交通標(biāo)識包含豐富的道路交通信息,為駕駛員提供警示、指示等輔助信息,對減輕駕駛員的駕駛壓力、降低道路的交通壓力、減少交通事故的發(fā)生率起著重要的輔助作用。如果完全依靠駕駛員注意和發(fā)現(xiàn)交通標(biāo)識并做出正確的反應(yīng),難免會(huì)增加駕駛員的負(fù)擔(dān),加速疲勞,嚴(yán)重地可能導(dǎo)致交通事故。圖1給出了部分交通標(biāo)識圖。
圖1 部分交通標(biāo)識圖
交通標(biāo)識識別(Traffic Sign Recognition, TSR)主要是通過安裝在車輛上的攝像機(jī)采集道路上的交通標(biāo)識信息,傳送到圖像處理模塊進(jìn)行標(biāo)識檢測和識別,并根據(jù)識別結(jié)果做出不同的應(yīng)對措施。交通標(biāo)識識別可以及時(shí)地向駕駛員傳遞重要的交通信息(例如限速、禁止超車等),并指導(dǎo)駕駛員做出合理的反應(yīng),從而減輕了駕駛壓力,緩解城市交通壓力,有利于道路交通安全。因此,精確高效且實(shí)時(shí)的交通標(biāo)識識別是未來駕駛的趨勢所在。
目前交通標(biāo)識識別方法分為兩個(gè)主要步驟:
1、檢測步驟
根據(jù)交通標(biāo)識的顏色、形狀特征,從采集的圖像中,尋找和定位包含交通標(biāo)識的候選區(qū)域;
2、識別步驟
識別步驟:利用模式識別或者分類器對檢測的候選區(qū)域進(jìn)行識別,獲取交通標(biāo)識的類別信息。
現(xiàn)有交通標(biāo)識識別的檢測算法最常用的方法包括顏色分割、形狀檢測以及利用局部特征信息設(shè)計(jì)分類器等方法。在顏色分割方面,常用的顏色空間包括:RGB空間、HSI空間、HSV空間、LAB空間、YCbCr空間、LUV空間等。在形狀檢測方面,常用的方法包括:Hough變換檢測特定形狀、基于圖像梯度方向信息的幾何模型等。
現(xiàn)有交通標(biāo)識識別的識別算法常用的方法包括模板匹配法、基于機(jī)器學(xué)習(xí)的方法等。模板匹配法是將待識別圖像的大小進(jìn)行歸一化,縮放為與圖像樣本庫中模板一樣的大小,再將待識別的圖像與樣本庫中所有的模板進(jìn)行比較,選擇符合最佳匹配原則的樣本作為最后的識別結(jié)果,然而該方法易受圖像的清晰度、大小變化和光照變化的影響。基于機(jī)器學(xué)習(xí)的方法是通過SVM分類器、BP神經(jīng)網(wǎng)絡(luò)、Adaboost級聯(lián)分類器等對標(biāo)簽的交通標(biāo)識進(jìn)行訓(xùn)練,然后根據(jù)訓(xùn)練好的模型對候選區(qū)域進(jìn)行掃描,以便檢測候選區(qū)域中的交通標(biāo)識并進(jìn)行分類。
交通標(biāo)識識別算法主要包括:采用架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)對大量的標(biāo)簽的交通標(biāo)識樣本圖像進(jìn)行訓(xùn)練,獲得訓(xùn)練好的交通標(biāo)識識別模型;采用快速的交通標(biāo)識檢測算法定位交通標(biāo)識的候選區(qū)域;最后利用訓(xùn)練好的交通標(biāo)識識別模型對候選區(qū)域進(jìn)行識別,輸出識別結(jié)果。
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱為CNN)是深度學(xué)習(xí)模型之一,其主要由卷積層(Convolutions Layer)、下采樣層(Subsampling layer)、全連接層(Full connection)等構(gòu)成。其中,下采樣層又稱為池化層(Pooling Layer)。圖2給出了卷積神經(jīng)網(wǎng)絡(luò)的模型圖。
圖2 卷積神經(jīng)網(wǎng)絡(luò)的模型圖
