刍议交通标志识别技术在智能交通系统中的应用

张 妍

(黑龙江工业学院，黑龙江鸡西 158100)

伴随着现代社会城市化进程的快速进展，道路交通的压力不断增大，交通拥堵现象日益严重。与此同时人们对安全意识关注度正不断提高，交通安全越来越受到重视，因此，目前许多国家开始研究智能交通系统(Intelligent Transport System或者Intelligent Transportation System，简称ITS)，即整个交通运输管理体系综合运用了先进的计算机处理技术、数据通信技术、信息技术、电子传感控制技术等建立起来的全方位、大范围的综合运输管理系统，其目的是准确、实时、高效的提升道路的通行能力、提高安全性、节约能源，最大限度的发挥良好作用。［1］

道路交通标志识别系统(TSR)是智能交通系统(ITS)的重要组成部分。交通标志识别系统(Traffic Sign Recognition，简称TSR)，是指在车辆运行过程中借助计算机视觉技术采集道路交通标志图像并进行相应的自动检测和识别信息，能够给驾驶员提供辅助驾驶功能，为其提供前方实时的路况信息，指示驾驶员有效地驾驶车辆，预防交通事故的发生以及保持整个路网交通运行通畅。所以研究交通标志识别技术在智能交通系统中是一个重要的研究课题，并具有实用价值。但由于道路交通的复杂性，交通标志识别技术的研究尚不成熟，因此高效实用的道路交通标志识别系统还需相关人员继续进行深入的研究和探讨。

一 交通标志识别技术在智能交通系统中的作用

1.为出行者提供方便的信息服务。

智能交通系统可以为出行者提供实时的交通路线引导，驾驶员与外界完全相通，出行变得容易，避免迷路和违规驾驶，使驾驶员的精力集中在驾驶操作上，可以大大降低交通事故的发生率。同时还可以根据出行者的不同需求提供最优的出行方案，以帮助出行者选择出符合出行预算和时间要求的交通工具和出行线路。

2.优化城市交通。

智能交通系统控制中心通过道路监控仪器设备实时监控路网交通状况，利用人工智能系统，将得到的路况信息进行综合整理，从而计算出优化路网的运行方案。与此同时，驾驶员通过智能交通系统控制中心发来的路网引导信息，选择适合自己的行车路线，节省了驾驶员在路面上的驾驶时间，也使得路网设施的利用率得到提高并且安全性得以保障，还降低了汽车尾气对空气的排放量，从能源角度考虑减少了交通带来的环境污染，保障了人们的生活质量。

二 交通标志识别相关技术的应用

交通标志识别是利用车辆上装载的照相机或者摄像机采集外部自然场景图像，通过相应的检测技术和部分分类算法进行分类识别，与普通的非自然场景目标识别相比，自然场景中有很多影响交通标志检测效果和分类精度的因素，所以它更具挑战性。

1.交通标志的检测。

交通标志识别系统的第一步就是如何快速高效地从复杂场景图像中检测出交通标志。我国现有的交通标志是由特定的图形、文字和颜色等信息构成。首先要借助交通标志的这些特征信息检测出可能包含交通标志的目标区域，然后再根据这些目标区域进行交通标志的具体位置定位。常用的检测方法有基于颜色信息的检测和基于形状信息的检测两种方式。

2.交通标志的识别。

当检测阶段完成后，需要判定目标区域的有效性，同时识别出标志的具体含义是交通标志识别的任务，这些问题都属于交通标志的分类。目前，国内外的研究学者提出了多种关于此类问题的算法，可以概括成统计分类算法、神经网络分类算法、句法分类算法和集成分类算法等四大类。［1］

(1)统计分类算法。

统计分类算法应用得比较广泛，主要是利用目标的各种分布特征，即直接利用目标的各种概率密度函数、后验概率或者隐含地利用目标的各种概率密度函数、后验概率进行分类识别，但统计分类算法在实际交通标志识别系统中受到了交通标志的类别数多、计算量大等因素的限制。为了简化设计，加快运行处理速度，提高分类精度，可以考虑多层决策树的分类方法，即每个统计分类器由每棵树的节点组成，通过高维特征空间的加权矩阵，分析得到需要的参数，但决策树的优化设计是难点，并且分类器的参数选择也很复杂。

