复杂环境下的交通标志检测与识别方法综述

交通标志检测与识别是无人驾驶三大模块中环境感知的研究热点之一,检测和识别交通标志可以向无人车传递道路交通信息,优化行车决策。在暴雨、大雾以及光线昏暗等复杂环境下,拍摄到的图像往往会被遮挡,变得模糊。这不仅影响图像的质量,还会对后期标志的检测与识别带来巨大的困难。简述了交通标志检测与识别方法,对近年来国内外学者解决各类复杂环境下交通标志检测与识别的方法、原理和步骤进行了总结归纳,有利于人们更好地解决此类问题。同时,对常用的交通标志数据集进行了总结,并对数据集里在复杂环境下拍摄的图像比例给予了说明。     

基于深度残差网络的交通标志识别方法研究

交通标志识别是无人驾驶系统和智能驾驶系统不可少的关键技术之一,为了提高交通标志的识别准确率,进一步提高无人驾驶汽车在行驶过程中的安全性,提出了一种基于深度残差网络的交通标志识别方法,利用不同尺寸的残差模块进行堆叠,构建了具有100层卷积层的网络模型.以比利时交通标志数据集BTSC作为实验数据,优化网络模型后得到的识别准...     

基于胶囊网络的智能交通标志识别方法

针对卷积神经网络的标量神经元无法表达特征位置信息,对复杂的车辆行驶环境适应性差,导致交通标志识别率低的问题,提出一种基于胶囊网络的智能交通标志识别方法。首先采用超深度卷积神经网络改进特征提取部分,然后在主胶囊层引入池化层,最后采用移动指数平均法改进了动态路由算法。在GTSRB数据集上的测试结果表明,改进后的胶囊网络方法在特殊场景下的识别精度提高了10.02个百分点,相对于传统的卷积神经网络,该方法的单张图片的识别时间缩短了2.09 ms。实验结果表明,改进后的胶囊网络方法能满足准确、实时的交通标志识别要求。     

一种基于图像匹配的地面交通标志实时识别方法

地面交通标志检测识别是智能驾驶领域的一个研究方向,实时性、准确率是该研究的重点。图像匹配的方法是常用的模式识别方法。文中介绍了一种结合先验知识和图像匹配的地面交通标志检测识别方法。算法包括两部分:预处理和检测识别。预处理阶段包括图像压缩、感兴趣区域提取、形态学处理、中值滤波和逆透视等步骤,实现图像降噪和正畸,为检测识别做准备。检测识别阶段包括轮廓提取、面积过滤、图像匹配等步骤,目的是判断待测图像是否含有地面交通标志及其种类。实验证明,该算法实时性好、鲁棒性强、准确率高。     

基于级联端对端深度架构的交通标志识别方法

交通标志的正确识别是智能车辆规范行驶、道路交通安全的前提。为解决智能车采集目标图像模糊、分辨率低,造成识别精度低且时效性差的问题,构建一种基于级联深度网络的交通标志识别模型,该模型级联超分辨率处理网络ESPCN与目标检测识别网络RFCN,ESPCN网络提高输入采集图像的分辨率,为低分辨率图像实现超分辨率处理,RFCN网络提取图像全局特征,实现交通标志的检测与分类识别。平衡采样及多尺度的训练策略结合数据增强的预处理方法,增强了网络模型的鲁棒性及扩展性。经实验验证,算法模型针对常见交通标志识别率达到98.16%,召回率达到96.2%,且鲁棒性较好。     

交通标志识别研究综述

随着社会经济的发展,我国的道路交通系统发展迅速,人们生活变得便利的同时,也随之带来了相应的安全隐患。道路交通识别系统为上述问题提供了一种解决方法,因此受到学者们的广泛关注。TSR通过安装在机动车上的摄像机提取自然场景图像,系统会对图像进行交通标志检测与识别,最后将识别结果告知驾驶员,以提高交通运行速率,降低交通事故的发生。本文对多年来各位学者的研究结果加以总结得出结论,如何有效利用交通标志的多种特征、融合线性以及非线性子空间特征提取方法的优势,研究出具有高鲁棒性和高实时性的交通标志识别方法,将是今后的主要发展方向。     

基于TensorFlow的交通标志识别系统研究

在经济快速发展、人们生活水平逐渐提高的同时,社会上行驶的车辆数目迅速增多,交通拥堵现象成为常态,并且交通事故也频频出现,对社会造成了巨大损失。基于此种形势,无人驾驶领域的智能交通系统受到很多人的关注。TensorFlow是近年来比较流行的深度学习框架,本文将基于TensorFlow实现卷积神经网络模型,并解决交通标志识别的实际应用。     

基于迁移学习的交通标志识别

传统的交通标志识别方法主要基于特征提取和机器学习技术,易受外部环境干扰,特征学习和特征表达能力较弱,识别准确率低。而基于深度学习的交通标志识别,对学习数据要求较高,模型在小样本数据学习中学习效率低。针对上述问题,提出了一种基于迁移学习的交通标志识别方法。该方法首先将ImageNet数据集中训练好的Inceptionv3模型的卷积层和瓶颈层进行迁移;然后在瓶颈层后接上全链接层,从而构建出迁移学习的模型;最后利用公开数据集和公开场景的交通标志图像进行实验训练模型验证。实验结果表明,与现有主流的交通标志识别方法相比,所提方法在微量数据集下有较高的识别率,预测准确率达96%以上。     

基于改进卷积神经网络的交通标志识别方法

针对传统卷积神经网络时间成本高的不足,对卷积神经网络进行了改进,减少其卷积核的数量,增加池化方式.为解决真实场景中自动驾驶系统和辅助驾驶系统中的道路交通标志识别问题,将改进的卷积神经网络运用到道路交通标志识别当中,以达到在较短时间内识别出交通标志的目的.以图形数据集GTRSB实景交通标志图像数据作为样本,用改进的卷积神经网络对实景交通标志进行识别,其识别总体准确率达到98.38%.实验结果表明,本方法可以在保持较高识别准确率的同时减少其识别的时间.     

