交通標志識別技術方法綜述

董曉華 韋玉科

摘要：隨著全面小康社會的建成，人們生活水平逐步提高，汽車數量也不斷增加。增加汽車擁有量將不可避免地引起交通擁堵和環(huán)境污染等問題。智能交通系統(tǒng)的出現為人們的安全出行提供了解決方案，交通標志識別是智能交通系統(tǒng)最關鍵的部分，也是安全駕駛的重要組成部分。為此，該文在了解交通標志基本概念情況下，對現有的交通標志識別技術進行了歸納和探討。

關鍵詞：交通標志;交通標志識別;預處理;特征提取;數據集

中圖分類號：TP3 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）25-0193-02

Abstract： With the establishment of a comprehensive well-off society， people's living standards have gradually improved， and the number of cars has also continued to increase. Increasing car ownership will inevitably cause problems such as traffic congestion and environmental pollution. The emergence of intelligent transportation systems provides solutions for people to travel safely. Traffic sign recognition is the most critical part of intelligent transportation systems and an important part of safe driving. To this end， in the context of understanding the basic concepts of traffic signs， this paper summarizes and discusses the existing traffic sign recognition technology.

Keywords： traffic sign; traffic sign recognition; preprocessing; feature extraction; data set

隨著物聯網、人工智能、云計算等先進技術的發(fā)展，未來智能駕駛的技術會越來越成熟，交通標志識別（Traffic Sign Recognition，TSR）作為智能交通系統(tǒng)的重要組成部分之一，在安全出行中發(fā)揮著不可替代的作用。交通標志包含著豐富的道路信息，交通事故的發(fā)生很大一部分原因是駕駛員未能及時觀察到交通標志以至于無法采取相應的應急措施而導致的。在行駛過程中準確識別交通標志的語義信息，有利于確保行車安全。交通標志的識別主要有由檢測和識別兩部分構成。交通標志的檢測階段是通過尋找交通標志的感興趣區(qū)域（ROI），定位出交通標志并將交通標志分割出來;在識別階段，對分割后的交通標志進行特征提取并通過分類器進行識別。交通標志的大小、顏色和形狀不同，各種標志的含義也不同，給交通標志識別過程帶來了諸多挑戰(zhàn)。為了更好地解決人們的出行安全問題，需要加大對交通標志識別技術的研究，為駕駛員提供實時、準確的道路交通信息，進一步提高行車安全性。交通標志識別總體框架如圖1所示。

1數據集

長期以來，交通標志的檢測與識別都是一項富有挑戰(zhàn)性的任務，在通用交通標志數據集未公開的時候，很多的成果完成的實驗都是在研究人員自己搜集的數據集上完成。由于數據集的不通用性，每個研究人員所提出的方法在不同的數據集上實驗的效果不一樣，得出的結果也不一樣。2011年IJCNN組織舉辦交通標志識別競賽并公布了GTSDB和GTSRB交通標志數據集，GTSDB數據集是交通標志定位和檢測任務，該數據集共900幅圖像，共包含1206個交通標志。GTSRB數據集是交通標志識別任務，包含43類交通標志，共計51839張圖片，其中訓練圖片39209張，測試圖片12630張，圖片尺寸在15×15到250×250像素之間。除了德國的GTSRB交通標志數據集以外，常用的數據集還有比利時的KUL數據集、瑞典STS數據集等等。但比利時和瑞典的交通標志數據集規(guī)模較小，交通標志種類少，交通標志的場景多樣性不足。GTSRB交通標志數據集具有數據種類多，樣本數量大，圖像場景復雜等特點，國內外許多研究成果均基于GTSRB數據集來實現完成。

2交通標志識別關鍵技術

2.1預處理

在自然場景下采集到的交通標志可能會受到諸如天氣狀況、人為損壞、光照強度以及背景復雜等各種因素的影響，相似的交通標志圖像可能有不同的形狀和大小。這些因素會影響同類標志特征的相似性。交通標志圖像預處理的目的是消除圖像中的冗余信息，提高交通標志的準確性。

2.1.1圖像灰度化

交通標志圖像的顏色大多為彩色，彩色交通標志圖像所表征的信息量較大，直接提取特征維度會非常高，訓練、識別時間都將相對較長。所以需要將彩色圖像轉化為灰度圖像，目的是為了降低特征維數，減少訓練和識別時間，這一過程稱為圖像的灰度處理。自然場景下所采集的彩色交通標志圖像中每個像素含有R、G、B三通道分量，每個分量的變化范圍都是在0-255之間。每一個像素就有（255*255*255）種顏色變化范圍，而灰度圖像是一種經過RGB三通道分量計算后的特殊彩色圖像，其變化范圍只有256種。圖像的灰度化可以大大地減少運算量，提高訓練和識別速度，目前主要的圖像灰度化方法是加權平均法。

2.1.2圖像增強

由于行駛過程中采集到的標志圖像易受自然光照的影響，一部分采集出來的圖像背景和前景都太暗或者太亮，所以有必要對采集的圖像進行增強或削弱，降低光照對交通標志的影響。目前常采用的方法是將RGB空間轉換至HSV空間，對V分量進行直方圖均衡化，其核心是對V分量進行非線性拉伸，使得標志圖像在一定范圍內灰度值均勻分布。

2.1.3歸一化

由于采集設備與交通標志之間的距離和位置不固定，得到的交通標志圖像的尺度大小不同，像素范圍跨度較大，尺度不一致會影響提取特征的維數。在交通標志識別過程中，常采用最近鄰插值法，即將某一區(qū)域變換后的像素灰度值等于距離最近的像素灰度值。

