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。
