董曉華 韋玉科

摘要：隨著全面小康社會的建成，人們生活水平逐步提高，汽車數(shù)量也不斷增加。增加汽車擁有量將不可避免地引起交通擁堵和環(huán)境污染等問題。智能交通系統(tǒng)的出現(xiàn)為人們的安全出行提供了解決方案，交通標(biāo)志識別是智能交通系統(tǒng)最關(guān)鍵的部分，也是安全駕駛的重要組成部分。為此，該文在了解交通標(biāo)志基本概念情況下，對現(xiàn)有的交通標(biāo)志識別技術(shù)進(jìn)行了歸納和探討。

關(guān)鍵詞：交通標(biāo)志;交通標(biāo)志識別;預(yù)處理;特征提取;數(shù)據(jù)集

中圖分類號：TP3 ? ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）25-0193-02

Abstract： With the establishment of a comprehensive well-off society， people's living standards have gradually improved， and the number of cars has also continued to increase. Increasing car ownership will inevitably cause problems such as traffic congestion and environmental pollution. The emergence of intelligent transportation systems provides solutions for people to travel safely. Traffic sign recognition is the most critical part of intelligent transportation systems and an important part of safe driving. To this end， in the context of understanding the basic concepts of traffic signs， this paper summarizes and discusses the existing traffic sign recognition technology.

Keywords： traffic sign; traffic sign recognition; preprocessing; feature extraction; data set

隨著物聯(lián)網(wǎng)、人工智能、云計算等先進(jìn)技術(shù)的發(fā)展，未來智能駕駛的技術(shù)會越來越成熟，交通標(biāo)志識別（Traffic Sign Recognition，TSR）作為智能交通系統(tǒng)的重要組成部分之一，在安全出行中發(fā)揮著不可替代的作用。交通標(biāo)志包含著豐富的道路信息，交通事故的發(fā)生很大一部分原因是駕駛員未能及時觀察到交通標(biāo)志以至于無法采取相應(yīng)的應(yīng)急措施而導(dǎo)致的。在行駛過程中準(zhǔn)確識別交通標(biāo)志的語義信息，有利于確保行車安全。交通標(biāo)志的識別主要有由檢測和識別兩部分構(gòu)成。交通標(biāo)志的檢測階段是通過尋找交通標(biāo)志的感興趣區(qū)域（ROI），定位出交通標(biāo)志并將交通標(biāo)志分割出來;在識別階段，對分割后的交通標(biāo)志進(jìn)行特征提取并通過分類器進(jìn)行識別。交通標(biāo)志的大小、顏色和形狀不同，各種標(biāo)志的含義也不同，給交通標(biāo)志識別過程帶來了諸多挑戰(zhàn)。為了更好地解決人們的出行安全問題，需要加大對交通標(biāo)志識別技術(shù)的研究，為駕駛員提供實時、準(zhǔn)確的道路交通信息，進(jìn)一步提高行車安全性。交通標(biāo)志識別總體框架如圖1所示。

1數(shù)據(jù)集

長期以來，交通標(biāo)志的檢測與識別都是一項富有挑戰(zhàn)性的任務(wù)，在通用交通標(biāo)志數(shù)據(jù)集未公開的時候，很多的成果完成的實驗都是在研究人員自己搜集的數(shù)據(jù)集上完成。由于數(shù)據(jù)集的不通用性，每個研究人員所提出的方法在不同的數(shù)據(jù)集上實驗的效果不一樣，得出的結(jié)果也不一樣。2011年IJCNN組織舉辦交通標(biāo)志識別競賽并公布了GTSDB和GTSRB交通標(biāo)志數(shù)據(jù)集，GTSDB數(shù)據(jù)集是交通標(biāo)志定位和檢測任務(wù)，該數(shù)據(jù)集共900幅圖像，共包含1206個交通標(biāo)志。GTSRB數(shù)據(jù)集是交通標(biāo)志識別任務(wù)，包含43類交通標(biāo)志，共計51839張圖片，其中訓(xùn)練圖片39209張，測試圖片12630張，圖片尺寸在15×15到250×250像素之間。除了德國的GTSRB交通標(biāo)志數(shù)據(jù)集以外，常用的數(shù)據(jù)集還有比利時的KUL數(shù)據(jù)集、瑞典STS數(shù)據(jù)集等等。但比利時和瑞典的交通標(biāo)志數(shù)據(jù)集規(guī)模較小，交通標(biāo)志種類少，交通標(biāo)志的場景多樣性不足。GTSRB交通標(biāo)志數(shù)據(jù)集具有數(shù)據(jù)種類多，樣本數(shù)量大，圖像場景復(fù)雜等特點(diǎn)，國內(nèi)外許多研究成果均基于GTSRB數(shù)據(jù)集來實現(xiàn)完成。

