道路交通標志檢測研究綜述

高歌+譚兵+陳心睿

摘要：隨著社會經(jīng)濟的發(fā)展，城市交通問題日益突出，交通事故頻發(fā)，為了緩解這一趨勢，智能交通系統(tǒng)因此而誕生。交通標志識別系統(tǒng)TSR（Traffic Sign Recognition）作為智能交通系統(tǒng)的重要組成部分，在輔助駕駛、無人汽車駕駛以及智能機器人等方面發(fā)揮著重要的作用。為此，總結了國內外交通標志檢測的研究成果，經(jīng)過幾十年的研究，TSR的理論和實踐體系逐漸形成，并取得了一些階段性的進展。接著對常見的基于顏色檢測和形狀檢測方法做了簡單闡述。對交通標志檢測目前存在的問題做了歸納總結，設計出能夠勝任復雜多變的現(xiàn)實場景的交通標志識別系統(tǒng)依然是未來的研究熱點和難點。

關鍵詞：交通標志檢測；ITS；TSR；顏色檢測；形狀檢測

中圖分類號：TB

文獻標識碼：A

doi：10.19311/j.cnki.16723198.2017.12.089

1引言

隨著經(jīng)濟的發(fā)展，汽車出行在為人們帶來便利的同時也增加了安全事故的發(fā)生。智能交通系統(tǒng)ITS（Intelligent Transportation System）作為一種全新的汽車識別模式，能夠緩解交通事故的發(fā)生。具體表現(xiàn)在，汽車在行駛過程中，利用車載系統(tǒng)對交通標志進行識別，再反饋給駕駛員，為駕駛提供路況信息，使駕駛員能夠對路況做出準確的判斷，減少交通意外的發(fā)生。另一方面，對于無人駕駛和交通標志的識別，也發(fā)揮著重要的維護作用。

近幾十年來，交通標志檢測與識別受到了諸多學者的關注與研究，ITS在減少安全事故和緩解道路壓力方面發(fā)揮著重要作用，交通標志識別系統(tǒng)TSR（Traffic Sign Recognition）也應運而生。交通標志識別系統(tǒng)包括很多方面，交通標志檢測是其一個子方面，但其重視程度不言而喻，它的應用范圍很廣，如無人駕駛車輛和駕駛員輔助系統(tǒng)等，在行車過程中，為駕駛員提供實時路況檢測。雖然目前在交通標志檢測方面取得了一些突破性的進展和一些階段性的成果，但隨著道路環(huán)境的多樣化和不確定因素，使得檢測仍存在諸多困難?？偟膩碚f，交通標志檢測實用性強，關注度高，在任何時候熱度都不會消減，會引發(fā)更多的人去深入研究。

2交通標志檢測系統(tǒng)組成

交通標志檢測包括五部分：圖像采集，預處理，顏色分割，形狀檢測，精準定位。圖形的采集尤為重要，對于采集到傾斜的圖像，我們需要對其進行矯正處理。對于正常圖像，大多數(shù)情況我們需要對其做預處理，以消除光照等的影響，然后可以通過交通標志特有的顏色和形狀信息對其進行分割處理，以得到待選區(qū)域。再根據(jù)一些特定的算法對干擾區(qū)域進行剔除，從而得到目標區(qū)域。對于目前交通標志檢測的研究現(xiàn)狀，雖然取得了突破性的進展，但各種算法亦有優(yōu)缺點，面對復雜多變的交通環(huán)境很難做出很好的檢測，所以有必要對交通標志的檢測進行更進一步的討論和研究。

