式(9),求出透视变换后的图像中整数像素点坐标对应在原始图像中的浮点数坐标位置;
E6)利用双线性插值算法,遍历透视变换后的图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
实施例11
如实施例10所述的道路交通标志自动检测识别方法,所不同的是,所述步骤2.4)中,对所述提取图像Image4进行归一化处理的具体方法如下:
三角形几何校正算法:
如图19、图20所示。
T1)在三角形AtBtCt顶点上构建一个外接平行四边形AtBtDtEt,三角形的底边AtBt作为平行四边形AtBtDtEt的一个边,三角形顶点Ct作为平行四边形AtBtDtEt另一个边DtEt的中点;
T2)通过Hough变换三角形检测算法,检测三角形的三个顶点坐标分别为:At(x1,y1);Bt(x2,y2);Ct(x3,y3);则,平行四边形AtBtDtEt的四个顶点的坐标分别为:At(x1,y1);Bt(x2,y2);
T3)设透视变换后等边三角形的边长为w,透视变换后等边三角形外接矩形的四个顶点坐标分别为:Ft(0,0);Gt(w,0);
T4)将透视变换前后的四个点代入公式(6),得到透视参数矩阵M;
T5)利用透视反变换公式(9),求出透视变换后的图像中整数像素点坐标对应在原始图像中的浮点数坐标;
T6)利用双线性插值算法,遍历透视变换后图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
实施例12
如实施例10所述的道路交通标志自动检测识别方法,所不同的是,所述步骤2.4)中,对所述提取图像Image4进行归一化处理的具体方法如下:
类正方形几何校正算法:
如图21、图22所示;
S1)类正方形As Bs Cs Ds顶点坐标分别为:As(x1,y1);Bs(x2,y2);Cs(x3,y3);Ds(x4,y4);设透视变换后正方形的边长为w,透视变换后正方形EsFsHsGs的四个顶点坐标分别为:Es(0,0);Fs(w,0);Hs(w,w);Gs(0,w);将变换前后的四个点对全部求出后,代入公式(6),得到透视参数矩阵M;
S2)利用透视反变换公式(9),求出新图像中的整数像素点坐标对应在原始图像的浮点数坐标;
S3)利用双线性插值算法,遍历透视变换后图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
实施例13
如实施例1所述的道路交通标志自动检测识别方法,所不同的是,所述自动检测识别系统基于嵌入式的硬件系统。由嵌入式图像处理器、存储器、拍摄装置、语音提示装置组成。其中处理器部分为控制核心和图像处理的核心部分。存储器用于存储程序、数据、以及中间处理结果。拍摄装置负责拍摄道路上方或右侧出现的交通标志图像。语音提示装置负责检测到交通标志结果后用于提示语音提示驾驶员。
Claims (8)
1.一种道路交通标志自动检测识别方法,基于自动检测识别系统实现,所述自动检测识别系统包括,交通标志采集模块、交通标志检测处理模块和交通标志识别模块;其特征在于,所述道路交通标志自动检测识别方法包括步骤如下:
1)所述交通标志采集模块采集行车环境中道路上方及道路两侧的图像;
2)所述交通标志检测处理模块对步骤1)采集的图像进行处理:
2.1)采用双线性插值算法将步骤1)采集的图像缩放为统一分辨率大小,得到第二交通环境图像;
2.2)将步骤2.1)处理得到的第二交通环境图像进行分支处理;
2.2.1)利用Sobel边缘检测算法对所述第二交通环境图像进行检测,得到彩色边缘图像Image1,并将所述彩色边缘图像Image1灰度变换为灰度图像Image2;
2.2.2)直接对所述第二交通环境图像进行灰度处理:利用Canny边缘检测算子检测第二交通环境图像的边缘,得到灰度边缘图像Image3;利用Hough检测灰度边缘图像Image3中的兴趣区域;分别输出兴趣区域内不同形状交通标志对应的X-Y平面参数;
2.3)利用步骤2.2.2)得到的X-Y平面参数,对所述灰度图像Image2进行提取,忽略兴趣区域外的像素,只保留兴趣区域内的像素,得到提取图像Image4;
2.4)对所述提取图像Image4进行归一化处理得到标准图像Image5;
3)交通标志识别模块对标准图像Image5进行训练和识别分类检测;
3.1)分类器训练:将所述标准图像Image5以图片文件的形式作为训练图像保存到存储器中,当存储器中训练图像的数目达到N后,开始训练过程;训练过程具体如下:提取每张训练图像的LBP纹理特征;设置p个SVM,分别对训练图像的LBP纹理特征进行训练,生成分类器模型文件,用于识别分类检测;
3.2)识别分类检测:对所述标准图像Image5进行LBP纹理特征提取,使用p个SVM同时对标准图像Image5进行识别分类后对各SVM识别分类的结果进行评估:当各SVM对标准图像Image5的识别分类结果一致时,输出识别分类结果;当p个识别分类结果不一致时,认为所识别的图像不具备分类特征,不予处理;
4)重复步骤1)-3)。
