[发明专利]基于HOG特征和BCNN的交通标识牌检测

说明书

本发明提供了一种基于HOG特征和BCNN的交通标识牌检测方法，该方法包括：获取交通标识牌样本；提取图像的HOG特征；基于HOG特征训练级联分类器检测出候选窗口；针对候选窗口存在的误检情况设计BCNN网络；把BCNN作为级联分类器的最后一级，将候选窗口作为推荐窗口输入BCNN消除误检。与现有技术相比，本发明可以对行车记录仪获取的视频中的交通标识牌进行评估，准确率较高，鲁棒性较强。

技术领域

本发明涉及图像处理、视频监控、深度学习以及卷积神经网络，特别涉及交通标识牌的检测。

背景技术

交通标识牌能够规范和控制交通，提示道路的状况，可以给驾驶员提醒和指导来降低交通事故的发生率。因此，交通标识牌的检测与识别在无人系统中是一项十分重要的技术。

通常，交通标识牌呈刚性，具有简单的形状，颜色比较统一。目前，它的检测方法主要基于这些颜色以及几何特征进行检测。基于颜色信息的检测方法对环境要求比较高，对天气以及光线敏感，检测稳定性不强。基于几何特征的边缘检测方法对部分标识牌的检测效果不佳。其他一些基于梯度特征以及对图像进行颜色空间转换的检测方法由于存在误检导致效率不高。道路环境复杂多变以及光线、水渍、阴影、复杂障碍物等因素的影响，导致交通标识牌的检测与识别非常困难。

综上所述，目前迫切需要提出一种鲁棒性和实用性较强地交通标识牌检测方法。

发明内容

有鉴于此，本发明的主要目的在于实现交通标识牌的检测，且鲁棒性和实用性较强。

为达到上述目的，针对复杂环境下交通标识牌检测鲁棒性不好的问题，本发明提供了一种基于HOG特征和BCNN的交通标识牌检测方法，该方法包括：

(1)获取交通标识牌样本；

(2)提取图像的HOG特征；

(3)基于HOG特征训练级联分类器检测出候选窗口；

(4)针对候选窗口存在的误检情况设计BCNN网络；

(5)把BCNN作为级联分类器的最后一级，将候选窗口作为推荐窗口输入BCNN消除误检。

所述步骤(2)进一步包括：

归一化步骤，对输入图像进行灰度化和Gamma校正以降低图像局部的阴影和光照变化，Gamma校正为

I(x，y)＝I(x，y)^Gamma

式中Gamma取0.5；

图像梯度计算步骤，计算图像横坐标和纵坐标方向的梯度，并根据梯度计算每个像素位置的梯度方向值，图像中像素点(x，y)的梯度为：

G_x(x，y)＝I(x+1，y)-I(x-1，y)

G_y(x，y)＝I(x，y+1)-I(x，y-1)

式中G_x(x，y)、G_y(x，y)和I(x，y)分别是输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x，y)处的梯度幅值和梯度方向分别为：

细胞单元的梯度方向直方图构建步骤，将图像划分成细胞单元，统计每个细胞单元的梯度直方图，形成每个细胞单元的特征描述子；

块内归一化梯度直方图步骤，将每几个细胞单元组成一个块，一个块内所有细胞单元的特征描述子串联得到该块的HOG特征描述子；