交通標(biāo)志檢測(cè)研究綜述

溫斯傲，李志民，郝博聞，倪鈺婷，鐘 玲

（沈陽(yáng)工業(yè)大學(xué)軟件學(xué)院，沈陽(yáng)　110023）

交通標(biāo)志檢測(cè)研究綜述

溫斯傲，李志民，郝博聞，倪鈺婷，鐘 玲

（沈陽(yáng)工業(yè)大學(xué)軟件學(xué)院，沈陽(yáng)110023）

道路交通問題日益嚴(yán)峻，智能交通系統(tǒng)（Intelligent Transportation System，ITS）應(yīng)運(yùn)而生。交通標(biāo)志識(shí)別系統(tǒng)（Traffic Sign Recognition，TSR）是ITS的重要組成部分。TSR分為交通標(biāo)志檢測(cè)與識(shí)別兩部分，檢測(cè)效率的提高使得TSR整體性能提升，以達(dá)到提高交通運(yùn)行速率，降低交通事故的發(fā)生。本文主要介紹交通標(biāo)志檢測(cè)部分，總結(jié)了國(guó)內(nèi)外自上世紀(jì)70年代至今的研究成果，其中用到的方法包括了顏色檢測(cè)、形狀檢測(cè)、神經(jīng)網(wǎng)絡(luò)等。并簡(jiǎn)要敘述了技術(shù)理論和難點(diǎn)，最后對(duì)交通標(biāo)志檢測(cè)方法現(xiàn)狀進(jìn)行總結(jié)及展望。

交通標(biāo)志；ITS；顏色檢測(cè)；形狀檢測(cè)；無人車

0　引 言

自二十世紀(jì)八十年代起，美國(guó)即已首度提出了智能交通這一概念，不久西方就有很多國(guó)家也相繼在這一領(lǐng)域展開廣泛研究。這種情況下，“智能交通系統(tǒng)（Intelligent Transportation System，簡(jiǎn)稱ITS）”的研究領(lǐng)域便已應(yīng)運(yùn)而生，并且得到迅速的發(fā)展［1-2］。在龐大的交通系統(tǒng)中，道路交通標(biāo)志是不可或缺的組成部分，合理設(shè)置交通標(biāo)志則已成為保證道路交通安全順暢的重要舉措和實(shí)施方略。

交通標(biāo)志檢測(cè)是智能交通系統(tǒng)的關(guān)鍵設(shè)計(jì)內(nèi)容。若能快速準(zhǔn)確地檢測(cè)出交通標(biāo)志在前方道路的所處區(qū)域，就使得交通標(biāo)志識(shí)別系統(tǒng)的整體效率獲得提高，也才能卓具成效地輔助和引導(dǎo)安全駕駛。

交通標(biāo)志檢測(cè)包括圖像處理、模式識(shí)別、機(jī)器視覺等多個(gè)學(xué)科的技術(shù)進(jìn)展在內(nèi)，而且又對(duì)數(shù)據(jù)處理的實(shí)時(shí)性、準(zhǔn)確性、高效性提出了頗高要求。但是由于各地區(qū)的交通標(biāo)志差異較大，路況的復(fù)雜程度也各不相同，雖然已經(jīng)開展了諸多方面的研究，但是并未尋求得到完美的解決方案。這是一個(gè)典型的、且富有挑戰(zhàn)性的研究課題，本文即針對(duì)這一技術(shù)內(nèi)容的現(xiàn)狀及發(fā)展給出了研究綜述。

1　交通標(biāo)志檢測(cè)系統(tǒng)的組成

如圖1所示，交通標(biāo)志檢測(cè)系統(tǒng)大體分為3個(gè)部分，各部分的功能實(shí)現(xiàn)可做如下闡釋解析：

1）圖像采集。負(fù)責(zé)采集圖像，為系統(tǒng)后期提供使用。圖像采集的方法不同，將會(huì)對(duì)檢測(cè)的有效范圍、精確度等造成影響，一個(gè)現(xiàn)實(shí)優(yōu)異的采集圖像視覺系統(tǒng)則可以提升檢測(cè)系統(tǒng)的性能。

