基于opencv的交通标志检测与识别外文翻译资料

基于opencv的交通标志检测与识别

Mrs. P. Shopa Mrs. N. Sumitha Dr. P.S.K Patra

Department of CSE Assistant Professor Head of the Department

Agni College of Technology Department of CSE Department of CSE

Chennai, Tamil Nadu,India. Agni College of Technology Agni College of Technology

shopa1990@gmail.com Chennai , Tamil Nadu, India Chennai , Tamil Nadu, India

sumitha.cse@act.edu.in csehod@act.edu.in

摘要

该项目的目的是检测并识别在由一个车载摄像机记录的视频序列的交通标志。交通标志识别（TSR）用于有系统的管理交通标志，提醒司机，并命令或禁止某些行动。一个具有快速的实时性和强大的自动交通标志检测与识别性能的系统能够给司机提供安全保障，让司机安心，同时还显著提高驾驶的安全性和舒适性。交通标志的自动识别也对自动化的智能驾驶车辆或驾驶员辅助系统很重要。本文提出了一种使用OpenCV来识别交通标志图案的技术模式。图像将通过预处理与多种图像处理技术，例如，阈值的技术，高斯滤波器，Canny边缘检测，轮廓和拟合椭圆的认可被提取，检测和识别。然后，界面将执行检测和识别相应的交通标志图案。该系统被训练和验证，以找到最好的网络架构。实验结果表明，该系统对具有复杂背景的交通标志图像和该方法的计算成本有高度精确的分类。

关键词：交通标志检测与识别;OpenCV; HSV算法;高斯滤波器;

I.简介

在交通环境中，交通标志识别（TSR）用于调节交通标志，提醒司机，命令或禁止某些行动。一个具有快速的实时性和强大的自动交通标志检测与识别性能的系统能够给司机提供安全保障，让司机安心，同时还显著提高驾驶的安全性和舒适性。通常，交通标志给驾驶者提供了各种安全，高效的导航信息。因此， 自动识别交通标志对自动化智能驾驶车辆或驾驶员辅助系统来说很重要。然而，考虑到各种自然背景的视觉条件下对交通标志的识别仍然是具有挑战性的任务。交通标志识别系统通常已经发展成为两个特定阶段。第一个是用图像处理的方法对所检测到的视频序列或图像进行处理。第二个是识别这些检测到的迹象，这是利用人工神经网络处理的性能的关键所在。该检测算法通常基于形状或颜色分割。该分段潜力的区域被提取出来作为识别阶段的输入。检测的效率和速度在系统中发挥要作用。为了识别这些交通标志，产生了许多关于自动识别交通标志的算法，并且这些算法都具有显著的效果。

神经网络恰恰代表，在交通标志识别所使用的技术。在许多神经网络应用已经开发的一个特定区域是标志的自动识别。交通标志检测与识别的困难是参与到系统的实时性能。高效的算法和强大的硬件性能，需要在系统中。此外，环境约束包括照明，阴影遮挡，空气污染，天气条件（晴天，雨天，雾等）以及附加图像扭曲，诸如，运动节，车辆的振动，和突然对比度变化可能频繁地发生在实际的系统中。

在最近的研究中，交通标志的检测和认可，已经开发了许多研究中心。对于交通标志识别和集成的自主汽车视觉系统在欧洲的研究项目的一部分PROMETETHEUS在戴姆勒 - 奔驰研究中心被开发。此外，许多技术已经开发了用于道路标志识别，例如，帕切科等。路标下使用特殊颜色条形码在基于视觉的系统检测路标会花费大量的时间和资源。遗传算法也提出了Aoyagi和Askura识别从灰度图像路标，但交叉，变异算子和最优解的限制都不能保证其准确度。颜色索引被Lalonde 和Li提出接近识别路标，不幸的是，计算时间不允许在复杂的交通场景被接受。本文提出了开发利用智能车辆真正实施方案。

主要目的是减少搜索空间和仅指示潜在的区域增加了系统的效率和速度。较高的稳健和快速智能算法需要提供以表彰交通标志必要的精度。在检测阶段中，采集图像进行预处理，增强，和分段根据颜色和形状的符号属性。该交通标志的图像进行了研究，以检测可能被识别为来自复杂背景可能路标潜在像素区域。则潜在对象标准化到指定的尺寸和输入识别阶段。本研究调查仅因为通常存在于许多类型的交通标志这些形状圆和六边形形状的物体。多层感知（MLP）相对于反向传播学习算法是解决这项标志识别问题工作的替代方法。

