交通标志检测研究综述

温斯傲，李志民，郝博闻，倪钰婷，钟 玲

（沈阳工业大学软件学院，沈阳　110023）

交通标志检测研究综述

温斯傲，李志民，郝博闻，倪钰婷，钟 玲

（沈阳工业大学软件学院，沈阳110023）

道路交通问题日益严峻，智能交通系统（Intelligent Transportation System，ITS）应运而生。交通标志识别系统（Traffic Sign Recognition，TSR）是ITS的重要组成部分。TSR分为交通标志检测与识别两部分，检测效率的提高使得TSR整体性能提升，以达到提高交通运行速率，降低交通事故的发生。本文主要介绍交通标志检测部分，总结了国内外自上世纪70年代至今的研究成果，其中用到的方法包括了颜色检测、形状检测、神经网络等。并简要叙述了技术理论和难点，最后对交通标志检测方法现状进行总结及展望。

交通标志；ITS；颜色检测；形状检测；无人车

0　引 言

自二十世纪八十年代起，美国即已首度提出了智能交通这一概念，不久西方就有很多国家也相继在这一领域展开广泛研究。这种情况下，“智能交通系统（Intelligent Transportation System，简称ITS）”的研究领域便已应运而生，并且得到迅速的发展［1-2］。在庞大的交通系统中，道路交通标志是不可或缺的组成部分，合理设置交通标志则已成为保证道路交通安全顺畅的重要举措和实施方略。

交通标志检测是智能交通系统的关键设计内容。若能快速准确地检测出交通标志在前方道路的所处区域，就使得交通标志识别系统的整体效率获得提高，也才能卓具成效地辅助和引导安全驾驶。

交通标志检测包括图像处理、模式识别、机器视觉等多个学科的技术进展在内，而且又对数据处理的实时性、准确性、高效性提出了颇高要求。但是由于各地区的交通标志差异较大，路况的复杂程度也各不相同，虽然已经开展了诸多方面的研究，但是并未寻求得到完美的解决方案。这是一个典型的、且富有挑战性的研究课题，本文即针对这一技术内容的现状及发展给出了研究综述。

1　交通标志检测系统的组成

如图1所示，交通标志检测系统大体分为3个部分，各部分的功能实现可做如下阐释解析：

1）图像采集。负责采集图像，为系统后期提供使用。图像采集的方法不同，将会对检测的有效范围、精确度等造成影响，一个现实优异的采集图像视觉系统则可以提升检测系统的性能。

2）图像预处理。在自然场景中，图像的采集会受到光照影响，光照过强或过弱即会导致图像的颜色过暗或失真，无法为下一步的检测工作提供必备有效的执行基础。

3）图像分割。在需要检测出交通标志的图像中，分割整幅图像获得准确包含交通标志的区域，这将作为检测工作的结果提交给整个交通标志识别系统。

图1　交通标志检测系统构成图Fig.1 Traffic sign detection process

2　国内外研究现状

2.1国外现状

国外对交通标志检测研究起步较早，由此而进化延伸的实际应用研究也较多。从上世纪八十年开始，日本即已开始了对交通标志检测的研究，研究方向最初定为对目标场景的户外检测，主要就是针对于速度标志进行研究。至1990年日本本田汽车公司制造出无人驾驶汽车后，无人驾驶汽车便已开始引领一个新的汽车发展方向。

无人驾驶车最重要的就是其中的“视觉系统”，借此可以清晰看见行驶中前方的实时路况，而且对障碍物的避让，乃至驾驶路径规划，都将有赖于能够即时确切地探测发现前方的交通信号。

