英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
交通标志识别与识别技术的改进驾驶辅助系统的跟踪方法
Nadra Ben Romdhane
MIRACL-FS，斯法克斯大学
斯法克斯，突尼斯
nadrabenromdhane@yahoo.fr
哈扎尔姆利基
MIRACL-FSEG，斯法克斯大学
斯法克斯，突尼斯
mliki.hazar@enetcom.rnu.tn
穆罕默德哈马米
MIRACL-FS，斯法克斯大学
斯法克斯，突尼斯
摘要 - 我们介绍一种新的基于计算机视觉系统用于强大的交通标志识别和跟踪。 这样的系统为驾驶员提供重要支持智能汽车。 首先，基于颜色的分割方法应用于生成交通标志候选区域。其次，提取HoG特征以对其进行编码检测交通标志，然后生成特征向量。这个向量被用作SVM分类器的输入来识别交通标志类。 最后，基于光流的一种跟踪方法执行光学流动以确保连续捕获识别交通标志，同时加快执行时间。我们的方法可以在不同的情况下提供高精度挑战性的条件。
关键词 - 交通标志检测; 交通标志分类;交通标志识别; 交通标志跟踪;SVM;HOG
一·导言
交通标志（TS）的认可是一个主要问题驾驶员辅助系统，因为它具有控制驾驶员的双重角色道路交通以及警告和指导司机。当司机错过招牌时，发生严重事故分心或心理状态的司机[1,2]。因此，交通标志的自动识别是一种自主导航系统的重要课题。 这样系统必须快速有效地检测交通标志实时环境并精确识别它们。 此外，他们必须处理可能阻碍的复杂问题检测和识别效果。 这些问题包括照明变化（光照水平，微光，雾，雨和阴影），运动模糊和标志遮挡。有效性是一个关键的思想，就像一个错误分类或未检测到的标志可能会影响导航系统。
实际上，现有系统不提供保证100％的准确性。 这激励了许多研究人员提高交通标志检测的性能，追踪并在复杂的条件下得到承认等等我们在此提出的方法的目标。 因此，我们介绍了一种快速检测，跟踪和检测的新方法来自移动车辆的交通标志的分类复杂的条件。 在检测步骤中，我们应用一种颜色提取候选区域的交通标志。 对于分类步骤，HoG功能是应用于对检测到的交通标志进行编码并计算特征矢量。 该向量用作SVM的输入分类器来识别交通标志类。 最后，我们使用基于光流的方法跟踪已识别的交通标志方法来持续捕获已识别的流量标志。
以下部分专门用于简要研究交通标志识别和跟踪过程和概述现有的方法。 我们提出的方法概述在第3节中详细介绍。实验结果和结果将在第4节中详细介绍部分将通过提供一个完整的讨论结束结论和对我们未来研究的一些思考学习。
二·相关作品
TS的识别主要是使用三个进行步骤：检测，分类和跟踪。 检测步骤旨在减少搜索空间并仅指示可能被认为是可能的TS的潜在地区。在分类步骤中，每个已经检测到候选区域被过滤以决定它是否是流量是否签字。 至于追踪步骤，有助于缩短时间在保持持续关注的同时处理交通标志在分类的交通标志
在本节中，我们将详细介绍现有的方法TS检测，分类和跟踪的文献（表一世）。
- 交通标志检测
在检测步骤中，图像依靠分割交通标志功能的视觉键，如颜色和颜色形状。
TS包含明亮的原色，强烈对比与背景环境。 因此，许多方法以特定颜色进行分割阶段空间。 通常，安装的摄像机的输出是RGB图片。 而RGB颜色空间不适合由于其敏感性而检测到标志的颜色照明变化。 因此，一些作者[3]使用了aRGB的强度分量之间的色彩比率，而其他人[4]仅使用一个RGB分量作为参考检测图像中的标志颜色。 减少依赖于光照变化，色相饱和度强度（HSI）系统[5]和HSV [6]频繁出现用过的。
相反，有基于TS形状的方法完全忽略色彩信息，注重形状来自灰度图像的信息。 例如，局部径向对称的技术被实现检测TS图像中的兴趣点[7]。 这个技术应用于灰度图像的梯度并用一个中心点投票表示圆形标志和一条线投票正多边形。 [8]中的作者使用了Hough转换技术来检测矩形，三角形和圆形交通标志的形状。