3國內外研究現(xiàn)狀

3.1國外研究現(xiàn)狀

早在1987年日本就進行了交通標志的檢測與識別，采用了模板匹配的經(jīng)典算法，其平均識別時間為0.5秒。發(fā)到國家也不甘落后，1993年美國針對“停車”的標志研究開發(fā)了ADIS系統(tǒng)，采用了顏色聚類的方法對目標進行檢測，然而AIDS存在一個明顯的缺陷，就是時間不穩(wěn)定。為了滿足交通標志時間識別的精確性，1994年，戴姆勒-奔馳汽車公司與大學合作開發(fā)，最終，一個全新的系統(tǒng)誕生了，其速度之快令人嘆服，達到3.2s/幅，交通標志數(shù)據(jù)庫中，有40000多幅圖像，其識別準確率為98%。交通標志檢測與識別研究進入新千年。越來越多的科研工作者和科研機構加入到交通標志檢測與識別中去，使得檢測技術有了很大的進步。在2001年Winconsin大學的Liu和Ran基于HIS空間的顏色閾值分割法，結合神經(jīng)網(wǎng)絡進行識別，經(jīng)過實驗顯示該系統(tǒng)的準確率為95%。2005年Carethloy實驗室和Nick Barnes自動化研究所利用交通標志在圖形上的對稱性來確定交通標志的質心位置，其建立的交通標志識別系統(tǒng)的準確率為95%。在2009年Muhammad等人運用多個方法進行識別實驗得到最好的識別準確率為97%。2011年德國以德國交通標志數(shù)據(jù)庫（GTSRB）為基礎舉辦了交通標志識別大賽（IJCNN2011）。標志著交通標志檢測與識別受到了全世界的高度關注，這也促進了交通標志檢測與識別的研究進展。Ciresan等人在IJCNN2011大賽上采用深度卷積神經(jīng)網(wǎng)絡（Deep Convolution Neural Network）識別算法得到了比人類識別平均率高的結果。2013年，對于交通標志檢測系統(tǒng)，Kim J.B將視覺顯著性模型運用到其中，使交通識別的準確性更高。

3.2國內研究現(xiàn)狀

與國外相比，在時間上，對于交通檢測系統(tǒng)，我國運用的稍微落后。在交通標志檢測研究方面，將顏色和形狀結合的相關檢測方法較為廣泛，在識別算法方面，國內一些學者也取得了顯著性的成果。在2000年郁梅提出了一種基于顏色的快速檢測方法。2004年，根據(jù)不變矩特征和BP神經(jīng)網(wǎng)絡，王坤明等人對交通識別系統(tǒng)做了進一步的闡述。2008年，交通識別系統(tǒng)有了進一步的發(fā)展，以BP神經(jīng)網(wǎng)絡為基礎，寧波大學朱雙東教授等人將交通標志的顏色區(qū)分成了五種最基本的顏色。2012年朱淑鑫在RGB和HIS空間上進行多閾值分割。2013年，“紅色位圖”方法被提出，其主要利用在邊緣信息的形狀檢測上，王剛毅希望通過這一方法來提高紅色圓形標志區(qū)域的檢測率。

4交通標志檢測算法現(xiàn)狀

我國的交通標志主要分為警告、禁止、指示三大類，交通標志顏色主要有紅色、藍色、黑色、黃色和白色五種基本顏色，交通標志的形狀有四大類，即三角形、矩陣、八邊形和圓形。目前針對道路交通標志檢測的算法主要是基于顏色的檢測、形狀的檢測以及顏色和形狀相結合的檢測，下面我們對常見的檢測方法進行簡單的概述。

4.1基于顏色的檢測方法

由于交通標志具有很明顯的顏色特征，所以很多文獻都對這一方法做了討論和研究。常見的顏色空間有RGB、HSI、Lab、Ycgcr、Ycbcr等。De La Escalear A等人運用RGB閾值的方法將顏色分類。但此方法受光照影響因素較大，為了減少光照等環(huán)境因素的影響，Ruta等人提出了RGB空間顏色增強的方法，這種方法可以快速將標志區(qū)域檢測出來。由于RGB空間亮度和色度的混合在一起的，后來研究者們運用了更符合人類對顏色的視覺理解的HIS、HSV空間。為了使交通標志的檢測精度更高，在HIS空間中設定閾值這個方法被提出了，事實上，一個交通標志可以由幾種顏色構成，因此，S.Lafuente–Arroyo等人希望通過這種方法對于不同顏色的交通標志都能檢測出來。但HIS顏色空間聚類效果不好，因此，為了更好的對交通標志的顏色進行區(qū)分，選擇聚類效果好的顏色空間至關重要，在此基礎上，Jitendra N.Chourasia等人主張使用Ycbcr顏色區(qū)間。

