CN110175561A - 一种道路交通标志检测与识别方法 - Google Patents

Abstract

一种道路交通标志检测与识别方法，用于无人驾驶车。将获取的交通道路图像进行模糊化处理，虚化交通标志因为光线、提取范围等原因而产生的不光滑的轮廓表面；经过模糊化后，将图像二值化，将数值规整到0或1，从而形成只有0、1组成的图像。将图像中白色区域的空隙闭合，以形成完整的区域，并在一定程度上减少噪声的干扰。

Description

一种道路交通标志检测与识别方法

技术领域

本发明属于无人驾驶技术领域，特别涉及一种道路交通标志检测与识别方法。

背景技术

交通标志的检测与识别最早始于20世纪70年代，由于受限于计算能力，无法对算法进行准确的实验验证，因此相关技术发展较慢。

在国外的发展状况中，在20世纪80年代开始了相关领域的研究，当时比较主流的方法是采用阈值分割算法来进行交通标识检测，然后利用模板匹配的方法实现交通标志的识别。在20世纪90年代后，各国也投入到了交通标志的检测与识别的研究中来。其中，美国开发了Advanced Driver Information System(ADIS),该系统应用颜色聚类的方式进行识别，仅对停车标志的识别率达到100％，但是该系统并不是实时的。

进入21世纪以来，汽车无人驾驶相关技术井喷式发展。无人驾驶汽车集人工智能、计算机视觉、自动控制等众多科技于一体，是计算机科学、人工智能等高度发展的产物。而在无人驾驶汽车的研究中，视觉识别系统一直是一个重要的研究课题，其在无人驾驶的辅助驾驶方面有着举足轻重的作用。

无人驾驶汽车依靠交通智能化，通过车载传感器获取道路上的信息，通过车载电脑自动化处理道路信息，实现自动规划行程路线、使车辆安全抵达预定目的地的能力。无人驾驶汽车集人工智能、计算机视觉、自动控制等众多科技于一体。而在无人驾驶汽车的研究领悟中，视觉识别系统一直是一个重要的研究课题，其在无人驾驶的辅助驾驶方面有着举足轻重的作用，能够实时判断道路周围的交通标志牌，并让车辆电脑作出适当的选择。

在2012年深度学习在计算机的视觉领域上发生了极具影响力的突破。Hinton的研究小组采用深度学习赢得了ImageNet图像分类的比赛。计算机视觉上的突破让无人汽车能够实时判断道路周围的交通标志牌有了巨大的发展的发展。然而，现有技术中的缺陷不可避免，包括：

(1)深度学习对对抗样本表现出脆弱性。

抗样本即在数据集中通过故意添加细微的干扰所形成的输入样本，受干扰之后的输入导致模型以高置信度给出一个错误的输出。深度神经网络的高度非线性特征，大部分情况下，模型输入的维度都比较大，因为维度过小的输入会导致模型的准确率过低，线性模型也对对抗样本表现出明显的脆弱性，这也驳斥了关于对抗样本是因为模型的高度非线性的解释。相反深度学习的对抗样本是由于模型的线性特征。

(2)过拟合。

过拟合是指为了得到一致假设而使假设变得过度严格。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。其原因有，建模样本选取有误，如样本数量太少，选样方法错误，样本标签错误等，导致选取的样本数据不足以代表预定的分类规则；样本噪音干扰过大，使得机器将部分噪音认为是特征从而扰乱了预设的分类规则；参数太多，模型复杂度过高等。

参考文献：

1.黄琳,张尤赛.应用深层卷积神经网络的交通标志识别[J].现代电子技术,2015,38(13):101-106.

2.贾茜.智能视频监控中运动目标检测与跟踪技术研究及实现[D].中南民族大学,2009.

发明内容

本发明提供的一种道路交通标志检测与识别方法，目的在于，专注于视觉系统中对于交通标志检测识别的优化，通过交通标志的警戒色，快速的从背景中将其检测识别。

本发明实施例之一，一种道路交通标志检测与识别方法，用于无人驾驶车。该方法包括步骤：

将获取的交通道路图像进行模糊化处理，虚化交通标志因为光线、提取范围等原因而产生的不光滑的轮廓表面；

经过模糊化后，将图像二值化，将数值规整到0或1，从而形成只有0、1组成的图像；

将图像中白色区域的空隙闭合，以形成完整的区域，并在一定程度上减少噪声的干扰。

将剩余的白色像素扩张并重新增长回去，从而确定最后的区域，最后建立卷积神经网络识别图像。

图像识别使用神经网络技术建立卷积神经网络，其本质上是一种可以自我监督的深度学习算法,在无需事先知道输入与输出之间精确的数学表达式的情况下，本发明实施例采用已知的模式对卷积神经网络加以训练，以学习到输入与输出之间的一种多层的非线性关系,这是非深度学习算法不能做到的。本发明实施例有益效果包括：