2交通標(biāo)志識別關(guān)鍵技術(shù)

2.1預(yù)處理

在自然場景下采集到的交通標(biāo)志可能會受到諸如天氣狀況、人為損壞、光照強(qiáng)度以及背景復(fù)雜等各種因素的影響，相似的交通標(biāo)志圖像可能有不同的形狀和大小。這些因素會影響同類標(biāo)志特征的相似性。交通標(biāo)志圖像預(yù)處理的目的是消除圖像中的冗余信息，提高交通標(biāo)志的準(zhǔn)確性。

2.1.1圖像灰度化

交通標(biāo)志圖像的顏色大多為彩色，彩色交通標(biāo)志圖像所表征的信息量較大，直接提取特征維度會非常高，訓(xùn)練、識別時間都將相對較長。所以需要將彩色圖像轉(zhuǎn)化為灰度圖像，目的是為了降低特征維數(shù)，減少訓(xùn)練和識別時間，這一過程稱為圖像的灰度處理。自然場景下所采集的彩色交通標(biāo)志圖像中每個像素含有R、G、B三通道分量，每個分量的變化范圍都是在0-255之間。每一個像素就有（255*255*255）種顏色變化范圍，而灰度圖像是一種經(jīng)過RGB三通道分量計算后的特殊彩色圖像，其變化范圍只有256種。圖像的灰度化可以大大地減少運(yùn)算量，提高訓(xùn)練和識別速度，目前主要的圖像灰度化方法是加權(quán)平均法。

2.1.2圖像增強(qiáng)

由于行駛過程中采集到的標(biāo)志圖像易受自然光照的影響，一部分采集出來的圖像背景和前景都太暗或者太亮，所以有必要對采集的圖像進(jìn)行增強(qiáng)或削弱，降低光照對交通標(biāo)志的影響。目前常采用的方法是將RGB空間轉(zhuǎn)換至HSV空間，對V分量進(jìn)行直方圖均衡化，其核心是對V分量進(jìn)行非線性拉伸，使得標(biāo)志圖像在一定范圍內(nèi)灰度值均勻分布。

2.1.3歸一化

由于采集設(shè)備與交通標(biāo)志之間的距離和位置不固定，得到的交通標(biāo)志圖像的尺度大小不同，像素范圍跨度較大，尺度不一致會影響提取特征的維數(shù)。在交通標(biāo)志識別過程中，常采用最近鄰插值法，即將某一區(qū)域變換后的像素灰度值等于距離最近的像素灰度值。

2.2交通標(biāo)志檢測技術(shù)現(xiàn)狀

2.2.1基于顏色特征檢測

交通標(biāo)志一般分為禁止、指示和警告三類。這三種標(biāo)志都具有明顯的色彩特征?；陬伾卣鳈z測，我們主要從交通標(biāo)志圖像中提取特定的顏色點(diǎn)，將所有特定的顏色點(diǎn)連接到一個區(qū)域中，然后提取該區(qū)域的特征來定位交通標(biāo)志的感興趣區(qū)域。常見的顏色空間有RGB、HSI、HSV、LAB等。

2.2.2基于形狀特征檢測

交通標(biāo)志除了有很明顯的顏色特征之外，還具有明顯的形狀特征，如禁令標(biāo)志的圓形特征、指示標(biāo)志的方形特征。其中，最有效的交通標(biāo)志形狀特征檢測方法是Hough變換。Hough變換是一種有效的直線和圓檢測方法。Kehtarnavaz等人[1]運(yùn)用了形態(tài)學(xué)和hough變換的方法對交通標(biāo)志進(jìn)行檢測，計算復(fù)雜，難以保證實時性。

2.2.3基于特征學(xué)習(xí)檢測

在實際的交通環(huán)境中，交通標(biāo)志的顏色容易受到自然天氣的影響，例如雨引起的能見度低，褪色也容易導(dǎo)致交通標(biāo)志的漏檢。目前，常用的交通標(biāo)志檢測的典型特征是Harr特征，HOG特征，LBP特征等，這些特征被提取出來并輸入到分類器中以分離出交通標(biāo)志和背景，并且具有很高的水平。隨著深度學(xué)習(xí)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的深度特征可以更全面地表示交通標(biāo)志，并且可以獲得更高的檢測精度。但是，由于訓(xùn)練時間相對較長，難以確保實時性。

