科学与财富1.国内外研究现状在智能交通领域，道路指示标识准确并快速的检测与识别是实现车辆自动导航和安全驾驶的首要问题。随着路面交通的不断发展，交通压力也在急剧增加，交通系统的智能化也在逐步成为重要的研究方向。作为交通系统智能化的核心部分，准确检测识别出交通道路指示标识，成为智能交通的重要研究方向。图像检测的中心任务是对图像进行识别和对图像进行特征提取，即是将物体形状，位置，图像边界，阴影轮廓等重要图像边缘产生的视觉信息让计算机分析理解，图像的边缘负载的信息，能让图像处理过程中达到识别作用。在对图像进行检测和边缘提取的研究中，出现了...

　　科学与财富1.国内外研究现状在智能交通领域，道路指示标识准确并快速的检测与识别是实现车辆自动导航和安全驾驶的首要问题。随着路面交通的不断发展，交通压力也在急剧增加，交通系统的智能化也在逐步成为重要的研究方向。作为交通系统智能化的核心部分，准确检测识别出交通道路指示标识，成为智能交通的重要研究方向。图像检测的中心任务是对图像进行识别和对图像进行特征提取，即是将物体形状，位置，图像边界，阴影轮廓等重要图像边缘产生的视觉信息让计算机分析理解，图像的边缘负载的信息，能让图像处理过程中达到识别作用。在对图像进行检测和边缘提取的研究中，出现了许多的边缘检测识别方法，有各自的局限性。传统的边缘检测对噪声敏感，实际效果运用有时不能达到预期目标。故而近年来较主流研究方向是寻找更普遍适用的边缘检测方法。瑞典的 Gareth Loy 实验室和澳大利亚的 Nick Barnes的自动化研究所合作构建了利用图形形状和交通标志图像对称性来确定交通标志图形质心位置的交通标志识别系统达到了极高的识别准确率。在我国，由于国内道路设施和道路交通研究的起步晚于国外，使得国内在道路交通系统的智能化方面也相对于国外研究相比有一定的差距，而其中有代表性的是一种基于数学形态学的交通标志自动识别方法[1]，针对一些警告标志采用数学形态及形态学骨架函数为特征做模板匹配，再对交通标识进行分类识别，取得了比较好的识别效果；常规的采用 SVM、PCA 主成分分析法，取得了较好的效果，但是对于不同角度形态的指示标志图像，效果较差。本文采用的方法是先采集所需图像，再对图像进行尺寸归一化、进行灰度处理再滤波，去除杂散边缘和双边缘，然后采用边缘特征的阈值选取方法实现图像二值化，二值化后的图像再经过腐蚀膨胀，分块状区域处理，寻找当中最大连通域，结合抗干扰能力强的 Hough 变换校正和归化，最后采用卷积神经网络方法识别图像，反馈出错误率。本文针对常见的六类指示标识进行处理。2.道路指示标识的图像处理2.1 道路指示标识检测本文针对的道路指示标识主要为城市道路路面交通方向标志，图像获取传感器为安装在汽车正前方的摄像机。由于道路周围环境的复杂性，特别是在阳光以及路面损坏的状态下，极大地干扰了道理指示标识的定位，因此，如何从影像中减少干扰信息是成功定位道路指示标识的一个必须面对的问题。通过观察大量的图片发现，道路指示标识一般出现在所采集的图像的正中间的位置，其附近一般不会出现和道路指示标识混淆的其他特征的物件。随着道路指示标识的逐渐靠近，其形状越来越大，其位置也逐渐慢慢地向正前方移动。因此，在图像采集后，通过颜色对比判断疑似道路标志物，再进行图像的裁剪，仅仅采用如图 1 所示位置的图像。通过如此的处理方式，不仅大大减少了影像中干扰交通标志的信息，同样也大大减少了后续环节处理的计算量。图 1 图像的定位2.2 道路指示标识图像灰度化由于安装在汽车正前方的摄像机采集图像分辨率可能不同，所以需要进行几何尺寸的归一化。