鲁棒性交通标志检测与识别研究

交通标志检测与识别是自动驾驶系统和无人驾驶系统中的关键技术之一。除了交通标志形状的多样性和周围环境的复杂性外，交通标志检测与识别的难点在于（1）光照变化：同一个交通标志在不同的光照条件下会导致图像在色彩（或灰度）上的显著差异；（2）几何形变：同一个交通标志在不同视角下的图像在几何形状上有很大变化；（3）实时性：对于交通标志识别系统，除了有高的正确识别率外，实时性是衡量它能否得到实际应用的重要指标。因此，交通标志检测与识别算法对光照变化和几何形变应具有较高鲁棒性，同时应具有较低的计算复杂度。本项目致力于这些难题的研究，在建立标准模板、形状特征模板和点/线特征模板的基础上，探索一种有效的颜色概率模型和一种鲁棒的点/线特征匹配方法，使得建立的检测与识别算法不仅对光照变化和几何形变是高鲁棒的同时也能满足实时性的要求，为构建交通标志的在线检测与识别系统提供完整的解决方案。

交通标志检测与识别是自动驾驶系统和无人驾驶系统中的关键技术之一。除了交通标志形状的多样性和周围环境的复杂性外，交通标志检测与识别的难点在于（1）光照变化：同一个交通标志在不同的光照条件下会导致图像在色彩（或灰度）上的显著差异；（2）几何形变：同一个交通标志在不同视角下的图像在几何形状上有很大变化；（3）实时性：对于交通标志识别系统，除了有高的正确识别率外，实时性是衡量它能否得到实际应用的重要指标。.为了解这些难题，我们构建了一个实时交通标志识别系统，该系统由两个重要模块（检测与分类）组成。在检测模块中，首先使用颜色概率模型将输入图像转化为概率灰度图；然后通过寻找极大稳定性区域作为交通标志的候选；最后使用原始的颜色HOG特征训练得到一个SVM分类器，进一步过滤错误候选，并将剩下的候选进行粗分类作为检测结果。在分类模块中，对每一个粗分类别和它的子类训练得到一个CNN模型，将候选输入CNN得到交通标志的类别属性。在GTSDB上的实验表明，我们识别系统不仅有非常高的识别精度，同时具有很高的计算效率，其速度比目前最好的方法快20倍。