2010年10月，google成功研发全球首款全自动驾驶汽车；2012年5月8日，美国内华达州机动车辆管理部门（DMV）为谷歌的自动驾驶车颁发了首例驾驶许可证，这即意味着谷歌自动驾驶车已经具备了在内达华州上路的法证资格。2011年德国举办了交通标志识别大赛（IJCNN2011）［3］，这一赛事清楚表明了交通标志检测和识别算法及有关方法的研究在智能交通领域已经获得了全面广泛的关注，从而促进了交通标志检测和识别研究的快速进步与发展。2012年8月8日，在美国内华达州允许无人驾驶汽车上路3个月后，机动车驾驶管理处（Department of Motor Vehicles）为Google的无人驾驶汽车定制了一张合法车牌。2014年5月28日Code Conference科技大会上，Google继续推出了最新设计产品——没有方向盘和刹车的无人驾驶汽车。2015年11月底，根据谷歌提交给机动车辆管理局的报告，谷歌的无人驾驶汽车在自动模式下已经完成了130多万英里的路线航程。2016年初，日本经济贸易产业省（METI）组建了一个研究小组，决定联手推动汽车行业发展，计划于2020年开始在公用道路上展开自动驾驶汽车。

2.2国内现状

受限于技术起步的延滞，我国在智能交通领域的开发要比国外稍晚。1989年，我国首辆智能小车在国防科技大学正式诞生问世。1992年，仍是该所学校研制推出我国第一辆真正意义上的无人驾驶汽车。2001年的重大成果是研制成功时速可达76公里的无人车。2003年，再由国防科技大学研究设计独创出“红旗”无人驾驶车，并且完成了在170km/h的速度下自主超车和避让障碍。2007年，红旗HQ3参加了第14届国际智能交通大会，会上进行了实车演示，在国内外引起轰动。2011年，国防科技大学自主研制的无人车在长沙到达武汉路段设计了行驶实验，期间克服了多变的天气环境、复杂的交通境遇和路段车道线不清等现实情况，完成了286公里的无人驾驶实验。只有渐趋完备的交通检测系统才可以更加有效地采集道路信息，提高无人驾驶车的性能。2014年7月24日，百度启动无人驾驶汽车研发计划。2015年12月，百度无人驾驶车国内首次实现城市、环路及高速道路混合路况下的全自动驾驶，测试时最高速度已可达到100公里/小时。

3　交通标志检测算法现状

3.1基于颜色的检测方法

交通标志中，颜色无疑是最重要的特征之一。基于颜色的分割只需通过少量运算，就可去除大量的非感兴趣区域，同时加快检测的速度，因而对交通标志检测系统的实时性具有重点关键现实意义。基于颜色研究的彩色空间有许多，如：RGB、HSI、HSV。下面即对各类空间的检测技术展开综合分析与论述。

RGB是常用的彩色空间。2003年，Hsiu-Ming等人运用红色像素值对图像进行分割［4］。在此基础上，Cyganek设计了基于支持向量机的分类器对红色标志探讨提供了颜色分割［5］。2014年，余进程对自然场景中采集的彩色图像研究了光照均衡化处理增强彩色图像的对比度，减弱光照造成的不利影响，在RGB颜色模型下对图像实现了颜色分割和二值化处理［6］。RGB彩色空间的优点在于实时性较好，但其缺点却是不能精准模拟人类对颜色的感知，且受光照影响较大。

研究人员为了克服RGB彩色空间的不足，将RGB图像转换为在HSI彩色空间下进行阈值分割，由于HSI彩色空间3个分量基本不相关，更加利于包括图像分割等在内的有关图像处理工作。1993年，在美国研制出ADIS系统（Advanced Driver Information System）［7］，同期发表的论文中即提出了一种基于颜色和形状有序处理停止交通标志的技术——reconition技术。这种颜色坐标可以使得一个停止标志的红色区域在大多数因素（天气、阳光、阴影）下都能判断、并识别边界，迄今为止，类似研究也仍在应用这一技术。2007年，在HSI空间下，Maldonado-Bascon运用直方图分析的方法，确定在HSI彩色空间颜色分割的阈值，获得了满意效果［8］。在此基础上，同年，Cyganek利用模糊推理进行了颜色分割［9］。HSI彩色空间的各类检测算法也已优效解决了光照问题。2009年，沙莎发表了一种多通道检测方法［10］，具体是将图像转换到HSI颜色空间，对其饱和度予以闭值分割处理，同时再结合RGB通道的颜色特征进行颜色聚类，从而将交通标志从背景图像中分离出来。2014年，欧阳维力比较提出了基于HSI颜色模型的自适应阈值分割算法，能够更好地降低光照或类交通标志物体带来的噪声作用［11］。需要指出，HSI彩色空间的缺点在于从RGB空间到HSI空间的转换计算量较大，且HSI空间呈现了非理想状态下的不稳定性，这也在一定程度上影响了彩色分割的效果。