2.3交通標(biāo)志識別技術(shù)現(xiàn)狀

2.3.1基于人工提取特征+分類器

人工設(shè)計的特征可以去除交通標(biāo)志的無用信息和冗余信息，提取的特征可以輸入到分類器中進(jìn)行分類識別。目前，在交通標(biāo)志識別過程中，常用的特征有SIFT、HOG、LBP、Gabor等，常用的分類器有KNN、支持向量機(jī)、LDA等，為了彌補(bǔ)單一特征所代表的交通標(biāo)志的不足，有學(xué)者通過利用多特征的互補(bǔ)性，線性融合多個的方式進(jìn)行識別。韓習(xí)習(xí)等人[2]提出一種融合了邊緣紋理顏色多特征的算法，首先提取HOG特征，然后提取LBP特征并稀疏化，融合得到HOG-maxLBP特征，再級聯(lián)顏色特征，最后利用SVM進(jìn)行訓(xùn)練和分類。

2.3.2基于深度學(xué)習(xí)特征+分類器

近年來，得益于深度學(xué)習(xí)的發(fā)展，許多學(xué)者通過卷積神經(jīng)網(wǎng)絡(luò)提取高維特征，無須人工設(shè)計提取特征，通過卷積神經(jīng)網(wǎng)絡(luò)所提取到的特征所表征的信息量更全面，識別準(zhǔn)確率更高。卷積神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展而來，是一種深度結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練思想是通過正向、反向傳播迭代優(yōu)化權(quán)值縮小輸出值與設(shè)定值之間的誤差。Stalkamp等人[3]采用了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱 CNN）的分類方法檢測 GTSRB 中的交通標(biāo)志，實驗結(jié)果表明該方法的識別率首次超過了人眼識別率。

3交通標(biāo)志識別技術(shù)難點(diǎn)

在交通標(biāo)志的識別過程中，大多數(shù)學(xué)者提出了識別精度較高的識別算法，但都是建立在GTSRB標(biāo)準(zhǔn)數(shù)據(jù)庫上，但在實際交通環(huán)境中，車輛采集的交通標(biāo)志圖像很容易受到自然場景的影響，目前交通標(biāo)志識別技術(shù)的難點(diǎn)包括以下幾個方面：

（1） 自然天氣影響。室外光強(qiáng)度和天氣情況在不同的時間段會有所不同，例如白天和晚上的光強(qiáng)度不一樣，晚上的光強(qiáng)度遠(yuǎn)低于白天，并且能見度低。同樣，在惡劣的天氣條件下（如雨，雪，陰霾等），交通標(biāo)志的可見度也會降低。

（2） 標(biāo)志褪色。由于長時間暴露在陽光底下，容易出現(xiàn)明顯褪色。比如紅色褪色后變成淡白色。這樣會導(dǎo)致交通標(biāo)志識別的不準(zhǔn)確。

（3） 遮擋。在實際的交通環(huán)境中，交通標(biāo)志存在被車輛、行人、電線桿或者樹木的遮擋。

（4） 標(biāo)志模糊。車輛高速行駛過程中的抖動容易引起采集到的交通標(biāo)志圖像的模糊。

4結(jié)束語

綜上所述，伴隨著經(jīng)濟(jì)的快速發(fā)展，汽車保有量每年都在增加，由此引發(fā)交通安全和環(huán)境污染等問題，僅僅靠交警部門的交通引導(dǎo)遠(yuǎn)遠(yuǎn)不夠，而交通標(biāo)志識別系統(tǒng)的發(fā)展是有利于人們的出行安全，還有利于交通部門的管理，所以在智能交通系統(tǒng)運(yùn)用中，需要不斷地采用先進(jìn)的技術(shù)，完善交通系統(tǒng)。通過應(yīng)用交通標(biāo)志識別技術(shù)，駕駛員可以根據(jù)傳感器采集的道路場景信息，準(zhǔn)確判斷標(biāo)志中的具體語義信息，有效協(xié)助駕駛員駕駛，降低交通事故的發(fā)生率。

參考文獻(xiàn)：

[1] Kehtarnavaz N， Griswold N C， Kang D S.Stop - sign recognitionbased on color/shape processing[J].Machine Vision and Applications，1993，6（4）：206-208.

[2]韓習(xí)習(xí)，魏民，徐西義，等.基于多特征融合的交通標(biāo)志識別算法[J].計算機(jī)工程與應(yīng)用， ?2019，55（18）： 195-200.

[3]StallkampJ， Schlipsing M， Salmen J， et al. Man vs. computer： benchmarking machine ?learning algorithms for traffic sign recognition[J]. Neural Netw， 2012，32（2）：323-332.

[4] 張妍，芻議.交通標(biāo)志識別技術(shù)在智能交通系統(tǒng)中的應(yīng)用[J].雞西大學(xué)學(xué)報，2013（12）：78-79，82.

[5] 戈俠，于鳳芹，陳瑩.基于分塊自適應(yīng)融合特征的交通標(biāo)志識別[J].計算機(jī)工程與應(yīng)用，2017，53（3）：188-192.

【通聯(lián)編輯：代影】