4.2基于形狀的檢測方法

除了利用顏色對交通標志進行檢測之外，還可以利用交通標志的形狀，這也是其另一個重要的特點。最常用的檢測圓形和直線是Hough變換，事實證明，Kuo W J等人通過Hough變換，對交通標志進行檢測，效果顯著，但由于其計算量大的原因不適用于實時性監(jiān)測。另一種形狀檢測法是基于拐角提取算法，Escalera等人提出拐角檢測算法，簡單來說，就是根據(jù)形狀的變化所產生的像素點判斷能否為拐點，來進行檢測，但是，其唯一的缺點是誤檢率也比較高。Rangarajan等人提出了一種最優(yōu)拐角檢測方法，通過設計好的掩膜與圖像做卷積運算后將拐角檢測出來，魯棒性好。

4.3基于顏色和形狀的檢測方法

既然基于顏色和基于形狀的方法都不能得到很好的交通標志檢測，于是很多學者將這兩種方法結合起來，產生了綜合顏色和形狀的檢測方法。并也取得了一些顯著性的成果。M.Zadeh等人利用圖像處理的相關知識，先把圖像進行顏色分割，再運用形態(tài)學的相關方法提取區(qū)域邊緣，最后對待定區(qū)域進行跟蹤和幾何分析，從而提取得到目標檢測區(qū)域。但該方法對噪聲特別敏感。所以當圖像的噪聲很強時這種檢測方法的效果并不理想。

5交通標志檢測與識別難點

盡管近幾十年提出了很多新的檢測方法，但目前的研究成果還不能夠勝任復雜多變的現(xiàn)實場景。交通標志識別系統(tǒng)TSR設計到多個研究領域，包括圖像處理、人工智能、模式識別和機器學習等相關領域，因此，關于交通標志識別系統(tǒng)的研究任重而道遠，在未來，不管是自然場景下，還是復雜場景下，對于交通識別系統(tǒng)研究，都應重點關注?，F(xiàn)階段交通標志檢測與識別主要面臨的困難和挑戰(zhàn)如下：

（1）環(huán)境對交通標志的影響。這主要表現(xiàn)在四季中風雨對交通標志的損壞，這在一定程度上會降低圖像的清晰度。交通標志長年暴露在外面，難免會出現(xiàn)變形、污損、褪色等情況，這對檢測也造成了困難。

（2）拍攝角度的影響。不同的拍攝角度對檢測具有比較大的影響，對傾斜的圖像我們需要對其做一個矯正處理。

（3）現(xiàn)場場景環(huán)境中有很多干擾物體，使得在分割的時候會把不是標志的物體也分割出來，對我們檢測帶來了一定程度上的干擾。

（4）交通標志類型復雜，種類多，目前所了解的就有130多種，包括警告標志、指示標志、禁令標志、指路標志等等，給檢測大大增加了難度。

（5）實時性改進的問題，由于汽車移動速度快，而且在移動過程中往往在一定程度上有抖動和變速等動作，捕捉到的圖像會產生變形模糊，處理時間過長會導致司機反應時間縮短。

（6）準確率有待進一步提升。準確率太低的話不但達不到駕駛輔助作用，反而會引起交通事故發(fā)生。

（7）沒有公用樣本數(shù)據(jù)。國內目前統(tǒng)一的評判標準和數(shù)據(jù)庫尚未建立起來。

（8）智能交通識別系統(tǒng)服務于大眾，因此需要考慮經(jīng)濟成本問題。

綜合以上可知，由于在現(xiàn)實場景中以上問題的存在，所以在設計道路交通標志檢測與識別算法的時候必須有針對性的解決上訴問題。

6總結

總的來說，交通標志檢測與識別系統(tǒng)（TSR）的發(fā)展前景非常好，被廣泛運用于輔助駕駛系統(tǒng)、無人汽車駕駛和各種道路檢測標志的檢測修復等領域。本文主要對國內外的研究現(xiàn)狀做了一個回顧和分析，許多研究學者也做出了一些階段性的成果和進展，但由于自然環(huán)境下一些復雜多變的因素對檢測造成了困難和挑戰(zhàn)，因此TSR系統(tǒng)的研究還面臨許多難題有待解決。隨著人工智能和機器學習等算法的提升，我們堅信未來的道路交通標志檢測與識別會邁上一個新的臺階。

參考文獻

[1]徐華青，陳瑞南，林錦川等.道路交通標志檢測方法研究[J].福州大學學報，2010，（3）：387392.