2）圖像預(yù)處理。在自然場(chǎng)景中，圖像的采集會(huì)受到光照影響，光照過強(qiáng)或過弱即會(huì)導(dǎo)致圖像的顏色過暗或失真，無法為下一步的檢測(cè)工作提供必備有效的執(zhí)行基礎(chǔ)。

3）圖像分割。在需要檢測(cè)出交通標(biāo)志的圖像中，分割整幅圖像獲得準(zhǔn)確包含交通標(biāo)志的區(qū)域，這將作為檢測(cè)工作的結(jié)果提交給整個(gè)交通標(biāo)志識(shí)別系統(tǒng)。

圖1　交通標(biāo)志檢測(cè)系統(tǒng)構(gòu)成圖Fig.1 Traffic sign detection process

2　國(guó)內(nèi)外研究現(xiàn)狀

2.1國(guó)外現(xiàn)狀

國(guó)外對(duì)交通標(biāo)志檢測(cè)研究起步較早，由此而進(jìn)化延伸的實(shí)際應(yīng)用研究也較多。從上世紀(jì)八十年開始，日本即已開始了對(duì)交通標(biāo)志檢測(cè)的研究，研究方向最初定為對(duì)目標(biāo)場(chǎng)景的戶外檢測(cè)，主要就是針對(duì)于速度標(biāo)志進(jìn)行研究。至1990年日本本田汽車公司制造出無人駕駛汽車后，無人駕駛汽車便已開始引領(lǐng)一個(gè)新的汽車發(fā)展方向。

無人駕駛車最重要的就是其中的“視覺系統(tǒng)”，借此可以清晰看見行駛中前方的實(shí)時(shí)路況，而且對(duì)障礙物的避讓，乃至駕駛路徑規(guī)劃，都將有賴于能夠即時(shí)確切地探測(cè)發(fā)現(xiàn)前方的交通信號(hào)。

2010年10月，google成功研發(fā)全球首款全自動(dòng)駕駛汽車；2012年5月8日，美國(guó)內(nèi)華達(dá)州機(jī)動(dòng)車輛管理部門（DMV）為谷歌的自動(dòng)駕駛車頒發(fā)了首例駕駛許可證，這即意味著谷歌自動(dòng)駕駛車已經(jīng)具備了在內(nèi)達(dá)華州上路的法證資格。2011年德國(guó)舉辦了交通標(biāo)志識(shí)別大賽（IJCNN2011）［3］，這一賽事清楚表明了交通標(biāo)志檢測(cè)和識(shí)別算法及有關(guān)方法的研究在智能交通領(lǐng)域已經(jīng)獲得了全面廣泛的關(guān)注，從而促進(jìn)了交通標(biāo)志檢測(cè)和識(shí)別研究的快速進(jìn)步與發(fā)展。2012年8月8日，在美國(guó)內(nèi)華達(dá)州允許無人駕駛汽車上路3個(gè)月后，機(jī)動(dòng)車駕駛管理處（Department of Motor Vehicles）為Google的無人駕駛汽車定制了一張合法車牌。2014年5月28日Code Conference科技大會(huì)上，Google繼續(xù)推出了最新設(shè)計(jì)產(chǎn)品——沒有方向盤和剎車的無人駕駛汽車。2015年11月底，根據(jù)谷歌提交給機(jī)動(dòng)車輛管理局的報(bào)告，谷歌的無人駕駛汽車在自動(dòng)模式下已經(jīng)完成了130多萬英里的路線航程。2016年初，日本經(jīng)濟(jì)貿(mào)易產(chǎn)業(yè)省（METI）組建了一個(gè)研究小組，決定聯(lián)手推動(dòng)汽車行業(yè)發(fā)展，計(jì)劃于2020年開始在公用道路上展開自動(dòng)駕駛汽車。

