一、交通标志介绍。 道路交通标志作为重要的道路交通安全附属设施,可向驾驶员提供各种引导和约束信息。驾驶员实时地、正确地获取交通标志信息,可保障行车更安全。 鉴于地区和文化差异,目前世界各个国家执行的交通标志标准有所不同。目前,我国道路交通标志的执行的标准是GB5768.2-2009《道路交通标志和标线第2部分:道路交通标志》。由该标准可知,我国的交通标志分为主标志和辅助标志两大类,主标志又可以分为警告标志、禁令标志、指示标志、指路标志、旅游区标志、作业区标志、告示标志共7种,其中,警告标志、禁令标志和指示标志是最重要也是最常见的交通标志,直接关系到道路交通的通畅与安全,更与智能网联汽车的行车路径规划直接相关。为引起行人和车辆驾驶员的注意,交通标志都具有鲜明的颜色特征。我国警告标志、禁令标志和指示标志共计131种,这些交通标志由5种主要颜色(红、黄、蓝、黑和白色)组成。 (1)警告标志警告标志主要用来警告车辆驾驶员、行人前方有危险,道路使用行动需谨慎。警告标志有明显的颜色特征,即黄色的底、黑色边缘、黑色内部图形,其形状大多数是顶角朝上的正三角形。部分警告标志样式如图5-12所示。
(2)禁令标志禁令标志主要用来禁止或限制车辆、行人的交通行为及相应解除,道路使用者应严格遵守。禁令标志有明显的颜色特征,即白色的底、红色的边缘、红色的斜杠、黑色的内部图形,而且黑色图形在红色斜杠之上(解除速度限制和解除禁止超车除外),禁令标志的形状大多数是圆形,其中特殊的是正八边形和倒三角形,这两者的个数都是一个。部分禁令标志样式如图5-13所示。
(3)指示标志指示标志主要用来指示车辆、行人的行进。指示标志有明显的颜色特征,即蓝色的底、白色内部图形,其形状多为圆形、矩形。部分指示标志样式如图5-14所示。
由国家标准对交通标志的规定可知交通标志的大小规格、制作材料、表面颜色、形状以及安装位置等信息,比如圆形交通标志的外径大小为60cm、80cm和10cm这三个规格,交通标志表面采用反光材料,交通标志一般安装在道路的右侧或者道路上方的悬臂或桥梁上,有固定高度。同时,交通标志的颜色与形状之间也有着一定的关系,如图5-15所示,禁令标志的颜色以红色为主,形状有倒三角形,正八边形和圆形;指示标志以蓝色为主,形状为圆形和矩形,警告标志以三角形为主。在交通标志的检测与识别过程中,应该充分利用这些颜色信息和形状信息，以及颜色与形状信息间的对应关系。
交通标志具有鲜明的色彩特征,因此要实现对交通标志图像的有效分割,颜色是一个重要信息,选择合适的颜色空间对其加以分析和提取,将有助于系统识别的实时性和准确性。
二、交通标志识别系统。
在智能网联汽车中,交通标志的检测是通过图像识别系统实现的。交通标志识别系统如图5-16所示,首先使用车载摄像机获取目标图像,然后进行图像分割和特征提取,通过与交通标志标准特征库比较进行交通标志识别,识别结果可以与其他智能网联汽车共享。
三、交通标志识别方法。
交通标志识别主要有基于颜色信息的交通标志识别、基于形状特征的交通标志识别、基于显著性的交通标志识别、基于特征提取和机器学习的交通标志识别等。
1.基于颜色信息的交通标志识别。
颜色分割就是利用交通标志特有的颜色特征,将交通标志与背景分离。颜色特征具有旋转不变性,即颜色信息不会随着图像的旋转、倾斜而发生变化,与几何、纹理等特征相比,基于颜色特征设计的交通标志识别算法对图像旋转、倾斜的情况具有较好的鲁棒性。目前大部分的文献中所采用的颜色模型包括RGB模型、HSI模型、HSV模型及XYZ模型等。
2.基于形状特征的交通标志识别。
除颜色特征外,形状特征也是交通标志的显著特征。我国警告标志、指示标志、禁令标志共131种,其中130种都是有规则的形状,即圆形、矩形、正三角形、倒三角形、正八边形。颜色检测和形状检测是交通标志识别中的重要内容。
检测方法通常都以颜色分割做粗检测,排除大部分的背景干扰;再提取二值图像各连通域的轮廓,进行形状特征的分析,进而确定交通标志候选区域并完成定位。
3.基于显著性的交通标志识别。
显著性作为从人类生物视觉中引入的概念,用来度量场景中具有最显眼的特征、最容易吸引人优先看到的区域。由于交通标志被设计成具有显眼的颜色和特定的形状,在一定程度上满足显著性的要求,可以采用显著性模型来识别交通标志。
4.基于特征提取和机器学习的交通标志识别。
无论是基于颜色和形状分析的算法,还是基于显著性的算法,由于它们能包含的信息有局限性,在背景复杂,或者出现与目标物十分相似的干扰物时,都不能很好地去除干扰,因此,通过合适的特征描述符更充分地表示交通标志,再通过机器学习方法区分标志和障碍物。
基于特征提取和机器学习的交通标志识别一般使用滑动窗口的方式或者使用之前处理得到的感兴趣块进行验证的方式。前者对全图或者交通标志可能出现的感兴趣区域操作,以多尺度的窗口滑动扫描目标区域,对得到的每一个窗口均用训练好的分类器判断是否是标志。后者则认为经过之前的处理,如颜色、形状分析等,得到的感兴趣块已经是一整个标志或者干扰物,只需对其整体进行分类即可。