II.系统描述

第一部分是图像提取及注册检测与提取部分。视频图像已采取由摄像机和图像提取块是负责创建的图像。注册检测与提取阶段提取所有包含在每个图像中的交通标志，并生成小图像称为斑点。每个BLOB将表格识别阶段进行，以输入有价值的参数，人工神经网络在识别阶段也就是最后一部分。然后，交通标志识别的输出将提交。交通标志识别系统的描述可以解释为交通标志前处理阶段和识别核心。注册检测与提取和表格识别分为两个部分阶段，它分别是：对交通标志前处理阶段。

A.交通标志检测

这个阶段是图像处理过程。从作为进料到系统的自然背景观看图像视频序列的图像输入。在彩色图像数据被读出两者，和黑白模式由于黑白模式图像是用来寻找这个图象的阈值的基本图像，该阈值是从黑白二进制改变图像的标准 图片。此外，二值图象是用来寻找轮廓后来就感兴趣的区域。黑白图像改变为二进制之前，与高斯滤波器和Canny边缘检测平滑的图像的技术，以提高图像。因此，它表明了平滑技术具有潜在增强图像以获得所需的区域。

图1.1 图像提取

根据获得的二进制图象，它被处理以检索由查找轮廓函数为二值图象的轮廓，并返回其存储在链格式检索轮廓的数量。OpenCV库使用两种方法来表示轮廓。第一种方法被称为弗里曼方法或链码。对每个象素其所有从0至7编号的邻居可以举出。 0-邻居表示上右侧，等。作为8-连接点的序列像素，边界可指定的位置被存储作为初始点的坐标，接着代码（从0至7）下一个相对于当前一个点。

B.交通标志识别

道路标志识别是智能车载导航系统（IVNS）一个显著和重要组成部分。嵌入在路标的文字和标识通常包含如引导方向和目前的交通情况很多有用的信息。然而，这是一个艰巨的任务，以找到并从单一的自然图像，由于复杂的背景，可变轻条件，外观直接解压路标引起的照相机变性，透视效果，等等。道路标志识别是从事计算机视觉社会的关注超过30年的具有挑战性的问题。自动道路标志识别的第一个研究报道在日本于1984年自那时以来，大量的方法已经开始应用于道路标志检测和鉴定的发展。由于道路标志颜色通常高度对比其背景和矩形常常设计用于道路标识，先前的方法可分为两类，即，颜色和基于形状的方法。

III．交通标志检测

交通标志检测（TSR）是一个驱动程序支持功能可被用于通知和警告该限制可以是在道路的当前拉伸有效的驱动程序。对于这样的规定的例子是“限速区”或“不超车的迹象。该系统可帮助驾驶员保持法定速度，遵守当地的交通指示，还是城市的限制。系统识别并解释各种交通标志，在这两个固定的标志路侧和可变LED招牌开销，仅使用视觉信息，因此标志可被其他车辆或树木遮蔽可能无法识别。在此算法的基础上车辆和行人探测其核心竞争力。该算法共享那些其它模块的注意，分类和跟踪框架，并使用这些应用程序开发的健壮分类，培养在不同的实施例。用于检测算法是HSV算法和图像提取用于高斯滤波器。

A. HSV算法

该交通标志是通过使用HSV算法检测到。 HSV是最常见的两种圆柱坐标在RGB颜色模型中的点表示。这两种表示重新排列的RGB的几何形状，以试图更加直观和感知比笛卡尔（立方体）表示相关。在20世纪70年代计算机图形应用开发，HSV今天使用的颜色选择器，图像编辑软件，并在图像分析和计算机视觉不太常用。 HSV代表色调，饱和度，和值，并且也经常被称为HSB（B为亮度）。然而，虽然通常一致，该定义不规范，和任何这些缩写可以用于任何这些三个或多个其它相关的圆柱形模型。

在每个圆柱坐标中，围绕中心的垂直的角度轴对应于“色调”，该距离从轴线对应于“饱和”，并沿轴的距离对应于“亮度”，“值”或“亮度”。注意这里的 “色调” 虽然在HSL和HSV中指的是相同的属性，它们的的“饱和”的定义大大不同。由于HSL和HSV是依赖于设备的RGB模型简单的转换，它们定义了物理颜色依赖于设备或特定的RGB空间中红，绿，蓝三原色的颜色，并在伽马校正用于表示那些原色的量。因此每个唯一RGB设备具有独特的HSL和HSV空间陪它，和数值HSL或HSV值描述不同的颜色为每个基础RGB空间[1]。