2.2國(guó)內(nèi)現(xiàn)狀

受限于技術(shù)起步的延滯，我國(guó)在智能交通領(lǐng)域的開發(fā)要比國(guó)外稍晚。1989年，我國(guó)首輛智能小車在國(guó)防科技大學(xué)正式誕生問世。1992年，仍是該所學(xué)校研制推出我國(guó)第一輛真正意義上的無人駕駛汽車。2001年的重大成果是研制成功時(shí)速可達(dá)76公里的無人車。2003年，再由國(guó)防科技大學(xué)研究設(shè)計(jì)獨(dú)創(chuàng)出“紅旗”無人駕駛車，并且完成了在170km/h的速度下自主超車和避讓障礙。2007年，紅旗HQ3參加了第14屆國(guó)際智能交通大會(huì)，會(huì)上進(jìn)行了實(shí)車演示，在國(guó)內(nèi)外引起轟動(dòng)。2011年，國(guó)防科技大學(xué)自主研制的無人車在長(zhǎng)沙到達(dá)武漢路段設(shè)計(jì)了行駛實(shí)驗(yàn)，期間克服了多變的天氣環(huán)境、復(fù)雜的交通境遇和路段車道線不清等現(xiàn)實(shí)情況，完成了286公里的無人駕駛實(shí)驗(yàn)。只有漸趨完備的交通檢測(cè)系統(tǒng)才可以更加有效地采集道路信息，提高無人駕駛車的性能。2014年7月24日，百度啟動(dòng)無人駕駛汽車研發(fā)計(jì)劃。2015年12月，百度無人駕駛車國(guó)內(nèi)首次實(shí)現(xiàn)城市、環(huán)路及高速道路混合路況下的全自動(dòng)駕駛，測(cè)試時(shí)最高速度已可達(dá)到100公里/小時(shí)。

3　交通標(biāo)志檢測(cè)算法現(xiàn)狀

3.1基于顏色的檢測(cè)方法

交通標(biāo)志中，顏色無疑是最重要的特征之一?；陬伾姆指钪恍柰ㄟ^少量運(yùn)算，就可去除大量的非感興趣區(qū)域，同時(shí)加快檢測(cè)的速度，因而對(duì)交通標(biāo)志檢測(cè)系統(tǒng)的實(shí)時(shí)性具有重點(diǎn)關(guān)鍵現(xiàn)實(shí)意義?；陬伾芯康牟噬臻g有許多，如：RGB、HSI、HSV。下面即對(duì)各類空間的檢測(cè)技術(shù)展開綜合分析與論述。

RGB是常用的彩色空間。2003年，Hsiu-Ming等人運(yùn)用紅色像素值對(duì)圖像進(jìn)行分割［4］。在此基礎(chǔ)上，Cyganek設(shè)計(jì)了基于支持向量機(jī)的分類器對(duì)紅色標(biāo)志探討提供了顏色分割［5］。2014年，余進(jìn)程對(duì)自然場(chǎng)景中采集的彩色圖像研究了光照均衡化處理增強(qiáng)彩色圖像的對(duì)比度，減弱光照造成的不利影響，在RGB顏色模型下對(duì)圖像實(shí)現(xiàn)了顏色分割和二值化處理［6］。RGB彩色空間的優(yōu)點(diǎn)在于實(shí)時(shí)性較好，但其缺點(diǎn)卻是不能精準(zhǔn)模擬人類對(duì)顏色的感知，且受光照影響較大。

研究人員為了克服RGB彩色空間的不足，將RGB圖像轉(zhuǎn)換為在HSI彩色空間下進(jìn)行閾值分割，由于HSI彩色空間3個(gè)分量基本不相關(guān)，更加利于包括圖像分割等在內(nèi)的有關(guān)圖像處理工作。1993年，在美國(guó)研制出ADIS系統(tǒng)（Advanced Driver Information System）［7］，同期發(fā)表的論文中即提出了一種基于顏色和形狀有序處理停止交通標(biāo)志的技術(shù)——reconition技術(shù)。這種顏色坐標(biāo)可以使得一個(gè)停止標(biāo)志的紅色區(qū)域在大多數(shù)因素（天氣、陽(yáng)光、陰影）下都能判斷、并識(shí)別邊界，迄今為止，類似研究也仍在應(yīng)用這一技術(shù)。2007年，在HSI空間下，Maldonado-Bascon運(yùn)用直方圖分析的方法，確定在HSI彩色空間顏色分割的閾值，獲得了滿意效果［8］。在此基礎(chǔ)上，同年，Cyganek利用模糊推理進(jìn)行了顏色分割［9］。HSI彩色空間的各類檢測(cè)算法也已優(yōu)效解決了光照問題。2009年，沙莎發(fā)表了一種多通道檢測(cè)方法［10］，具體是將圖像轉(zhuǎn)換到HSI顏色空間，對(duì)其飽和度予以閉值分割處理，同時(shí)再結(jié)合RGB通道的顏色特征進(jìn)行顏色聚類，從而將交通標(biāo)志從背景圖像中分離出來。2014年，歐陽(yáng)維力比較提出了基于HSI顏色模型的自適應(yīng)閾值分割算法，能夠更好地降低光照或類交通標(biāo)志物體帶來的噪聲作用［11］。需要指出，HSI彩色空間的缺點(diǎn)在于從RGB空間到HSI空間的轉(zhuǎn)換計(jì)算量較大，且HSI空間呈現(xiàn)了非理想狀態(tài)下的不穩(wěn)定性，這也在一定程度上影響了彩色分割的效果。

