智能车辆的交通标志识别和分析

智能车辆的交通标志识别和分析 摘要 本文介绍室外环境下的物体识别。在这种类型的环境下，照明条件无法控制和预测，对象可以是部分闭塞，和他们的位置和方向是事先不知道。选择的对象的类型是交通或路标，由于标志维护的实用性，驱动程序支持的系统和智能自主车辆。遗传算法用于检测步骤，使一个不变的定位位置在规模，旋转，天气条件，部分闭塞，和在场的其他对象相同的颜色方面变化。神经网络实现分类。这种全球系统不仅能认识到交通标志也提供关于它的状态或条件的信息。 关键词：目标识别；遗传算法；神经网络；交通标志识别；驱动程序支持系统；智能汽车；智能交通系统

1 引言 1.1 动机 在过去的几年人们对交通标志检测与识别的兴趣不断增加。这是由于本系统能够提供的一些东西能够被广泛范围应用： （1） 公路养护。如今，操作人员通过观看录像来检查标志的条件和状态。这是一个乏味的任务，由于标志不时出现，并且因为操作人员不得不投入极大的精力。在欧洲autocat项目提出了一个整车开发的自动采集交通标志位置。 （2） 符号清单。它基本上是相同的，但是在应用城镇和城市。在这种情况下环境比较难比高速公路。迹象并不总是垂直运动的车辆，生产图像变形的迹象；此外，还有闭塞，和其他物体的颜色相同。在那里一点工作已在这个特定的环境，因为它将提及。 （3） 驱动程序支持系统。在驱动程序支持系统的领域，交通标志检测分类是一个不太被研究的对象。研究小组主要集中在其他方面，更多是和发展自动驾驶相关，如检测道路边界或车辆的道路障碍识别等，比如其他车辆或行人。未来的智能汽车将根据不同的迹象检测等来决定他们的速度，轨迹。虽然，在未来，它可以是一个完全自动化的车辆，现在，它可以是一个支持自动限速的车辆，发送一个警告信号指示超速，警告或限制非法行为或向司机表明先前存在的迹象。一般的想法都是支持司机进行工作，让他或她专心开车。一个最重要的和更普遍的想法是为一个盲人提供一个系统，使其能够检测到停止标志符。 （4）智能车辆。移动机器人使用标志为手段的relocalisation [ 38]。在例人工标志，可以将它们设计成交通标志。利用这种想法是一些精确的信息添加到符号，为例如，指示机器人跟随的道路或有些任务已经执行在一个特定的位置。

1.2 不同点 提取或检测交通标志，其后的识别，提出了同样的困难为对象识别在自然环境： (1)照明条件多变和不可控。照明是根据不同时间的一天，季节，云量和天气条件，等等。（图1–丙）。1 (2)在场的其他对象。除的情况公路，简单的情况下，其他对象往往环绕交通标志。这产生部分闭塞，阴影，等（图1和）。 (3)这是不可能产生的离线模型的所有可能性的迹象的出现，因为有太多的自由度。对象的大小取决于该相机的距离；规模为每个轴不同的光学轴线不垂直于标志，生产方面的修改（图1克）；此外，身体状况变化的标志其年龄，事故，等。例一个旋转的标志在图1楼。： 图1。交通标志检测问题。（a）思考；（b）不控制照明；（c）阴影；（d，e）部分闭塞；（f）符号旋转；（g）形状变形.

1.3 目标 本文的目标： （1）该系统能够侦测出交通标志独立的外观形象。因为这样，它是不变的： *透视失真。 *的灯光的变化。 *部分闭塞。 *暗影。 （2）此外，它提供有关信息可能存在的问题： *缺乏能见度。 *不良状态。 *不良安置。

