CN108805018A - 道路交通标志检测识别方法、电子设备、存储介质及系统 - Google Patents

道路交通标志检测识别方法、电子设备、存储介质及系统 Download PDF

Info

Publication number
CN108805018A
CN108805018A CN201810392161.8A CN201810392161A CN108805018A CN 108805018 A CN108805018 A CN 108805018A CN 201810392161 A CN201810392161 A CN 201810392161A CN 108805018 A CN108805018 A CN 108805018A
Authority
CN
China
Prior art keywords
image
detected
feature
gray level
transformation
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.)
Withdrawn
Application number
CN201810392161.8A
Other languages
English (en)
Inventor
陈鑫
叶淑阳
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.)
Tao Ran Horizon (hangzhou) Technology Co Ltd
Original Assignee
Tao Ran Horizon (hangzhou) Technology 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 Tao Ran Horizon (hangzhou) Technology Co Ltd filed Critical Tao Ran Horizon (hangzhou) Technology Co Ltd
Priority to CN201810392161.8A priority Critical patent/CN108805018A/zh
Publication of CN108805018A publication Critical patent/CN108805018A/zh
Withdrawn legal-status Critical Current

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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供道路交通标志检测识别方法，包括步骤提取感兴趣区域，多尺度滑动遍历，融合图像特征，识别交通标志，对输入的待检测图像进行交通标志感兴趣区域提取，将待检测图像转换为灰度图像，构建交通标志感兴趣区域的二值掩码图像，对灰度图像和二值掩码图像进行多尺度滑动遍历，获得检测目标的位置坐标，对提取的待检测图像的局部纹理特征、局部图像区域特征、全局特征进行融合，通过分类器对融合的图像特征进行分类识别；本发明涉及电子设备与可读存储介质，用于执行道路交通标志检测识别方法；本发明还涉及道路交通标志检测识别系统；本发明的检测率高、识别率高、运算速度快，误检率低，鲁棒性好。