(2)神经网络分类算法。

神经网络分类算法的特点是非线性映射和容错性强，对输入有噪声干扰或者形变的信息进行识别，自适应能力强，采用并行分布的方式对信息存储进行预处理，识别速度快，所以在目前交通标志识别领域中，神经网络分类算法是应用最多的一类，随着计算机技术的高速发展，在识别领域里神经网络分类算法取得了一定的成果。De la Escalera等研究人员把检测出的交通标志转化为32×32个像素的图像，然后将获得到的全部像素作为特征向量构建多层感知网络，对9种不同的交通标志信息进行分类理解。这种算法存在一定的不足，例如特征空间维数很大，收敛速度也比较慢，而且在某些情况中还必须重新对整个网络进行构建;另一个不足是常常需要依靠研究者的实践经验选取网络的隐层数和节点数，导致分类精度不高，抗干扰能力和鲁棒性都比较差。

(3)句法分类算法。

数值特征在交通标志识别算法中不能准确地反映目标的结构特征信息，尤其是对复杂的交通标志更加不完整，所以只采样数值特征向量对交通标志进行分类具有一定的局限性，不能进行全面系统的描述。因此，句法分类算法成为交通标志识别算法中的一种，即利用目标的结构特征提取某些数值作为特征向量，对目标进行分类。句法分类算法对交通标志语义网的构成分析，实时性等方面还需要进行改进。

(4)集成分类算法。

一些学者为了对交通标志的分类精度进行提高，常常对上面甚至更多算法进行集成，构成集成算法，其不足之处是计算量偏大，实时性较差。

相比于国外发达国家，在研究智能交通系统领域方面，我国不但起步较晚，而且研究的深度和广度也不够。虽然一些国内外的专家学者为了解决相关问题已经提出了一些算法，但到目前为止，没有一种完美的算法很好地应用于实际的辅助驾驶系统中。第一个原因是复杂道路环境中交通标志识别算法的鲁棒性差;第二个原因是傍晚、夜晚、阴雨天等在光照环境较差的情况下，不能满足实际系统的要求，交通标志识别算法的识别率太低是主要原因。

3.交通标志识别中图像分割与定位算法。

(1)基于RGB颜色的交通标志图像分割与定位算法。

交通标志中颜色的不同是最基本、最显著的特征信息，具有大小、视角不变性和较强的可分离性。借助于分析特征颜色，对大部分非感兴趣的区域过滤掉，粗略地获取到交通标志的位置。RGB颜色空间是由红 Red、绿 Green、蓝Blue为三个颜色特征分量构成，这三个颜色特征分量可以组合出其他任何一种颜色，红、黄、蓝三种颜色经过归一化后得到的三分量差值都在一个固定的范围内，能够分割出对应的颜色，从而对交通标志进行系统定位。定位公式如下:［2］

其中I是光照强度，FR、FB、FY是颜色转换图像，Δ是小常数用于避免分母为0而设置的。对于R、G、B三个分量中，任意二个分量小于第三个分量，图像就呈现出该种颜色;对于红、绿、蓝以外的其他颜色，由组成该颜色的优势分量来决定;黑色也可以通过对I设定阀值的方法决定。这与人眼的视觉感受是一致的，所以能够准确的获得感兴趣的区域，对于光线不足的恶劣天气条件也具有良好的鲁棒性。该算法能够增强交通标志图像，减轻因不利因素对交通标志图像分割和定位识别的影响。

(2)基于HSI颜色空间的交通标志图像分割与定位算法。

HSI模型由色调 Hue、饱和度 Saturation、亮度 Intensity三个分量构成，其特点是:色调分量和饱和度分量与亮度分量是分开的，亮度分量与图像的颜色无关;色调的概念和饱和度的概念相互独立，符合人的视觉特性，更加适用于人的视觉系统对颜色特性进行处理分析的图像算法。

在HSI颜色空间进行阀值分割，只需设定色度和饱和度两个分量的阀值，计算公式如下:［3］

其中fx，fY分别为图像像素点对于的色调和饱和度分量值。［Xa，Xb］、［Ya，Yb］分别对应于色调分量和饱和度分量的阀值范围。

交通标志识别技术在智能交通系统中的研究虽然一直成为国内外研究学者探讨的热点问题，有很多交通标志识别算法，但针对自然场景下影响交通标志检测效果的不利因素，还有待各国的专家学者做进一步的研究探讨。

［1］秦飞.交通标志实时检测与识别技术研究［D］.重庆大学，2011:1－7.

［2］刘思平.道路交通标志的检测与识别系统技术研究［D］.南京理工大学，2011:24－25.

［3］刘旭东.高速公路限速标志检测与识别技术研究［D］.福建农林大学，2009:13－14.