交通标志牌的检测与识别

转载请注明： http://blog.csdn.net/wchccy?viewmode=contents

Driver Assistance System已经成为学术研究的一大领域，作为智能交通的一部分，有大量研究人员投身其中，每年都会有大量的成果发表在IEEE trans on intelligent transportation system等顶级期刊，会议上。有些成熟技术甚至已走出学术界，应用于工业界，如福特公司的自动刹车系统，Google 的无人驾驶汽车，而 Mobileye 甚至已将其固化为车载芯片，并占有大部分的高档车市场份额。

近来跟随师兄也在探究此方面的发展，并努力实现自己的系统。

这里首先是对于交通路牌的识别：大部分交通路牌可以分为两部分：

red circular sign blue rectangular sign

由于其外形规则，图案单一，因此在这里我主要采用rule-based method,而非机器学习（当然，也是因为机器学习实验失败了）。由于要检测的物体局限于红色和蓝色，因此在这里我们利用其颜色信息，于Jack Greenhalgh and Majid Mirmehdi 的 Real-Time Detectionand Recognition of Road Traffic Signs IEEE TRANSACTIONSON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 13, NO. 4, DECEMBER 2012这篇paper,遍历所有像素点，成功将蓝色及红色区域变的比背景更亮。

在这之后，我利用hough circle transformation 以及 contour contourpolygonization,成功分割出相应区域，效果较好，但逐像素计算效率低下，对一张图的检测时间的70%都花在了像素处理上，所以准备最近看一看opencv的灰度转换源码，提升效率，争取达到实时性。

在这之后，好学的博主怎会就此终止，于是有了下面的识别部分，这也是博主第一次接触pattern recognition,虽然内容很简单……

首先将识别对象局限于红色圆形的限速标志，（指路牌的识别，博主是不敢想的，中文字符，分布不对则，想想就头痛）。于是博主开始了艰辛的旅程：首先想到的是最简单的模板匹配，但模板匹配要求template与target大小一致，思索良久，受当初看haar检测目标的源码启示，我将待检测图像以一定比例不断缩放，然后用template作为搜索框在待检测图像范围内进行移动匹配，根据归一化平方差公式计算得到最小的值即为匹配。

模板：（尺寸统一，这里采用双数，而非单个数字是因为单个数字虽然检测更准，但结果只能得到一个数字，暂时还未想到如何找到里面的两个数字）；

下表左侧为测试图片，右侧为6个模板与图像的最小平方差：

由此表看出，检测结果较好，只有最后一幅图的检测错误。之后我仔细思索了错误原因，发现两点如下：

（1）待测图像经过压缩后长宽比失调，其标志牌高度大于宽度，因此检测出现错误，这并非方法的问题；

（2）“15”是一个奇特的标志，两数字之间的空白区域大小不一，如图：

因此，检测15的时候常有偏差，还真是不太清楚如何解决这个问题呀，也许只能把两种15都放入模板库中。

在成功识别出这些标示牌之后，一个新的问题出现了，就是红色圆形标志不仅包括限速标志，还有一些其他的诸如禁止通行，禁止鸣笛等标志，那么这些标志的出现超出了我们预期的简单环境，在此介绍一种博主自己想出来的方法：

1.我们观察上面表格里的实验数据，将每一组数据的方差值取均值得到六组均值分别为（10^6）：

1.31

1.20

1.28

1.08

1.07

1.23

2.当将测试图片替换为非限速标志，其得到的数据如下：

3.如上表所示：三组的平方差均值分别为(10^6)：

1.71

1.64

1.82

4.因此可见：限速标志牌与非限速标志牌的平方差均值在不同的两个结果集里，前者<1.4，后者>1.6，由此我们可以得到区分二者的阈值，i.e, 1.4<threshold<1.6。

到此我们对于交通标志牌的检测以及简单识别就告一段落了，在现有的少量待测数据面前，其结果不错，至于鲁棒性受角度及光照的影响还需要大量数据进行检测及改进。

PS：在此之前，我曾试着用sift以及surf进行识别，但大概是因为图案过于简单，导致极值点很少，而match的特征点更少，因而放弃。

转载请注明： http://blog.csdn.net/wchccy?viewmode=contents

交通标志牌的检测与识别相关推荐

交通标志的检测与识别
基于Faster RCNN和卷积神经网络的检测与识别的方法正在投稿中,项目已开源在github: https://github.com/USTClj/Traffic_Sign_Recognition ...
地面标识检测与识别算法
地面标识检测与识别算法输入输出接口 Input: (1)图像视频分辨率(整型int) (2)图像视频格式(RGB,YUV,MP4等) (3)摄像头标定参数(中心位置(x,y)和5个畸变系数(2径向 ...
TSR交通标志检测与识别
TSR交通标志检测与识别说明: 传统图像处理算法的TSR集成在在ARM+DSP上运行,深度学习开发的TSR集成到FPGA上运行. 输入输出接口 Input: (1)图像视频分辨率(整型int) (2 ...
【camera】基于深度学习的车牌检测与识别系统实现（课程设计）
基于深度学习的车牌检测与识别系统实现(课程设计) 代码+数据集下载地址:下载地址用python3+opencv3做的中国车牌识别,包括算法和客户端界面,只有2个文件,surface.py是界面代码, ...
python目标检测与识别_Python 使用Opencv实现目标检测与识别的示例代码
在上章节讲述到图像特征检测与匹配 ,本章节是讲述目标检测与识别.后者是在前者的基础上进一步完善. 在本章中,我们使用HOG算法,HOG和SIFT.SURF同属一种类型的描述符.功能代码如下: impo ...
百度人脸检测与识别项目资源
百度人脸检测与识别项目资源 https://blog.csdn.net/PaddlePaddle/article/details/104386123?depth_1-utm_source=distri ...
腾讯AI Lab刷新人脸检测与识别两大测评国际记录，技术日调用超六亿
来源:腾讯AI实验室概要:人脸检测是让机器找到图像视频中所有人脸并精准定位其位置信息,人脸识别是基于人脸图像自动辨识其身份,两者密切相关,前者是后者的前提和基础. 腾讯AI Lab在国际最大.最难的 ...
【每周CV论文】深度学习文本检测与识别入门必读文章
欢迎来到<每周CV论文推荐>.在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的. 文本检测和识别是计算机视觉的一个非常重要的应 ...
文字检测与识别资料整理
博主关注文字检测和识别,资料整理和论文解读都非常详细: https://www.cnblogs.com/lillylin/p/6893500.html#4033329 博主的阅读习惯,积累和输出输出: ...

交通标志牌的检测与识别

交通标志牌的检测与识别相关推荐

最新文章

热门文章