2.根据权利要求1所述的道路交通标志自动检测识别方法,其特征在于,基于自动检测识别系统实现,所述交通标志检测处理模块的程序在图像处理器中运行;所述步骤1)中,所述交通标志采集模块通过车载摄像机实时拍摄行车环境中的道路上方及道路两侧的图像并存入内存,供图像处理器读取;车载摄像机的图像采集速率为30帧/秒或25帧/秒;图像处理器内设定有软件定时器,间隔时间t读取内存中的图像信息。
3.根据权利要求1所述的道路交通标志自动检测识别方法,其特征在于,所述步骤2.1)中采用双线性插值算法将步骤1)采集的图像缩放为统一分辨率320×240;所述标准图像Image5的像素为60×60。
4.根据权利要求1所述的道路交通标志自动检测识别方法,其特征在于,所述p=4;4个SVM分别为LINEAR线性核、2个POLY多项式核、RBF径向基核;每个SVM设置有不同的参数;所述SVM的参数包括惩罚因子。
5.根据权利要求1所述的道路交通标志自动检测识别方法,其特征在于,所述步骤2.2.2)中通过PPHT检测处理目标区域内圆形的方法如下:
A1、将采集到的连续多帧图像,按步骤2.2.1)的方法转化成灰度边缘图像Image3(1),Image3(2),……,Image3(p);
A2、在每一张灰度边缘图像Image3(1),Image3(2),……,Image3(p)中使用PPHT算法找圆,将所有圆的X-Y平面参数存入同一个原始矩阵MT0中,原始矩阵MT0共3列,i行,i表示检测到的圆的总数量;所述圆的X-Y平面参数包括,圆心的x坐标、圆心的y坐标和圆的半径r;所述原始矩阵MT0的第1列用于保存检测到的圆的圆心x坐标,所述原始矩阵MT0的第2列用于保存检测到的圆的圆心y坐标,所述原始矩阵MT0的第3列用于保存检测到的圆的半径r;
A3、检测原始矩阵MT0的行数i,如果原始矩阵MT0的行数i<m,则判定原始矩阵MT0中对应的圆为误差圆,清空原始矩阵MT0并回到步骤1);如果原始矩阵MT0中的行数i≥m,则进行步骤A4;
A4、对原始矩阵MT0依次进行X分组、Y分组和R分组处理,处理同心圆问题,输出目标圆参数。
6.根据权利要求5所述的道路交通标志自动检测识别方法,其特征在于,X分组的具体步骤如下:
X1:将所述原始矩阵MT0中每一行作为一个整体,按第1列元素x的大小升序或降序排序;排序后的原始矩阵记为MT1;
设矩阵MT1为:
X2:将矩阵MT1进行X分组,得到X分组子矩阵,具体方法如下:
依次计算数组(x1)的方差Dx1,数组(x1,x2)的方差Dx2,数组(x1,x2,x3)的方差Dx3,……,数组(x1,x2,…,xk1)的方差Dxk1,数组(x2,x3,…,xk1+1)的方差Dx(k1+1),数组(x3,x4,…,xk1+2)的方差Dx(k1+2),……,数组(xn-k1,xn-k1+1,…,xn-1,xn)的方差Dxn,直至Dxn≥σx;k1表示计算方差时所选取的元素的最大数量;
X3:检查当前行号n,如果n<LX,则删除矩阵MT1中的前n-1行,得到矩阵MT2;如果n≥LX,则将矩阵MT1的前n-1行抽取出来作为矩阵MT1的第1个X分组子矩阵,记为MTX1;将矩阵MT1的前n-1行删除,作为矩阵MT2;其中,LX为X分组最少行阈值;
矩阵MTX1为:
矩阵MT2为:
X4:对矩阵MT2重复步骤X2和X3,依次得到第2个X数组子矩阵MTX2、第3个X数组子矩阵MTX3、……、第z个X分组子矩阵MTXz,直到将矩阵MT1内所有数据进行了X分组处理;
Y分组的具体步骤如下:
Y1:将X分组子矩阵中每一行为一个整体,按照第2列元素的大小升序或降序排列;排序后的矩阵记为MTXA1;
Y2:将矩阵MTXA1中每一行为一个整体进行Y分组,得到Y分组子矩阵,具体方法如下:
设矩阵MTXA1为:
依次计算数组(ya)的方差Dy1,数组(ya,yb)的方差Dy2,数组(ya,yb,yc)的方差Dy3,数组(ya,yb,…,yk2)的方差Dyk2,数组(yb,yc,…,yk2+1)的方差Dy(k2+1),数组(yc,yd,…,yk2+2)的方差Dy(k2+2),……,数组(yn-k2,yn-k2+1,…,yn-1,yn)的方差Dyn;直至Dyn≥σy,停止方差计算;k2表示计算方差时所选取的元素的最大数量;
Y3:检查当前行号n,如果n<LY,删除矩阵MTXX1的前n-1行,生成矩阵MTXB1;如果n≥LY,则将矩阵MTXX1的前n-1行抽取出来,作为矩阵MTXA1的第1个Y分组子矩阵,记为MTX1Y1;将矩阵MTXX1的前n-1行删除,作为矩阵MTXB1;其中,LY为Y分组最少行阈值;
矩阵MTXX1生成的第1个Y分组子矩阵MTX1Y1为:
Y4:对矩阵MTXB1重复步骤Y2和Y3,依次得到第2个Y数组子矩阵MTX1Y2、第3个Y数组子矩阵MTX1Y3、……、第w个Y分组子矩阵MTX1Yw,直到将矩阵MTXX1内所有数据进行了Y分组处理;
Y5:将X分组后得到的其他子矩阵MTX2、MTX3、……、MTXz逐次执行步骤Y1~步骤Y4,最终得到X、Y两步分组后的子矩阵:MTX1Y1、MTX1Y2、…、MTX1Yw;MTX2Y1、MTX2Y2、…、MTX2Yu;……;MTXzY1、MTXzY2、…、MTXzYv;