HSV是圆柱形的几何形状，具有的色调，它们的角度尺寸，开始于红基色在0℃，通过绿色主传递在120℃和在240℃的蓝色初级，然后在360℃卷绕回冲。在每个几何中心垂直轴包括中性，非彩色或灰色的颜色，从黑在亮度为0或值为0，底部，以白色在亮度1或值1，顶部。在两个几何，添加剂小学和中学颜色 - 红色，黄色，绿色，青色，蓝色和 品红 - 相邻对他们中的，有时被称为纯的颜色，之间和线性混合物周围设置与饱和1圆筒的外边缘;在HSV这些都值1，而在HSL他们有亮度frac12;。在HSV，以白色混合这些纯净的色彩 - 生产所谓的色彩饱和度 - 减少，同时与黑色混合它们 - 生产深浅 - 叶饱和度不变。在HSL，无论是色彩和色调具有完全饱和，并且只有黑色和白色两种混合物 - 称为音调 - 具有饱和度小于1。

其中非常暗的（在 - 饱和的定义

这两种型号）或非常光（HSL）近中性的颜色，例如，或者被认为是完全饱和 - 与色纯度的直观概念，冲突往往是一个圆锥形或双圆锥形固体绘制代替（图3）。什么这篇文章调用，而不是饱和色度为径向尺寸。

但目前存在这样一个疑问，这样的图通常标记该径向尺寸“饱和”，模糊或擦除饱和度和色度之间的区别。[2] 如下所述，计算色度是在每一个模型的推导一个有益的步骤。因为这样的中间模型 - 其尺寸色调，色度，和HSV值取锥形或双锥形状，HSV通常被称为“hexcone模式”。

色相是围绕的距离的比例穿过投影点的六边形的边缘，在范围[0,1）最初测量，但现在通常以度[0°，360°）进行测定。对于投影到在色度平面（即灰色）的原点，色调是不确定的。在数学上，色调的这种定义写入分段：

有时，中性色（即具有C =0）被分配的0℃表示的方便的色相。HSV模型缩放色度，以便它始终配合在范围[0，1]的色调和亮度或值的每个组合，调用这两种情况下，新的属性饱和度（图14）。为了计算两种，简单地通过该值或亮度最大色度划分色度。

B.高斯算法

高斯模糊（也称为高斯平滑）是由一个高斯函数的模糊的图像的结果。它是在图形软件中广泛使用的效果，通常用于降低图像噪音，减少细节。这种模糊技术的视觉效果是光滑的模糊类似那的通过一个半透明的屏幕，从由外的焦点的透镜或根据通常的照明的物体的影子产生的虚化效果明显不同的观看图像。高斯平滑也为了提高图像的结构在不同的用作计算机视觉算法的预处理阶段秤见尺度空间表示和尺度空间的实现。

在数学上，施加高斯模糊到图像是一样以高斯函数卷积图像。这也被称为二维维尔斯特拉斯转变。

高斯模糊是一种图像模糊过滤器的使用的高斯函数（其也表达在统计正态分布），用于计算变换应用到图像中的每个像素。高斯函数的一维等式是在两个维度，这是两个这样的高斯，一个在每个维度的产物：

其中x是在水平轴的原点的距离，y是从垂直轴的原点的距离，并且i是高斯分布的标准偏差。当在两维施加该式产生一个表面，其轮廓是同心圆从中心点高斯分布。从价值观这种分配用于建立一个卷积矩阵施加到原始图像。每个像素的新值被设定为象素的加权平均邻里。原始像素值接收最重的重量（具有最高的高斯值）和邻近像素接收较小的权重作为其原始像素的增加的距离。这导致保持边界和边缘以外，更均匀的模糊滤波器更好模糊;又见尺度空间的实现。

降低图像的大小时，高斯模糊常用。当降采样的图像，它是常见的低通滤波器重采样之前应用到图像。这是为了确保杂散高频信息没有出现下采样图像（混叠）英寸高斯模糊具有很好的性质，如不具有尖锐的边缘，从而不会引入振铃成过滤的图像。

低通滤波器：高斯模糊是一个低通滤波器，衰减高频信号。其振幅波特图（在频域中对数标度）是一抛物线。

实施：高斯模糊效果一般通过用高斯值的内核卷积的图像生成。在实践中，最好是通过将过程分成两个通行证利用高斯模糊的可分离财产。在第一遍中，一维的内核被用于模糊仅在水平或垂直方向上的图像。在第二遍，另一个一维的内核被用于在其余方向的模糊。所得的效果是一样的单次通过用二维内核卷积，但需要较少的计算。

IV.交通标志识别

自1980年中期的道路标志识别的研究就一直存在。许多研究都已经最近进行了从计算机视觉问题对外观标志高方差路标的检测和认可。路标使用特殊的颜色和几何形状，以吸引司机的注意力。然而，在识别路标中的困难主要是由于以下原因：

（1）颜色可能会长时间暴露在阳光下后褪色。此外，涂料甚至可能剥落或脱落，和体征可能会损坏。

（2）空气污染和气候条件可

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[152993]，资料为PDF文档或Word文档，PDF文档可免费转换为Word