您好, 访客   登录/注册

交通标示识别技术综述

来源:用户上传      作者:

  摘  要:交通标示含有丰富的指引和限制信息,对车辆驾驶员具有非常重要的意义。在快节奏的社会发展中,智能驾驶和辅助驾驶有着非比寻常的研究和应用价值。该文介绍了交通标示识别技术的研究背景、交通标示相关数据集的特点和组成及交通标示识别技术的评价指标。并归纳了已有的交通标示识别技术,包括了传统的图像处理技术和基于学习的算法。最后总结了交通标示识别技术的前景和发展趋势。
  关键词:交通标示  图像处理  机器学习  计算机视觉
  中图分类号:TP391                                 文献标识码:A                        文章编号:1672-3791(2019)02(c)-0015-02
  随着科技的发展,传统的工业生产、人民的日常生活都向着无人化、智能化转型。车辆行驶已经成为绝大多数人每天都会接触到甚至使用的。正在研发当中的无人驾驶技术或者辅助驾驶技术有着比人类更为广阔的感知范围和灵敏的反应时间,将会给人们带来了巨大的便捷和安全保障。智能车的驾驶技术包含了感知层、决策层和控制层[1]。识别车辆所处的交通场景和环境信息是感知层的重要任务[2],主要使用摄像头、雷达、传感器来对环境中的障碍物、路况、标示信息进行采集和分析,就相当于驾驶员的眼睛。交通标示识别技术应用于感知层。交通标示含有丰富的信息,对车辆行驶起到指示和限制作用,对的实现智能化感知在无人车技术的研究中有着重要作用。
  1  数据集和评价指标
  交通标示的识别与检测是计算机视觉领域内富有挑战的任务,因此举办多次挑战赛鼓励众多科研人员进行研究。随着挑战赛公开的数据集有德国交通标示识别数据集(German Traffic Sign Recognition Benchmark,GTSRB)和德国交通标示检测数据集(German Traffic Sign Detection Benchmark,GTSDB)[3]。GTSRB和GTSDB作为该领域的常用数据集,研发的算法都需要在这两个数据集上进行验证,方可得到认可。这两个数据集都是取自于德国街景,因此,交通标示皆是德国标准制式。该数据集中的德国交通标志主要分为3个大类,分别为——禁止标志:红色圆形的外形,内部是黑色字体表示限速或者图形表示车型禁行;警告标志:红色三角形的外形,通常表示危险,道路曲折等;指示标志:蓝色圆形,内部白色箭头指示,左转、右转等信息。
  GTSRB是交通标示的识别任务,也就是图像分类。该数据集共包含51840幅图像,每幅图像包含一个交通标志,共包含43类。GTSDB是交通标示检测任务,检测任务包含了图像分类和目标定位,检测任务更为复杂一些。该数据集共900幅图像,共包含1206个交通标志。一张图像上包含多个目标,并包括了光照不均、图示破损等情况,是比较有挑战性的一个数据集。
  交通标示识别的评价指标是准确率。即分类的正确率。
  如公式(1)所示,正确率越高代表着算法越为可靠。
  交通标示的检测使用平均精度作为评价指标。主要考虑,其一,检测目标的位置,检测的标准结果用矩形框标注,当找到的标志与矩形框重合超过50%时,即为召回;其二,分类的正确性,即上文的准确率。综合二者指标得到平均精度,即召回率和准确率同样高时,会得到比较高的平均精度。
  2  现有技术
  计算机视觉的任务目前分为两个流派,一是传统的图像处理技术,主要运用图像本身的信息,如对灰度、色彩、边缘等进行识别和分类。在机器学习技术出现之前,众多挑战赛都是应用传统图像处理技术,并且已经处于瓶颈当中。二是基于学习的技术,近10年兴起的机器学习和深度学习技术彻底改变了交通标示识别的局面,取得了许多傲人成绩。以下就分别从这两个方面介绍最新的交通标示识别的方法。
