快速交通标志检测预处理方法

为简化场景图处理的计算量,针对场景图复杂的颜色信息,提出了一种快速的交通标志检测预处理方法——颜色标准化。将颜色信息复杂的场景图映射成简单的由8种标准颜色组成的图像,并提取5种与交通标志相关的感兴趣颜色,滤除冗余区域后得到标准颜色的交通标志。该方法大幅度简化了场景图颜色信息的复杂性,节省了RGB-HSI模型转换的计算时间。实验表明,该预处理方法具有很好的鲁棒性,快速准确地实现了交通标志检测。     

视觉可量测实景影像的道路交通标志自动检测

提出了一种基于颜色和形状神经网络的视觉可量测实景影像交通标志自动检测算法.该算法设计了2种类型的概率神经网络,一种可以将图像中像素分为黄色、红色、蓝色和其他颜色4类;另一种可以识别三角形、圆形、矩形和倒三角形4种形状.从而先利用颜色识别神经网络对影像进行颜色分割;然后,在分割后的二值图像上利用灰度投影确定交通标志的候选区域;最后,利用中心投影向量和形状识别神经网络,实现候选区域的形状判断和交通标志自动检测.使用车载三维数据采集系统拍摄的视觉可量测实景影像进行了实验,证明了该方法的有效性和鲁棒性.     

浅谈交通标志的再利用

近年来,随着路网的逐渐饱和及交通压力的增长,辽宁省内的多条公路都在进行改扩建工程,拆除下来的旧标志数量不容小视,然而,这些旧的标志却很少得到再利用,任由环境的侵蚀。如何合理的利用这些旧标志,成了摆在我们交通人面前的一道难题。交通标志的再利用可以大大减少建设成本,避免资源浪费,文章通过对交通标志的规格尺寸、防腐处理、版面更新三方面的讨论,寻求交通标志再利用的可行方法。     

基于深度学习的道路交通标志数字识别技术探究

选取了自然场景中的交通标志为研究对象,采集了大量实景图像作为训练样本和测试样本,采用一种新型的深度学习模型MPCNN（Max-pooling Convolutional Neural Networks）进行识别实验,实验结果表明,深度学习方法在交通标志识别上不需要任何人工特征提取模型预先提取特征,直接对原始图进行训练学习就能取得较高的识别效率。     

基于后验概率SVM的交通标志识别研究

在无人车交通标志识别系统中,以传统的神经网络算法或标准的支持向量机算法（SVM）设计的分类器,只能反映样本是否属于某类而不能确定样本属于某类的可信度,提出一种后验概率SVM交通标志识别方法。首先对检测与跟踪得到的交通标志大概区域图像进行彩色分割以精确定位交通标志区域,然后采用最大类间方差法分割交通标志的内部图案,最后将分割的结果进行大小归一化作为交通标志的特征图像以训练分类器和进行识别。实验结果表明,基于后验概率SVM的交通标志识别系统在复杂的室外环境下具有很强的鲁棒性和可行性。     

基于色彩恒常性算法的交通标志检测

文章对由于颜色退化、光线减弱所导致的交通标志漏检问题提出一种算法。该算法首先用色彩恒常性对交通标志的图像增强色彩,然后将其转换到HSV（hue．saturation—value）彩色空间进行颜色分割。标志检测实验结果表明,该算法能够有效地克服光照减弱、颜色退化对交通标志颜色的影响,从而有效提高交通标志的检测率。     

标志图形的“京味与海派

笔者参观上海世博会期间,在赞叹上海市服务标准化工作细致入微与人性化的同时,也发现了许多既有“上海特色”又与国际接轨且和北京城市公共交通标志的不同,尤其是地铁标志图形的不同。     

城市道路交通指标标志规划设计的实践

通过较长时间对交通设施管理的实践,分析了指路标志在城市道路管理中的作用,并提出了指路标志板面设计应注意的几个问题。     

BP神经网络下的限速交通标志实时检测识别

目前已有很多基于交通标志图片进行道路交通标志识别的系统研究,但存在误识别率较高的问题．因此文中基于视频数据对限速交通标志进行检测与识别,实现了限速交通标志的自动检测定位,并采用反向传播神经网络来进行道路标志的识别; 同时,还采用连续自适应的均值漂移算法和光流法进行视频加速．实验表明,新提出的算法在耗时上缩短50%以上,检测识别准确度在90%以上,适用于相关智能识别领域．     

基于 YOLOv5 算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法.首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLOv5本身所使用的加权NMS算法,提高生成检测框的准确率.实验结果表明,改进后的YOLOv5算法在由长沙理工大学制作的CCTSDB交通标志数据集上训练的模型的mAP值达到了84.35％,比原始的YOLOv5算法提高了6.23％.所以改进YOLOv5算法在交通标志识别中有更高的精度,能够更好的应用到实践当中.