一种鲁棒的交通标志检测方法

提出一种鲁棒的交通标志检测与分类方法。根据交通标志的颜色与形状特点进行突出颜色转换,以提取交通标志中的显著颜色,并利用基于仿射不变矩的形状测度有效地度量区域形状。先根据颜色转换特征进行粗分割,再利用形态学方法去除面积较小的区域,并填补区域中的孔洞,然后根据形状测度,检测交通标志,并对其进行粗分类。实拍图像的实验结果表明,该方法在不同尺寸、光照变化、旋转变形的情况下,依然能够表现出良好的交通标志检测和粗分类性能。     

实时交通标志检测系统在iOS平台上的实现

利用iOS软硬件平台,设计实现了一种基于颜色和形状的实时交通标志检测系统。为了使检测达到实时准确的标准,参考多种基于颜色和形状的检测算法,选择了HSV颜色空间进行图像分割,采用序贯算法完成了连通区域标记。在使用iPhone作为硬件环境的条件下,该系统可以对交通标志进行有效、快速的检测。     

一种基于局部特征的交通标志检测算法的研究

给出一般交通标志识别系统的框图,交通标志的检测是系统中的重要环节。根据我国交通标志颜色的规定,确定了彩色分割空间HSV的阈值,并以圆形为例,提出一种统一对称局部特征检测模板,用来提取自然场景下获得的目标区域的特征,设计一组模糊规则判定形状,形成一种基于局部特征的交通标志检测算法。     

基于图像检测的硬币面值识别方法

为了实现同时对多个硬币面值的准确识别,文中提出一种基于图像检测的硬币面值识别方法。首先逐步采用中值滤波、阈值分割以及形态学操作对灰度图像中的硬币进行ROI提取,实现硬币的粗定位;然后以ROI的外接最小矩形作为研究区域从原图提取图像,并由RGB颜色空间转化到HSV颜色空间,通过颜色特征的不同识别出5角硬币;最后采用SSIM图像质量评价的方法将剩余ROI中的1角硬币与1元硬币检测识别。结果表明,该硬币面值识别方法在不需要精确获得硬币大小尺寸的情况下,可以同时对多个硬币进行准确识别。     

一种快速的禁令交通标志检测算法

交通标志检测是交通标志识别系统的重要步骤,交通标志的检测结果直接影响交通标志识别的识别率和实时性。针对我国禁令交通标志的特点,提出了一种基于颜色模型分割和跳变次数的快速交通标志检测算法。首先对输入图像进行增强,其次利用颜色模型分割并进行形态学处理,初步得到交通标志候选区域,最后统计候选区域的平均跳变次数,判断该候选区域是否为感兴趣区域。实验结果表明,该算法能够有效的提高检测精度,降低误检率,且能够满足实时性的要求。     

基于TensorFlow的交通标志形状识别

利用TensorFlow,设计实现了基于颜色分割和形状的交通标志形状识别模型。该模型首先利用交通标志本身的特点,使用HIS颜色空间对交通标志进行分割,接着在TensorFlow平台上实现ResNet算法,利用比利时交通数据集进行训练和测试,最终得到了有较高识别率的模型。     

基于MSER和SVM的快速交通标志检测

为解决传统的基于机器学习的交通标志检测(TSD) 方法需要对每一个待检测子窗口进行处理而导致算法实时性不高的问 题,提出了一种基于感兴趣区域(ROI)提取和机器学习的快速TSD 算法。针对传统基于颜色阈值的ROI提取方法具 有对光照变化较敏感等缺点,设计了一种颜色增强下的最大稳定极值区域(MSER)方法 ,根据标志的颜色进行 颜色增强,对颜色增强图像提取MSER得到交通标志ROI;然后在图像的多尺度滑动遍历检测 过程中,仅对包含ROI的滑 动窗口进行方向梯度直方图(HOG)特征的提取,并通过支持向量机(SVM)进 行分类判别。实验结果表明,本文改进的TSD方法在运算速度上有较大提升,具有很好的鲁 棒性,且获得了96.42%的检测率以及较低的误检数。     