[2]常發(fā)亮，黃翠，劉成云等.基于高斯顏色模型和SVM的交通標志檢測[J].儀器儀表學報，2014，35（1）：4349.

[3]Salichs M A.TRAFFIC SIGN DETECTION FOR DRIVER SUPPORT SYSTEMS[C].2001.

[4]Kehtarnavaz N，Griswold N C，Kang D S.Stop-sign recognition based on color/shape processing[J].Machine Vision and Applications，1993，6（4）：206208.

[5]Priese L，Lakmann R，Rehrmann V.Ideogram identification in a realtime traffic sign recognition system[C].Intelligent Vehicles 95 Symposium. Proceedings of the.IEEE，1995：310314.

[6]Liu H，Ran B.Vision-Based Stop Sign Detection and Recognition System for Intelligent Vehicles[J].Transportation Research Record Journal of the Transportation Research Board，2001，1748（1）：161166.

[7]Barnes N，Loy G，Shaw D，et al.Regular polygon detection[C].Tenth IEEE International Conference on Computer Vision.IEEE，2014：778785.

[8]Muhammad A S，Lavesson N，Davidsson P，et al.Analysis of Speed Sign Classification Algorithms Using Shape Based Segmentation of Binary Images[J].Lecture Notes in Computer Science，2009，5702：12201227.

[9]Kim J B.Detection of traffic signs based on eigen-color model and saliency model in driver assistance systems[J].International Journal of Automotive Technology，2013，14（3）：429439.

[10]郁梅，郁伯康.基于彩色圖像的指示標志檢測[J].計算機工程與應用，2000，36（4）：169172.

[11]王坤明，許忠仁.基于不變矩和神經(jīng)網(wǎng)絡的交通標志識別方法研究[J].計算機應用研究，2004，21（3）：254255.

[12]朱雙東，蔣甜甜，劉蘭蘭.基于顏色規(guī)格化的交通標志識別[J].計算機應用與軟件，2008，25（1）：220222.

[13]朱淑鑫.基于顏色特征的交通標志圖像分割研究[J].考試周刊，2012，（81）：111112.

[14]Wang G，Ren G，Jiang L，et al.Hole-based traffic sign detection method for traffic signs with red rim[J].The Visual Computer，2014，30（5）：539551.

[15]De l E A，Moreno L E，Salichs M A，et al.Road traffic sign detection and classification[J].IEEE Transactions on Industrial Electronics，1997，44（6）：848859.

[16]Ruta A，Li Y，Liu X.Real-time traffic sign recognition from video by class-specific discriminative features[J].Pattern Recognition，2010，43（1）：416430.

[17]Lafuente-Arroyo S，Salcedo-Sanz S，Maldonado-Basc，et al.A decision support system for the automatic management of keep-clear signs based on support vector machines and geographic information systems[J].2010，37（1）：767773.

[18]Chourasia J N，Bajaj P.Centroid Based Detection Algorithm for Hybrid Traffic Sign Recognition System[C].International Conference on Emerging Trends in Engineering and Technology.IEEE，2010：96100.

[19]Kuo W J，Lin C C.Two-Stage Road Sign Detection and Recognition[C].IEEE International Conference on Multimedia and Expo.IEEE Xplore，2007：14271430.

[20]De l E A，Moreno L E，Salichs M A，et al.Road traffic sign detection and classification[J].IEEE Transactions on Industrial Electronics，1997，44（6）：848859.

[21]Rangarajan K，Shah M，Van Brackle D.Optimal corner detector[J].Computer Vision Graphics & Image Processing，1989，48（2）：230245.

[22]Zadeh M M，Kasvand T，Suen C Y.Localization and recognition of traffic signs for automated vehicle control systems[C].Intelligent Systems & Advanced Manufacturing.International Society for Optics and Photonics，1998.