交通信号灯和交通标志检测2 课件讲解.pptx

《车载智能技术》

无人驾驶汽车环境感知-交通信号灯和交通标志检测2主讲人：黄侃江西交通职业技术学院

二、交通标志的检测×××交通标志识别是智能汽车感知静态交通环境的一个重要内容，世界各大研究机构在该领域均有重要研究。德国奔驰汽车公司开发了一种交通标志识别(trafficsignrecognition，TSR)系统，该系统可实现对交通标志的检测分割与分类识别。通常来讲，交通标志识别一般包括检测和识别两个阶段。

二、交通标志的检测检测阶段一般利用交通标志可区分性的特征检测出可能包含交通标志的区域，然后将感兴趣区域进行大小规则化，同时缩小识别阶段的识别范围。目前文献中用于交通标志检测的特征主要有颜色特征、形状特征、纹理特征等。1、检测阶段

二、交通标志的检测(1)颜色特征。常用于交通标志检测的颜色模型有:以红、绿、蓝为分量的模型(RGB)，以色调、饱和度、明度为分量的模型(HSV)，以亮度、蓝色、红色为分量的模型(YCbCr)等。通过颜色模型检测出可能含有交通标志的区域后，可以用形状特征进行进一步的检测。

二、交通标志的检测(2)形状特征目前交通标志以圆形、三角形和方形为主，其检测方法通常为基于霍夫变换、基于不变矩特征等。Meuter等针对圆形交通标志进行检测，使用快速径向对称检测算子，对光照变化和遮挡具有一定的鲁棒性。此外，基于样本的机器学习方法也被广泛应用于道路标志检测。

二、交通标志的检测(3)纹理特征采用多尺度、多区域的LBP纹理特征训练自适应增强(Adaboost)分类器，利用自适应的控制原理，对交通标志进行识别，达到检测交通限速标志的作用。

二、交通标志的检测交通标志检测完成后，可以进一步在检测出来的感兴趣区域进行交通标志识别。交通标志识别需要提取更加鲁棒、可区分性的交通标志特征，然后选用某种模型进行分类。鲁棒、可区分性的特征主要包括局部特征点、HOG特征、Gabor滤波特征等，分类模型主要有邻近算法(KNN)模型、决策树、SVM、神经网络，以及极限学习机(ELM)等。在上述算法中，SVM在解决非线性及高维模式识别中表现出特有的优势，并且能够推广应用到机器学习问题中。2、识别阶段

二、交通标志的检测这些检测方法都是基于传统人工设计特征，因其有限的表示能力，仅利用了图像的底层信息，当交通标志类别数目增加时，不能具有良好的扩展性;且对交通标志图像拍摄角度、噪声及物体遮挡不鲁棒，尤其对于运动模糊与气象条件引起非常规变化的图像检测与识别精度极低。随着多种深度学习平台与算法的开源，以及图形图像处理单元(GPU)硬件集成的加速发展，深度学习将成为突破交通标志识别精度瓶颈的有效工具。

二、交通标志的检测2015年与2016年，ImageNet大规模图像识别挑战赛(ILSVRC)优胜团队算法是值得借鉴的，无论是Faster-RCNN的RPN+Fast-RCNN，还是检测与识别一气呵成的SSD网络，结合具体的交通标志检测与识别应用，能够从输入信息中提取高阶特征。具体来说，卷积神经网络中的卷积层和池化层能够响应输入特征的平移不变性，即能够识别位于空间不同位置的相近特征。有效地提高卷积神经网络的扩展性、稳定性与时效性，这将会成为未来基于深度学习的交通标志检测和识别的研究趋势。

谢谢观看