基于ROI和CNN的交通标志识别研究

交通标志的图像在采集过程中由于运动模糊、背景干扰、光照以及交通标志局部遮挡破损等因素,所获得其图像质量往往不高,严重影响了识别率和识别速度。针对这一问题,采用改进的深度卷积神经网络进行识别,通过对采集到的图像进行光照均衡化处理、颜色增强、用MSER算法进行滤除后,分割出交通标志所在的感兴趣区域(ROI);然后把分割的感兴趣区域输入深度卷积神经网络进行一系列的卷积和池化处理,形成交通标志图像的特征子图,再将特征子图转化成为一维的特征矢量;最后通过一个全连接的BP网络完成一维特征矢量的分类识别,输出结果。在德国交通标志基准库(GTSDB)和现实场景拍摄的数据集上,将该方法与SVM方法和传统的CNN交通标志识别方法进行实验比较,结果表明与SVM和传统CNN的方法相比,基于ROI和卷积神经网络的交通标志识别方法在识别率和识别速度上有明显的提高。     

基于免疫算法的交通标志分割

针对现有道路交通标志图像分割算法中实时性和鲁棒性较差的问题,提出一种基于免疫算法和RGB颜色空间的交通标志图像分割新方法。该方法先用RGB颜色空间将交通标志从实景图中定位出来,利用免疫算法快速搜索的机理,对已定位的图像进行阈值T寻优,并用该阈值T分割图像。实验结果表明,该算法与基于遗传算法的图象分割算法相比较,具有较好的鲁棒性和实时性,且适用于不同光照条件下的交通标志图像分割。     

一种基于SURF的交通标志识别算法

提出了一种基于SURF的交通标志识别算法。算法首先对从视频中抽取的图像进行预处理,之后使用交通标志的颜色与形状特征信息来检测与分割交通标志。然后使用SURF特征提取算法来抽取和描述已经定位的交通标志的特征值。最后,使用基于加权欧几里德距离的最近邻搜索方法在经过粗分类的特征模板库中进行搜索匹配。实验结果显示该算法具有较好的识别精度和速度。     

交通警告标志定位方法研究

结合交通标志的彩色图像色彩特征和形状特征,在CCD摄像机采集的场景图像中对三角形交通警告标志定位方法进行研究.先利用RGB到HSV的彩色空间转换和阈值分割将交通标志区域信息增强,然后利用边缘检测提取交通标志的三角形形状特征,并对三个顶点进行准确检测,最后通过直线拟合的方法用三条红色直线标示交通标志的精确位置.实验结果表明,应用上述综合设计能对图像中的三角形交通标志进行准确定位和位置标示.     

Road traffic sign detection and classification

A vision-based vehicle guidance system for road vehicles can have three main roles: (1) road detection; (2) obstacle detection; and (3) sign recognition. The first two have been studied for many years and with many good results, but traffic sign recognition is a less-studied field. Traffic signs provide drivers with very valuable information about the road, in order to make driving safer and easier. The authors think that traffic signs most play the same role for autonomous vehicles. They are designed to be easily recognized by human drivers mainly because their color and shapes are very different from natural environments. The algorithm described in this paper takes advantage of these features. It has two main parts. The first one, for the detection, uses color thresholding to segment the image and shape analysis to detect the signs. The second one, for the classification, uses a neural network. Some results from natural scenes are shown     

基于颜色和边缘信息的交通标志检测

根据我国交通标志的颜色和几何属性,提出了一种适用于自然背景下的交通标志检测方法。该方法采用RGB彩色分量差对自然背景下的禁令标志图像进行分割,结合最小二乘法对像素坐标进行椭圆拟合,再根据边界的圆形度参数判断是否为圆形区域。实验证明了该方法的有效性与鲁棒性。     

一种新的箭头形交通信号灯识别方法

针对十字路口复杂的交通情况,提出一种新的箭头形交通信号灯识别方法。采用亮度分割和形态滤波对交通信号灯的位置进行定位,结合HIS颜色空间和交通灯的相对位置确定交通信号灯颜色。信号灯箭头的方向采用二维Gabor小波进行特征提取,用PCA算法对图像数据进行压缩,并用ICA算法进一步提取PCA的特征,最终用模板匹配进行分类。实验结果表明,该算法的正确识别率达到96.7%。是一种较好的箭头形交通信号灯识别算法。     

基于径向对称变换的自适应交通禁止标志检测

提出一种基于径向对称变换的自适应交通禁止标志的检测算法。采用RGB归一化阈值分割算法对交通图像进行二值化处理,构造和利用区域轮廓特征矢量,判决和提取候选标志区域。对于标志互相遮挡候选区域,提出采用基于分水岭变换的自适应标志分离算法进行标志分离;然后,对于低维的标志候选区域,根据其自身尺度特征提出一种参数自适应的径向对称圆形检测器和检测算法,最终确定禁止标志。本文算法在标准交通标志数据集(GTSDB)进行了实验验证。实验结果表明,与现有方法相比,本文算法有效提高了算法执行效率和检测性能,降低了算法复杂度;并且,对交通标志尺度、亮度和天气变化、运动模糊以及标志互相遮挡等有着良好的鲁棒性。     

基于多尺度像素特征融合的实时小交通标志检测算法

交通标志检测技术是先进驾驶辅助系统中重要组成部分。真实的驾驶环境中要求交通标志检测系统具备极高的实时性与准确性。轻量级网络MobileNetv2-SSD能够满足检测的实时性,但准确性不足以满足实际需求。本文将MobileNetv2-SSD作为基础网络,提出一种基于像素重排的多尺度像素特征融合方法,并在网络的检测层引入高效通道注意力机制,实现特征增强。在保证算法的实时性的同时,有效提升了小交通标志的检测性能。实验结果表明,本文算法模型能够在真实环境下准确实时地检测小交通标志。在长沙理工大学中国交通标志检测数据集CCTSDB上取得93.2%的mAP,模型大小仅为17.3M,检测每张图像的时间为0.022 s。      

Road-sign detection and tracking

In a visual driver-assistance system, road-sign detection and tracking is one of the major tasks. This study describes an approach to detecting and tracking road signs appearing in complex traffic scenes. In the detection phase, two neural networks are developed to extract color and shape features of traffic signs from the input scenes images. Traffic signs are then located in the images based on the extracted features. This process is primarily conceptualized in terms of fuzzy-set discipline. In the tracking phase, traffic signs located in the previous phase are tracked through image sequences using a Kalman filter. The experimental results demonstrate that the proposed method performs well in both detecting and tracking road signs present in complex scenes and in various weather and illumination conditions.     

基于感兴趣区域和HOG-MBLBP特征的交通标识检测

交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化,为了克服这一问题,该文提出一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。首先采用颜色增强技术分割提取出自然背景中交通标识所在的感兴趣区域;然后对标识样本库提取HOG-MBLBP融合特征,并用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的中国交通标识样本库上进行了实验,结果表明所提方法能达到99.2%的分类准确度,混淆矩阵结果也表明了该方法的优越性。     

基于参数可调的MSPCNN模型禁令交通标志分割方法

针对脉冲耦合神经网络在交通标志分割中准确度不高和参数设置复杂的问题,提出一种参数可调的改进脉冲耦合神经网络(PA-MSPCNN)。通过分析交通标志颜色特征,对图像进行红化预处理,区分出交通标志和环境背景;根据周围神经元对中心神经元的影响,改进MSPCNN模型中的加权矩阵和连接系数;通过分析动态阈值间的关系,增设辅助参数,使动态阈值的调节更加合理。实验结果表明,PA-MSPCNN对交通标志的检测准确率达85%。PA-MSPCNN在减少传统PCNN模型中的参数量同时,能准确分割图像,在光照条件变化、交通标志尺度变化和几何旋转等复杂情况下具有更好的适用性。