- 交通标志分类
一旦候选交通标志区域已经存在检测到时，执行分类步骤以使其成为可能决定保留还是拒绝交通标志的候选区域。
为确保突出的分类，有基于训练的方法和基于模型的方法。 基于训练方法依赖于不同的训练阶段人工技术，如神经网络[9,10]和支持向量机[11]可以应用。 他们感知到TS作为一个全球性的实体，其特征和学习变形。 事实上，他们需要一些事先关于TS结构的知识
基于训练的方法使用神经网络与他们不同的拓扑已被广泛利用。事实上，一些作者使用卷积神经网络[9]而其他人应用基于径向的神经网络[10]。 SVM分类器也被广泛应用找出相应的TS类[11]。除次之外，Adaboost算法也被用来对TS进行分类一组星期分类器[12]
另一组作品以他们的身份为基础在TS模型上处理。 事实上，TS地区相比一组TS模板示例（模型）标有离散的类，以找出最相似的TS类。为了执行TS匹配，一些比较指标是像模板之间的归一化相关一样使用存储在数据库和潜在的TS区域[13]。
- 交通标志跟踪
提出了不同的方法来执行该方法跟踪步骤。 这些方法可以分为两类班级，即基于点的方法[24] [25]和基于模型方法[22]。 基于点的方法代表了交通通过一个点或一组连续登录连续帧点。 他们执行跟踪抛出a的匹配从检测到的交通标志中提取的一组兴趣点。它们对光照变化和仿射通常是强健的转换。 基于模型的方法代表了通过对他们的形状或颜色进行建模来模拟交通标志。问题是这个形状可能不包括某些部分的交通标志，并可能包括部分背景。因此，它非常依赖交通标志检测准确性。
基于现有的上述优点方法，我们已经定义了适当的方法来使用在我们提出的交通标志检测解决方案中，分类和跟踪。 对于检测步骤，我们选择了对于基于颜色的方法，因为它提供了更快的对焦在交通标志的潜在领域。 事实上，类似的对象到交通标志形状可能会在背景中共存窗户，邮箱和汽车。 此外，基于。的方法形状需要鲁棒的边缘检测算法，这对于非正面视角或低视角不是一件容易的事情解决交通标志捕获。 对于分类步骤，我们由于其统计性能，使用了SVM分类器学习理论和鲁棒性已经在TRS主题中得到证明[11]。 关于跟踪步骤，我们使用a执行基于点的方法，因为它的照度不变变化和仿射变换。
三· 我们建议的交通标志识别和跟踪方法
在我们的研究范围内，我们有兴趣认识并追踪危险和禁止交通标志构成事故多发情况的重要原因[28]。 如图1所示，我们提出的方法是组成的两个步骤：交通标志识别和跟踪。
图1提出的交通标志识别和跟踪过程
依靠我们以前推出的车道检测方法[14]，我们检测最近区域的车道限制的图像。 接下来，这些车道限制用于界定可能存在TS的感兴趣区域。
A.交通标志识别
交通标志识别分两步进行：检测和分类。
1）交通标志检测
交通标志检测旨在发现潜力路标区域。
- 限制RIOTS
减少搜索掩码来执行检测步骤减少这些迹象的搜索努力。 因此，我们申请丢弃属于其他道路的TS的丢弃过程。因此，我们将我们提出的算法用于车道限制检测[14]中提出。 依靠检测到的车道我们使用了近区域（ROIr和ROIl）（图2（a））中的限制右车道限制和地平线（赫兹）绘制一个图像右侧的四边形（图2（b））。 这个四边形被认为是我们的新兴趣区域（ROITS）。
表I.交通标志检测，分类和跟踪方法
|
方法 |
描述 |
技术 |
参考 |
|
|
交通标识检测方法 |
基于颜色 方法 |
这些方法基于交通标志的颜色高度可见的对比色，因此容易区分从背景。 许多空间颜色已被用于提取交通标志来自输入图像的颜色。 |
门槛空间颜色 |
[3] |
|
基于形状方法 |
这些方法基于交通标志的形状明确的措施和形式。 他们需要一些以前关于形状识别方法的知识。 |
径向对称 |
[7] |
|
|
霍夫变换 |
[8] |
