硕士论文网/国内首批论文服务机构

当前位置:硕士论文网首页 > 论文写作 > 文献综述 > 交通标志识别方法文献综述之我见

交通标志识别方法文献综述之我见

时间:2021-09-15 09:51 | 栏目:文献综述 | 浏览:

硕士论文网第2021-09-15期,本期硕士论文写作指导老师为大家分享一篇文献综述文章《交通标志识别方法文献综述之我见》,供大家在写论文时进行参考。
  摘  要:交通标志识别对于车辆安全行驶具有重要作用,特别是针对存在光照变化和遮挡的情况,准确性高、实时性好的交通标志自动识别亟需解决。对交通标志的检测和交通标志的识别分别进行了综述,给出了它们的原理、步骤、特点和性能,以及进行算法研究常用的交通标志数据库。相比于传统的特征检测和识别方法,采用深度学习有助于解决光照变化、部分遮挡等情况下的交通标志识别难题,是今后自动驾驶和无人驾驶性能提升的主要途径。 
  关键词:交通标志检测;交通标志识别;深度学习
1  引言 
  现代社会经济发展迅速,汽车给人类带来了很大的便利,自动驾驶、无人驾驶也逐步进入商业应用,交通标志识别对行车安全至关重要,所以必须解决交通标志的识别问题。然而交通标志识别容易受到天气变化、遮挡、光照强度变化等的影响,这给无人驾驶的应用带来了很大的安全风险。针对交通标志所处环境的复杂性,设计一个准确率高、实时性能高、鲁棒性强的交通标志识别系统至关重要。 交通标志识别系统分为交通标志检测和交通标志识别,而交通标志检测常见的方法有基于颜色的方法、基于形状的方法、基于多特征融合的方法和基于深度学习的方法。基于深度学习的方法具有较明显的优势。交通标志识别常用的方法有基于模板匹配的方法、基于机器学习的方法、基于深度学习的方法。从准确率方面来说,基于深度学习的交通标志识别率更高一些。 本文将分别从交通标志检测与交通标志识别这两个方面进行阐述,分析这些方法包含的算法的原理、步骤、特点和性能;对公开的交通标志数据库进行了罗列和说明;相比于传统的交通标志检测与识别算法,深度学习算法有助于解决光照变化、部分遮挡等情况下的交通标志识别难题;分析基于深度学习的交通标志检测和识别需要解决的问题,并对其未来的发展趋势进行了展望。 
2  交通标志检测方法 
  交通标志的检测是交通标志识别系统中的关键技术。本文根据交通标志检测的发展历程,将典型的检测方法分为四大类:基于颜色的方法、基于形状的方法、基于多特征融合的方法和基于深度学习的方法。 
2.1  基于颜色的交通标志检测 
  现在国外应用最广的是德国交通标志数据库,本文仅例举了中国和德国交通标志示例,国外的其他国家交通标志不再一一例举。中国和德国的交通标志有些交通标志仅存在细微差别,但是还有一些交通标志具有完全不同的表示形式,例如警告标志。中国的警告标志是黑色边框黄色内层,而德国的警告标志是红色边框白色内层,红色视觉感强烈,而黄色色调相对来说会更加温和。将检测与识别方法应用于交通标志应该考虑到这些细节。图 1和图 2 例举了中国和德国交通标志的示例。 中国的交通标志颜色主要有红色、黄色和蓝色,如下图所示: 
 中国交通标志颜色示例
德国的交通标志颜色主要有红色、黑色和蓝色,如下图所示:
德国交通标志颜色示例
颜色是交通标志的基本属性,学者们一开始使用颜色信息来检测交通标志。 1)RGB 颜色模型方法 照相采集到的图像一般是 RGB 图像,直接在RGB 图像上进行颜色分割会减少计算量。Benallal等人[1]发现从日出到日落的光照条件下,RGB 各分量之间的差异明显,比较两个 RGB 分量就可以分割 交 通 标 志 。 颜 色 分 割 公 式 为 :则像素是蓝色;其余像素是白色或黑色。RGB 颜色空间对光照变化比较敏感,但是光照变化对 RGB各分量之间的差异影响较小。直接对相机采集到的RGB 图片分割,这样可以减少计算量,极大地提高了速度,满足了算法实时性要求。算法也存在一定的缺点:当交通标志所处的环境比较复杂时,交通标志可能会和背景噪声混合在一起,算法不能达到良好的检测效果。 
2)HSI 颜色模型方法 