HSI彩色空间之外，HSV是另一类分量基本各不相关的彩色空间。而且由于RGB空间转换为HSV空间的计算量较小，且这种颜色系统比RGB系统更接近人类对颜色的感知，因而在颜色分割中得到了优势普及的广泛应用。2001年威斯康辛大学的Liu等人开发了识别停止（STOP）标志的系统，采用HSV空间颜色阈值分割进行检测，对540幅图像施与了技术处理，研究结果准确率为95%［12］。同年，Vitabile等人深入研究了HSV空间中3个分量的特性，把HSV划分为非彩色区域、不稳定彩色区域和彩色区域［13］，运用动态像素聚集技术和动态区域增长技术进行颜色分割［14］。

研究可知，在上述RGB彩色空间、HSI彩色空间和HSV彩色空间以外，还有另外一些彩色空间也可用于颜色分割。Shaposhnikov等人将RGB空间转化到CIE（国际照明委员会）的标准XYZ空间［15-16］进行颜色分割；Luo等人也提出了在CIE彩色空间的颜色分割［17］，以亮度（L）、色度（C）、色调（H）为度量确定阈值，取得了一定的效果。

3.2 基于形状的检测系统方法

形状是交通标志的另一突出特征，利用形状特征可以将交通标志从复杂背景中有效地提取出来。在交通标志检测系统的研究过程中，对形状特征的算法协同加入各类改进，势将影响检测效率和准确度。

轮廓分析法是交通标志形状分割的传统方法，核心思想是把交通标志分为若干区域，而后再进行轮廓的检测。张静等人提出了多特征融合的圆形标志分割方法，首先提出非彩色分解技术用于去除非感兴趣区域，其后又综合利用圆形交通标志的圆形度，展弦比等特征提取出了圆形标志的精确区域，取得了可观的研究成果［18］。朱双冬等人提出了一种三角形交通标志检测的方法。该方法首先在HIS颜色空间提取红色，并使用LOG模板在检测的区域展开边缘检测，再对检测到的点进行顶点判别，判断顶点是否满足三角形的几何条件，具有较好的准确率和检测速度。

图像处理中，Hough变换是由图像中识别几何形状的基本方法之一。Hough变换的基本原理在于利用点与线的对偶性［19］，将原始图像空间的曲线通过曲线表达形式变换为参数空间的一个点，寻找参数空间中的峰值。2007年，陈维馨等人［20］利用向量滤波器分割感兴趣区域，并采用拐点、几何特征和对称性检测三角形和圆形标志，获得了良好可见的最终效果。2013年，齐朗哗使用Hough变换的思想，采用canny算子进行图像预先分类，对圆形（包括八边形）、三角形、菱形起到了显著突出的检测作用，预分类准确率可达98%以上［21］。2014年，张佳等人使用随机Hough变换利用梯度信息减少无效累积，缩小判断真圆的验证范围，从而优化改进了原有算法［22］。2015年，卢艳君使用随机Hough变换法和轮廓逼近方法，确定圆形、矩形、三角形和八边形交通标志，为最终实现交通标志的准确检测提供了有益思路和参考价值［23］。一般情况下，这种方法均能获得满意的检测效果。

