[发明专利]自然场景下的交通标志检测方法

说明书

技术领域

本发明涉及标志识别检测技术领域，尤其涉及的是一种自然场景下的交通标志检测方法。

背景技术

交通标志对于保障道路交通有序通行具有重要作用，在驾驶过程中，准确识别交通标志对提升道路驾驶安全性具有重要意义，忽视交通标志可能导致交通事故。对于无人驾驶汽车而言，若车辆不能自动检测并准确识别出交通标志，则不能成为真正意义上的无人驾驶。目前，在计算机视觉，模式识别，智能机器人和智能交通系统等领域，交通标志检测和识别技术得到广泛的研究，具有重要的学术意义和实用价值。交通标志检测识别在现实生活中应用仍面临巨大挑战，包括：ADAS，自动驾驶和标志监控保养等多方面。造成交通标志检测识别困难的因素有许多，包括：(1)标志牌长期暴露在阳光下而导致褪色情况；(2)空气污染和天气状况导致能见度降低；(3)室外复杂光线情况影响标志牌颜色；(4)标志牌被障碍物遮挡；(5)车辆运行导致运动模糊。以上干扰都对标志检测识别带来困难，对相关算法的实时性和鲁棒性提出了更高的要求。

目前，交通标志检测模块主要研究方法包括基于颜色分割技术，基于特定形状的检测技术，以及基于纹理和局部特征设计的分类器等方法。

基于颜色分割技术包括分别在RGB，HSI和YUV颜色空间下提取目标区域。(1)基于RGB空间下的颜色分割，通过利用R，G，B三个分量间的差值关系提取目标颜色区域。然而，RGB颜色空间对光照变化十分敏感，易造成漏检或错检情况，因此如何克服这一问题一直是RGB空间下颜色分割的重点和难点。(2)基于HSI空间下的颜色分割，将RGB颜色空间转换成HSI颜色空间，利用HSI颜色空间对光照不敏感的特点提取目标颜色区域。然而，颜色空间的转化是一个耗时过程，将导致检测过程的实时性得不到保障。(3)基于YUV空间下的颜色分割，将RGB颜色空间转换成YUV颜色空间，该系统将用于检测蓝色矩形标志牌。然而，对于种类繁多的标志牌，该方法凸显鲁棒性不足。基于颜色的分割通在追求鲁棒性时常需要设计许多阈值，而这些阈值的确定在实际中是非常困难的。基于RGB空间下颜色分割具有满足实时性要求的优势，但如何满足鲁棒性要求一直是该领域研究的重点和值得突破的地方。

基于特定形状的检测技术是利用标志牌特定的形状特征，提取目标区域，基于形状特征的算法将被直接应用到图像上，主要包括：Hough变换，径向对称和梯度直方图等。(1)Hough变换主要用来检测圆形标志，不足以检测所有标志形状。此外，Hough变换还存在计算较慢的缺点，无法满足实时性要求。(2)径向对称快速检测算法利用三角形，正方形，菱形，圆形的对称性提取目标区域，然而，对于形变的目标，暴露出鲁棒性不足。(3)梯度直方图利用了目标特征计算都依赖于图像梯度信息的特点，进行目标提取。然而，梯度特征对图像噪声非常敏感，无法满足鲁棒性要求。基于特定形状的检测技术通常在提取形状特征过程中耗费较大时间成本，无法满足实时性要求。

基于纹理和局部特征设计的分类器是将颜色特征与形状特征相互补充，首先利用颜色分割进行粗检测，再利用形状特征进行精检测，主要包括：HSI颜色分割和模板匹配结合；颜色形状对；神经网络；Adaboost分类器；HOG和SVM分类器结合。(1)HSI颜色分割和模板匹配方法，首先在HSI颜色空间内完成分割，再利用形状模板匹配方法得到检测结果。然而，HSI颜色转换和模板匹配都将耗费大量时间，无法满足实时性要求。(2)颜色形状对是针对不同的交通标志将特定的颜色分割结果与特定的形状提取方法联系起来。但对于城市交通复杂干扰，鲁棒性不能保证。(3)神经网络是针对颜色和形状特征分别设计一个神经网络特征提取器再利用模糊逻辑对其融合，但该方法计算量很大，无法满足实时性要求。(4)Adaboost分类器有效组合颜色和局部特征信息实现交通标志检测，但对于复杂现实场景在线计算需要较长时间，无法满足实时性要求。(5)HOG和SVM分类器结合是构件每个颜色分量的HOG特征，有效的将颜色信息与边缘信息融合起来作为SVM分类器的输入特征，但该过程耗时较长，无法满足实时性要求。

上述研究方法都无法兼顾标志检测的鲁棒性和实时性，往往在保证鲁棒性，提高检测准确率的前提下，无法满足实时性要求；亦或是在保证实时性前提下，对于现实环境鲁棒性表现不足。

发明内容

本发明所要解决的技术问题是提供一种自然场景下的交通标志检测方法，可兼顾标志检测的鲁棒性和实时性。

为解决上述问题，本发明提出一种自然场景下的交通标志检测方法，包括以下步骤：

S1：获取自然场景下拍摄的检测图像；