Description

道路交通标志检测识别方法、电子设备、存储介质及系统
技术领域
本发明涉及车辆辅助驾驶技术领域，尤其涉及道路交通标志检测识别方法、电子设备、存储介质及系统。
背景技术
随着社会和经济的发展，人们生活水平的提高，车辆已经得到广泛普及。交通标志识别(Traffic Sign Recognition，TSR)系统是驾驶辅助系统(Driver AssistanceSystems，DAS)和自动驾驶系统(Autonomous Driving Systems，ADS)中的关键组成部分，对辅助驾驶员或无人车安全行驶和减少交通事故的发生率具有重要意义。行车环境下道路交通情况复杂多变，且受车辆行驶速度的影响，使得交通标志的检测和识别变得更加困难。目前交通标志的检测识别方法存在以下不足：基于颜色阈值分割的交通标志检测方法对光照变化和颜色变化较敏感，通用性不高；基于形状分析的交通标志检测方法对模糊边缘、倾斜角度较大的分割效果欠佳，无法得到广泛应用；基于机器学习的交通标志检测方法在实际应用中由于对大场景高分辨率图像需要检测大量的滑动窗口存在耗时较长的问题；现有的交通标志识别方法因自然场景中交通标志存在多样性(如变形、褪色、遮挡等)，使得模板的选择较为困难，并且计算量较大。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供道路交通标志检测识别方法，解决了现有的交通标志检测识别对光照变化和颜色变化敏感，通用性低，实时性差的问题。
本发明提供道路交通标志检测识别方法，包括以下步骤：
提取感兴趣区域，对输入的待检测图像进行交通标志感兴趣区域提取；
多尺度滑动遍历，将所述待检测图像转换为灰度图像，构建所述交通标志感兴趣区域的二值掩码图像，对所述灰度图像和所述二值掩码图像进行多尺度滑动遍历，将不同尺度下包含检测目标的区域按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标；
融合图像特征，提取所述待检测图像的局部纹理特征、局部图像区域特征、全局特征，对所述局部纹理特征、所述局部图像区域特征、所述全局特征进行融合；
识别交通标志，通过分类器对融合的图像特征进行分类识别。
进一步地，所述步骤提取感兴趣区域之前还包括步骤增强标志颜色，在RGB颜色空间模型下，对所述待检测图像像素点处的R、G、B分量值进行增强，生成颜色增强图像；
所述步骤提取感兴趣区域还包括通过MSER算法提取所述颜色增强图像的交通标志感兴趣区域。
进一步地，所述步骤多尺度滑动遍历具体包括：
多尺度缩放图像，对所述灰度图像和所述二值掩码图像同时进行多尺度缩放，生成变换灰度图像、变换二值掩码图像、图像层数；
逐层遍历图像，用固定大小的窗口滑动遍历当前层的所述变换灰度图像和所述变换二值掩码图像，判断窗口内当前层的所述变换二值掩码图像的像素点总数是否达到预设点数值，若是则通过HOG算法提取窗口内当前层的所述变换灰度图像的HOG特征，当通过SVM分类器判断所述HOG特征包括检测目标时，记录并存储窗口位置坐标、权重、图像层数；若否则遍历下一层的所述变换灰度图像和所述变换二值掩码图像；
输出检测结果，将记录的每层窗口位置坐标、权重、图像层数按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标。
进一步地，所述步骤融合图像特征具体包括：
提取图像特征，通过LBP算法提取所述待检测图像的LBP特征，通过HOG算法提取所述待检测图像的HOG特征，通过GIST算法提取所述待检测图像的GIST特征；
线性融合图像特征，对所述LBP特征、所述HOG特征、所述GIST特征进行线性融合，生成融合图像特征；
数据降维，采用PCA算法对所述融合图像特征进行降维，生成降维图像特征；
所述步骤识别交通标志还包括采用SVM分类器对所述降维图像特征进行分类识别。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行上述道路交通标志检测识别方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述道路交通标志检测识别方法。