HSI彩色空間之外，HSV是另一類分量基本各不相關(guān)的彩色空間。而且由于RGB空間轉(zhuǎn)換為HSV空間的計(jì)算量較小，且這種顏色系統(tǒng)比RGB系統(tǒng)更接近人類對(duì)顏色的感知，因而在顏色分割中得到了優(yōu)勢(shì)普及的廣泛應(yīng)用。2001年威斯康辛大學(xué)的Liu等人開發(fā)了識(shí)別停止（STOP）標(biāo)志的系統(tǒng)，采用HSV空間顏色閾值分割進(jìn)行檢測(cè)，對(duì)540幅圖像施與了技術(shù)處理，研究結(jié)果準(zhǔn)確率為95%［12］。同年，Vitabile等人深入研究了HSV空間中3個(gè)分量的特性，把HSV劃分為非彩色區(qū)域、不穩(wěn)定彩色區(qū)域和彩色區(qū)域［13］，運(yùn)用動(dòng)態(tài)像素聚集技術(shù)和動(dòng)態(tài)區(qū)域增長(zhǎng)技術(shù)進(jìn)行顏色分割［14］。

研究可知，在上述RGB彩色空間、HSI彩色空間和HSV彩色空間以外，還有另外一些彩色空間也可用于顏色分割。Shaposhnikov等人將RGB空間轉(zhuǎn)化到CIE（國(guó)際照明委員會(huì)）的標(biāo)準(zhǔn)XYZ空間［15-16］進(jìn)行顏色分割；Luo等人也提出了在CIE彩色空間的顏色分割［17］，以亮度（L）、色度（C）、色調(diào)（H）為度量確定閾值，取得了一定的效果。

3.2 基于形狀的檢測(cè)系統(tǒng)方法

形狀是交通標(biāo)志的另一突出特征，利用形狀特征可以將交通標(biāo)志從復(fù)雜背景中有效地提取出來。在交通標(biāo)志檢測(cè)系統(tǒng)的研究過程中，對(duì)形狀特征的算法協(xié)同加入各類改進(jìn)，勢(shì)將影響檢測(cè)效率和準(zhǔn)確度。

輪廓分析法是交通標(biāo)志形狀分割的傳統(tǒng)方法，核心思想是把交通標(biāo)志分為若干區(qū)域，而后再進(jìn)行輪廓的檢測(cè)。張靜等人提出了多特征融合的圓形標(biāo)志分割方法，首先提出非彩色分解技術(shù)用于去除非感興趣區(qū)域，其后又綜合利用圓形交通標(biāo)志的圓形度，展弦比等特征提取出了圓形標(biāo)志的精確區(qū)域，取得了可觀的研究成果［18］。朱雙冬等人提出了一種三角形交通標(biāo)志檢測(cè)的方法。該方法首先在HIS顏色空間提取紅色，并使用LOG模板在檢測(cè)的區(qū)域展開邊緣檢測(cè)，再對(duì)檢測(cè)到的點(diǎn)進(jìn)行頂點(diǎn)判別，判斷頂點(diǎn)是否滿足三角形的幾何條件，具有較好的準(zhǔn)確率和檢測(cè)速度。