卷積神經(jīng)網(wǎng)絡(luò)被認(rèn)為是第一個(gè)真正成功的采用多層層次結(jié)構(gòu)的具有魯棒性的深度學(xué)習(xí)方法。在卷積神經(jīng)網(wǎng)絡(luò)中,局部感知區(qū)域被當(dāng)作層次結(jié)構(gòu)中的底層的輸入數(shù)據(jù),信息通過前向傳播經(jīng)過網(wǎng)絡(luò)中的各個(gè)層,在每一層中都由過濾器構(gòu)成,以便能夠獲得觀測數(shù)據(jù)的一些顯著特征。因?yàn)榫植扛兄獏^(qū)域能夠獲得一些基礎(chǔ)的特征,比如圖像中的邊界和角落等,因此卷積神經(jīng)網(wǎng)絡(luò)對位移、拉伸和旋轉(zhuǎn)具有魯棒性。卷積神經(jīng)網(wǎng)絡(luò)中層次之間的緊密聯(lián)系和空間信息使得其特別適用于圖像的處理和理解,并且能夠自動(dòng)的從圖像中抽取出豐富的相關(guān)特性。圖3給出了卷積神經(jīng)網(wǎng)絡(luò)識別輸入圖像的過程圖。
圖3 卷積神經(jīng)網(wǎng)絡(luò)識別輸入圖像的過程圖
交通標(biāo)識識別算法一方面采用了基于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識別方法,極大地提高了交通標(biāo)識識別的準(zhǔn)確率;另一方面通過快速的交通標(biāo)識檢測算法定位交通標(biāo)識的候選區(qū)域,極大地減少了識別所需要的時(shí)間。圖4給出了3幅交通標(biāo)識識別的識別結(jié)果圖像。
圖4 交通標(biāo)識識別的識別結(jié)果圖像
目前,基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識識別算法能夠識別43類交通標(biāo)識,識別準(zhǔn)確率≥97%,算法所需運(yùn)行時(shí)間≤40ms。與其他公司的嵌入式算法不同,將交通標(biāo)識識別算法在芯片上實(shí)現(xiàn)了智能硬化。含有交通標(biāo)識識別硬化算子的芯片可以實(shí)現(xiàn)直接在相機(jī)端進(jìn)行實(shí)時(shí)處理,提高了運(yùn)算速率,節(jié)約了運(yùn)算時(shí)間和成本。
-
卷積神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
4文章
369瀏覽量
12585 -
交通標(biāo)志識別
+關(guān)注
關(guān)注
0文章
4瀏覽量
3429
發(fā)布評論請先 登錄
關(guān)于MATLAB建立圖像處理和目標(biāo)識別系統(tǒng)流程的求助
工業(yè)互聯(lián)網(wǎng)中的標(biāo)識解析技術(shù)
硬盤標(biāo)識識別方法
基于MVDR參數(shù)譜在艦船目標(biāo)識別中的應(yīng)用
紅外動(dòng)目標(biāo)識別跟蹤系統(tǒng)的實(shí)現(xiàn)方案
基于圖像輪廓識別技術(shù)在交通路標(biāo)識別應(yīng)用

基于SIFT視覺詞匯的目標(biāo)識別算法

汽車電子標(biāo)識的簡介以及主要功能與作用的解析
我國工業(yè)互聯(lián)網(wǎng)標(biāo)識解析系統(tǒng)風(fēng)險(xiǎn)分析
關(guān)于工業(yè)互聯(lián)網(wǎng)標(biāo)識解析體系的應(yīng)用
工業(yè)互聯(lián)網(wǎng)標(biāo)識解析的十大趨勢
基于YOLO改進(jìn)的輕量級交通標(biāo)識檢測模型

基于多尺度CNN的交通道路標(biāo)識識別模型
一種面向標(biāo)識公共遞歸解析節(jié)點(diǎn)的數(shù)據(jù)安全加固策略

評論