道路交通标志检测识别系统，包括：
提取感兴趣区域模块：用于对输入的待检测图像进行交通标志感兴趣区域提取；
多尺度滑动遍历模块：用于将所述待检测图像转换为灰度图像，构建所述交通标志感兴趣区域的二值掩码图像，对所述灰度图像和所述二值掩码图像进行多尺度滑动遍历，将不同尺度下包含检测目标的区域按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标；
融合图像特征模块：用于提取所述待检测图像的局部纹理特征、局部图像区域特征、全局特征，对所述局部纹理特征、所述局部图像区域特征、所述全局特征进行融合；
识别交通标志模块：用于通过分类器对融合的图像特征进行分类识别。
进一步地，还包括增强标志颜色模块，所述增强标志颜色模块用于在RGB颜色空间模型下，对所述待检测图像像素点处的R、G、B分量值进行增强，生成颜色增强图像；
所述提取感兴趣区域模块还包括通过MSER算法提取所述颜色增强图像的交通标志感兴趣区域。
进一步地，所述多尺度滑动遍历模块包括：
多尺度缩放图像模块：用于对所述灰度图像和所述二值掩码图像同时进行多尺度缩放，生成变换灰度图像、变换二值掩码图像、图像层数；
逐层遍历图像模块：用于用固定大小的窗口滑动遍历当前层的所述变换灰度图像和所述变换二值掩码图像，判断窗口内当前层的所述变换二值掩码图像的像素点总数是否达到预设点数值，若是则通过HOG算法提取窗口内当前层的所述变换灰度图像的HOG特征，当通过SVM分类器判断所述HOG特征包括检测目标时，记录并存储窗口位置坐标、权重、图像层数；若否则遍历下一层的所述变换灰度图像和所述变换二值掩码图像；
输出检测结果模块：用于将记录的每层窗口位置坐标、权重、图像层数按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标。
进一步地，所述融合图像特征模块包括：
提取图像特征模块：用于通过LBP算法提取所述待检测图像的LBP特征，通过HOG算法提取所述待检测图像的HOG特征，通过GIST算法提取所述待检测图像的GIST特征；
线性融合图像特征模块：用于对所述LBP特征、所述HOG特征、所述GIST特征进行线性融合，生成融合图像特征；
数据降维模块：用于采用PCA算法对所述融合图像特征进行降维，生成降维图像特征；
所述识别交通标志模块还包括采用SVM分类器对所述降维图像特征进行分类识别。
相比现有技术，本发明的有益效果在于：
本发明提供道路交通标志检测识别方法，通过在RGB颜色空间模型下，对待检测图像像素点处的R、G、B分量值进行增强，实现突出交通标志区域，再通过MSER算法提取颜色增强图像的交通标志感兴趣区域，能够有效去除交通标志无关区域，解决了现有技术中单独使用颜色阈值提取感兴趣区域时通用性低、耗时长、实时性差、对颜色和光照变化较敏感的问题；采用MSER算法提取感兴趣区域具有仿射不变性、鲁棒性高、计算简单高效的优点；通过在高分辨率大场景图像的滑动遍历检测过程中只对包含交通标志感兴趣区域的窗口进行HOG特征提取和SVM分类判断，大大缩短图像遍历搜索时间；通过对LBP特征、HOG特征、GIST特征进行线性融合，能够更完整更有效地表达原始图像的数据信息，提高分类器的分类效果；采用PCA算法对融合图像特征进行降维，降低训练模型的复杂度，提高训练速度；本发明的检测率高、识别率高、运算速度快，误检率低，鲁棒性好。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的道路交通标志检测识别方法流程图；
图2为本发明的道路交通标志检测识别系统结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
道路交通标志检测识别方法，如图1所示，包括以下步骤：