R分组的具体步骤如下:
R1:将Y分组得到的第1个Y分组子矩阵按照第3列元素r的大小降序排序;排序后的矩阵记为MTX1Y1R;
R2:将矩阵MTX1Y1R中每一行作为一个整体,按照第3列元素r的大小进行分组,仅保留第一个R分组,即r值最大的一个分组,其余数据表示同心圆中半径较小的圆,予以删除;具体方法如下:
设排序后的矩阵MTX1Y1R为:
依次计算数组(r13)的方差Dr1,数组(r13,r23)的方差Dr2,数组(r13,r23,r33)的方差Dr3,数组(r13,r23,…,r(k3)3)的方差D(k3)3,数组(r23,r33,…,r(k3)3)的方差D(k3+1)3,……,数组(rn-k3,rn-k3+1,…,rn-1,rn)的方差Drn,直至Drn≥σr,停止方差计算;k3表示计算方差时所选取的元素的最大数量,为保证所计算出方差的有效性,规定了计算方差用数组的元素个数上限k3;
R3:检查当前行号n,如果n<LR,删除矩阵MTX1Y1R的前n-1行,生成矩阵MTX1Y1RB,将MTX1Y1RB返回步骤R2替代矩阵MTX1Y1R重新进行提取;如果n≥LR,则将矩阵MTX1Y1R的前n-1行抽取出来,作为矩阵MTX1Y1R的第1个R分组子矩阵,记为MTX1Y1R1;对矩阵MTX1Y1R中的其他数据不再处理;其中,LR为R分组最少行阈值;
当n≥LR时,矩阵MTX1Y1R生成的第1个R分组子矩阵MTX1Y1R1为:
R4:将矩阵MTX1Y1R1中每一列元素求平均值,得到对应目标圆的参数(avr_X,avr_Y,avr_R);
R5:将所述Y分组得到的子矩阵MTX1Y2、…、MTX1Yw;MTX2Y1、MTX2Y2、…、MTX2Yu;……;MTXzY1、MTXzY2、…、MTXzYv分别执行上述步骤R1-R4;分别求出每个目标圆的参数。
7.根据权利要求1所述的道路交通标志自动检测识别方法,其特征在于,所述步骤2.2.2)中兴趣区域内交通标志的形状包括,圆形、椭圆形、三角形和类正方形。
8.根据权利要求7所述的道路交通标志自动检测识别方法,其特征在于,所述步骤2.4)中,对所述提取图像Image4进行归一化处理的具体方法如下:
根据透视变换的原理,二维图像经过透视变换后的新坐标为:
其中(x,y)是原图像的像素坐标,(u,v)是透视变换后图像的像素坐标,a,b,c,d,e,f,m,l是透视变换参数;
式(2)的矩阵形式为:
在原图像中的四个像素点坐标记为(x1,y1)(x2,y2)(x3,y3)(x4,y4),相应的透视变换后图像中对应点的坐标记为(u1,v1)(u2,v2)(u3,v3)(u4,v4),可得:
将式(4)记为:B=AM (5)
则:M=A-1B (6)
由(2)式得:
用矩阵可表示为:
透视变换的反变换公式:
椭圆几何校正算法:
E1)椭圆的一般方程为:
Ax2+Bxy+Cy2+Dx+Ey+1=0 (10)
长轴倾角为θ:
椭圆的圆心坐标为:
椭圆的长、短半轴的长度分别为a和b,满足:
E2)椭圆的最小外接矩形AeBeCeDe的四个顶点坐标分别为:
E3)设透视变换后圆的半径为r,透视变换后的圆的最小外接正方形EeFeGeHe的四个顶点坐标分别为:Ee(0,0);Fe(2r,0);Ge(2r,2r);He(0,2r);
E4)将变换前后的四个点对代入公式(6),得到透视参数矩阵M;
E5)利用透视反变换公式(9),求出透视变换后的图像中整数像素点坐标对应在原始图像中的浮点数坐标位置;
E6)利用双线性插值算法,遍历透视变换后的图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
三角形几何校正算法:
T1)在三角形AtBtCt顶点上构建一个外接平行四边形AtBtDtEt,三角形的底边AtBt作为平行四边形AtBtDtEt的一个边,三角形顶点Ct作为平行四边形AtBtDtEt另一个边DtEt的中点;
T2)通过Hough变换三角形检测算法,检测三角形的三个顶点坐标分别为:At(x1,y1);Bt(x2,y2);Ct(x3,y3);则,平行四边形AtBtDtEt的四个顶点的坐标分别为:At(x1,y1);Bt(x2,y2);
T3)设透视变换后等边三角形的边长为w,透视变换后等边三角形外接矩形的四个顶点坐标分别为:Ft(0,0);Gt(w,0);
T4)将透视变换前后的四个点代入公式(6),得到透视参数矩阵M;
T5)利用透视反变换公式(9),求出透视变换后的图像中整数像素点坐标对应在原始中的浮点数坐标;
T6)利用双线性插值算法,遍历透视变换后图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像;
类正方形几何校正算法:
S1)类正方形As Bs Cs Ds顶点坐标分别为:As(x1,y1);Bs(x2,y2);Cs(x3,y3);Ds(x4,y4);设透视变换后正方形的边长为w,透视变换后正方形EsFsHsGs的四个顶点坐标分别为:Es(0,0);Fs(w,0);Hs(w,w);Gs(0,w);将变换前后的四个点对全部求出后,代入公式(6),得到透视参数矩阵M;