圖像處理中，Hough變換是由圖像中識(shí)別幾何形狀的基本方法之一。Hough變換的基本原理在于利用點(diǎn)與線的對(duì)偶性［19］，將原始圖像空間的曲線通過曲線表達(dá)形式變換為參數(shù)空間的一個(gè)點(diǎn)，尋找參數(shù)空間中的峰值。2007年，陳維馨等人［20］利用向量濾波器分割感興趣區(qū)域，并采用拐點(diǎn)、幾何特征和對(duì)稱性檢測(cè)三角形和圓形標(biāo)志，獲得了良好可見的最終效果。2013年，齊朗嘩使用Hough變換的思想，采用canny算子進(jìn)行圖像預(yù)先分類，對(duì)圓形（包括八邊形）、三角形、菱形起到了顯著突出的檢測(cè)作用，預(yù)分類準(zhǔn)確率可達(dá)98%以上［21］。2014年，張佳等人使用隨機(jī)Hough變換利用梯度信息減少無效累積，縮小判斷真圓的驗(yàn)證范圍，從而優(yōu)化改進(jìn)了原有算法［22］。2015年，盧艷君使用隨機(jī)Hough變換法和輪廓逼近方法，確定圓形、矩形、三角形和八邊形交通標(biāo)志，為最終實(shí)現(xiàn)交通標(biāo)志的準(zhǔn)確檢測(cè)提供了有益思路和參考價(jià)值［23］。一般情況下，這種方法均能獲得滿意的檢測(cè)效果。

利用邊緣算子進(jìn)行形狀檢測(cè)也是一種不錯(cuò)的手段。Garlipp等人采用canny算子提取邊緣，并且建立一個(gè)回歸函數(shù)，通過該回歸函數(shù)模型而去確認(rèn)檢測(cè)目標(biāo)是否為三角形交通標(biāo)志［24］。Cyganek等人利用了角點(diǎn)檢測(cè)三角形標(biāo)志，但這種方法計(jì)算量較大、而且檢測(cè)效率也未臻理想［25］。2013年，彭岳軍的研究中對(duì)圖像使用canny算子進(jìn)行邊緣檢測(cè)分割獲得了良好實(shí)現(xiàn)效果，結(jié)合顏色閾值，即使在下雨天也能夠達(dá)到88.73%的檢測(cè)率［26］。

3.3基于顏色與形狀相結(jié)合的檢測(cè)系統(tǒng)方法

將基于顏色特征和基于形狀特征檢測(cè)這2種方法相結(jié)合，可以使二者優(yōu)勢(shì)互補(bǔ)，提高檢測(cè)結(jié)果的準(zhǔn)確性。2011年，高向東等人在對(duì)于佳通標(biāo)志智能檢測(cè)方法的研究中，先采用基于HSV彩色空間的分割算法分割圖像，再通過多尺度Retinex算法增強(qiáng)圖像信息，其后尋找質(zhì)心與邊緣的距離值提取形狀特征，最終將二者所得結(jié)果結(jié)合起來完成檢測(cè)工作［27］。谷明琴的研究中使用RGB空間對(duì)車載相機(jī)采集的圖像進(jìn)行處理，通過形態(tài)學(xué)濾波去除噪聲斑點(diǎn)恢復(fù)較大區(qū)域上的邊緣，并對(duì)實(shí)現(xiàn)了邊緣重構(gòu)的特定圖像進(jìn)行形狀特征提取，結(jié)合顏色和形狀，從而得到了實(shí)際突出的研發(fā)效果［28］。2014年，鄧雄偉提出了一種改進(jìn)的綜合顏色和形狀的方法［29］：基于顏色分割和局部Hough變換的交通標(biāo)志檢測(cè)。對(duì)處理得出的二值圖像進(jìn)行邊緣檢測(cè)，保留邊緣特征，而后進(jìn)行輪廓跟蹤，最終提升了研究處理效果。