2.2交通標志檢測技術現狀

2.2.1基于顏色特征檢測

交通標志一般分為禁止、指示和警告三類。這三種標志都具有明顯的色彩特征。基于顏色特征檢測，我們主要從交通標志圖像中提取特定的顏色點，將所有特定的顏色點連接到一個區(qū)域中，然后提取該區(qū)域的特征來定位交通標志的感興趣區(qū)域。常見的顏色空間有RGB、HSI、HSV、LAB等。

2.2.2基于形狀特征檢測

交通標志除了有很明顯的顏色特征之外，還具有明顯的形狀特征，如禁令標志的圓形特征、指示標志的方形特征。其中，最有效的交通標志形狀特征檢測方法是Hough變換。Hough變換是一種有效的直線和圓檢測方法。Kehtarnavaz等人[1]運用了形態(tài)學和hough變換的方法對交通標志進行檢測，計算復雜，難以保證實時性。

2.2.3基于特征學習檢測

在實際的交通環(huán)境中，交通標志的顏色容易受到自然天氣的影響，例如雨引起的能見度低，褪色也容易導致交通標志的漏檢。目前，常用的交通標志檢測的典型特征是Harr特征，HOG特征，LBP特征等，這些特征被提取出來并輸入到分類器中以分離出交通標志和背景，并且具有很高的水平。隨著深度學習的不斷發(fā)展，卷積神經網絡學習到的深度特征可以更全面地表示交通標志，并且可以獲得更高的檢測精度。但是，由于訓練時間相對較長，難以確保實時性。

2.3交通標志識別技術現狀

2.3.1基于人工提取特征+分類器

人工設計的特征可以去除交通標志的無用信息和冗余信息，提取的特征可以輸入到分類器中進行分類識別。目前，在交通標志識別過程中，常用的特征有SIFT、HOG、LBP、Gabor等，常用的分類器有KNN、支持向量機、LDA等，為了彌補單一特征所代表的交通標志的不足，有學者通過利用多特征的互補性，線性融合多個的方式進行識別。韓習習等人[2]提出一種融合了邊緣紋理顏色多特征的算法，首先提取HOG特征，然后提取LBP特征并稀疏化，融合得到HOG-maxLBP特征，再級聯顏色特征，最后利用SVM進行訓練和分類。

2.3.2基于深度學習特征+分類器

近年來，得益于深度學習的發(fā)展，許多學者通過卷積神經網絡提取高維特征，無須人工設計提取特征，通過卷積神經網絡所提取到的特征所表征的信息量更全面，識別準確率更高。卷積神經網絡是在BP神經網絡基礎上發(fā)展而來，是一種深度結構的前饋型神經網絡，其訓練思想是通過正向、反向傳播迭代優(yōu)化權值縮小輸出值與設定值之間的誤差。Stalkamp等人[3]采用了卷積神經網絡（Convolutional Neural Network，簡稱 CNN）的分類方法檢測 GTSRB 中的交通標志，實驗結果表明該方法的識別率首次超過了人眼識別率。

3交通標志識別技術難點

在交通標志的識別過程中，大多數學者提出了識別精度較高的識別算法，但都是建立在GTSRB標準數據庫上，但在實際交通環(huán)境中，車輛采集的交通標志圖像很容易受到自然場景的影響，目前交通標志識別技術的難點包括以下幾個方面：

（1） 自然天氣影響。室外光強度和天氣情況在不同的時間段會有所不同，例如白天和晚上的光強度不一樣，晚上的光強度遠低于白天，并且能見度低。同樣，在惡劣的天氣條件下（如雨，雪，陰霾等），交通標志的可見度也會降低。

（2） 標志褪色。由于長時間暴露在陽光底下，容易出現明顯褪色。比如紅色褪色后變成淡白色。這樣會導致交通標志識別的不準確。

（3） 遮擋。在實際的交通環(huán)境中，交通標志存在被車輛、行人、電線桿或者樹木的遮擋。

（4） 標志模糊。車輛高速行駛過程中的抖動容易引起采集到的交通標志圖像的模糊。

4結束語

綜上所述，伴隨著經濟的快速發(fā)展，汽車保有量每年都在增加，由此引發(fā)交通安全和環(huán)境污染等問題，僅僅靠交警部門的交通引導遠遠不夠，而交通標志識別系統(tǒng)的發(fā)展是有利于人們的出行安全，還有利于交通部門的管理，所以在智能交通系統(tǒng)運用中，需要不斷地采用先進的技術，完善交通系統(tǒng)。通過應用交通標志識別技術，駕駛員可以根據傳感器采集的道路場景信息，準確判斷標志中的具體語義信息，有效協助駕駛員駕駛，降低交通事故的發(fā)生率。

參考文獻：

[1] Kehtarnavaz N， Griswold N C， Kang D S.Stop - sign recognitionbased on color/shape processing[J].Machine Vision and Applications，1993，6（4）：206-208.

[2]韓習習，魏民，徐西義，等.基于多特征融合的交通標志識別算法[J].計算機工程與應用， ?2019，55（18）： 195-200.

[3]StallkampJ， Schlipsing M， Salmen J， et al. Man vs. computer： benchmarking machine ?learning algorithms for traffic sign recognition[J]. Neural Netw， 2012，32（2）：323-332.

[4] 張妍，芻議.交通標志識別技術在智能交通系統(tǒng)中的應用[J].雞西大學學報，2013（12）：78-79，82.

[5] 戈俠，于鳳芹，陳瑩.基于分塊自適應融合特征的交通標志識別[J].計算機工程與應用，2017，53（3）：188-192.

【通聯編輯：代影】