在一实施例中，提取感兴趣区域，对输入的待检测图像进行交通标志感兴趣区域提取；本实施例中以国内城市道路中常见的禁令、指示和警告标志为研究对象，常见禁令、指示和警告标志的颜色主要为红色、蓝色和黄色，在光线过亮或过暗的情况下，RGB图像中蓝色区域的蓝色分量与绿色分量的值非常接近，优选的，步骤提取感兴趣区域之前还包括步骤增强标志颜色，在RGB颜色空间模型下，对待检测图像像素点处的R、G、B分量值进行增强，生成颜色增强图像；颜色增强公式如下：
fRBY(x)＝max(fR(x),fB(x),fY(x))
其中，xR、xG、xB分别为待检测图像像素点x处的R、G、B三个分量值；fR(x)、fB(x)、fY(x)分别为原始图像的红、蓝、黄色增强图；fRBY(x)为颜色增强图像。
步骤提取感兴趣区域还包括通过MSER算法提取颜色增强图像的交通标志感兴趣区域，避免了使用颜色阈值分割提取交通标志感兴趣区域时通用性不高、对颜色和光照变化较敏感的缺点。
多尺度滑动遍历，将待检测图像转换为灰度图像，构建交通标志感兴趣区域的二值掩码图像，对灰度图像和二值掩码图像进行多尺度滑动遍历，将不同尺度下包含检测目标的区域按尺度比例换算至待检测图像上进行合并，获得检测目标的位置坐标。
在一实施例中，现有的滑动检测窗口都是非标志区域，在高分辨率大场景图像中，需要进行特征提取和分类判别的滑动窗口的数量太大，本实施例中，窗口滑动过程中有选择地只对包含交通标志感兴趣区域的窗口进行特征提取和分类判断，大大缩短图像遍历搜索时间，优选的，步骤多尺度滑动遍历具体包括：
多尺度缩放图像，对灰度图像和二值掩码图像同时进行多尺度缩放，生成变换灰度图像、变换二值掩码图像、图像层数；
逐层遍历图像，用固定大小的窗口滑动遍历当前层的变换灰度图像和变换二值掩码图像，判断窗口内当前层的变换二值掩码图像的像素点总数是否达到预设点数值，本实施例中预设点数值设置为50，若是则通过HOG算法提取窗口内当前层的变换灰度图像的HOG特征，当通过SVM分类器判断HOG特征包括检测目标时，记录并存储窗口位置坐标、权重、图像层数；若否则遍历下一层的变换灰度图像和变换二值掩码图像；直至滑动遍历完所有的图层。
输出检测结果，将记录的每层窗口位置坐标、权重、图像层数按尺度比例换算至待检测图像上进行合并，获得检测目标的位置坐标。
融合图像特征，提取待检测图像的局部纹理特征、局部图像区域特征、全局特征，对局部纹理特征、局部图像区域特征、全局特征进行融合。
在一实施例中，优选的，步骤融合图像特征具体包括：
提取图像特征，通过LBP算法提取待检测图像的LBP特征，LBP特征用于描述待检测图像的局部纹理特征，通过HOG算法提取待检测图像的HOG特征，HOG特征用于描述待检测图像的局部图像区域特征，通过GIST算法提取待检测图像的GIST特征，GIST特征用于描述待检测图像的全局特征；
线性融合图像特征，为了实现特征互补，更完整更好地表达待检测图像的数据信息，对LBP特征、HOG特征、GIST特征进行线性融合，生成融合图像特征；特征融合公式如下：
F＝k1·LBP+k2·HOG+k3·GIST
k1+k2+k3＝1
其中，k1、k2、k3分别为三种特征融合的权重系数。
数据降维，特征维数过高会造成训练模型复杂，训练速度过慢等问题，需要对特征数据进行降维处理，采用PCA算法对融合图像特征进行降维，生成降维图像特征。
识别交通标志，通过分类器对融合的图像特征进行分类识别。步骤识别交通标志还包括采用SVM分类器对降维图像特征进行分类识别。
一种电子设备，包括：处理器；存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行上述道路交通标志检测识别方法；一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行上述道路交通标志检测识别方法。
道路交通标志检测识别系统，如图2所示，包括：
提取感兴趣区域模块对输入的待检测图像进行交通标志感兴趣区域提取。
在一实施例中，以国内城市道路中常见的禁令、指示和警告标志为研究对象，常见禁令、指示和警告标志的颜色主要为红色、蓝色和黄色，在光线过亮或过暗的情况下，RGB图像中蓝色区域的蓝色分量与绿色分量的值非常接近，优选的，还包括增强标志颜色模块，增强标志颜色模块在RGB颜色空间模型下，对待检测图像像素点处的R、G、B分量值进行增强，生成颜色增强图像；颜色增强公式如下：
