交通标志识别技术方法综述

董晓华 韦玉科

摘要：随着全面小康社会的建成，人们生活水平逐步提高，汽车数量也不断增加。增加汽车拥有量将不可避免地引起交通拥堵和环境污染等问题。智能交通系统的出现为人们的安全出行提供了解决方案，交通标志识别是智能交通系统最关键的部分，也是安全驾驶的重要组成部分。为此，该文在了解交通标志基本概念情况下，对现有的交通标志识别技术进行了归纳和探讨。

关键词：交通标志;交通标志识别;预处理;特征提取;数据集

中图分类号：TP3        文献标识码：A

文章编号：1009-3044（2020）25-0193-02

Abstract： With the establishment of a comprehensive well-off society， people's living standards have gradually improved， and the number of cars has also continued to increase. Increasing car ownership will inevitably cause problems such as traffic congestion and environmental pollution. The emergence of intelligent transportation systems provides solutions for people to travel safely. Traffic sign recognition is the most critical part of intelligent transportation systems and an important part of safe driving. To this end， in the context of understanding the basic concepts of traffic signs， this paper summarizes and discusses the existing traffic sign recognition technology.

Keywords： traffic sign; traffic sign recognition; preprocessing; feature extraction; data set

隨着物联网、人工智能、云计算等先进技术的发展，未来智能驾驶的技术会越来越成熟，交通标志识别（Traffic Sign Recognition，TSR）作为智能交通系统的重要组成部分之一，在安全出行中发挥着不可替代的作用。交通标志包含着丰富的道路信息，交通事故的发生很大一部分原因是驾驶员未能及时观察到交通标志以至于无法采取相应的应急措施而导致的。在行驶过程中准确识别交通标志的语义信息，有利于确保行车安全。交通标志的识别主要有由检测和识别两部分构成。交通标志的检测阶段是通过寻找交通标志的感兴趣区域（ROI），定位出交通标志并将交通标志分割出来;在识别阶段，对分割后的交通标志进行特征提取并通过分类器进行识别。交通标志的大小、颜色和形状不同，各种标志的含义也不同，给交通标志识别过程带来了诸多挑战。为了更好地解决人们的出行安全问题，需要加大对交通标志识别技术的研究，为驾驶员提供实时、准确的道路交通信息，进一步提高行车安全性。交通标志识别总体框架如图1所示。

1数据集

长期以来，交通标志的检测与识别都是一项富有挑战性的任务，在通用交通标志数据集未公开的时候，很多的成果完成的实验都是在研究人员自己搜集的数据集上完成。由于数据集的不通用性，每个研究人员所提出的方法在不同的数据集上实验的效果不一样，得出的结果也不一样。2011年IJCNN组织举办交通标志识别竞赛并公布了GTSDB和GTSRB交通标志数据集，GTSDB数据集是交通标志定位和检测任务，该数据集共900幅图像，共包含1206个交通标志。GTSRB数据集是交通标志识别任务，包含43类交通标志，共计51839张图片，其中训练图片39209张，测试图片12630张，图片尺寸在15×15到250×250像素之间。除了德国的GTSRB交通标志数据集以外，常用的数据集还有比利时的KUL数据集、瑞典STS数据集等等。但比利时和瑞典的交通标志数据集规模较小，交通标志种类少，交通标志的场景多样性不足。GTSRB交通标志数据集具有数据种类多，样本数量大，图像场景复杂等特点，国内外许多研究成果均基于GTSRB数据集来实现完成。

2交通标志识别关键技术

2.1预处理

在自然场景下采集到的交通标志可能会受到诸如天气状况、人为损坏、光照强度以及背景复杂等各种因素的影响，相似的交通标志图像可能有不同的形状和大小。这些因素会影响同类标志特征的相似性。交通标志图像预处理的目的是消除图像中的冗余信息，提高交通标志的准确性。

2.1.1图像灰度化

交通标志图像的颜色大多为彩色，彩色交通标志图像所表征的信息量较大，直接提取特征维度会非常高，训练、识别时间都将相对较长。所以需要将彩色图像转化为灰度图像，目的是为了降低特征维数，减少训练和识别时间，这一过程称为图像的灰度处理。自然场景下所采集的彩色交通标志图像中每个像素含有R、G、B三通道分量，每个分量的变化范围都是在0-255之间。每一个像素就有（255*255*255）种颜色变化范围，而灰度图像是一种经过RGB三通道分量计算后的特殊彩色图像，其变化范围只有256种。图像的灰度化可以大大地减少运算量，提高训练和识别速度，目前主要的图像灰度化方法是加权平均法。

2.1.2图像增强

由于行驶过程中采集到的标志图像易受自然光照的影响，一部分采集出来的图像背景和前景都太暗或者太亮，所以有必要对采集的图像进行增强或削弱，降低光照对交通标志的影响。目前常采用的方法是将RGB空间转换至HSV空间，对V分量进行直方图均衡化，其核心是对V分量进行非线性拉伸，使得标志图像在一定范围内灰度值均匀分布。

2.1.3归一化

由于采集设备与交通标志之间的距离和位置不固定，得到的交通标志图像的尺度大小不同，像素范围跨度较大，尺度不一致会影响提取特征的维数。在交通标志识别过程中，常采用最近邻插值法，即将某一区域变换后的像素灰度值等于距离最近的像素灰度值。