(1)将识别方法与检测方法进行分层处理，提高系统整体的效率，在后期的改进上只需要按模块进行完善提升，无需做繁杂的整改。

(2)针对交通标志检测的处理算法，增加了检测效率以及准确率。

(3)使用框架识别图像，同时训练了针对识别交通标志的神经网络，在识别速度与精度上大大提高。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1根据本发明实施例之一的采用卷积神经网络识别交通标志的方法示意图。

图2根据本发明实施例之一的卷积神经网络结构示意图。

图3根据本发明实施例之一的HSV图像转换示例图片。

图4根据本发明实施例之一的提取颜色图像示例图片。

图5根据本发明实施例之一的模糊与闭合缝隙颜色图像示例图片。

图6根据本发明实施例之一的腐蚀与膨胀操作后颜色图像示例图片。

图7根据本发明实施例之一的轮廓查找示例图片。

具体实施方式

根据一个或者多个实施例，如图1所示，一种道路交通标志检测与识别方法，用于无人驾驶，需要进行更深层次的优化。将获取的交通道路图像进行模糊化处理，虚化交通标志因为光线、提取范围等原因而产生的不光滑的轮廓表面。经过模糊化后，将图像二值化，将数值规整到0或1，从而形成只有0、1组成的图像。后将图像中白色区域的空隙闭合，以形成完整的区域，并在一定程度上减少噪声的干扰。考虑到图像识别的精确度，需要减少较为大块的噪声干扰，将使剩余的白色像素扩张并重新增长回去。从而确定最后的区域。最后建立卷积神经网络识别图像。图2是卷积神经网络结构示意图。

根据一个或者多个实施例，将交通道路标志图片进行预处理由RGB的色彩模型到HSV的色彩模型转换。HSV就是从亮度、色度、饱和度三个维度来确定颜色。与最常见的RGB(红绿蓝)色彩模型相比，HSV色彩模型更能够如同人眼所观察到的事物一样，直观得表现出图像的颜色。其转换代码如下：

max＝max(R,G,B)

min＝min(R,G,B)

if R＝max,H＝(G-B)/(max-min)

if G＝max,H＝2+(B-R)/(max-min)

if B＝max,H＝4+(R-G)/(max-min)

H＝H*60

if H<0,H＝H+360

V＝max(R,G,B)

S＝(max-min)/max

从现实中的自然场景图片中提取目标颜色，在整个提取结果图像中有较为明显的随机分布的噪声干扰。提取代码如下：

Red_lower＝np.array([0,43,46])

Red_upper＝np.array([10,255,255])

red_lower＝np.array([150,43,46])

red_upper＝np.array([180,255,255])

mask1＝cv2.inRange(hsv*,red_lower,red_upper)

mask2＝cv2.inRange(hsv,Red_lower,Red_upper)

mask＝mask1+mask2

根据本实施例的实际交通标志图像颜色转换效果示例，如图3-7所示。

根据一个或者多个实施例，对交通标志进行动态的检测，并利用卷积神经网络对其结果进行分类识别，进行较为精准的进行图像检测，卷积神经网络对交通标志的识别也取得了良好的效果。使用人工智能框架建立神经网络模型，模型是由4种交通标志的2000多张训练集图片训练而成，其最终的准确率为95％。

本发明的技术方案在于充分使用图像计算处理技术并结合交通标志本身与周围环境对比之下有着颜色分明、强分离性、强特征性和强识别性的特点，一步步通过计算处理图像去除干扰因素，命中目标图像。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (3)

1.一种道路交通标志检测与识别方法，用于无人驾驶车，其特征在于，将获取的交通道路图像进行模糊化处理，虚化交通标志因为光线、提取范围等原因而产生的不光滑的轮廓表面；

经过模糊化后，将图像二值化，将数值规整到0或1，从而形成只有0、1组成的图像；

将图像中白色区域的空隙闭合，以形成完整的区域，并在一定程度上减少噪声的干扰。

2.根据权利要求1所述的道路交通标志检测与识别方法，其特征在于，将剩余的白色像素扩张并重新增长回去，从而确定最后的区域，最后建立卷积神经网络识别图像。

3.根据权利要求2所述的道路交通标志检测与识别方法，其特征在于，根将交通道路标志图片进行预处理，由RGB的色彩模型到HSV的色彩模型转换。