|||
|
交通标志分类 方法 |
基于训练方法 |
这些方法将交通标志分类问题视为一种方法多类分类问题。 这些方法旨在构建一个交通标志模型来自一组标记的训练数据。 |
神经网络 |
[10] |
|
SVM |
[11] |
|||
|
Adaboost |
[12] |
|||
|
基于模型方法 |
这些方法使用一些执行交通标志匹配存储在交通标志模板之间的比较度量数据库和潜在的交通标志区域。 |
模板匹配 |
[13] |
|
|
交通标志跟踪 方法 |
计分制 方法 |
这些方法将检测到的交通标志表示为一组有关点。 点的关联是基于之前的交通标志状态，包括标志位置和车辆运动参数 |
卡尔曼滤波器 |
[24] |
|
粒子过滤器 |
[25] |
|||
|
基于模型方法 |
这些方法基于交通标志外观通过对它们的形状和/或颜色进行建模来表示。 |
Camshift |
[26] |
|
b）分割
在这一步中，我们继续进行颜色分割在这个ROITS内。 实际上，TS的测量颜色是通常是TS原始颜色和添加的混合物户外照明。 因此，TS的颜色模型细分应该看起来很有选择性。 正如它通常一样已知，TS中使用的颜色试图捕捉人类注意。 因此，我们选择了HSV色彩空间基于人类的色彩感知[15]。 的确，色相值对于日光下的光照和阴影变化是不变的[15]。对每个HSV组件应用阈值，我们分割出现在ROITS上的TS（图3（a））。然后我们应用封闭的形态学操作来获得更多紧凑的兴趣领域并消除中断（图3）（B））。
c）检测
此步骤旨在检测TS的精确位置。为了实现这个目标，对分段的分析区域被执行。 因此，我们标记了连接使得所有连接的候选像素都是分组为一个潜在区域（使用8个邻居）。 接下来，a边界框特征（高度，宽度，面积）是计算所有潜在地区。
a）车道限制检测 （b）RIOTS的界定
图2.利益区域划界（RIOTS）
a）RIOTS的HSV阈值 （b）关闭转换后的RIOTS
图3.交通标志分割
因此，我们定义了一组潜在区域R = {R1，R2，...，RN}，其中N是潜在TS区域的数量。 一个几种基于形状特性的约束规则[12,16]被应用到每个潜在区域以消除不能成为TS的地区。 因此，为每一个潜力地区，我们检查了以下规则：
bull;每个潜在TS区域的高度和宽度应该大于14并且低于100。
bull;每个潜在的TS区域的面积必须更大比相应的30％和不到80％最小边界框区域。
bull;潜在TS的高度和宽度应该是是[0.5,1.5]的区间
因此，这些规则允许减少数量潜在的TS区域有助于加速过程并提高准确性。 这些地区将会是下一个分类步骤的输入（图4）。
图4.潜在的交通标志检测
2）交通标志分类
潜在交通标志区域的分类是关键因为它有助于做出保留或拒绝的决定潜在的交通标志。为确保显着的分类，我们应用了定向梯度直方图（HOG）运算符来提取HOG特征向量。接下来是一个SVM根据已提取的特征应用分类器向量。
a）特征向量提取
面向梯度的直方图（HOG）是其中之一众所周知的物体识别功能。 HOG
功能模仿在视觉信息处理中人类的大脑。他们能够处理当地的变化外观和位置[17]。外观和形状本地对象经常被相当好地描述局部梯度强度分布或边缘检测。因此，使用方向来计算HOG特征局部区域边缘强度的直方图。因为交通标志由强烈的几何形状组成和高对比度的边缘，包括一系列的方向，我们发现应用HOG特征是合适的在我们的研究范围内。
在我们提出的方法中，每个潜在的TS区域是规格化为32times;32像素。 然后，该地区被分成12times;12个不重叠
全文共9455字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14715]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