利用边缘算子进行形状检测也是一种不错的手段。Garlipp等人采用canny算子提取边缘，并且建立一个回归函数，通过该回归函数模型而去确认检测目标是否为三角形交通标志［24］。Cyganek等人利用了角点检测三角形标志，但这种方法计算量较大、而且检测效率也未臻理想［25］。2013年，彭岳军的研究中对图像使用canny算子进行边缘检测分割获得了良好实现效果，结合颜色阈值，即使在下雨天也能够达到88.73%的检测率［26］。

3.3基于颜色与形状相结合的检测系统方法

将基于颜色特征和基于形状特征检测这2种方法相结合，可以使二者优势互补，提高检测结果的准确性。2011年，高向东等人在对于佳通标志智能检测方法的研究中，先采用基于HSV彩色空间的分割算法分割图像，再通过多尺度Retinex算法增强图像信息，其后寻找质心与边缘的距离值提取形状特征，最终将二者所得结果结合起来完成检测工作［27］。谷明琴的研究中使用RGB空间对车载相机采集的图像进行处理，通过形态学滤波去除噪声斑点恢复较大区域上的边缘，并对实现了边缘重构的特定图像进行形状特征提取，结合颜色和形状，从而得到了实际突出的研发效果［28］。2014年，邓雄伟提出了一种改进的综合颜色和形状的方法［29］：基于颜色分割和局部Hough变换的交通标志检测。对处理得出的二值图像进行边缘检测，保留边缘特征，而后进行轮廓跟踪，最终提升了研究处理效果。

2015年，叶阳阳的研究中介绍了一种寻找高可信度区域以得到高质量交通标志区域的研究方法［30］。技术实现中，是通过类HOG特征、颜色纹理中的模糊对称性，颜色对称性和旋转对称性而得出的最优直方图区域、颜色纹理特性，由此判断是否为交通标志，进一步地还将通过迭代寻找最优交通标志区域。

神经网络也是一种高效通用的颜色检测方法，而且与传统彩色空间检测也有所不同。Kellmeyer等人利用神经网络进行颜色分割和形状分析［31］，研究报告中提到了通过使用彩色图像处理和神经网络来检测和定位自然道路上的标志牌图像。该研发系统可以协助司机全面获取道路信息，同时又减少了冗余过大的问题。

4　环境交通标志检测主要困难及解决思路

4.1交通标志检测的难点

在现实生活中，制约交通标志有效识别因素有很多。相应地，也呈现出一定有待解决的问题难点。对其可做如下概述：

1）受实际复杂的道路状况影响，交通标志图像的背景较为混乱，例如交通标志被其他物体遮挡，以及车辆的快速运动均可使采集的交通标志变得模糊［32］。

2）同一交通标志的形状结构和比例的不一致性，以及拍摄角度的多变性，则会导致交通标志出现不同程度的几何失真。

3）由于各种实际条件的影响（光照、天气等），交通标志将会出现较为严重的颜色失真。

4.2解决思路

针对以上问题，提出如下解决思路：

1）采用图像的预处理技术，使用图像盲复原技术［33］解决图像运动模糊的问题，采用几何分析等方法对图像遮盖进行处理。

2）使用不变矩理论进行分析，处理图像的几何形变、扭曲旋转等情况。

3）运用形态学运算的方法更好地利用图像中的有效信息提高检测的准确性。

5　结束语

综上可知，检测阶段是TSR系统的研发基础。随着科技的发展，性能更佳、更为精确的传感器的成功实现即使得采集获得的信息更趋系统、全面。图像预处理阶段就能够更具成效地处理交通标志扭曲、运动模糊等必然出现的状况，在检测算法中更多地运用了形态学方法，就可在保持图像的有效信息的同时，进一步去除局部细小的干扰元素。现有的大多数研究中，对于交通标志的检测少有采用智能与非智能相结合的方法来支持核心功能进展和实现的，智能与非智能方法的结合不仅可以互相弥补自身缺陷保证实施率，而且同时也可以提高自身的检测数据的准确性。此时若将颜色特征与形状特征相结合更可以使二者相互补充，保证检测结果的准确性。