fRBY(x)＝max(fR(x),fB(x),fY(x))
其中，xR、xG、xB分别为待检测图像像素点x处的R、G、B三个分量值；fR(x)、fB(x)、fY(x)分别为原始图像的红、蓝、黄色增强图；fRBY(x)为颜色增强图像。
提取感兴趣区域模块还包括通过MSER算法提取颜色增强图像的交通标志感兴趣区域，避免了使用颜色阈值分割提取交通标志感兴趣区域时通用性不高、对颜色和光照变化较敏感的缺点。
多尺度滑动遍历模块将待检测图像转换为灰度图像，构建交通标志感兴趣区域的二值掩码图像，对灰度图像和二值掩码图像进行多尺度滑动遍历，将不同尺度下包含检测目标的区域按尺度比例换算至待检测图像上进行合并，获得检测目标的位置坐标。
在一实施例中，现有的滑动检测窗口都是非标志区域，在高分辨率大场景图像中，需要进行特征提取和分类判别的滑动窗口的数量太大，本实施例中，窗口滑动过程中有选择地只对包含交通标志感兴趣区域的窗口进行特征提取和分类判断，大大缩短图像遍历搜索时间，滑动遍历模块包括：
多尺度缩放图像模块对灰度图像和二值掩码图像同时进行多尺度缩放，生成变换灰度图像、变换二值掩码图像、图像层数。
逐层遍历图像模块用固定大小的窗口滑动遍历当前层的变换灰度图像和变换二值掩码图像，判断窗口内当前层的变换二值掩码图像的像素点总数是否达到预设点数值，本实施例中预设点数值设置为50，若是则通过HOG算法提取窗口内当前层的变换灰度图像的HOG特征，当通过SVM分类器判断HOG特征包括检测目标时，记录并存储窗口位置坐标、权重、图像层数；若否则遍历下一层的变换灰度图像和变换二值掩码图像，至滑动遍历完所有的图层。
输出检测结果模块将记录的每层窗口位置坐标、权重、图像层数按尺度比例换算至待检测图像上进行合并，获得检测目标的位置坐标。
融合图像特征模块提取待检测图像的局部纹理特征、局部图像区域特征、全局特征，对局部纹理特征、局部图像区域特征、全局特征进行融合。
在一实施例中，优选的，融合图像特征模块包括：
提取图像特征模块通过LBP算法提取待检测图像的LBP特征，LBP特征用于描述待检测图像的局部纹理特征，通过HOG算法提取待检测图像的HOG特征，HOG特征用于描述待检测图像的局部图像区域特征，通过GIST算法提取待检测图像的GIST特征，GIST特征用于描述待检测图像的全局特征。
为了实现特征互补，更完整更好地表达待检测图像的数据信息，线性融合图像特征模块对LBP特征、HOG特征、GIST特征进行线性融合，生成融合图像特征；特征融合公式如下：
F＝k1·LBP+k2·HOG+k3·GIST
k1+k2+k3＝1
其中，k1、k2、k3分别为三种特征融合的权重系数。
特征维数过高会造成训练模型复杂，训练速度过慢等问题，需要对特征数据进行降维处理，数据降维模块采用PCA算法对融合图像特征进行降维，生成降维图像特征。
识别交通标志模块通过分类器对融合的图像特征进行分类识别。识别交通标志模块还包括采用SVM分类器对降维图像特征进行分类识别。
本发明提供道路交通标志检测识别方法，通过在RGB颜色空间模型下，对待检测图像像素点处的R、G、B分量值进行增强，实现突出交通标志区域，再通过MSER算法提取颜色增强图像的交通标志感兴趣区域，能够有效去除交通标志无关区域，解决了现有技术中单独使用颜色阈值提取感兴趣区域时通用性低、耗时长、实时性差、对颜色和光照变化较敏感的问题；采用MSER算法提取感兴趣区域具有仿射不变性、鲁棒性高、计算简单高效的优点；通过在高分辨率大场景图像的滑动遍历检测过程中只对包含交通标志感兴趣区域的窗口进行HOG特征提取和SVM分类判断，大大缩短图像遍历搜索时间；通过对LBP特征、HOG特征、GIST特征进行线性融合，能够更完整更有效地表达原始图像的数据信息，提高分类器的分类效果；采用PCA算法对融合图像特征进行降维，降低训练模型的复杂度，提高训练速度；本发明的检测率高、识别率高、运算速度快，误检率低，鲁棒性好。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (10)