2015年，葉陽(yáng)陽(yáng)的研究中介紹了一種尋找高可信度區(qū)域以得到高質(zhì)量交通標(biāo)志區(qū)域的研究方法［30］。技術(shù)實(shí)現(xiàn)中，是通過類HOG特征、顏色紋理中的模糊對(duì)稱性，顏色對(duì)稱性和旋轉(zhuǎn)對(duì)稱性而得出的最優(yōu)直方圖區(qū)域、顏色紋理特性，由此判斷是否為交通標(biāo)志，進(jìn)一步地還將通過迭代尋找最優(yōu)交通標(biāo)志區(qū)域。

神經(jīng)網(wǎng)絡(luò)也是一種高效通用的顏色檢測(cè)方法，而且與傳統(tǒng)彩色空間檢測(cè)也有所不同。Kellmeyer等人利用神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色分割和形狀分析［31］，研究報(bào)告中提到了通過使用彩色圖像處理和神經(jīng)網(wǎng)絡(luò)來檢測(cè)和定位自然道路上的標(biāo)志牌圖像。該研發(fā)系統(tǒng)可以協(xié)助司機(jī)全面獲取道路信息，同時(shí)又減少了冗余過大的問題。

4　環(huán)境交通標(biāo)志檢測(cè)主要困難及解決思路

4.1交通標(biāo)志檢測(cè)的難點(diǎn)

在現(xiàn)實(shí)生活中，制約交通標(biāo)志有效識(shí)別因素有很多。相應(yīng)地，也呈現(xiàn)出一定有待解決的問題難點(diǎn)。對(duì)其可做如下概述：

1）受實(shí)際復(fù)雜的道路狀況影響，交通標(biāo)志圖像的背景較為混亂，例如交通標(biāo)志被其他物體遮擋，以及車輛的快速運(yùn)動(dòng)均可使采集的交通標(biāo)志變得模糊［32］。

2）同一交通標(biāo)志的形狀結(jié)構(gòu)和比例的不一致性，以及拍攝角度的多變性，則會(huì)導(dǎo)致交通標(biāo)志出現(xiàn)不同程度的幾何失真。

3）由于各種實(shí)際條件的影響（光照、天氣等），交通標(biāo)志將會(huì)出現(xiàn)較為嚴(yán)重的顏色失真。

4.2解決思路

針對(duì)以上問題，提出如下解決思路：

1）采用圖像的預(yù)處理技術(shù)，使用圖像盲復(fù)原技術(shù)［33］解決圖像運(yùn)動(dòng)模糊的問題，采用幾何分析等方法對(duì)圖像遮蓋進(jìn)行處理。

2）使用不變矩理論進(jìn)行分析，處理圖像的幾何形變、扭曲旋轉(zhuǎn)等情況。

3）運(yùn)用形態(tài)學(xué)運(yùn)算的方法更好地利用圖像中的有效信息提高檢測(cè)的準(zhǔn)確性。

5　結(jié)束語(yǔ)

綜上可知，檢測(cè)階段是TSR系統(tǒng)的研發(fā)基礎(chǔ)。隨著科技的發(fā)展，性能更佳、更為精確的傳感器的成功實(shí)現(xiàn)即使得采集獲得的信息更趨系統(tǒng)、全面。圖像預(yù)處理階段就能夠更具成效地處理交通標(biāo)志扭曲、運(yùn)動(dòng)模糊等必然出現(xiàn)的狀況，在檢測(cè)算法中更多地運(yùn)用了形態(tài)學(xué)方法，就可在保持圖像的有效信息的同時(shí)，進(jìn)一步去除局部細(xì)小的干擾元素?，F(xiàn)有的大多數(shù)研究中，對(duì)于交通標(biāo)志的檢測(cè)少有采用智能與非智能相結(jié)合的方法來支持核心功能進(jìn)展和實(shí)現(xiàn)的，智能與非智能方法的結(jié)合不僅可以互相彌補(bǔ)自身缺陷保證實(shí)施率，而且同時(shí)也可以提高自身的檢測(cè)數(shù)據(jù)的準(zhǔn)確性。此時(shí)若將顏色特征與形狀特征相結(jié)合更可以使二者相互補(bǔ)充，保證檢測(cè)結(jié)果的準(zhǔn)確性。

預(yù)期未來在交通標(biāo)志檢測(cè)研究的不斷推進(jìn)下，交通標(biāo)志檢測(cè)技術(shù)必會(huì)日趨升級(jí)完善，收獲更多、更為優(yōu)秀的檢測(cè)算法。

［1］PICCIOLI G，MICHELI D E，PARODI P，et al.Robust method for road sign detection and recognition［J］.Image and Vision Computing，1994，14（3）：209-223.