  HSI 颜色空间由美国色彩学家 Munseu 在 1915年提出,用色调、饱和度和强度三分量来描述图像,从而使图像表示更接近于人类的视觉感知。朱双东等人[2]利用 HSI 颜色空间对光照不太敏感的特点,将 RGB 彩色交通标志图像转换到 HSI 彩色空间,再进行阈值分割,但是去噪效果不理想。HSI 颜色空间中的 S 空间(色彩饱和度空间)可以消除光照对图像的影响,申中鸿等人[3]在交通标志图像 S 空间的灰度直方图信息的基础之上,用倒溯组内标准差法来选取全局图像分割阈值,实验结果表明该方法比HIS 空间色彩判断法和迭代阈值法分割效果更好。HSI 颜色空间具有光照不变等特性,所以鲁棒性好,但是将 RGB 转换到 HSI 颜色空间具有一定的计算量,需要借助硬件处理来提高实时性。 
2.2  基于形状的交通标志检测 
中国的交通标志形状主要有三角形、圆形和矩形,如下图所示:
。。。。。。。。。。。。。。
3  交通标志识别方法 
  当检测出交通标志之后,再提取交通标志的特征对交通标志进行分类识别。交通标志分类的方法比较多,目前主流的方法主要有基于模板匹配、机器学习和深度学习的方法。 
3.1  基于模板匹配的交通标志识别 
  模板匹配广泛应用于模式识别领域中,它的算法较为简单。将预先已知的小模板在大图像中平移来搜索子图像,通过一定的算法在大图像中找到与模板最匹配(相似)的目标,确定其坐标位置[28]。为了减少传统模板匹配算法的计算量,提高算法的运行效率,唐琎等人提出一种快速的模板匹配算法[29],一开始取较少的点参与模板匹配,通过相关系数的比较来逐步增加参与匹配的点的数目,并记录已运算过的像素并保存步长变化前的运算结果,保证不进行重复计算。冯春贵等人提出一种改进的模板匹配方法对限速标志进行识别[30],首先将交通标志与传统模板进行匹配,如果匹配不成功再抽取限速标志字符的边缘信息,最后用边缘模板匹配限速标志,与传统模板匹配算法相比较,识别率由 80.95%提高到 95.24%。 
3.2  基于机器学习的交通标志识别 
  这些公开的交通标志数据库由摄像机在各种光照条件下,标志形状变化以及遮挡等条件下拍摄的,交通标志样本种类较为丰富,其中 BTSD 数据库和 Lisa 数据库包含视频。研究人员常用 GTSDB和 GTSRB 数据库来进行交通标志的检测与识别。 
5  分析与展望 
 本文对交通标志检测与识别方法进行了详细的介绍和分析,由于人工提取特征具有一定的主观性且难以选择,随着大规模交通标志数据库的出现和计算机硬件性能的提升,深度学习有着越来越明显的优势。深度学习通过学习训练大量带有标签的交通标志数据库,可以自发学习分类交通标志,在复杂背景情况下检测识别交通标志仍然能够达到很高的准确率。然而基于深度学习的交通标志检测和识别方法仍然有很大的提升空间,未来可以在以下几个方面进一步研究: 
1)卷积神经网络层次达到一定层数后再加深层次,训练时间更长,准确率降低,对硬件的要求也会更加严格。如何在不影响准确度的情况下,寻找裁剪神经网络大小的规律来实现网络模型的压缩是目前研究的重点。 
2)交通标志会被树木、建筑物、旁边行驶的车辆等遮挡,这给交通标志检测和识别带来一定的挑战。文献[27]利用 Repulsion Loss 一定程度上提高了被遮挡对象的检测精度,但是还有提升的空间。根据被遮挡交通标志的特点,如何设计深度学习网络模型来检测识别交通标志是未来需要关注的问题。 
3)随着卷积神经网络层次的加深,梯度的传播会变得更加的困难,在训练时可能会有梯度消失、梯度爆炸情况出现,批量归一化和残差连接算法的出现使这种情况得到了一定的改善,如何设计算法有助于梯度的传播是一个重要的研究方向。 
 
参考文献: 
[1]  Benallal  M,  Meunier  J.  Real-time  color  segmentation  of road  signs[C].Electrical  and  Computer  Engineering,  2003(3): 1823-1826. 
[2]  朱双东,刘兰兰,陆晓峰.一种用于道路交通标志识别的颜色—几何模型[J].仪器仪表学报,2007,28(5):954-9


以上论文内容是由硕士论文网为您提供的关于《交通标志识别方法文献综述之我见》的内容,如需查看更多硕士毕业论文范文,查找硕士论文、博士论文、研究生论文参考资料,欢迎访问硕士论文网文献综述栏目。