2.2交通标志检测技术现状

2.2.1基于颜色特征检测

交通标志一般分为禁止、指示和警告三类。这三种标志都具有明显的色彩特征。基于颜色特征检测，我们主要从交通标志图像中提取特定的颜色点，将所有特定的颜色点连接到一个区域中，然后提取该区域的特征来定位交通标志的感兴趣区域。常见的颜色空间有RGB、HSI、HSV、LAB等。

2.2.2基于形状特征检测

交通标志除了有很明显的颜色特征之外，还具有明显的形状特征，如禁令标志的圆形特征、指示标志的方形特征。其中，最有效的交通标志形状特征检测方法是Hough变换。Hough变换是一种有效的直线和圆检测方法。Kehtarnavaz等人[1]运用了形态学和hough变换的方法对交通标志进行检测，计算复杂，难以保证实时性。

2.2.3基于特征学习检测

在实际的交通环境中，交通标志的颜色容易受到自然天气的影响，例如雨引起的能见度低，褪色也容易导致交通标志的漏检。目前，常用的交通标志检测的典型特征是Harr特征，HOG特征，LBP特征等，这些特征被提取出来并输入到分类器中以分离出交通标志和背景，并且具有很高的水平。随着深度学习的不断发展，卷积神经网络学习到的深度特征可以更全面地表示交通标志，并且可以获得更高的检测精度。但是，由于训练时间相对较长，难以确保实时性。

2.3交通标志识别技术现状

2.3.1基于人工提取特征+分类器

人工设计的特征可以去除交通标志的无用信息和冗余信息，提取的特征可以输入到分类器中进行分类识别。目前，在交通标志识别过程中，常用的特征有SIFT、HOG、LBP、Gabor等，常用的分类器有KNN、支持向量机、LDA等，为了弥补单一特征所代表的交通标志的不足，有学者通过利用多特征的互补性，线性融合多个的方式进行识别。韩习习等人[2]提出一种融合了边缘纹理颜色多特征的算法，首先提取HOG特征，然后提取LBP特征并稀疏化，融合得到HOG-maxLBP特征，再级联颜色特征，最后利用SVM进行训练和分类。

2.3.2基于深度学习特征+分类器

近年来，得益于深度学习的发展，许多学者通过卷积神经网络提取高维特征，无须人工设计提取特征，通过卷积神经网络所提取到的特征所表征的信息量更全面，识别准确率更高。卷积神经网络是在BP神经网络基础上发展而来，是一种深度结构的前馈型神经网络，其训练思想是通过正向、反向传播迭代优化权值缩小输出值与设定值之间的误差。Stalkamp等人[3]采用了卷积神经网络（Convolutional Neural Network，简称 CNN）的分类方法检测 GTSRB 中的交通标志，实验结果表明该方法的识别率首次超过了人眼识别率。

3交通标志识别技术难点

在交通标志的识别过程中，大多数学者提出了识别精度较高的识别算法，但都是建立在GTSRB标准数据库上，但在实际交通环境中，车辆采集的交通标志图像很容易受到自然场景的影响，目前交通标志识别技术的难点包括以下几个方面：

（1） 自然天气影响。室外光强度和天气情况在不同的时间段会有所不同，例如白天和晚上的光强度不一样，晚上的光强度远低于白天，并且能见度低。同样，在恶劣的天气条件下（如雨，雪，阴霾等），交通标志的可见度也会降低。

（2） 标志褪色。由于长时间暴露在阳光底下，容易出现明显褪色。比如红色褪色后变成淡白色。这样会导致交通标志识别的不准确。

（3） 遮挡。在实际的交通环境中，交通标志存在被车辆、行人、电线杆或者树木的遮挡。

（4） 标志模糊。车辆高速行驶过程中的抖动容易引起采集到的交通标志图像的模糊。

4结束语

综上所述，伴随着经济的快速发展，汽车保有量每年都在增加，由此引发交通安全和环境污染等问题，仅仅靠交警部门的交通引导远远不够，而交通标志识别系统的发展是有利于人们的出行安全，还有利于交通部门的管理，所以在智能交通系统运用中，需要不断地采用先进的技术，完善交通系统。通过应用交通标志识别技术，驾驶员可以根据传感器采集的道路场景信息，准确判断标志中的具体语义信息，有效协助驾驶员驾驶，降低交通事故的发生率。

参考文献：

[1] Kehtarnavaz N， Griswold N C， Kang D S.Stop - sign recognitionbased on color/shape processing[J].Machine Vision and Applications，1993，6（4）：206-208.

[2]韩习习，魏民，徐西義，等.基于多特征融合的交通标志识别算法[J].计算机工程与应用，  2019，55（18）： 195-200.

[3]StallkampJ， Schlipsing M， Salmen J， et al. Man vs. computer： benchmarking machine  learning algorithms for traffic sign recognition[J]. Neural Netw， 2012，32（2）：323-332.

[4] 张妍，刍议.交通标志识别技术在智能交通系统中的应用[J].鸡西大学学报，2013（12）：78-79，82.

[5] 戈侠，于凤芹，陈莹.基于分块自适应融合特征的交通标志识别[J].计算机工程与应用，2017，53（3）：188-192.

【通联编辑：代影】