动态场景中的交通标识快速定位与识别

道路上的交通标识是一种图形与文字相结合的公共标识，有很显著的颜色和形状特征，对驾驶员起到指示、提示和警示等作用，这其中包含了非常丰富的导航信息。准确地识别交通标识对于提高道路驾驶安全性能具有非常重要的意义，因而交通标识的定位与识别也是车辆实现无人驾驶的基本前提。本项目在视觉认知机理的统一框架下，深入研究动态场景下道路交通标识的定位检测、跟踪融合与识别问题。具体来说，将设计选择性注意机制实现交通标识的快速定位与检测、利用低秩优化技术融合不同时刻的跟踪结果，并通过稀疏学习方法获得鲁棒的识别结果。此外，本项目还将构建适于大规模评测的道路交通标识数据集，并设计面向实际导航需求的性能评价指标，为交通标识的快速定位与识别提供高效实用的解决方案。本项目的研究工作不仅可推动视觉认知机理的深入研究，拓展其应用领域，而且可以推动智能车无人驾驶的学术和应用进展，具有重要的学术意义和广阔的应用前景。

交通标志的自动识别是实现智能交通系统的重要途径。尽管交通标志具有醒目、显著和规范等特点，但在实际的道路环境下，摆放角度、光照变化、遮挡、天气等各种因素都会影响交通标志的自动识别。目前很多相关研究工作都集中在基于单帧图片的交通标志识别。对于智能车而言，采集到的环境信息往往是以视频形式得到，因此研究动态场景下的交通标志识别具有重要的意义。然而，在动态场景下，运动模糊、载体抖动等使得交通标志的识别具有更大的挑战性。本项目借鉴视觉认知机理，在结构化稀疏编码的统一框架下系统地研究了交通标志的检测、识别与跟踪问题。具体包括：（1）针对动态场景下采集的单帧交通标志图像，提出了基于组稀疏的结构化编码方法。该方法在传统的码书学习基础上引入了分层结构，利用聚类技术对码书中元素再次聚类，从而获得更为抽象的组结构信息。在交通标志图像的编码阶段，利用组结构信息设计了鲁棒性更强的图像表示方法。相比向量量化、稀疏编码和局部约束的线性编码等取得了更好的识别效果。（2）针对动态场景下采集的交通标志视频序列，提出了基于协作式稀疏编码的样例提取和野点分离优化模型，并设计了高效的迭代优化算法。该方法可以自动地选取视频序列中具有代表性的样例，同时有效地剔除由于遮挡、抖动等带来的野点数据。利用该方法可以得到更为精炼的训练数据，改善动态场景下的交通标志识别效果。（3）充分挖掘时序交通标识之间的内在关联信息，并结合人类视觉的认知特性，提出利用监督式“低秩”特性来描述各个时刻的交通标识的内在联系，获得了鲁棒的识别结果。此外，课题组还结合交通标志检测任务研究了深度学习、显著性检测等问题，取得了一系列有影响学术成果。并在2013年8月4-9号于美国达拉斯举行的国际神经网络联合大会（IJCNN）上，本项目组组织了两个队参加了德国交通标志检测竞赛，获得禁止类标志的第一名（并列）、第二名和危险类标志的第二名和第四名。为“视听觉信息的认知计算”重大研究计划提供了技术支撑。