S2)利用透视反变换公式(9),求出新图像中的整数像素点坐标对应在原始图像的浮点数坐标;
S3)利用双线性插值算法,遍历透视变换后图像中每个像素点,求取每个像素点的灰度值,得到归一化后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283912.8A CN107122737B (zh) | 2017-04-26 | 2017-04-26 | 一种道路交通标志自动检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283912.8A CN107122737B (zh) | 2017-04-26 | 2017-04-26 | 一种道路交通标志自动检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122737A true CN107122737A (zh) | 2017-09-01 |
CN107122737B CN107122737B (zh) | 2020-07-31 |
Family
ID=59724954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710283912.8A Active CN107122737B (zh) | 2017-04-26 | 2017-04-26 | 一种道路交通标志自动检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122737B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280474A (zh) * | 2018-01-19 | 2018-07-13 | 广州市派客朴食信息科技有限责任公司 | 一种基于神经网络的食物识别方法 |
CN108280815A (zh) * | 2018-02-26 | 2018-07-13 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
CN108875608A (zh) * | 2018-06-05 | 2018-11-23 | 合肥湛达智能科技有限公司 | 一种基于深度学习的机动车交通信号识别方法 |
CN109359565A (zh) * | 2018-09-29 | 2019-02-19 | 广东工业大学 | 一种道路减速带检测方法及系统 |
CN109635701A (zh) * | 2018-12-05 | 2019-04-16 | 宽凳(北京)科技有限公司 | 车道通行属性获取方法、装置和计算机可读存储介质 |
CN109977859A (zh) * | 2019-03-25 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种图标识别的方法以及相关装置 |
CN110175561A (zh) * | 2019-05-24 | 2019-08-27 | 上海电机学院 | 一种道路交通标志检测与识别方法 |
CN110969592A (zh) * | 2018-09-29 | 2020-04-07 | 北京嘀嘀无限科技发展有限公司 | 图像融合方法、自动驾驶控制方法、装置和设备 |
CN110969171A (zh) * | 2019-12-12 | 2020-04-07 | 河北科技大学 | 基于改进卷积神经网络的图像分类模型、方法及应用 |
CN111476729A (zh) * | 2020-03-31 | 2020-07-31 | 北京三快在线科技有限公司 | 一种目标识别的方法及装置 |
WO2020173056A1 (zh) * | 2019-02-25 | 2020-09-03 | 百度在线网络技术(北京)有限公司 | 交通图像识别方法、装置、计算机设备和介质 |
CN112115777A (zh) * | 2020-08-10 | 2020-12-22 | 杭州优行科技有限公司 | 一种交通标志类别的检测识别方法、装置和设备 |
CN112825131A (zh) * | 2019-11-21 | 2021-05-21 | 通用汽车环球科技运作有限责任公司 | 基于图像的三维车道检测 |
CN114283145A (zh) * | 2022-03-07 | 2022-04-05 | 中煤科工开采研究院有限公司 | 一种井工煤矿中设备信息码检测方法和装置 |
CN114299409A (zh) * | 2022-03-07 | 2022-04-08 | 中煤科工开采研究院有限公司 | 一种基于图像识别和深度信息的井下人员定位方法与装置 |