  2.1 基于图像处理的方法
  彩色图像分别为RGB三通道,每个通道分布为0~255之间,图像处理技术对矩阵直接操作。交通标示不同类之间的外形差距很大,而类间差距很小。大连理工大学的蔡俊杰[4]使用图像预处理技术设定阈值应用于交通标示图像的RGB颜色空间,形成以交通标示为主的显著图,然后使用Sobel算子进行边缘检测,进一步使用霍夫变换完成了目标图像的提取,并设计了交通标识检测和识别系统实现了仿真。
  彩色图像能够提供丰富的语义信息,但是同样会受到光照的影响。许华荣等[5]为了克服光照变化对交通标示检测产生的影响,应用基于RGB颜色空间的先验知识设计了的颜色概率模型,生成交通标示的显著性图谱以进行分割,并实验证明了其鲁棒性。刘芳[6]设计了基于注意力机制的交通标志识别算法,在颜色显著图的基础上,使用形状语义信息和模板匹配的方法来确定区域是否為交通标识。
  2.2 基于学习的算法
  机器学习的思想颠覆了交通标示识别的方法,其后在此基础上发展的深度学习的方法,具有更好的泛化性。天津大学的徐岩等[7]对主成分分析法和极限学习机进行改进,首先提取交通标志数据库中每个交通标志的梯度方向直方图特征,利用改进的主成分分析法进行降维,之后进行训练,训练好的模型在数据集上可达到97.69%的正确率。
  深度学习应用卷积神经网络对图像进行提取特征进行训练。其优点是自动提取特征,随着网络层数的增加,提取到更加高级的特征;缺点是训练依赖于数据的选择。杨心[8]设计了一种快速卷积神经网络算法,能够将得到的感兴趣的区域进行交通标示分类。在GTSRB数据集上该算法对交通标示分类准确率高达98.03%,并且可以达到实时识别的速度。
  混合使用传统图像处理和深度学习网络成为交通标示检测算法的发展趋势。黄娜君[9]先使用MSER算法对图像进行分割,得到交通标志所在的感兴趣区域,然后把分割的感兴趣区域输入深度卷积神经网络提取特征和分类,该算法在GTSDB数据集上的平均识别率达到了98.54%。
  3  结语
  交通标识识别技术是智能交通系统的重要组成部分,有着重要的理论意义和实用价值。交通标示识别技术已经不局限使用传统方法还是深度学习的方法,更多地是混合使用,从而展现了两种算法的优点。目前交通标示检测算法在数据集上已经取得了不错的成果,真实场景中运行才是真正的考验。交通标示识别技术的发展将大大推动无人车技术的落地,必将成为惠及群众的重要科技手段。
  参考文献
  [1] 王建强,王昕.智能网联汽车体系结构与关键技术[J].长安大学学报:社会科学版,2017(19):18-25.
  [2] 韩昕辉.基于深度学习的无人驾驶场景识别[D].中山大学,2017.
  [3] 杨怡.交通场景中的交通标志和行人检测方法研究[D].中国科学院自动化研究所,2015.
  [4] 蔡俊杰.复杂条件下交通标识的检测和识别算法[D].大连理工大学,2016.
  [5] 许华荣,杨怡,洪朝群.基于颜色概率模型的交通标志识别算法研究[J].闽南师范大学学报:自然版,2012(4):19-23.
  [6] 刘芳.基于注意机制的交通标识的检测[D].北京交通大学,2012.
  [7] 徐岩,韦镇余.一种改进的交通标志图像识别算法[J].激光与光电子学进展,2017(2):124-131.
  [8] 杨心.基于卷积神经网络的交通标识识别研究与应用[D].大连理工大学,2014.
  [9] 黄娜君,汪慧兰,朱强军,等.基于ROI和CNN的交通标志识别研究[J].无线电通信技术,2018,44(2):160-164.
转载注明来源:https://www.xzbu.com/8/view-14828639.htm