［2］SANDOVAL H，HATTORI T，KITAGAWA S，et al.Angle dependent edgedetectionfortrafficsignsrecognition［C］// Proceedings of the IEEE Intelligent Vehicles Symposium2000.san Jose：IEEE，2000：308-313.

［3］STALLKAMP J，SCHILIPSING M，SALMEN J，et al.Man vs. computer：Benchmarking machine learning algorithms for traffic sign recognition［J］.Neural networks，2012，32：323-332.

［4］YANG H M，LIU Chaolin，LIU Kunhao，et al.Traffic sign recognition in disturbing environments［A］.ZHONG Ning，ZBIGNIEW W R，SHUSAKU T，et al.Proc of the 14thInternational Symposium on Methodologies for Intelligent Systems（LNAI 2871）［C］.Heidelberg Berlin：Spinger-Verlag，2003：252-261.

［5］CYGANEK B.Circular road signs recognition with soft classifiers［J］. Integrated Computer-Aided Engineering，2007，14（4）：323-343.

［6］余進(jìn)程.車載輔助系統(tǒng)中禁令交通標(biāo)志的識(shí)別研究［D］.廣州：廣東工業(yè)大學(xué)，2014.

［7］KEHTARNAVAZ N，GRISWOLD N C，KANG D S.Stop-sign recognition based on color-shapeprocessing［J］.Machine Vision and Applications，1993，6：206-208.

［8］MALDONADO-BASCON S，LAFUENTE-ARROYO S，GIL-JIMENEZ P，et al.Road-sign detection and recognition based on Support Vector Machines［J］.IEEETransactions on Intelligent Transportation Systems，2007，8（2）：264-278.

［9］CYGANEK B.Soft System for Road Signs Detection［M］//MELIN P，CASTILLO O，RAMIREZ E G，et al：Analysis and Design of Intelligent Systems using Soft Computing Techniques.Heidelberg，Berline：Springer，2007：316-326.

［10］沙莎，肖學(xué)鋼.一種多通道融合的交通標(biāo)志檢測(cè)方法［J］.計(jì)算機(jī)工程，2009，35（6）：202-204.

［11］歐陽(yáng)維力.基于單目視覺的交通標(biāo)志檢測(cè)與識(shí)別算法研究［D］.長(zhǎng)沙：湖南大學(xué)，2014.

［12］LIU H X，RAN B.Vision-based stop sign detection and recognition system for intelligent vehicle［J］.Transportation Research Record，2001，1748：161-166.

［13］VITABILE S，POLLACCIA G，PILATO G，et al.Road signs recognition using a dynamic pixel aggregation technique in the HSV color space［C］//11thInternational Conference on Image Analysis and Processing.Palermo，Italy：IEEE，2001：572-577.

［14］VITABILE S，GENTILE A，SORBELLO F.A neural network based automaticroadsignsrecognizerproceedings［C］//the2002 International Joint Conference on Neural Networks.Honolulu，USA： IEEE，2002：2315-2230.

［15］GAOXW，PODLADCHIKOVAL，SHAPOSHNIKOVD. Application of Vision Models to Traffic Sign Recognition［Z］. London：Middlesex University，2003：1100-1105.

［16］SHAPOSHNIKOV W D，LUBOV N，GOLOVAN E V，et al.Road sign recognition by single positioning of Space-Variant Sensor Window［C］//Proc of the 15thInternational Conf on Vision Interface. Calgary，Canada：［s.n.］，2002：213-217.

［17］LUO M R，HUNT R W G.Structure of the CIE 1997 color appearance model［J］.Color Research and Application，1998，23（3）：138-146.

［18］張靜，何明一，戴玉超，等.多特征融合的圓形交通標(biāo)志檢測(cè)［J］.模式識(shí)別與人工智能，2011，24（4）：226-232.