预期未来在交通标志检测研究的不断推进下，交通标志检测技术必会日趋升级完善，收获更多、更为优秀的检测算法。

［1］PICCIOLI G，MICHELI D E，PARODI P，et al.Robust method for road sign detection and recognition［J］.Image and Vision Computing，1994，14（3）：209-223.

［2］SANDOVAL H，HATTORI T，KITAGAWA S，et al.Angle dependent edgedetectionfortrafficsignsrecognition［C］// Proceedings of the IEEE Intelligent Vehicles Symposium2000.san Jose：IEEE，2000：308-313.

［3］STALLKAMP J，SCHILIPSING M，SALMEN J，et al.Man vs. computer：Benchmarking machine learning algorithms for traffic sign recognition［J］.Neural networks，2012，32：323-332.

［4］YANG H M，LIU Chaolin，LIU Kunhao，et al.Traffic sign recognition in disturbing environments［A］.ZHONG Ning，ZBIGNIEW W R，SHUSAKU T，et al.Proc of the 14thInternational Symposium on Methodologies for Intelligent Systems（LNAI 2871）［C］.Heidelberg Berlin：Spinger-Verlag，2003：252-261.

［5］CYGANEK B.Circular road signs recognition with soft classifiers［J］. Integrated Computer-Aided Engineering，2007，14（4）：323-343.

［6］余进程.车载辅助系统中禁令交通标志的识别研究［D］.广州：广东工业大学，2014.

［7］KEHTARNAVAZ N，GRISWOLD N C，KANG D S.Stop-sign recognition based on color-shapeprocessing［J］.Machine Vision and Applications，1993，6：206-208.

［8］MALDONADO-BASCON S，LAFUENTE-ARROYO S，GIL-JIMENEZ P，et al.Road-sign detection and recognition based on Support Vector Machines［J］.IEEETransactions on Intelligent Transportation Systems，2007，8（2）：264-278.

［9］CYGANEK B.Soft System for Road Signs Detection［M］//MELIN P，CASTILLO O，RAMIREZ E G，et al：Analysis and Design of Intelligent Systems using Soft Computing Techniques.Heidelberg，Berline：Springer，2007：316-326.

［10］沙莎，肖学钢.一种多通道融合的交通标志检测方法［J］.计算机工程，2009，35（6）：202-204.

［11］欧阳维力.基于单目视觉的交通标志检测与识别算法研究［D］.长沙：湖南大学，2014.

［12］LIU H X，RAN B.Vision-based stop sign detection and recognition system for intelligent vehicle［J］.Transportation Research Record，2001，1748：161-166.

［13］VITABILE S，POLLACCIA G，PILATO G，et al.Road signs recognition using a dynamic pixel aggregation technique in the HSV color space［C］//11thInternational Conference on Image Analysis and Processing.Palermo，Italy：IEEE，2001：572-577.

［14］VITABILE S，GENTILE A，SORBELLO F.A neural network based automaticroadsignsrecognizerproceedings［C］//the2002 International Joint Conference on Neural Networks.Honolulu，USA： IEEE，2002：2315-2230.

［15］GAOXW，PODLADCHIKOVAL，SHAPOSHNIKOVD. Application of Vision Models to Traffic Sign Recognition［Z］. London：Middlesex University，2003：1100-1105.

［16］SHAPOSHNIKOV W D，LUBOV N，GOLOVAN E V，et al.Road sign recognition by single positioning of Space-Variant Sensor Window［C］//Proc of the 15thInternational Conf on Vision Interface. Calgary，Canada：［s.n.］，2002：213-217.