1.道路交通标志检测识别方法，其特征在于包括以下步骤：
提取感兴趣区域，对输入的待检测图像进行交通标志感兴趣区域提取；
多尺度滑动遍历，将所述待检测图像转换为灰度图像，构建所述交通标志感兴趣区域的二值掩码图像，对所述灰度图像和所述二值掩码图像进行多尺度滑动遍历，将不同尺度下包含检测目标的区域按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标；
融合图像特征，提取所述待检测图像的局部纹理特征、局部图像区域特征、全局特征，对所述局部纹理特征、所述局部图像区域特征、所述全局特征进行融合；
识别交通标志，通过分类器对融合的图像特征进行分类识别。
2.如权利要求1所述的道路交通标志检测识别方法，其特征在于：所述步骤提取感兴趣区域之前还包括步骤增强标志颜色，在RGB颜色空间模型下，对所述待检测图像像素点处的R、G、B分量值进行增强，生成颜色增强图像；
所述步骤提取感兴趣区域还包括通过MSER算法提取所述颜色增强图像的交通标志感兴趣区域。
3.如权利要求2所述的道路交通标志检测识别方法，其特征在于：所述步骤多尺度滑动遍历具体包括：
多尺度缩放图像，对所述灰度图像和所述二值掩码图像同时进行多尺度缩放，生成变换灰度图像、变换二值掩码图像、图像层数；
逐层遍历图像，用固定大小的窗口滑动遍历当前层的所述变换灰度图像和所述变换二值掩码图像，判断窗口内当前层的所述变换二值掩码图像的像素点总数是否达到预设点数值，若是则通过HOG算法提取窗口内当前层的所述变换灰度图像的HOG特征，当通过SVM分类器判断所述HOG特征包括检测目标时，记录并存储窗口位置坐标、权重、图像层数；若否则遍历下一层的所述变换灰度图像和所述变换二值掩码图像；
输出检测结果，将记录的每层窗口位置坐标、权重、图像层数按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标。
4.如权利要求1所述的道路交通标志检测识别方法，其特征在于：所述步骤融合图像特征具体包括：
提取图像特征，通过LBP算法提取所述待检测图像的LBP特征，通过HOG算法提取所述待检测图像的HOG特征，通过GIST算法提取所述待检测图像的GIST特征；
线性融合图像特征，对所述LBP特征、所述HOG特征、所述GIST特征进行线性融合，生成融合图像特征；
数据降维，采用PCA算法对所述融合图像特征进行降维，生成降维图像特征；
所述步骤识别交通标志还包括采用SVM分类器对所述降维图像特征进行分类识别。
5.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行权利要求1-4任意一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1-4任意一项所述的方法。
7.道路交通标志检测识别系统，其特征在于包括：
提取感兴趣区域模块：用于对输入的待检测图像进行交通标志感兴趣区域提取；
多尺度滑动遍历模块：用于将所述待检测图像转换为灰度图像，构建所述交通标志感兴趣区域的二值掩码图像，对所述灰度图像和所述二值掩码图像进行多尺度滑动遍历，将不同尺度下包含检测目标的区域按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标；
融合图像特征模块：用于提取所述待检测图像的局部纹理特征、局部图像区域特征、全局特征，对所述局部纹理特征、所述局部图像区域特征、所述全局特征进行融合；
识别交通标志模块：用于通过分类器对融合的图像特征进行分类识别。
8.如权利要求7所述的道路交通标志检测识别系统，其特征在于：还包括增强标志颜色模块，所述增强标志颜色模块用于在RGB颜色空间模型下，对所述待检测图像像素点处的R、G、B分量值进行增强，生成颜色增强图像；
所述提取感兴趣区域模块还包括通过MSER算法提取所述颜色增强图像的交通标志感兴趣区域。
9.如权利要求8所述的道路交通标志检测识别系统，其特征在于：所述多尺度滑动遍历模块包括：
多尺度缩放图像模块：用于对所述灰度图像和所述二值掩码图像同时进行多尺度缩放，生成变换灰度图像、变换二值掩码图像、图像层数；
逐层遍历图像模块：用于用固定大小的窗口滑动遍历当前层的所述变换灰度图像和所述变换二值掩码图像，判断窗口内当前层的所述变换二值掩码图像的像素点总数是否达到预设点数值，若是则通过HOG算法提取窗口内当前层的所述变换灰度图像的HOG特征，当通过SVM分类器判断所述HOG特征包括检测目标时，记录并存储窗口位置坐标、权重、图像层数；若否则遍历下一层的所述变换灰度图像和所述变换二值掩码图像；
输出检测结果模块：用于将记录的每层窗口位置坐标、权重、图像层数按尺度比例换算至所述待检测图像上进行合并，获得所述检测目标的位置坐标。
10.如权利要求7所述的道路交通标志检测识别系统，其特征在于：所述融合图像特征模块包括：
提取图像特征模块：用于通过LBP算法提取所述待检测图像的LBP特征，通过HOG算法提取所述待检测图像的HOG特征，通过GIST算法提取所述待检测图像的GIST特征；
线性融合图像特征模块：用于对所述LBP特征、所述HOG特征、所述GIST特征进行线性融合，生成融合图像特征；
数据降维模块：用于采用PCA算法对所述融合图像特征进行降维，生成降维图像特征；
所述识别交通标志模块还包括采用SVM分类器对所述降维图像特征进行分类识别。
CN201810392161.8A 2018-04-27 2018-04-27 道路交通标志检测识别方法、电子设备、存储介质及系统 Withdrawn CN108805018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810392161.8A CN108805018A (zh) 2018-04-27 2018-04-27 道路交通标志检测识别方法、电子设备、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810392161.8A CN108805018A (zh) 2018-04-27 2018-04-27 道路交通标志检测识别方法、电子设备、存储介质及系统

