[發明專利]一種室外惡劣光照條件下的快速魯棒交通標志檢測方法

有效

• 申請號: 201410062277.7
• 申請日: 2014-02-24
• 公開（公告）號: CN103824081B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 辛樂;房圣超;高江杰;陳陽舟
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京思海天達知識產權代理有限公司11203
• 代理人: 張慧

技術領域

本發明屬于機器視覺和圖像處理技術領域，具體涉及一種針對室外惡劣光照條件下的快速魯棒交通標志檢測方法。

背景技術

隨著社會的發展，機動車數量和出行人數大量增加，交通安全和交通擁堵已經成為日益嚴重的社會問題。智能交通系統被認為是解決這些問題的有效方法。國內外已經在智能交通系統方面投入了大量的人力和財力。基于視頻圖像的交通標志識別系統是智能交通系統的重要組成部分，它為駕駛員提供重要的警告和禁令信息，從而有效降低駕駛員復雜道路情況下繁重的工作負荷，最終為駕駛員安全駕駛提供保障，在主動避免交通事故及提高駕駛舒適性方面發揮了重要作用。

交通標志識別系統一般被分為檢測和識別兩個部分。準確快速的交通標志檢測是交通標志能夠被正確識別的前提。對于快速魯棒的交通標志檢測而言，其難點主要在于道路場景中惡劣的光照變化，這種惡劣的光照變化主要包括：劇烈的光照變化及必然存在的場景光照不均勻（強弱光照變化）、不同的天氣條件（陰雨天氣、黃昏等）、陰影遮擋以及強光照導致交通標志出現反光等一系列情況。為此，近年來國內外的學者就交通標志的快速魯棒檢測問題進行了大量的研究，主要方法分為三類：第一類是基于顏色信息分割的交通標志檢測，如Gomez-Moreno?H采用對光照變化魯棒的歸一化RGB顏色空間進行閾值分割以得到交通標志候選區域(Goal?evaluation?of?segmentation?algorithms?for?traffic?sign?recognition[J].Intelligent?Transportation?Systems,IEEE?Transactions?on,2010,11(4):917-930.)。這類方法速度快，準確率高，不足是需要根據經驗來選取最優的閾值，難以自適應劇烈的光照變化，易出現漏檢問題，而且基于顏色進行閾值分割的方法不能檢測白色背景的交通標志。第二類方法為基于交通標志形狀特征的，如Garcia等人在感興趣區域內用霍夫變換檢測圓形和三角形標志（Fast?road?sign?detection?using?hough?transform?for?assisted?driving?of?road?vehicles[C].Proceedings?of?the?EUROCAST?Computer?Aided?Systems?Theory,2005,3643:543-548.）。然而這類方法主要基于Hough變換，其算法耗時多，且當交通標志被部分遮擋或背景與交通標志顏色相似時，其算法的檢測準確率下降明顯。Greenhalgh?J等人提出了另一種基于交通標志形狀特征的方法（Real-Time?Detection?and?Recognition?of?Road?Traffic?Signs[J].Intelligent?Transportation?Systems,IEEE?Transactions?on,2012,13(4):1498-1506.），該方法在紅藍圖上提取MSER特征，取得了很好的檢測效果，然而對惡劣光照條件的適應性較差，而且不能檢測黃色的警告交通標志。第三類是基于機器學習方法，如支持向量機、神經網絡等，Fang等人使用兩層神經網絡進行交通標志顏色的提取，取得了很好的檢測效果（Road?sign?detection?and?tracking[J].Vehicular?Technology,IEEE?Transactions?on,2003,52(5):1329-1341.）。然而這類方法計算復雜度高，很難滿足實時檢測的要求。綜上所述，目前的算法一定程度上存在著對惡劣光照條件自適應能力差，較難滿足實時檢測的需要，并且由于算法本身的限制，很多算法不能夠檢測出所有類型的交通標志。

發明內容

為了解決交通標志檢測算法在惡劣光照條件下檢測準確率顯著降低和目前算法難以滿足實時性的問題，本發明提出了一種采用多類顏色直方圖反投影建立概率圖，并結合最大穩定極值區域(Maximally?Stable?Extremal?Regions,MSER)進行特征提取的快速魯棒交通標志檢測方法。

一種室外惡劣光照條件下的快速魯棒交通標志檢測方法，包括以下步驟：

步驟1，建立多類交通標志的顏色直方圖。

步驟1.1，在不同光照條件下采集大量真實場景中含有交通標志的圖像，手動摳取交通標志區域作為待訓練的交通標志樣本。

步驟1.2，按顏色和光照條件對交通標志訓練樣本進行分類。

共分為9類樣本子集，分類方法如下：

（1）按顏色分類。按顏色分為紅色、藍色和黃色三類；