交通標志識別(PPT課件)

1、交通標志識別B U S I N E S SPART ONE什么是交通標志什么是交通標志交通標志 交通標志，用文字或符號傳遞引導、限制、警告或指示信息的道路設施。又稱道路標志、道路交通標志。在交通標志中一般是以安全、設置醒目、清晰、明亮的交通標志是實施交通管理，保證道路交通安全、順暢的重要措施。交通標志的類型 交通標志有多種類型，可用各種方式區(qū)分為：主要標志和輔助標志；可動式標志和固定式標志；照明標志、發(fā)光標志和反光標志；以及反映行車環(huán)境變化的可變信息標志。交通標志的歷史（1）早在中國周代，已有“列樹以表道”的記載。（2）在古羅馬時代，從羅馬到加普亞的軍用大道上設有里程碑和指路牌英國英格羅斯特郡

2、的英特恩沼澤地路政局是最早在道路上設置交通標志的行政管理部門。（3）1903 年，由于法國汽車聯(lián)盟的積極推進而使法國成為世界上最早的在全國范圍內使用統(tǒng)一的汽車交通標志的國家。交通標志的歷史（4）1908 年，在巴黎召開的首屆國際道路會議上，曾提出統(tǒng)一交通標志的議題，決定實行國際統(tǒng)一的交通標志。（5）1935 年，美國的第一版統(tǒng)一交通控制設施手冊（Manual of United Traffic Control Devices）出版，向全美國推薦了統(tǒng)一制作交通標志的辦法和標準，手冊里甚至還提到了建議使用“發(fā)光材料”制作交通標志，以改善夜間交通安全的條件。（6）1968 年，聯(lián)合國公布道路交通和道

3、路標志、信號協(xié)定作為各國制定交通標志的基礎。交通標志的種類道路交通標志分為主標志和輔助標志兩大類。（1）主標志又分為警告標志、禁令標志、指示標志、指路標志、旅游區(qū)標志和道路施工安全標志六種。（2）輔助標志是在主標志無法完整表達或指示其內容時，為維護行車安全與交通暢通而設置的標志，為白底、黑字、黑邊框，形狀為長方形，附設在主標志下，起輔助說明作用。B U S I N E S SPART TWO如何識別交通標志如何識別交通標志 風識別交通標志的方法（1）傳統(tǒng)的圖像處理+機器學習辦法（2）深度學習 識別交通標志的方法 交通標志牌為了起到其警示作用，在顏色和形狀上都有著易區(qū)分性，對于顏色特征為外框均為

4、鮮艷的紅色、形狀特征為均為圓形的交通標志牌，可使用右圖所示思路，使用傳統(tǒng)的圖像處理+機器學習辦法實現交通標志的識別。 顏色分割 最直觀、簡單的是利用RGB顏色空間來描述圖像的色彩情況，但是，RGB色彩空間極易受到光線情況的影響，魯棒性并不是很好，所以在相關論文中，很少有人直接使用RGB色彩空間進行色彩分割。而實際上，拿有限的樣本和測試集進行測試，RGB色彩分割效果在圖像成像質量較理想的時候效果極佳，但是的確容易受到干擾，所以采用HIS色彩空間。 顏色分割 色調H（Hue）：與光波的波長有關，它表示人的感官對不同顏色的感受，如紅色、綠色、藍色等，它也可表示一定范圍的顏色，如暖色、冷色等。 飽和度

5、S（Saturation）：表示顏色的純度，純光譜色是完全飽和的，加入白光會稀釋飽和度。飽和度越大，顏色看起來就會越鮮艷，反之亦然。 亮度I（Intensity）：對應成像亮度和圖像灰度，是顏色的明亮程度。 基于形狀（圓形）檢測的ROI提取 在進行顏色分割之后，得到的只是一個粗略的交通標志牌ROI區(qū)域， 還會留下一些噪聲以及一些和目標區(qū)域面積相當或者比目標面積略大的區(qū)域，這時候就還需要進行一些圖像預處理，為準確檢測交通標志牌打下堅實基礎?；趫A度的圓檢測算法的流程如右圖所示。 基于形狀（圓形）檢測的ROI提取中值濾波，圖上效果不是很明顯，但是實際上可以一定程度上濾掉單個噪點，對得到準確的結果會

6、有一定的幫助；形態(tài)學處理，最后我們的目的是要得到一個封閉的區(qū)域，所以，顏色分割后的結果很可能不會是比較理想封閉的圓形，那么選用的33腐蝕模板，77膨脹模板，這樣檢測到的圓形將基本不會產生缺口，保證是一個封閉的形狀。 基于形狀（圓形）檢測的ROI提取圖像填充，有了上述步驟得到的封閉圓形，我們接下來就可以填充封閉圖形了。輪廓檢測，初步篩選ROI，要想使用基于圓度的圓檢測算法，則需要從圖像中提取初步的ROI來進行篩選。圓度算法檢測，實際上這是利用了非常簡單的數學約束，來對檢測到的區(qū)域進行圓形驗證。ROI區(qū)域無效像素面積約束，這是進一步確定篩選后的ROI區(qū)域是目標圓形區(qū)域。 SVM分類（1）圖像預處理，首先將無效像素全部去除，只留下圓形ROI有效區(qū)域。 SVM分類（2）進行二值化處理，二值化后的圖像特征更為清晰。 使用深度學習 隨著深度學習的浪潮再次被掀起，深度學習被應用到了越來越多的領域，包括交通標志識別。 訓練數據集 使用深度學習的第一個挑戰(zhàn)就是去找到一個優(yōu)秀的訓練數據集。 BelgiumTS數據集 BelgiumTS數據集是一個優(yōu)秀的數據集。它包含62種交通標志，同時數據集的訓練數據足夠多，但是測試數據集又很小，可以非常方便的展開研究。 處理尺寸不同的圖片 大多數圖片分類的神經網絡需要固定