Publications (1)

Publication Number Publication Date
CN108805018A true CN108805018A (zh) 2018-11-13

Family

ID=64093481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810392161.8A Withdrawn CN108805018A (zh) 2018-04-27 2018-04-27 道路交通标志检测识别方法、电子设备、存储介质及系统

Country Status (1)

Country Link
CN (1) CN108805018A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097600A (zh) * 2019-05-17 2019-08-06 百度在线网络技术（北京）有限公司 用于识别交通标志牌的方法及装置
CN110276831A (zh) * 2019-06-28 2019-09-24 Oppo广东移动通信有限公司 三维模型的建构方法和装置、设备、计算机可读存储介质
CN110807430A (zh) * 2019-11-06 2020-02-18 桂林电子科技大学 一种实况全景交通标志图片预处理方法
CN111026902A (zh) * 2019-12-20 2020-04-17 贵州黔岸科技有限公司 用于建筑材料类别的智能识别系统及方法
CN111382625A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 道路标识识别方法、装置及电子设备
CN111783651A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 路面元素识别方法、装置、电子设备和存储介质
CN111783524A (zh) * 2020-05-19 2020-10-16 普联国际有限公司 一种场景变换检测方法、装置、存储介质及终端设备
CN112241646A (zh) * 2019-07-16 2021-01-19 长沙智能驾驶研究院有限公司 车道线识别方法、装置、计算机设备和存储介质
CN112270328A (zh) * 2020-10-19 2021-01-26 西安工程大学 一种融合hog-lbp函数的交通信号灯检测方法
CN112652004A (zh) * 2020-12-31 2021-04-13 珠海格力电器股份有限公司 一种图像处理方法、装置、设备及介质
CN112991241A (zh) * 2019-12-13 2021-06-18 阿里巴巴集团控股有限公司 一种道路场景图像处理方法、装置、电子设备及存储介质
CN113723310A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 基于神经网络的图像识别方法及相关装置
CN113963060A (zh) * 2021-09-22 2022-01-21 腾讯科技（深圳）有限公司 基于人工智能的车信图像处理方法、装置及电子设备
CN116659540A (zh) * 2023-08-01 2023-08-29 西安博康硕达网络科技有限公司 一种在自动驾驶过程中的交通护栏识别方法
CN117152485A (zh) * 2023-07-21 2023-12-01 华能(广东)能源开发有限公司汕头电厂 燃煤机组漏煤检测方法、装置及设备

