论文摘要
交通标志检测和识别是智能交通系统的重要组成部分,是越来越受关注的研究课题。本文对现实场景中道路交通标志的检测识别进行了研究,总结并提出一些检测识别的方法。交通标志检测识别一般包括预处理、图像分割、检测定位、识别分类等步骤。由于现实环境复杂多变,图像经过预处理能更好地实现分割,本文采用在R、G、B通道直接应用Gamma校正,用查找表的方法实现,提高了预处理效率,同时在Gamma校正中加入了白场阈值和黑场阈值,处理后的图像不仅亮度得到提高,饱和度和对比度也提高了,有利于交通标志的检测。针对中国道路交通标志的颜色和形状两个显著的特征,本文选择基于颜色和形状特征进行交通标志检测：(1)提出一种基于颜色搜索定位和形状判别的交通标志检测方法：首先在HSV颜色空间设定阈值分割色彩区域,对分割后的图像进行色块搜索初步定位出感兴趣区域,色块搜索缩小搜索范围,提高检测效率；然后,根据交通标志的图形边框具有像素颜色一致的特征,提出了构造图形边缘函数的方法对定位出的感兴趣色彩区域进行交通标志形状判别检测。(2)针对颜色定位检测中阂值分割存在图像分割不完整的缺陷,提出一种基于形状边缘定位和颜色判别的交通标志检测分类方法：首先计算原图像的饱和度通道图像,在该通道作Canny算子边缘检测,提取边缘并计算边缘的形状参数(圆形度、矩形度以及推广提出的正三角形度)以判定边缘形状,定位出标志的位置；然后采用HSV色彩空间分割模型判别标志颜色以进行分类,分类过程中筛除了非标志区域。这两种方法都具有良好的检测分类效果,后者效果更佳。由于协同多粒子群优化算法克服了基本粒子群算法易陷入局部最优解、进化后期收敛速度慢、鲁棒性较差等缺陷,能更快地找到识别率较高的特征组合。因此,本文提出以能较好表达交通标志特征的Zernike矩为特征、支持向量机作为分类器的基于协同多粒子群优化算法的特征选择。用选择出最优特征组合作为输入数据训练分类器对待识别样本做分类决策。协同多粒子群算法的特征选择有效地提高了交通标志的识别率。实验表明,以上的方法能有效地对交通图像作出检测和识别,平均检测率达87.5%,分类器识别率达91.42%。