2023年交通路标识别.docx

交通路标识别 　 交通路标识别 　交通路标识别：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。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)遮挡住一局部;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,都会不可防止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、目标提取、特征提取、标志识别图像预处理：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，使图像的比照度得到增强。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局部，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根底的。频域处理技术是以修改图像的变换域为根底的，比方傅里叶变换。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拟成熟，空域中的灰度图像增强方法有：比照度线性展宽、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，比方白平衡发法、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。) 　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些局部感兴趣，这些局部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别离出来，在此根底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，也是一种根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，对图像分割研究涉及的内容和层次比拟多，至今已提出了上千种各种类型的分割算法。】(上一节形状检测局部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。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,还必须进一步利用路标的外表纹理相对平坦的特点,将其他外表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 比拟复杂 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。对于规那么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可以根据上述特征，比方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。】 　形状检测这局部主要是上节课的那些内容，canny算子之类的。主要也就是基于边缘或者基于角点。我找到的新的适用于交通路标的算法如下：参考【交通标志自动分割识别算法研究_郭庆锐】 这篇论文比拟详细 可以读下。 　经过分割后的图像只是得到了交通标志的红色，黄色，蓝色区域，其他的重要区域并没得到。由标记的目标区域的外轮廓，利用种子填充法可以在原图上将每一个区域设置为 ROI 区域，即该 ROI 区域全部为白色像素点，其他的区域全部为黑色像素点，然后以该 ROI 区域的最小外接矩在源图像上提取该目标。 　每个连通域的外轮廓都可以找到其一个最小外接矩，对正立的三角形，倒立的三角形，圆形，甚至六边形，八边形在外接矩中都呈现不同的分布特点。根据不同形状轮廓在外接矩中八个方向点的分布特征可以较好的区分出圆形，正立三角形，倒立三角形。所以基于这样一个特点，本文在轮廓分析的根底上提出了一种八方向检测方法： 　在每个目标区域中设定八个检测点，分别命名为 R1-R8，每个检测点的值都被初始化为 0，八个监测点中当 0 值像素点的个数大于一定的阈值(T)，就将相应的此点置为 0，否那么置为1。八个方向点都检测完成后，根据所有检测点的值的组合即可判断目标区域的形状，表4.1 给出了检测点的值和对应的形状之间的关系。 　由于提取的候选目标大小不一，即便是对同一形状的目标其判断阈值也不相同，在应用上述方法时，首先要将提取的候选目标的尺寸归一化，本文中将候选目标的大小归一化为 50x50 大小。八个检测方向点的矩形区域大小为 8x8 的矩形区域，对于每个方向点，Ri置 1 置 0 的阈值 T=45。 　八个方向监测点(中心)在归一化的图像上的位置为： rect1 = (0,0) rect5 = (42,42) rect2 = (0,21) rect6 = (42,21) rect3 = (0,42) rect7 = (42,0) rect4 = (21,42) rect8 = (21,0) 　3、特征提取与识别 　基于交通标志图像进行目标检测和识别时,由于交通标志图像的维数相当高,直接在原始图像上进行处理,将加大算法的复杂,因此,交通标志特征提取成为最根本的问题之一,抽取有效的鉴别特征是解决问题的关键,实际中交通标志特征选择和抽取往往结合使用。交通标志图像特征提取的根本思想是将原始样本映射(或变换)到某一低维特征空间,得到最能反映样本本质的低维样本特征,这样能有效的减少样本的存储量,提高处理速度,实现自动检测和识别 　这一局部算法非常多，我的想法是先确定能用的代码然后再整理文档。例如：hu不变矩和欧式距离；SIFT 算法；【交通标志自动分割识别算法研究_郭庆锐】我觉的hu不变矩好似简单些。这个在上次的形状识别里有整理。 　方便你理解 觉得用不上文档 没有贴出word 【路标识别算法研究_刘佳】