交通标志牌的检测与识别
转载请注明： http://blog.csdn.net/wchccy?viewmode=contents
Driver Assistance System已经成为学术研究的一大领域，作为智能交通的一部分，有大量研究人员投身其中，每年都会有大量的成果发表在IEEE trans on intelligent transportation system等顶级期刊，会议上。有些成熟技术甚至已走出学术界，应用于工业界，如福特公司的自动刹车系统，Google 的无人驾驶汽车，而 Mobileye 甚至已将其固化为车载芯片，并占有大部分的高档车市场份额。
近来跟随师兄也在探究此方面的发展，并努力实现自己的系统。
这里首先是对于交通路牌的识别：大部分交通路牌可以分为两部分：
 |
 |
red circular sign blue rectangular sign
由于其外形规则，图案单一，因此在这里我主要采用rule-based method,而非机器学习（当然，也是因为机器学习实验失败了）。由于要检测的物体局限于红色和蓝色，因此在这里我们利用其颜色信息，于Jack Greenhalgh and Majid Mirmehdi 的 Real-Time Detectionand Recognition of Road Traffic Signs IEEE TRANSACTIONSON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 13, NO. 4, DECEMBER 2012这篇paper,遍历所有像素点，成功将蓝色及红色区域变的比背景更亮。
 |
 |
 |
 |
在这之后，我利用hough circle transformation 以及 contour contourpolygonization,成功分割出相应区域，效果较好，但逐像素计算效率低下，对一张图的检测时间的70%都花在了像素处理上，所以准备最近看一看opencv的灰度转换源码，提升效率，争取达到实时性。
在这之后，好学的博主怎会就此终止，于是有了下面的识别部分，这也是博主第一次接触pattern recognition,虽然内容很简单……
首先将识别对象局限于红色圆形的限速标志，（指路牌的识别，博主是不敢想的，中文字符，分布不对则，想想就头痛）。于是博主开始了艰辛的旅程：首先想到的是最简单的模板匹配，但模板匹配要求template与target大小一致，思索良久，受当初看haar检测目标的源码启示，我将待检测图像以一定比例不断缩放，然后用template作为搜索框在待检测图像范围内进行移动匹配，根据归一化平方差公式计算得到最小的值即为匹配。
模板：
（尺寸统一，这里采用双数，而非单个数字是因为单个数字虽然检测更准，但结果只能得到一个数字，暂时还未想到如何找到里面的两个数字）；
下表左侧为测试图片，右侧为6个模板与图像的最小平方差：
  |
  |
  |
  |
  |
  |
（1）待测图像经过压缩后长宽比失调，其标志牌高度大于宽度，因此检测出现错误，这并非方法的问题；
（2）“15”是一个奇特的标志，两数字之间的空白区域大小不一，如图：
  |
因此，检测15的时候常有偏差，还真是不太清楚如何解决这个问题呀，也许只能把两种15都放入模板库中。
在成功识别出这些标示牌之后，一个新的问题出现了，就是红色圆形标志不仅包括限速标志，还有一些其他的诸如禁止通行，禁止鸣笛等标志，那么这些标志的出现超出了我们预期的简单环境，在此介绍一种博主自己想出来的方法：
1.我们观察上面表格里的实验数据，将每一组数据的方差值取均值得到六组均值分别为（10^6）：
| 1.31 | 1.20 | 1.28 | 1.08 | 1.07 | 1.23 |
2.当将测试图片替换为非限速标志，其得到的数据如下：
  |
  |
  |
3.如上表所示：三组的平方差均值分别为(10^6)：
| 1.71 | 1.64 | 1.82 |
4.因此可见：限速标志牌与非限速标志牌的平方差均值在不同的两个结果集里，前者<1.4，后者>1.6，由此我们可以得到区分二者的阈值，i.e, 1.4
到此我们对于交通标志牌的检测以及简单识别就告一段落了，在现有的少量待测数据面前，其结果不错，至于鲁棒性受角度及光照的影响还需要大量数据进行检测及改进。
PS：在此之前，我曾试着用sift以及surf进行识别，但大概是因为图案过于简单，导致极值点很少，而match的特征点更少，因而放弃。
转载请注明： http://blog.csdn.net/wchccy?viewmode=contents