CN114549974A (zh) * | 2022-01-26 | 2022-05-27 | 西宁城市职业技术学院 | 基于用户的多智能设备的交互方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012076036A1 (en) * | 2010-12-11 | 2012-06-14 | Valeo Schalter Und Sensoren Gmbh | Method of circle detection in images for round traffic sign identification and vehicle driving assistance device |
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 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
CN106557759A (zh) * | 2016-11-25 | 2017-04-05 | 北京小米移动软件有限公司 | 一种标志牌信息获取方法及装置 |
-
2017
- 2017-04-26 CN CN201710283912.8A patent/CN107122737B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012076036A1 (en) * | 2010-12-11 | 2012-06-14 | Valeo Schalter Und Sensoren Gmbh | Method of circle detection in images for round traffic sign identification and vehicle driving assistance device |
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 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
CN106557759A (zh) * | 2016-11-25 | 2017-04-05 | 北京小米移动软件有限公司 | 一种标志牌信息获取方法及装置 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280474A (zh) * | 2018-01-19 | 2018-07-13 | 广州市派客朴食信息科技有限责任公司 | 一种基于神经网络的食物识别方法 |
CN108280815A (zh) * | 2018-02-26 | 2018-07-13 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
CN108280815B (zh) * | 2018-02-26 | 2021-10-22 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
CN108875608A (zh) * | 2018-06-05 | 2018-11-23 | 合肥湛达智能科技有限公司 | 一种基于深度学习的机动车交通信号识别方法 |
CN108875608B (zh) * | 2018-06-05 | 2021-12-17 | 合肥湛达智能科技有限公司 | 一种基于深度学习的机动车交通信号识别方法 |
CN110969592B (zh) * | 2018-09-29 | 2024-03-29 | 北京嘀嘀无限科技发展有限公司 | 图像融合方法、自动驾驶控制方法、装置和设备 |
CN109359565A (zh) * | 2018-09-29 | 2019-02-19 | 广东工业大学 | 一种道路减速带检测方法及系统 |
CN110969592A (zh) * | 2018-09-29 | 2020-04-07 | 北京嘀嘀无限科技发展有限公司 | 图像融合方法、自动驾驶控制方法、装置和设备 |
CN109635701B (zh) * | 2018-12-05 | 2023-04-18 | 宽凳(北京)科技有限公司 | 车道通行属性获取方法、装置和计算机可读存储介质 |
CN109635701A (zh) * | 2018-12-05 | 2019-04-16 | 宽凳(北京)科技有限公司 | 车道通行属性获取方法、装置和计算机可读存储介质 |
WO2020173056A1 (zh) * | 2019-02-25 | 2020-09-03 | 百度在线网络技术(北京)有限公司 | 交通图像识别方法、装置、计算机设备和介质 |
EP3786835A4 (en) * | 2019-02-25 | 2022-01-26 | Baidu Online Network Technology (Beijing) Co., Ltd. | METHOD AND APPARATUS FOR TRAFFIC IMAGE RECOGNITION, AND COMPUTER DEVICE AND MEDIA |