道路交通标志识别的研究现状及展望

十几年来,道路交通标志识别的研究工作已经取得了一定成果,但还存在一些不足之处,主要有：识别对象单一,样本数少;处理方法比较单一,智能方法少;偏重于理论的多,面向应用的少;大多数实验对象都是标准图,针对实景图的少;以灰度图为研究对象的多,针对彩色图的少。机器识别面临的主要难点是：道路交通标志的背景相当复杂,颜色失真极为严重并存在不同程度的几何失真;彩色图像处理的理论和技术尚不成熟。“简化复杂问题、改进传统方法、基于颜色信息、采用智能方法”将是今后的一个重要发展方向。     

基于改进残差网络的交通标志识别算法

针对模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对ResNet网络结构进行改进,提出基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。     

改进YOLOv7的交通标志检测算法

自动驾驶技术的快速发展,导致对交通标志检测技术的要求日益提高.为解决YOLOv7算法在识别小目标时误检、漏检等问题,本文提出一种基于注意力机制的交通标志检测模型YOLOv7-PC.首先通过K-means++聚类算法对交通标志数据集进行聚类,获得适用于检测交通标志的锚框;其次在YOLOv7主干特征提取网络中引入坐标注意力机制,将交通标志的横向和纵向信息嵌入到通道中,使生成的特征信息具有交通标志的坐标信息,加强有效特征的提取;最后在加强特征提取网络中引入空洞空间金字塔池化,捕获交通标志多尺度上下文信息,在保证交通标志小目标分辨率的同时,进一步扩大卷积的感受野.在中国交通标志检测数据集(CCTSDB)上的实验表明,本文算法增强了识别小目标的能力,相较于YOLOv7模型,本文算法的m AP、召回率平均分别提高了5.22%、9.01%,是一种有效的交通标志检测算法.     

户外交通标志检测和形状识别

提出了一种新的识别户外不同交通标志形状的算法。为了减少数字噪声的影响和分离提取独立的交通标志形状,基于颜色分割输出的外边缘可通过离散曲线演变进行简化和分解。正切空间中弧线的相似程度决定离散曲线演变的程度。形状的识别是通过模板匹配来实现的,待识别形状与模板之间的最小几何差异决定形状的类别。实验结果表明本算法是平移、旋转和尺度恒定的,能够在复杂的交通场景中进行可靠的形状识别。     

基于轻量型卷积神经网络的交通标志识别方法

交通标志识别设备的功耗和硬件性能较低,而现有卷积神经网络模型内存占用高、训练速度慢、计算开销大,无法应用于识别设备.针对此问题,为降低模型存储,提升训练速度,引入深度可分离卷积和混洗分组卷积并与极限学习机相结合,提出两种轻量型卷积神经网络模型:DSC-ELM模型和SGC-ELM模型.模型使用轻量化卷积神经网络提取特征后,将特征送入极限学习机进行分类,解决了卷积神经网络全连接层参数训练慢的问题.新模型结合了轻量型卷积神经网络模型内存占用低、提取特征质量好以及ELM的泛化性好、训练速度快的优点.实验结果表明.与其他模型相比,该混合模型能够更加快速准确地完成交通标志识别任务.     

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

逐级细化的交通标志识别算法

针对交通标志识别中存在的识别精度和实时应用之间的矛盾,根据中国交通标志的特点,提出一种逐级细化的交通标志识别算法。首先进行粗分类,构建颜色属性-梯度直方图（Color name-histogram of gradient,CN-HOG）描述子表示每类标志的形状和颜色特征,采用线性支持向量机（Support vector machine,SVM）将交通标分为禁令标志、警告标志、指示标志、解除禁令标志和其他标志5大类;然后进行细分类,采用词袋模型中颜色和形状特征早融合的方式将颜色属性（Color name,CN）和尺度不变特征变换（Scale-invariant feature transform,SIFT）描述子相结合、利用高斯核SVM得到交通标志区域的最终类别标记。在公开数据集上的实验表明本文算法在满足实时应用的同时取得了99.15%的识别精度。     

导盲机器人的交通标志视觉识别技术研究

导盲机器人是当今研究热点问题之一,交通标志识别技术是导盲机器人中的重要技术环节。无法在复杂交通情况下高精度识别交通标志是阻碍导盲机器人投入使用的最大难题。在分析研究了已有交通标志识别技术的基础上,通过Matlab中的图像处理函数,创新性地在两个色度空间同时对图像进行填充与分割、膨胀与腐蚀、k-means聚类等一系列操作处理,辅以长宽比、面积限制、平行等几何条件的限定,准确识别了红绿灯、盲道以及人行道等交通标志。