［19］劉念，蘇杭，郭純宏，等.基于Hough變換圓檢測(cè)的人眼定位方法改進(jìn)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（4）：1359-1362.

［20］陳維馨，李翠華，汪哲慎.基于顏色和形狀的道路交通標(biāo)志檢測(cè)［J］.廈門大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，46（5）：635-640.

［21］齊朗嘩.基于分塊核函數(shù)特征的交通標(biāo)識(shí)識(shí)別［D］.南京：南京理工大學(xué)，2013.

［22］張佳，程宇龍.基于隨機(jī)Hough變換的圓形目標(biāo)檢測(cè)實(shí)驗(yàn)［J］.實(shí)驗(yàn)室研究與探索，2014，33（7）：130-133.

［23］盧艷君.交通標(biāo)志自動(dòng)檢測(cè)與識(shí)別算法研究［D］.武漢：武漢科技大學(xué)，2015.

［24］GARLIPP.Detection of linear and circular shapes in image analysis［J］.Computational statistics and data analysis，2006，51（3），1479-1490.

［25］CYGANEK B.Road signs recognition system for intelligent vehicles［J］.Lecture Notes in Computer Science，2008，4931：219-233.

［26］彭岳軍.道路交通標(biāo)志檢測(cè)與識(shí)別技術(shù)研究［D］.廣州：華南理工大學(xué)，2013.

［27］高向東，劉紅，楊大鵬.交通標(biāo)志的智能檢測(cè)方法研究［J］.中外公路，2011，31（2）：260-263.

［28］谷明琴.復(fù)雜環(huán)境中交通標(biāo)識(shí)識(shí)別與狀態(tài)跟蹤估計(jì)算法研究［D］.長(zhǎng)沙：中南大學(xué)，2013.

［29］鄧雄偉.自然環(huán)境下道路交通標(biāo)志的檢測(cè)與識(shí)別研究［D］.南京：南京理工大學(xué)，2014.

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

［31］KELLMEYER D，ZWAHLEN H.Detection of highway warning signs in natural video images using color image processing and neural networks［C］//IEEE Proc.Int.Conf.Neural Networks.Floride Orlando：IEEE，1994，7：4226-4231.

［32］LE T T，TRAN S T，MITA S，et al.Real time traffic sign detection using color and shape-based features［J］.Intelligent Information and Database Systems，2010，5991：268-278.

［33］唐述，龔衛(wèi)國(guó).高階混合正則化圖像盲復(fù)原方法［J］.光學(xué)精密工程，2013，21（1）：151-157.

Review of traffic sign detection

WEN Si-ao，LI Zhimin，HAO Bowen，NI Yuting，ZHONG Ling
（School of Software，Shenyang University of Technology，Shenyang 110023，China）

The problem of the road traffic is more and more serious，Intelligent Transportation System arises at the historic moment. Traffic sign recognition system is an important part of ITS，and its research has a very important practical value.TSR can be divided into two parts of detection and recognition，Detection efficiency will make TSR overall performance improvements，in order to improve the operating speed of the traffic and reduce the occurrence of traffic accidents.This article introduces the traffic sign detection part，summarizes the domestic and foreign research results since the 70＇s of last century，the methods used include color detecting，shape detecting，neural network and so on.Based on the aboved，the paper briefly describes the technical theory and difficulties，and furtherly gives out a summary of the current situation of the traffic sign recognition system and the vision of the future.

traffic signs；ITS；color detection；shape detection；driverless cars

TP391

A

2095-2163（2016）03-0058-04

2016-04-18

國(guó)家自然科學(xué)基金（61540069）；2015年大學(xué)生創(chuàng)新項(xiàng)目（遼教辦發(fā)［2016］108號(hào)）。

溫斯傲（1996-），男，本科生，主要研究方向：算法、圖像處理；李志民（1994-），男，本科生，主要研究方向：圖像處理；郝博聞（1996-），女，本科生，主要研究方向：算法、嵌入式；倪鈺婷（1996-），女，本科生，主要研究方向：算法；鐘玲（1970-），女，碩士，副教授，主要研究方向：圖像處理、數(shù)據(jù)挖掘。