交通路标识别

《交通路标识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、交通路标识别交通路标识别：1、交通标志的检测与定位，包括交通标志的定位及必要的预处理。2、其次是交通标志的判别，包括交通标志的特征提取与分类。实际情况下难点：实际场景中的交通标志检测存在一些难点。首先是道路情况的复杂性,导致交通标志的背景相当复杂,交通标志甚至会因振动和运动而变得模糊、或被其他物体(如树木、行人、车辆等)遮挡住一部分;其次是光照条件的复杂性,导致交通标志的颜色失真极为严重;第三是同一种交通标志的形状结构比例的不一致性和拍摄视角的不同,都会不可避免地导致交通标志出现不同程度的几何失真,有时甚至非常严重。图像预处理、图像分割、

2、目标提取、特征提取、标志识别1、图像预处理：改善图像质量的处理称为图像预处理，主要是对图像进行适当的变换突出某些有用的信息，去除或削弱无用的信息，使图像的对比度得到增强。交通标志图像预处理过程是交通标志识别系统重要的组成部分，是进行交通标志正确识别的前提。交通标志图像受天气、光照、周围环境的影响具有复杂的背景并参杂各种噪声。为了更有利后续的图像分割和图像识别，对交通标志进行图像增强是必要的。图像增强：图像增强的方法可分为两大类：空间域方法和频域方法。空间域是指图像平面自身，这类方法是以对图像的像素直接处理为基础的。频域处理技术是以修改图像

3、的变换域为基础的，比如傅里叶变换。显然从实时性的角度考虑变换域是不可取的，而空域与频域相结合的方法也不常见。【灰度图的增强方法比较成熟，空域中的灰度图像增强方法有：对比度线性展宽、灰级窗与灰级窗切片、线性和非线性动态范围调整、直方图均衡化、伪彩色方法等。频率域处理：高通滤波、低通滤波、同态滤波等，其中直方图均衡化是最常用的方法。彩色图像增强技术相对较少，比如白平衡发法、最大颜色值平衡法、彩色图像平滑、彩色图像锐化，伪彩色增强等。】(预处理在上节形状识别里也有可参考，不算重点。)1、图像分割：【在对图像的研究和应用中，人们往往仅对图像中的某

4、些部分感兴趣，这些部分常称为目标或者前景，它们在图像中对应特定的、具有独特性质的区域。为了辨识和分析目标，需要将这些有关的区域分离出来，在此基础上对目标进行进一步的利用。图像分割就是把图像分成各具特性的区域并提取感兴趣区域的过程。这些特性可以是灰度、颜色、纹理等等。目标可以使单个区域，也可以是多个区域。图像分割是图像分析的关键步骤，也是一种基本的计算机视觉技术。因为图像的分割、目标提取、特征提取、和参数测量将原始图像转化为更抽象更紧凑的形式，使得高层的分析和理解成为可能。图像分割一直是图像工程中的重点和热点，多年来得到人们的高度重视，对图

5、像分割研究涉及的内容和层次比较多，至今已提出了上千种各种类型的分割算法。】(上一节形状检测部分有关于图像分割的内容，以下是之前没提到但在路标识别中使用更多更有效的方法。)（1）、基于颜色颜色无疑是交通标志最显著的特征之一.基于颜色的分割能通过少量运算去除大片非感兴趣区域,对交通标志检测系统的实时性非常有益。基于RGB颜色空间：1】直接分割受光照影响较大，但对于标准图片（无自然背景和光照变化），可用此方法直接分割。2】基于比值：对于某种颜色的像素点，即便是受到光线的影响，其R，G，B的比值能够保持在一定的范围内，而且比值关系有多种组合形式。

6、式3-(13),3-(14)是文献[20]中给出的在RGB空间中基于RGB比值的分割表达式，表达式把r分量作为参考，当然也可以把其他分量作为一个参考量。基于HSV空间：SV颜色模型为例，对RGB空间中扫描的每一个像素计算其色调H和饱和度S的值，设定不同颜色对应的H，S的阈值，满足某一阈值大小就将其归为某种颜色。对于红色、黄色、蓝色，直接分割法采用的阈值为：基于不同的颜色空间交通标志的红蓝黄设置阈值。（2）、基于纹理因为路标处于复杂的自然景物下,某些灌木、树木与路标的颜色接近,所以经过上述去“S彩色空间粗分割后,还不能将路标提取出来,因此,

7、还必须进一步利用路标的表面纹理相对平坦的特点,将其他表面纹理较粗糙的自然景物过滤掉。灰度共生矩阵及一些统计量比较复杂用不上吧。。。具体在【路标识别算法研究_刘佳】这篇论文里如果想介绍的话可以参考但可行性不太大。3、形状检测与判断【形状的表达和描述要基于形状的特征，形状特征的提取既可以基于区域本身，也可以基于区域的边界。最重要的形状特征就是几何特征，几何特征主要有：面积、周长、质心、偏心率、局部曲率、圆形度、球状性、矩形度、长宽比、凹凸性、扁度、欧拉数等。对于规则的形状最直观的特征就是图形的角点或顶点，边和两边所成的角度，对特定形状的分类就

8、可以根据上述特征，比如利用圆形度判断圆形，利用矩形度判断矩形，利用顶点和边的关系判断三角形等。在交通标志分割识别的研究中，对于形状的分析大多是基于边缘检测、角点检测、模板、神经网络的方法。】形