2 艺术状态 有一些工作，给出了完整的算法用于检测和识别交通标志。因为那最重要的检测，研究会第一，其次是工作致力于识别。

2.1。标志检测 交通标志检测的研究可分为2以下方法： (1）通过颜色阈值分割，区域检测形状分析。 (2)分割的边缘检测在黑色和白色图像及其分析。 有2组内的第一种方法：那些谁与标准颜色空间，和那些谁开发更详尽的颜色的研究。因此，红绿蓝空间用于参。[11,13,27,40]。由于光线的变化他们之间的关系问题，使用的颜色组件或分组内的色彩空间。其他研究人员更喜欢的工作空间更免疫灯光的变化。虽然是最常用的彩色空间[4,21,25,34]，亲爱的空间中也使用了[ 24]。 二分组，这些谁开发更详尽的颜色的研究，指出，恒生指数的空间不能覆盖所有可能的情况下。因此，青柳[ 1]指出，色彩符号分割不能因为色调组件与距离的变化，天气，和年龄。如结论分割阶段不是绝对的可靠的检测像素完美的标志。几个更复杂的颜色分类已提议解决这个问题。因此，一个数据库的彩色像素分类是在参。[36 , 37]。使用纹理已提议在参。[27 , 28]，而在参考。[ 16]模糊分类应用。神经网络拟议中的参。[6,23,26]。 然而，虽然这些过去的分类方法更复杂的和完整的比那些使用阈值与固定值，他们还没有把考虑阻塞问题。对象的存在部分遮挡星座会产生相同的效果比一个坏的分割。但如果公路，由于符号的大小和位置，闭塞更难，这是一个正常情况下道路几乎总是在城市。因此，如果完成算法针对部分闭塞，颜色分割阶段，虽然重要，不是决定性的因为人们相信直到现在。 在这些谁直接与黑色和白色图像austerirmeier等人。[ 5]，贝塞雷尔等人。[ 8]和掩体和mertsching [ 10 ]谁检测边界在锥体结构。他们不接受闭塞为帐户。青柳和朝仓[ 1 ]提出一种遗传算法（遗传算法）为标志的检测。他们的工作是解释更多细节，因为在这篇文章中气体用过。目标的工作是检测速度限制标志。他们只与明亮的图像由于色调的变化解释之前。在获得的拉普拉斯的原始图像，有一个阈值。这些像素，通过阈值分析后。几乎所有的研究团体，他们没有考虑到不同尺度的水平和垂直轴；因此他们匹配的圆形图案。要做到这一点的基因信息是×位置（7位），他们的位置（7位）和半径（4位）。人口组成的32个人，选择率为30%，10%的变异率有150个迭代。最后，有多个交叉点。在参考文献[ 17 ]的几个模型生成离线。他们所代表的符号边界，同时考虑到规模变化。物体在图像的边界获得和增强了距离变换（chamferdistance）。这个标志检测模型相关与图像。

2.2。标志识别 一旦签署已检测到的识别做。在参考文献[ 21 ]地区后得到的颜色阈值，并且其外部边界后，编码；complex-log映射变换（免疫和规模旋转）的傅立叶变现。为最后的分类光谱数据库进行匹配。在参考文献[ 24 ]类似的算法是通过但反向神经网络（网络）的分类。蜂窝网络本地化，圆形和三角形在参考文献[ 2 ]，但是没有最终的分类每一组是不闭塞是考虑到。输入层网的边界发现在黑白图像的大小标志是固定的。轮廓分析（无闭塞）在参考文献[ 27 ]，利用特征空间的模型的分类。在参考文献[ 34 ]的地区边界分析；后第一次分类三角和圆形标志，交叉相关使最后的分类。闭塞和符号变形不考虑在这方面的工作。反向传播神经网络分类之间的速度限制，no-speed-limit和无符号在参考文献[ 1]。输入层是一个正常的图像18£18像素；隐含层有15个神经元，而输出层有三个神经元。有没有具体的提到闭塞。一个kohonem网络中使用参考文献[ 29 ]的网络是训练有素的考虑旋转和闭塞。另一个神经网络，感受野，是拟议中的参。[30、31]其输入是直接的图像。在参考文献[ 13]边界的colour-detected区域分析通过搜索的角落一定的角度，分析它们之间的关系在BP神经网络进行最后的分类。小轮换和闭塞的标志是考虑到。在参考文献[ 9 ]正常化相关用于检测和分类标志的同时。本免疫算法是照明的变化和闭塞。检测不同的规模和角度之间的模型和图像，前者是改变在线的模拟退火。虽然想法有趣的是不被证明是可行的因为它必须为每一个工作的标志，因此计算成本就太高了。

3。交通标志检测 交通标志将被检测到槽和形状分析。首先，色调和饱和度成分图像分析和区域的图像完成一些颜色的限制将被检测到。如果区域这一地区是足够大的可能迹象可以位于图像。周边地区获得一个全局搜索可能的标志是。这个搜索是做了一个遗传算法。

3.1。颜色分类 使用颜色分析基本是因为交通标志目的是想利用颜色来体现的消息标志。这样，所选择的颜色从该站环境的。恒指是选择色彩空间，在本文中，颜色为分析因为它给出了不同的作品信息的每一个组成部分。这一步的目标：到触发整个算法和作为一个中间步骤检测边界的标志。

只有色调和饱和度分量为帐户为避免照明条件。2look-uptables（尿路）的构造（图2），一个色调成分和另一个饱和的一。一般的理念是如果一个组件有一个错误的值，它可以是帮助其他组件。因此，在色调部分签署的红色色彩有很低，08，和3608，价值高。对应的图像255个不同的值是0红，绿85，170，255。从2个值有一个斜坡到最大的价值。

图2。颜色分类下尿路症状。 下面的公式：

在i是原色调元件值和H(i)新1。 饱和的组成部分，其价值会更高多为标志包含红。该表将遵循坡道直到饱和值和从这个角度会最大值，下面的公式：

i是前饱和度分量值和S(i)是新的一个。 一旦双方的下尿路症状的应用，图像相乘正常化的最大值为255。理由这样做，而是选择一些固定阈值为组件和通过和运营商形成一个二进制图像，像素分类错误，意思是避免。两个组成部分互相帮助，如果有低价值的其他可以纠正，通过组合阈值。结果和额外的问题可以观察在图3。重要的是强调了正确的分类，虽然积极的，不必要的因为闭塞会考虑到的。在（一）、（四）的所有像素的标志，但有高价值有其他物体的颜色相同；（二）在所有像素以及分但有其他对象连接到的迹象；在（三）标志的一部分有价值远远低于其他标志，并