[发明专利]基于级联网络的交通标志检测与识别方法

说明书

本发明公开一种基于级联网络的交通标志检测与识别方法，涉及图像处理和标志识别技术领域，包括如下步骤：S1：采集原始图像；S2：对原始图像进行检测，得到可能包含交通标志或交通灯的候选区域；所述检测过程为采用训练后的三阶级联网络进行检测，三阶级联网络由12‑net、24‑net、48‑net三个子网络组成；S3：对候选区域进行识别，消去不包含交通标志或交通灯的候选区域，得到交通标志和交通灯的具体类别。本发明可以同时检测交通标志和交通灯，并且解决了现有的交通标志检测与识别技术中颜色空间容易收到光照的影响造成漏检、交通标志与背景环境差别不大时造成漏检、多个交通标志相连容易造成漏检的问题。

技术领域

本发明涉及图像处理和标志识别技术领域，尤其涉及一种基于级联网络的交通标志检测与识别方法。

背景技术

在当下，自动驾驶技术不断发展。计算机视觉在自动驾驶技术中占有重要的地位。交通标志和交通灯的检测与识别是视觉识别中的重要一环。以前的方法分别集中在交通标志或交通灯的检测，我们提出了一个新的框架可以同时检测交通灯与交通标志。检测的难点在于待检测物体在图片中所占的比例很小，加大了检测的难度，待检测物体的背景环境的复杂。现有的交通标志检测与识别技术有三种方法。

第一种方法，专利公开号为CN105787475A的发明专利申请公开了，一种复杂环境下的交通标志检测与识别方法：首先通过RGB颜色空间，设定相应的阈值提取中红黄蓝颜色区域。接下来对提取出来的区域进行形态学处理，也就是根据长度和长宽比舍去一些后换区域，轮廓的长度范围为[120,350],长宽比范围为 [0.526,1.9]。接下来进行轮廓的凸壳处理，使得提取出来区域的轮廓更圆滑，更接近圆形，三角形和矩形。提取傅里叶系数，与标准轮廓进行欧氏距离比较，舍去形状不规则的候选区域。对剩余的候选区域提取HOG特征，使用SVM分类器得到最终结果。该方案的方法通过RGB颜色空间进行区域提取，会造成区域提取不准确，漏检。RGB颜色空间提取区域方法容易受到光照，环境因素的影响。在光线明亮与灰暗两种情况下都不能有效的提取区域。如果我们需要的区域与背景环境颜色相似，这会将背景区域一起作为候选区域，造成区域提取不准确，同时在接下来的步骤中，会造成不符合条件而舍去。第二步中，通过形态学处理步骤，造成最终的结果只能限定在固定的长度和长宽比中，使用范围不准确。如果有多个交通标志紧密相连是，会将多个交通标志提取在一个候选中，在第二部舍去，造成大量漏检。

第二种方法，专利公开号为CN105809121A的发明专利申请公开了一种在专利多特征协同的交通标志检测与识别方法：通过交通标志样本图像建立各个颜色类别交通标志的颜色概率模型，选择各个颜色类别交通标志的代表颜色,计算得到各个代表颜色的概率查找表,训练得到各个形状类别交通标志的形状分类器以及识别模型。对于待检测交通图像,先使用各个代表颜色的概率查找表得到待检测交通图像的概率图,然后转换为灰度图,利用MSER算法检测各灰度图中的灰度变化稳定区域,将符合预设高宽比范围的区域作为候选窗口,将各候选窗口采用各交通标志形状分类器判定是否存在交通标志,对存在交通标志的候选窗口,采用对应形状的识别模型进行识别。对于待检测交通图像，得到待检测交通图像在每个代表颜色下的概率图,然后转换为灰度图。利用MSER算法检测各灰度图中的灰度变化稳定区域,去除稳定区域中高宽比在预设高宽比范围以外的区域,剩余的稳定区域作为候选窗口。将候选窗口尺寸调整至形状分类器输入尺寸,提取每个候选窗口对应图像块的HOG特征,输入各个交通标志形状分类器,判断该候选窗口是否为交通标志的形状类别,如果是,则说明该候选窗口存在交通标志,交通标志的形状即为对应形状分类器所进行判定的形状,否则不存在交通标志。本方案的方法将颜色模型转化为概率模型，但没有解决当背景环境与交通标志颜色相似情况下的检测问题。一块颜色与形状与交通标志相似的无关区域，会被该方法归为交通标志。该方法没有解决多个交通标志紧密相连的情况下的检测，通过概率图提取候选区域，同样会将多个相连的标志作为一个候选窗口，将会不符合预设的高宽比，在接下来的形状分类器中同样会将这种候选窗口舍去。