CN109977859A (zh) * | 2019-03-25 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种图标识别的方法以及相关装置 |
CN110175561A (zh) * | 2019-05-24 | 2019-08-27 | 上海电机学院 | 一种道路交通标志检测与识别方法 |
CN112825131A (zh) * | 2019-11-21 | 2021-05-21 | 通用汽车环球科技运作有限责任公司 | 基于图像的三维车道检测 |
CN112825131B (zh) * | 2019-11-21 | 2023-09-01 | 通用汽车环球科技运作有限责任公司 | 基于图像的三维车道检测 |
CN110969171A (zh) * | 2019-12-12 | 2020-04-07 | 河北科技大学 | 基于改进卷积神经网络的图像分类模型、方法及应用 |
CN111476729A (zh) * | 2020-03-31 | 2020-07-31 | 北京三快在线科技有限公司 | 一种目标识别的方法及装置 |
CN112115777A (zh) * | 2020-08-10 | 2020-12-22 | 杭州优行科技有限公司 | 一种交通标志类别的检测识别方法、装置和设备 |
CN114549974A (zh) * | 2022-01-26 | 2022-05-27 | 西宁城市职业技术学院 | 基于用户的多智能设备的交互方法 |
CN114283145A (zh) * | 2022-03-07 | 2022-04-05 | 中煤科工开采研究院有限公司 | 一种井工煤矿中设备信息码检测方法和装置 |
CN114299409A (zh) * | 2022-03-07 | 2022-04-08 | 中煤科工开采研究院有限公司 | 一种基于图像识别和深度信息的井下人员定位方法与装置 |
CN114283145B (zh) * | 2022-03-07 | 2022-06-07 | 中煤科工开采研究院有限公司 | 一种井工煤矿中设备信息码检测方法和装置 |
CN114299409B (zh) * | 2022-03-07 | 2022-07-01 | 中煤科工开采研究院有限公司 | 一种基于图像识别和深度信息的井下人员定位方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107122737B (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122737A (zh) | 一种道路交通标志自动检测识别方法 | |
CN108427924B (zh) | 一种基于旋转敏感特征的文本回归检测方法 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN105913040B (zh) | 暗视觉条件下的双摄像头实时行人检测系统 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
CN101981582B (zh) | 用于检测对象的方法和装置 | |
CN110021024B (zh) | 一种基于lbp和链码技术的图像分割方法 | |
CN109961399B (zh) | 基于图像距离变换的最佳缝合线搜寻方法 | |
CN106600600A (zh) | 基于特征匹配的晶圆缺陷检测方法 | |
CN106558072A (zh) | 一种基于改进sift特征在遥感图像上配准的方法 | |
CN103093215A (zh) | 人眼定位方法及装置 | |
Li et al. | Road lane detection with gabor filters | |
CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
Dib et al. | A review on negative road anomaly detection methods | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN108932721A (zh) | 一种用于巡检机器人的红外图像分割与融合方法 | |
CN107092871A (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
CN103413312A (zh) | 基于邻里成分分析和尺度空间理论的视频目标跟踪方法 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
Guo et al. | Image classification based on SURF and KNN | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |