交通標(biāo)志識(shí)別研究綜述

倪鈺婷 梁宇峰 郝博聞 鐘玲

摘 要：隨著社會(huì)經(jīng)濟(jì)的發(fā)展，我國(guó)的道路交通系統(tǒng)發(fā)展迅速，人們生活變得便利的同時(shí)，也隨之帶來(lái)了相應(yīng)的安全隱患。道路交通識(shí)別系統(tǒng)為上述問(wèn)題提供了一種解決方法，因此受到學(xué)者們的廣泛關(guān)注。TSR通過(guò)安裝在機(jī)動(dòng)車(chē)上的攝像機(jī)提取自然場(chǎng)景圖像，系統(tǒng)會(huì)對(duì)圖像進(jìn)行交通標(biāo)志檢測(cè)與識(shí)別，最后將識(shí)別結(jié)果告知駕駛員，以提高交通運(yùn)行速率，降低交通事故的發(fā)生。本文對(duì)多年來(lái)各位學(xué)者的研究結(jié)果加以總結(jié)得出結(jié)論，如何有效利用交通標(biāo)志的多種特征、融合線性以及非線性子空間特征提取方法的優(yōu)勢(shì)，研究出具有高魯棒性和高實(shí)時(shí)性的交通標(biāo)志識(shí)別方法，將是今后的主要發(fā)展方向。

關(guān)鍵詞：交通標(biāo)志；ITS；模板匹配；神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言（Introduction）

交通問(wèn)題日益嚴(yán)峻，傳統(tǒng)的人工管理辦法已經(jīng)無(wú)法滿足實(shí)際的需要。20世紀(jì)80年代，美國(guó)提出了智能交通這一種新的概念，“智能交通系統(tǒng)（Intelligent Transportation System，簡(jiǎn)稱(chēng)ITS）”。ITS使道路交通中人、機(jī)動(dòng)車(chē)輛和道路三者之間相互融洽相互協(xié)調(diào)，如圖1所示。ITS的使用減小了交通事故的發(fā)生率，同時(shí)也提高了交通運(yùn)行效率，建立一個(gè)便捷的交通體系。而且，管理人員可以通過(guò)對(duì)機(jī)動(dòng)車(chē)輛、駕駛員和交通道路實(shí)時(shí)信息的采集來(lái)提高管理效率，目的是盡可能的充分利用交通資源。

交通標(biāo)志識(shí)別是智能交通系統(tǒng)領(lǐng)域的一項(xiàng)重要研究課題，在無(wú)人駕駛車(chē)輛和輔助駕駛系統(tǒng)等領(lǐng)域都是必不可少的一部分[1-4]。其主要有三方面的應(yīng)用：（1）碰撞識(shí)別；（2）道路識(shí)別；（3）交通標(biāo)識(shí)識(shí)別。本文的第二部分主要介紹國(guó)內(nèi)國(guó)外的發(fā)展?fàn)顩r，相關(guān)算法的研究和應(yīng)用情況。接下來(lái)第三部分介紹的是交通標(biāo)志識(shí)別的技術(shù)理論和難點(diǎn)。最后第四部分是對(duì)交通標(biāo)志識(shí)別系統(tǒng)現(xiàn)狀的總結(jié)和對(duì)未來(lái)的展望。

2 國(guó)內(nèi)外發(fā)展?fàn)顩r（The development situation at

home and abroad）

2.1 國(guó)外發(fā)展現(xiàn)狀

交通標(biāo)志的檢測(cè)和識(shí)別的發(fā)展最早開(kāi)始于20世紀(jì)70年代，由于受限于計(jì)算能力，無(wú)法對(duì)算法進(jìn)行準(zhǔn)確的實(shí)驗(yàn)驗(yàn)證，因此其相關(guān)技術(shù)發(fā)展較慢。但是隨著計(jì)算機(jī)性能的提高，越來(lái)越多的學(xué)者和各大汽車(chē)廠商紛紛投入到交通標(biāo)志檢測(cè)和識(shí)別的研究中[5]。

日本在20世紀(jì)80年代就已經(jīng)開(kāi)始了針對(duì)TSR相關(guān)領(lǐng)域的研究，當(dāng)時(shí)比較主流的方法是采用閩值分割算法來(lái)進(jìn)行交通標(biāo)志檢測(cè)[6]，然后利用模板匹配的方法來(lái)實(shí)現(xiàn)交通標(biāo)志的識(shí)別。但由于系統(tǒng)的閾值分割和模板匹配算法是用硬件設(shè)備完成的，所以當(dāng)該系統(tǒng)在機(jī)器上運(yùn)行時(shí)，針對(duì)每幅交通標(biāo)志的檢測(cè)時(shí)間是1/60秒，識(shí)別時(shí)間是0.5秒[7]。其中圖像匹配法是將取得的圖像和標(biāo)準(zhǔn)圖像庫(kù)中的圖像在空間上進(jìn)行匹配，通過(guò)選擇特定的特征、較合適的搜索方法以及特征間的相似性準(zhǔn)則來(lái)確定匹配的圖像，一般分為基于特征的匹配和基于灰度圖的圖像匹配[4-8]。文獻(xiàn)[27]中利用Surf特征的實(shí)時(shí)性和魯棒性，將它運(yùn)用到交通標(biāo)志識(shí)別系統(tǒng)中大大提高了識(shí)別的準(zhǔn)確高效性。

在20世紀(jì)90年代后，西方各國(guó)也投入到了交通標(biāo)志檢測(cè)和識(shí)別的研究當(dāng)中來(lái)。并各自提出了一些不同的檢測(cè)和識(shí)別方法。其中，美國(guó)在開(kāi)發(fā)了Advanced Driver Information System（ADIS），該系統(tǒng)應(yīng)用顏色聚類(lèi)的方式進(jìn)行識(shí)別，僅對(duì)停車(chē)標(biāo)志的識(shí)別率可達(dá)100%，但該系統(tǒng)并不是實(shí)時(shí)系統(tǒng)[9]。Piccioi與Micheli利用顏色確定交通標(biāo)志大概的位置，再利用它的幾何特征進(jìn)行分析，可以比較準(zhǔn)確有效地判斷出三角形和圓形等圖形的標(biāo)志[3]。再比如基于距離的算法、基于徑向函數(shù)的算法、神經(jīng)網(wǎng)絡(luò)分類(lèi)法、形狀分割等[4]。

其中神經(jīng)網(wǎng)絡(luò)分類(lèi)法最為常見(jiàn)。神經(jīng)網(wǎng)絡(luò)分類(lèi)法是常用的分類(lèi)算法，它是模仿人的神經(jīng)系統(tǒng)，將大量簡(jiǎn)單的神經(jīng)元互相連接組成一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)[10]。神經(jīng)網(wǎng)絡(luò)分類(lèi)法為主流方法。法國(guó)的一家公司開(kāi)發(fā)了一種新型TSR系統(tǒng)，該系統(tǒng)是針對(duì)紅顏色類(lèi)型的交通標(biāo)志進(jìn)行交通標(biāo)志的檢測(cè)，并利用人工神經(jīng)網(wǎng)絡(luò)算法完成交通標(biāo)志的特征提取和分類(lèi)識(shí)別工作，這個(gè)系統(tǒng)對(duì)紅色標(biāo)志的平均識(shí)別率達(dá)94.9%[11]。戴姆勒-奔馳汽車(chē)公司和德國(guó)的科布倫茨-蘭道大學(xué)的研究人員進(jìn)行了合作，研發(fā)出了具有實(shí)時(shí)性的交通標(biāo)志識(shí)別系統(tǒng)，此系統(tǒng)運(yùn)行在SParclo機(jī)器。實(shí)驗(yàn)顯示它的最快識(shí)別速度為3.2s/幅，在一個(gè)擁有40000多幅圖像的圖像庫(kù)中進(jìn)行檢驗(yàn)，它的識(shí)別準(zhǔn)確率為98%[9]。神經(jīng)網(wǎng)絡(luò)分類(lèi)識(shí)別法是最常見(jiàn)的交通標(biāo)志的識(shí)別方法。

來(lái)到21世紀(jì)后，交通標(biāo)志檢測(cè)與識(shí)別的研究更加得到了廣泛的關(guān)注和研究，計(jì)算機(jī)技術(shù)和算法也日趨成熟。在2005年，Gareth Loy實(shí)驗(yàn)室和Nick Barnes研究所共同開(kāi)發(fā)了一套利用對(duì)稱(chēng)性與質(zhì)心位置來(lái)識(shí)別交通標(biāo)志的系統(tǒng)，其識(shí)別率可以達(dá)到95%左右[7，8]。同年，Australia和Sweden共同開(kāi)發(fā)了一套TSR系統(tǒng)，該系統(tǒng)先基于形狀對(duì)稱(chēng)性定位交通標(biāo)志的質(zhì)心，然后再對(duì)此區(qū)域交通標(biāo)志圖像進(jìn)行下一步分類(lèi)識(shí)別，實(shí)驗(yàn)結(jié)果表示該系統(tǒng)的分類(lèi)正確率達(dá)到95%[5-8]。Wisconsin大學(xué)的Liu和Ran開(kāi)展了交通標(biāo)志識(shí)別的研究，該研究只識(shí)別“停止”標(biāo)志。該系統(tǒng)是基于HSI空間的顏色閩值法進(jìn)行交通標(biāo)志的檢測(cè)，并用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行識(shí)別。在540多幅圖像上進(jìn)行了實(shí)驗(yàn)，顯示了該系統(tǒng)的識(shí)別準(zhǔn)確率達(dá)到95%[4]。2007年，Moutarde等人開(kāi)發(fā)了一套以歐美地區(qū)的限速標(biāo)志作為識(shí)別目標(biāo)的交通標(biāo)志識(shí)別系統(tǒng)，其中包括了交通標(biāo)志檢測(cè)以及目標(biāo)的跟蹤，通過(guò)在歐美地區(qū)的280個(gè)限速標(biāo)志上的識(shí)別實(shí)驗(yàn)，顯示了本系統(tǒng)的識(shí)別準(zhǔn)確率是89%[4]。

還有學(xué)者提出基于統(tǒng)計(jì)模式的識(shí)別和句法分類(lèi)法，統(tǒng)計(jì)模式的識(shí)別的實(shí)質(zhì)就是利用各種類(lèi)的分布特征來(lái)實(shí)現(xiàn)分類(lèi)功能，一般通過(guò)對(duì)樣本集進(jìn)行訓(xùn)練分類(lèi)、特征提取以確定被識(shí)別模式的種類(lèi)，最后再進(jìn)采用類(lèi)別內(nèi)的匹配識(shí)別[5]，它也是常用的分類(lèi)識(shí)別方法。而句法分類(lèi)法的應(yīng)用情況相對(duì)來(lái)說(shuō)比較局限，其在知識(shí)的表示和分析方面存在不足，還需要改進(jìn)。在2010年，西班牙的Makionado等人的交通標(biāo)志識(shí)別研發(fā)是基于一個(gè)包含了約193類(lèi)、36000幅的交通標(biāo)志圖像的數(shù)據(jù)庫(kù)。識(shí)別方法是支持向量機(jī)，該方法的識(shí)別準(zhǔn)確率達(dá)到95.5%。該方法未公開(kāi)實(shí)驗(yàn)數(shù)據(jù)集，其進(jìn)行實(shí)驗(yàn)的訓(xùn)練樣本與測(cè)試樣本并沒(méi)有區(qū)分開(kāi)來(lái)[10]。2013年Kim J.B.認(rèn)為顏色形狀容易受周?chē)h(huán)境影響，可能會(huì)提高視覺(jué)顯著性模型進(jìn)行交通標(biāo)志檢測(cè)且具有較高的實(shí)時(shí)性[12]。

2.2 國(guó)內(nèi)發(fā)展現(xiàn)狀

我國(guó)在這方面相比外國(guó)起步較晚，近年來(lái)也有一些相關(guān)研究[12]，目前為止能夠運(yùn)用到實(shí)際中的交通標(biāo)志識(shí)別系統(tǒng)不多。很多學(xué)者和科研機(jī)構(gòu)都在研發(fā)著交通標(biāo)志識(shí)別系統(tǒng)。交通標(biāo)志識(shí)別算法這一方面，國(guó)內(nèi)的一些學(xué)者也取得了成果[13]。以廈門(mén)大學(xué)李翠華教授、北京工業(yè)大學(xué)孫光民教授[14]、寧波大學(xué)的朱雙東[15]等帶領(lǐng)的研究團(tuán)隊(duì)對(duì)交通標(biāo)志識(shí)別進(jìn)行方法上的探索研究與初步試驗(yàn)。

我國(guó)在20世紀(jì)90年代后，國(guó)內(nèi)各校也開(kāi)始關(guān)注交通標(biāo)志識(shí)別研究，杭州大學(xué)蔣剛毅教授通過(guò)利用數(shù)學(xué)形態(tài)學(xué)方法提取交通標(biāo)志的特征，再利用模板匹配算法來(lái)進(jìn)行分類(lèi)識(shí)別，其實(shí)驗(yàn)結(jié)果表明該系統(tǒng)能比較好對(duì)10類(lèi)警告標(biāo)志進(jìn)行識(shí)別，而且具有較高的識(shí)別正確率與算法魯棒性等優(yōu)點(diǎn)[16]。許少秋等人也采用基于模板匹配的算法來(lái)對(duì)交通標(biāo)志進(jìn)行識(shí)別，再通過(guò)HSI顏色空間對(duì)圖像進(jìn)行分割，再經(jīng)過(guò)圖像預(yù)處理后提取可以得到交通標(biāo)志的形狀特征，實(shí)驗(yàn)結(jié)果表示該方法對(duì)于平移、旋轉(zhuǎn)、遮擋等情況下的交通標(biāo)志都具有較高的識(shí)別準(zhǔn)確率，但其識(shí)別效率還有待提高[15]。

進(jìn)入21世紀(jì)后，主要方法就是神經(jīng)網(wǎng)絡(luò)分類(lèi)法。2004年，王坤明等人使用BP神經(jīng)網(wǎng)絡(luò)對(duì)交通標(biāo)志進(jìn)行識(shí)別，該算法能夠識(shí)別出11種不同的警告、禁止和指示標(biāo)志[15]。2006年張航、黎群輝等人提出基于概率的神經(jīng)網(wǎng)絡(luò)算法來(lái)識(shí)別交通標(biāo)志，取得了好的效果。2007年，東北大學(xué)東軟汽車(chē)電子先行研發(fā)中心在汽車(chē)輔助駕駛系統(tǒng)方面進(jìn)行了深入的探究，開(kāi)始了交通標(biāo)志識(shí)別算法探究工作，并且取得了一定成果。從2009年開(kāi)始，國(guó)家自然科學(xué)基金委員會(huì)提出重大的研究計(jì)劃“視聽(tīng)覺(jué)信息的認(rèn)知計(jì)算”。同時(shí)“中國(guó)智能車(chē)未來(lái)挑戰(zhàn)賽”也開(kāi)始舉辦，迄今為止已經(jīng)舉辦了四屆比賽，其中交通標(biāo)志的識(shí)別是無(wú)人駕駛汽車(chē)平臺(tái)環(huán)境感知部分的重要測(cè)試項(xiàng)目。該項(xiàng)賽事的舉辦在一定程度上促進(jìn)了國(guó)內(nèi)交通標(biāo)志識(shí)別技術(shù)的發(fā)展，其中國(guó)防科技大學(xué)、清華大學(xué)、北京理工大學(xué)、西安交通大學(xué)、軍事交通學(xué)院、中科院合肥物質(zhì)研究所、武漢大學(xué)、中南大學(xué)、重慶大學(xué)、浙江大學(xué)以及南京理工大學(xué)等院校[17]科研院校也參與了該課題的研究，并且進(jìn)行了相關(guān)技術(shù)的探索，其中的一個(gè)研究?jī)?nèi)容就是無(wú)人駕駛車(chē)輛的視覺(jué)計(jì)算研究[18]。

2010年，盛業(yè)華、張卡等人提出了一種交通標(biāo)志識(shí)別算法，這個(gè)算法基于圖像的顏色特征進(jìn)行檢測(cè)，來(lái)獲得目標(biāo)區(qū)域的圖像；接著采用中心投影變的換算法獲取圖像目標(biāo)區(qū)域的形狀特征；最后利用測(cè)試過(guò)的概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器來(lái)進(jìn)行分類(lèi)識(shí)別。這個(gè)算法具有較高的識(shí)別正確率與算法效率，但人工神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置至今仍然沒(méi)有一個(gè)成熟有效的解決方案。臺(tái)灣大學(xué)的資訊工程所也做過(guò)一些相關(guān)的研究[19，20]。他們采用動(dòng)態(tài)視覺(jué)模型[20]進(jìn)行了交通標(biāo)志的檢測(cè)，囊括了大部分類(lèi)別的標(biāo)志類(lèi)型。還有楊斐等人將BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器用在交通標(biāo)志識(shí)別，汪虹等人基于概率的支持向量機(jī)識(shí)別交通標(biāo)志[21]。

3 交通標(biāo)志識(shí)別的技術(shù)理論（The technical theory

of traffic sign recognition）

3.1 交通標(biāo)志的基本識(shí)別框架

考慮到系統(tǒng)的實(shí)時(shí)性的要求，交通標(biāo)志識(shí)別的系統(tǒng)框架設(shè)計(jì)應(yīng)該針對(duì)中國(guó)現(xiàn)有的交通標(biāo)志國(guó)家標(biāo)準(zhǔn)，從識(shí)別算法的結(jié)構(gòu)實(shí)現(xiàn)的角度提出的交通標(biāo)志識(shí)別的系統(tǒng)框架[22]，如圖2所示。

3.2 交通標(biāo)志識(shí)別的關(guān)鍵技術(shù)

（1）預(yù)處理技術(shù)：預(yù)處理的目的是為了得到滿意的圖像，在交通標(biāo)志識(shí)別時(shí)，要解決交通標(biāo)志圖像的實(shí)時(shí)采集與圖像的復(fù)原問(wèn)題。交通標(biāo)志圖像的預(yù)處理主要涉及兩個(gè)方面，一是對(duì)交通標(biāo)志特征顏色的分割：而是對(duì)交通標(biāo)志圖像質(zhì)量的提高。這兩方面對(duì)于交通標(biāo)志的正確識(shí)別有非常重要的意義。

（2）特征提取與選擇技術(shù)：檢測(cè)出交通標(biāo)志的具體位置之后，為了對(duì)交通標(biāo)志進(jìn)行識(shí)別，就需要對(duì)這些感興趣區(qū)域圖像進(jìn)行特征的提取，以此作為依據(jù)和判別條件對(duì)交通標(biāo)志的內(nèi)容進(jìn)行分析和判定[23]。特征提取是其中極為重要的一步，它的有效性將直接影響后續(xù)訓(xùn)練和判別的準(zhǔn)確率和效率。目前主要選擇圖像的紋理、顏色、幾何形狀作為圖像的特征。特征提取與選擇要解決等待識(shí)別的固有的、本質(zhì)的和重要的特征的量測(cè)以及盡量減少特征矢量的維數(shù)等問(wèn)題。

（3）交通標(biāo)志識(shí)別法：交通標(biāo)志分類(lèi)法有很多，其中神經(jīng)網(wǎng)絡(luò)分類(lèi)算法和其他的方法比較，具有較強(qiáng)的容錯(cuò)性，能夠識(shí)別帶有噪聲或變形的輸入模式，具有很強(qiáng)的自學(xué)習(xí)、自組織能力，采用并行分布式信息存儲(chǔ)處理，識(shí)別速度快，因而在模式分類(lèi)中獲得廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)分類(lèi)法作為交通標(biāo)志識(shí)別的一項(xiàng)重要手段，在計(jì)算視覺(jué)和模式識(shí)別的眾多領(lǐng)域獲得廣泛的應(yīng)用。分類(lèi)識(shí)別要根據(jù)對(duì)象的知識(shí)以及分類(lèi)識(shí)別的理論和方法，將等待識(shí)別的對(duì)象進(jìn)行分類(lèi)與理解，在交通標(biāo)志識(shí)別中，要解決交通標(biāo)志的分類(lèi)與理解問(wèn)題[22]。

3.3 交通標(biāo)志識(shí)別的難點(diǎn)

中國(guó)的道路交通標(biāo)志是由《道路交通標(biāo)志和標(biāo)線》統(tǒng)一制定的，交通標(biāo)志通過(guò)特定顏色的符號(hào)、圖案和文字傳遞出交通管理信息，以此來(lái)實(shí)現(xiàn)管制交通的安全管理設(shè)施。交通標(biāo)志的安裝位置及高度是有規(guī)定的，但大部分情況下都是要適應(yīng)具體的場(chǎng)景。自然場(chǎng)景下有很多的因素制約著交通標(biāo)志的檢測(cè)和識(shí)別效率[24]，并且存在著很多研究難點(diǎn)[25]。其原因可以歸結(jié)為六點(diǎn)。（1）顏色失真：光線及褪色等因素導(dǎo)致交通標(biāo)志顏色的失真。（2）場(chǎng)景限制：自然場(chǎng)景下獲取的交通標(biāo)志圖像以及視頻中包含著大量干擾物。（3）種類(lèi)繁多：國(guó)際標(biāo)準(zhǔn)的交通標(biāo)志（不包括派生類(lèi)型）種類(lèi)數(shù)有116種，并且這個(gè)數(shù)量還在快速的增加。如此眾多的種類(lèi)數(shù)對(duì)于分類(lèi)算法的可擴(kuò)展性提出了非常高的要求。（4）尺寸變化：隨著汽車(chē)的運(yùn)動(dòng)，背景中同一個(gè)交通標(biāo)志的尺寸大小會(huì)隨距離而不斷變化。（5）視角變化：車(chē)載攝像機(jī)和交通標(biāo)志之間的角度會(huì)不斷地變化，使得交通標(biāo)志圖像會(huì)出現(xiàn)任意視角的畸變。（6）形狀失真：交通標(biāo)志牌由于破損或變形導(dǎo)致的形狀嚴(yán)重不同于標(biāo)準(zhǔn)形狀。

不僅如此，該課題的研究對(duì)于系統(tǒng)也有很高的要求。（1）準(zhǔn)確性：準(zhǔn)確性低，不僅起不到預(yù)想的輔助駕駛作用，而且容易引發(fā)交通事故。（2）實(shí)時(shí)性：交通標(biāo)志識(shí)別系統(tǒng)要求具備非常快的處理速度，單幀處理速度小于100ms才剛剛稱(chēng)得上是實(shí)時(shí)，所以要求算法和硬件設(shè)備支持高速化處理。（3）經(jīng)濟(jì)性：交通標(biāo)志識(shí)別系統(tǒng)不僅要克服各個(gè)難點(diǎn)，系統(tǒng)的經(jīng)濟(jì)成本也是其中重要的因素。

4 交通標(biāo)志識(shí)別系統(tǒng)的展望（Prospect of traffic sign

recognition system）

交通標(biāo)志識(shí)別系統(tǒng)的應(yīng)用十分廣泛。十幾年來(lái)，尤其在無(wú)人駕駛的汽車(chē)領(lǐng)域中，交通標(biāo)識(shí)別系統(tǒng)的研究工作已經(jīng)取得了相應(yīng)的成果?，F(xiàn)在有很多公司在研究無(wú)人駕駛汽車(chē)，其中就會(huì)用到該技術(shù)[26]。目前為止，已成功將交通標(biāo)志識(shí)別用到智能車(chē)輛機(jī)器視覺(jué)領(lǐng)域的研究中的主要有日本、美國(guó)、德國(guó)、瑞士等[17]。2010年，谷歌公司研發(fā)的無(wú)人駕駛車(chē)在公路上進(jìn)行了實(shí)地測(cè)試，可靠行駛了約22.5萬(wàn)公里，其中交通標(biāo)志識(shí)別系統(tǒng)對(duì)該車(chē)輛的自主駕駛提供可靠的安全保障。此外，澳大利亞、西班牙、以色列等國(guó)家各有一些比較成熟的工作。如圖3所示是交通標(biāo)志識(shí)別系統(tǒng)的PC界面。

大多現(xiàn)有的研究是基于某一類(lèi)特殊的交通標(biāo)志進(jìn)行的，例如限速標(biāo)志、禁令標(biāo)志，或者是基于有某種特征的標(biāo)志進(jìn)行的，例如圓形標(biāo)志、三角形標(biāo)志、矩形標(biāo)志。但時(shí)至今日還是沒(méi)有研究能夠在實(shí)時(shí)性和準(zhǔn)確性上都非常出色。

（1）針對(duì)交通標(biāo)志的識(shí)別目前只是對(duì)部分的交通標(biāo)志進(jìn)行識(shí)別，未來(lái)可能需要加入更多的交通標(biāo)志，這就使得識(shí)別功能更加完善，能識(shí)別更多的交通標(biāo)志。

（2）在交通標(biāo)志圖像的特征提取方面，綜合考慮圖像的HOG特征、灰度特征和PCA特征。但在圖像處理與模式識(shí)別中，仍然有較多其他種類(lèi)的特征。

（3）如何提高計(jì)算速度也是今后研究的方向，因?yàn)闄z測(cè)和識(shí)別的方法計(jì)算復(fù)雜度較高，滿足不了自然場(chǎng)景下交通標(biāo)志識(shí)別的實(shí)時(shí)性。

（4）圖像的特征匹配方法有很多并且各有優(yōu)缺點(diǎn)。其中，加拿大多倫多大學(xué)教授Hinton等人提出來(lái)了一種全新的機(jī)器學(xué)習(xí)方法即深度學(xué)習(xí)方法[27]。深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)方法，其原因是想建立一個(gè)能模擬人腦進(jìn)行學(xué)習(xí)分析的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)能通過(guò)多個(gè)非線性變換組合低層特征形成更加抽象的高層特征或?qū)傩?，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，深度學(xué)習(xí)方法可以說(shuō)是機(jī)器學(xué)習(xí)的第二次浪潮。深度學(xué)習(xí)網(wǎng)絡(luò)則不同與其他的方法，它不需要事先提取圖像人工特征，而是直接對(duì)原始圖像進(jìn)行操作，經(jīng)過(guò)迭代訓(xùn)練學(xué)習(xí)的操作后，對(duì)2320個(gè)測(cè)試樣本的識(shí)別率則達(dá)到了98.4%。取得了較高的識(shí)別率，并對(duì)出現(xiàn)遮擋、光照不均勻以及形狀變化的交通標(biāo)志也有一定的魯棒性。2013年4月，《MIT Technology Review》（麻省理工學(xué)院技術(shù)評(píng)論）評(píng)選出了年度十大突破科技，其中深度學(xué)習(xí)位居首位?？梢?jiàn)，深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界受到了極大的關(guān)注和重視。不過(guò)深度學(xué)習(xí)模型在其結(jié)構(gòu)和學(xué)習(xí)方法上仍然還有很大的提升和改進(jìn)空間。因此，怎樣利用深度學(xué)習(xí)方法提高交通標(biāo)志檢測(cè)和識(shí)別的時(shí)間和效率是當(dāng)今需要進(jìn)一步的研究課題。

5 結(jié)論（Conclusion）

汽車(chē)行業(yè)的高速發(fā)展以及輔助駕駛系統(tǒng)的初步應(yīng)用，使交通標(biāo)志識(shí)別成為模式識(shí)別領(lǐng)域里的研究熱點(diǎn)。本文較全面地介紹了交通標(biāo)志識(shí)別中常用的幾種方法，包括模板匹配、神經(jīng)網(wǎng)絡(luò)以及數(shù)學(xué)形態(tài)等?？偨Y(jié)了國(guó)內(nèi)外自20世紀(jì)70年代至今的研究成果以及交通標(biāo)志識(shí)別系統(tǒng)現(xiàn)狀，簡(jiǎn)要闡述了技術(shù)理論和難點(diǎn)。

由于交通標(biāo)志圖像采集過(guò)程中存在諸多不確定因素，普遍存在背景干擾及采集角度不假引起的目標(biāo)變形，所以如何有效利用交通標(biāo)志的多種特征、融合線性以及非線性子空間特征提取方法的優(yōu)勢(shì)，研究出具有高魯棒性和高實(shí)時(shí)性的交通標(biāo)志識(shí)別方法，將是今后的主要發(fā)展方向。

參考文獻(xiàn)（References）

[1] A.Mogelmose，M.M.Trovedo，T.B.moeslund.Vision-based traffic sign detection and analysis for intelligent driver assistance systems：Perspectives and survey[J].IEEE Transactions on Intelligent Transportation Systems，2012，13（4）：1484-1497.

[2] J.Stallkamp，et al.Thegerman traffic sign recognition benchmark：a multi-class classification competition[C].The 2011 Internation Joint Conference on Neural Networks.IEEE，2011：1453-1460.

[3] S.Houben，J.Stallkamp，J.International Joint Conference on Neural Network.IEEE，2013：1-8.

[4] G.Wang，et al.Arobust，coarse-tofine traffic sign detection method[C].The 2013 International Joint Conference on Neural Networks.IEEE，2013：1-5.

[5] 張曙.自然環(huán)境下交通標(biāo)志的檢測(cè)及識(shí)別算法研究[D].武漢理工大學(xué)，2014，（6）：3-5.

[6] Yu F，Xue F W.Study on Motion Blur Image Research[J].Advanced Materials Research，2013，2526（753）：2976-2979.

[7] Akatsuka H，Imai S.Road Signposts Recognition System[J].SAE Vehicle Highway.Infrastructure：Safety Compatibility，1987：189-196.

[8] 王準(zhǔn).基于移動(dòng)設(shè)備的交通標(biāo)志高速識(shí)別系統(tǒng)[D].華東師范大學(xué)，2015，26（5）：2-3.

[9] 王鏗.基于稀疏表示的交通標(biāo)識(shí)識(shí)別[D].南京理工大學(xué)，2013，13（3）：1-2.

[10] N-Barne，A.Zelinsky.Real-time radial symmetry for speed sign detection[C].IEEE Intelligent Vehicles Symposium，2004：566-571.

[11] 吳峰.基于機(jī)器學(xué)習(xí)的道路交通標(biāo)志識(shí)別方法研究[D].北京交通大學(xué)，2015.

[12] 葉陽(yáng)陽(yáng).交通標(biāo)志檢測(cè)和識(shí)別算法研究[D].北京交通大學(xué)，2015，27（3）：1-4.

[13] 朱正平.基于外觀特征與神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J].自動(dòng)化與儀器儀表，2009，（1）：60-63.

[14] 孫光民，等.自然背景總交通標(biāo)志的檢測(cè)與識(shí)別[J].北京工業(yè)大學(xué)學(xué)報(bào)2010，36（10）：1337-1340.

[15] 劉鑫，楊立敬，朱雙東.快速交通標(biāo)志檢測(cè)預(yù)處理方法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（29）：229-231.

[16] 蔣剛毅，鄭義.形態(tài)骨架匹配算法及其在交通標(biāo)志識(shí)別中的應(yīng)用[J].電路與系統(tǒng)學(xué)報(bào)，1996，1（3）：16-23.

[17] P.Gil-Jimenez，S.Lafuente-Arroyo.It Gomez-Moreno，F(xiàn).Lopez-Ferreras，S.Maldonado-Bascon.Traffic sign shape classification evaluation.Part II.FFT applied to thesignature of blobs[C].Proceedings of IEEE Intelligent Vehicles Symposium，2005：607-612.

[18] 唐睢睢.交通標(biāo)志識(shí)別算法研究[D].北京交通大學(xué)，2014，

13（3）：1-2.

[19] 楊修銘，劉昆灝，劉昭麟.干擾狀況下之交通標(biāo)志偵測(cè)及辨別[M].第七屆人工智能與應(yīng)用研討會(huì)論文集（TAAI'02），臺(tái)中，臺(tái)灣，2002：555-560.

[20] C.Y.Fang，et al.An automatic road sign recognition system based on a computational model of human recognition processing[J].Computer Vision and Image Understanding，2004，96（2）：237-268.

[21] 歐陽(yáng)維力.基于單目視覺(jué)的交通標(biāo)志檢測(cè)與識(shí)別算法研究[D].機(jī)械與運(yùn)載工程學(xué)院，2014，27（5）：4-5.

[22] 張航.自然場(chǎng)景下的交通標(biāo)志識(shí)別算法研究[D].中南大學(xué)，2006，4：16-33.

[23] KhaldiAmine，MerouaniHayeteRange.Image Segmentation Classification[J].International Journal of Computer Science Issues.2012.9（4）：311-317.

[24] Li B，Zhan Z H.Research on Motion Blurred Image Restoration[C].Image and Signal Processing（CISP），2012 5th International Congress on.IEEE，2012：1307-1311.

[25] 陳雪.基于多線索混合的交通標(biāo)志識(shí)別算法的研究與實(shí)現(xiàn)[D].東北大學(xué)，2008.

[26] Yibin Ye，Stefano Squartin，F(xiàn)rancesco Piazza.ELM Based TimeVariant Neural Networks with Incremental Number of Output Basis Functions[J].Lecture Notes in Computer Science，2011，6675：403-410.

[27] 楊恒，劉肖琳.基于SURF的車(chē)載實(shí)時(shí)交通標(biāo)志識(shí)別系統(tǒng)[J].微計(jì)算機(jī)信息，2011，27（6）：101-102；149.