［17］LUO M R，HUNT R W G.Structure of the CIE 1997 color appearance model［J］.Color Research and Application，1998，23（3）：138-146.

［18］张静，何明一，戴玉超，等.多特征融合的圆形交通标志检测［J］.模式识别与人工智能，2011，24（4）：226-232.

［19］刘念，苏杭，郭纯宏，等.基于Hough变换圆检测的人眼定位方法改进［J］.计算机工程与设计，2011，32（4）：1359-1362.

［20］陈维馨，李翠华，汪哲慎.基于颜色和形状的道路交通标志检测［J］.厦门大学学报：自然科学版，2007，46（5）：635-640.

［21］齐朗哗.基于分块核函数特征的交通标识识别［D］.南京：南京理工大学，2013.

［22］张佳，程宇龙.基于随机Hough变换的圆形目标检测实验［J］.实验室研究与探索，2014，33（7）：130-133.

［23］卢艳君.交通标志自动检测与识别算法研究［D］.武汉：武汉科技大学，2015.

［24］GARLIPP.Detection of linear and circular shapes in image analysis［J］.Computational statistics and data analysis，2006，51（3），1479-1490.

［25］CYGANEK B.Road signs recognition system for intelligent vehicles［J］.Lecture Notes in Computer Science，2008，4931：219-233.

［26］彭岳军.道路交通标志检测与识别技术研究［D］.广州：华南理工大学，2013.

［27］高向东，刘红，杨大鹏.交通标志的智能检测方法研究［J］.中外公路，2011，31（2）：260-263.

［28］谷明琴.复杂环境中交通标识识别与状态跟踪估计算法研究［D］.长沙：中南大学，2013.

［29］邓雄伟.自然环境下道路交通标志的检测与识别研究［D］.南京：南京理工大学，2014.

［30］叶阳阳.交通标志检测和识别算法研究［D］.北京：北京交通大学，2015.

［31］KELLMEYER D，ZWAHLEN H.Detection of highway warning signs in natural video images using color image processing and neural networks［C］//IEEE Proc.Int.Conf.Neural Networks.Floride Orlando：IEEE，1994，7：4226-4231.

［32］LE T T，TRAN S T，MITA S，et al.Real time traffic sign detection using color and shape-based features［J］.Intelligent Information and Database Systems，2010，5991：268-278.

［33］唐述，龚卫国.高阶混合正则化图像盲复原方法［J］.光学精密工程，2013，21（1）：151-157.

Review of traffic sign detection

WEN Si-ao，LI Zhimin，HAO Bowen，NI Yuting，ZHONG Ling
（School of Software，Shenyang University of Technology，Shenyang 110023，China）

The problem of the road traffic is more and more serious，Intelligent Transportation System arises at the historic moment. Traffic sign recognition system is an important part of ITS，and its research has a very important practical value.TSR can be divided into two parts of detection and recognition，Detection efficiency will make TSR overall performance improvements，in order to improve the operating speed of the traffic and reduce the occurrence of traffic accidents.This article introduces the traffic sign detection part，summarizes the domestic and foreign research results since the 70＇s of last century，the methods used include color detecting，shape detecting，neural network and so on.Based on the aboved，the paper briefly describes the technical theory and difficulties，and furtherly gives out a summary of the current situation of the traffic sign recognition system and the vision of the future.

traffic signs；ITS；color detection；shape detection；driverless cars

TP391

A

2095-2163（2016）03-0058-04

2016-04-18

国家自然科学基金（61540069）；2015年大学生创新项目（辽教办发［2016］108号）。

温斯傲（1996-），男，本科生，主要研究方向：算法、图像处理；李志民（1994-），男，本科生，主要研究方向：图像处理；郝博闻（1996-），女，本科生，主要研究方向：算法、嵌入式；倪钰婷（1996-），女，本科生，主要研究方向：算法；钟玲（1970-），女，硕士，副教授，主要研究方向：图像处理、数据挖掘。