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382625A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 道路标识识别方法、装置及电子设备
CN113409393A (zh) * 2019-05-17 2021-09-17 百度在线网络技术（北京）有限公司 用于识别交通标志牌的方法及装置
CN113409393B (zh) * 2019-05-17 2023-10-03 百度在线网络技术（北京）有限公司 用于识别交通标志牌的方法及装置
CN110097600A (zh) * 2019-05-17 2019-08-06 百度在线网络技术（北京）有限公司 用于识别交通标志牌的方法及装置
CN110276831A (zh) * 2019-06-28 2019-09-24 Oppo广东移动通信有限公司 三维模型的建构方法和装置、设备、计算机可读存储介质
CN110276831B (zh) * 2019-06-28 2022-03-18 Oppo广东移动通信有限公司 三维模型的建构方法和装置、设备、计算机可读存储介质
CN112241646A (zh) * 2019-07-16 2021-01-19 长沙智能驾驶研究院有限公司 车道线识别方法、装置、计算机设备和存储介质
CN110807430A (zh) * 2019-11-06 2020-02-18 桂林电子科技大学 一种实况全景交通标志图片预处理方法
CN110807430B (zh) * 2019-11-06 2022-06-21 桂林电子科技大学 一种实况全景交通标志图片预处理方法
CN112991241B (zh) * 2019-12-13 2024-04-12 阿里巴巴集团控股有限公司 一种道路场景图像处理方法、装置、电子设备及存储介质
CN112991241A (zh) * 2019-12-13 2021-06-18 阿里巴巴集团控股有限公司 一种道路场景图像处理方法、装置、电子设备及存储介质
CN111026902B (zh) * 2019-12-20 2023-06-16 贵州黔岸科技有限公司 用于建筑材料类别的智能识别系统及方法
CN111026902A (zh) * 2019-12-20 2020-04-17 贵州黔岸科技有限公司 用于建筑材料类别的智能识别系统及方法
CN111783524B (zh) * 2020-05-19 2023-10-17 普联国际有限公司 一种场景变换检测方法、装置、存储介质及终端设备
CN111783524A (zh) * 2020-05-19 2020-10-16 普联国际有限公司 一种场景变换检测方法、装置、存储介质及终端设备
CN111783651A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 路面元素识别方法、装置、电子设备和存储介质
CN111783651B (zh) * 2020-06-30 2024-01-12 北京百度网讯科技有限公司 路面元素识别方法、装置、电子设备和存储介质
CN112270328A (zh) * 2020-10-19 2021-01-26 西安工程大学 一种融合hog-lbp函数的交通信号灯检测方法
CN112652004B (zh) * 2020-12-31 2024-04-05 珠海格力电器股份有限公司 一种图像处理方法、装置、设备及介质
CN112652004A (zh) * 2020-12-31 2021-04-13 珠海格力电器股份有限公司 一种图像处理方法、装置、设备及介质
CN113723310A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 基于神经网络的图像识别方法及相关装置
CN113723310B (zh) * 2021-08-31 2023-09-05 平安科技（深圳）有限公司 基于神经网络的图像识别方法及相关装置
CN113963060B (zh) * 2021-09-22 2022-03-18 腾讯科技（深圳）有限公司 基于人工智能的车信图像处理方法、装置及电子设备
CN113963060A (zh) * 2021-09-22 2022-01-21 腾讯科技（深圳）有限公司 基于人工智能的车信图像处理方法、装置及电子设备
CN117152485A (zh) * 2023-07-21 2023-12-01 华能(广东)能源开发有限公司汕头电厂 燃煤机组漏煤检测方法、装置及设备
CN116659540B (zh) * 2023-08-01 2023-10-27 西安博康硕达网络科技有限公司 一种在自动驾驶过程中的交通护栏识别方法
CN116659540A (zh) * 2023-08-01 2023-08-29 西安博康硕达网络科技有限公司 一种在自动驾驶过程中的交通护栏识别方法

Similar Documents

Publication Publication Date Title
CN108805018A (zh) 道路交通标志检测识别方法、电子设备、存储介质及系统
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN103824081B (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
US9092696B2 (en) Image sign classifier
CN107729801A (zh) 一种基于多任务深度卷积神经网络的车辆颜色识别系统
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
CN107066972B (zh) 基于多通道极值区域的自然场景文本检测方法
CN107067002A (zh) 一种动态视频中道路车牌识别方法
CN104298969B (zh) 基于颜色与haar特征融合的人群规模统计方法
CN111899515B (zh) 一种基于智慧道路边缘计算网关的车辆检测系统
CN105069466A (zh) 基于数字图像处理的行人服饰颜色识别方法
CN110226170A (zh) 一种雨雪天气中的道路交通标志识别方法
CN103886279B (zh) 使用合成训练数据的实时骑车人检测
CN109949593A (zh) 一种基于路口先验知识的交通信号灯识别方法及系统
CN110347870A (zh) 基于视觉显著性检测与层次聚类法的视频摘要化生成方法
CN110348396A (zh) 一种基于深度学习的道路上方文字交通标志识别方法及装置
CN106339686A (zh) 一种基于稀疏判别模板特征的行人检测方法
CN108509950A (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN106845458A (zh) 一种基于核超限学习机的快速交通标识检测方法
CN106874848A (zh) 一种行人检测方法及系统
Chakraborty et al. Bangladeshi road sign detection based on YCbCr color model and DtBs vector
CN103077383B (zh) 基于时空梯度特征的分部位的人体运动识别方法
CN104268509A (zh) 泥头车车牌检测的方法及系统
CN103680145A (zh) 一种基于局部图像特征的人车自动识别方法
CN107679565A (zh) 跳跃式滑窗加速车牌检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181113