道路指示标识采集之后，因为道路标志检测识别对于颜色要求不高，为了减少图像计算数据量，将三维彩色图像转化为二维灰度图像，即进行灰度处理。在图像灰度化时，加权平均法是目前最常用的方法，其灰度化结果更为合理，更符合实际应用的需要，所采用灰度化公式如（1）所示。道路标志图像及灰度化之后的图像如图 2 所示。（1）图 2 道路标志图像及灰度化之后的图像2.3 图像中值滤波去噪图像在采集时，由于车辆行驶中受外界各种因素干扰，例如由于电子干扰、光照以及噪声影响，会产生一些噪声或模糊。需要采用滤波器进行去噪。目前常见的两种滤波是邻域滤波与中值滤波，本文经过试验对比，发现中值滤波的优点是可以很好的过滤掉椒盐噪声，并且更加的适合道路指示标识图像的处理。道路标志图像及中值滤波之后的图像如图 3 所示。图 3 道路标志图像及中值滤波之后的图像2.4 图像分块二值化以及腐蚀膨胀找最大连通域Otsu(大津展之)于 1978 年提出的最大类间方差法[2,3]是引起较多关注的一种阈值选取方法，它是在判决分析或最小二乘原理的基础上推导出来的，可以获取二值化之后的图像。但是由于道路标志图像受光照影响较大，当强光照时，如果一部分道路标志图像在树荫下，二值化效果误差较大，本文采用分块二值化的方式，将图像均匀分成 4 块，每块图像采用最大类间方差法进行二值化，再将分块二值化之后的结果汇总，可以得到不受光照和树荫干扰的更加准确的二值化图像，如图 4（a）所示。在经过图像二值化与滤波后得到的图像还存在一些噪声点，说明普通的滤波方法不能完全的去除噪声点，所以本文采用先腐蚀后膨胀的方式[4]，然后寻找图像中的最大连通域[5]，从而得到准确的道路指示标志的二值化图像，如图 4（b）所示。将处理后的图像重新建立图像库，以便后续卷积神经网络进行图像识别。3. 基于卷积神经网络的道路标识识别卷积神经网络(Convolutional Neural Networks, CNN)是一个受生物视觉启发、以最简化预处理操作为目的的多层感知器的变形，本质是一个前向反馈神经网络，卷积神经网络与多层感知器的最大区别是网络前几层由卷积层和池化层交替级联组成，模拟视觉皮层中用于高层次特征提取的简单细胞和复杂细胞交替级联结构, 2012 年 Yann 等将 CNN 用于手写数字识别，并取得了该问题的霸主地位。近年来，神经网络在多个领域均表现出突出的效果和潜力，在图像处理领域，以卷积神经网络(convolu原tionalneural network，简称 CNN)为代表的深度学习模型已经突破了人类自身的识别能力[6,7]。并且在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。基于卷积神经网络的道路标识识别方法胡庆文 1 陈湘2（1 ． 上海工程技术大学 汽车工程学院 上海 2.上海工程技术大学 汽车工程学院 上海）摘要：道路指示标识准确检测识别是智能交通领域实现车辆自动导航和安全驾驶一个关键问题。本文提出一种基于卷积神经网络检测识别道路指示标识的方法，首先将所采集的道路指示标识图像进行几何归一化与灰度化，再进行滤波等图像预处理，采用分块二值化及腐蚀膨胀处理方法得到理想的二值化图像，然后采用卷积神经网络方法识别图像。本文建立了道路指示标识图像数据库，并进行训练和测试，取得了较好的效果。实验结果表明，与传统机器学习方法相比，本文提出的方法，能更好地识别道路指示标识。关键词：道路标识；卷积神经网络；分块二值化；图像识别B(x,y) . G(x,y) . R(x,y) . f(x,y) 11 0 59 0 3 0 + + =科 学 论 坛198万方数据

　　球速体育平台

　　球速体育平台