城市道路交通标志的检测和识别研究开题报告

全文总字数：6265字

1. 研究目的与意义（文献综述）

道路交通标志识别系统是智能车辆的重要组成部分，它在车辆行驶中对道路出现的交通标志进行信息采集和识别，及时地向驾驶员做出指示或警告，甚至接替驾驶员直接对车辆控制，以确保交通顺畅和防止事故的发生。交通标志识别技术的研究最早开始于奔驰等14家大型汽车公司组成的民间组织所资助的prometheus (program foreuropean traffic with highest efficiency and unprecedented safety)计划,其目标是研究一个交通标识识别系统,但直到最近几年,其研究成果才获得研究者的广泛关注。道路交通标志的识别系统tsr是“智能交通系统its”研究领域中的热点和难点之一,也是难度较大的实景目标识别问题之一。因为自然场景下采集到的道路交通标志图像除了易受天气,光照,复杂背景等因素影响外,还可能出现遮挡,变形,掉色等情况。这些都将直接影响到最终的识别结果。

交通标志的识别包括两个过程：检测和识别。

检测的目的是去除无效信息对识别的干扰，只对感兴趣的区域处理，减少计算机处理图像的计算量；一般是通过交通标志的色彩或是形状特征以及两者综合的方法检测出所有可能是交通标志的区域，然后将兴趣区域进行从整个图像中分割，再进行规则化以方便在接下来的识别阶段识别交通标志。检测方法通常分为基于颜色和基于形状检测两类。颜色是交通标志最重要的特征之一，同类交通标志通常具有颜色相同的特征，比如我国交通标志大部分为红黄蓝三种颜色，并且视角改变颜色也不会发生改变。而且根据色彩空间的特征颜色具有较好的可分离性。通过特征颜色分割，可以达到去除大片非感兴趣区域的目的，这有利于提高系统的实时性。识别就是进一步判定分割出的交通标志内核区域的含义。在完成检测到交通标志并把非交通标志的区域设为背景后，还要经过将分割出的图像进行归一化以及预处理操作，例如消除噪声、拍摄抖动、光照等的影响，而后对其内核内容进行识别。在上个世纪九十年代中期，随着神经网络的不在流行，支持向量机（svm）开始被广泛使用。于是在早期的目标检测中，基本都是特征工程 svm/随机森林的方法。首先用sift或者hog来提取第一层表示，接下来就是向量量化(vector quantization )的第二层表示，然后是空间金字塔(spatialpyramid)处理，送入直方图池化（histogram pooling）,最后的特征交给支持向量机分类器来学习。这是一种学习非线性变换的简短序列。有着太多的人工工程标注的特征和参数，如果标注的特征不是很好，其效果将会很差。

2. 研究的基本内容与方案

首先挑选识别目标检测的数据集，目前国外采用的数据集基本都是gtsrb(german traffic signrecognition benchmark) 使用mlp dnn来提取特征，其准备率可以达到99.46%，但是由于其是德国的交通标志数据集，故暂时不考虑使用。

接下来是traffic-sign detection and classification inthe wild ，此数据集由清华与腾讯合作而成，号称创建了一个大型交通标志的benchmark，有超过100k的图像数据集，包含了30k的交通标志，这些图像涵盖了照明度和天气变换的差异。但是实际下载下来后发现并没有这么多的数据集，大部分普遍并没有标签。由于有用的图片就一万余张，相关使用的人也很少，所以这个也暂不考虑。

最后挑选了中国交通标志数据库（chinese traffic sign database），tsrd包括6164个交通标志图像，其中包含58个标志类别。图像分为两个子数据库，分别是训练数据库和测试数据库。训练数据库包含4170张图像，而测试数据库包含1994张图像。所有图像都用符号和类别的四个坐标标注。

3. 研究计划与安排

在综合考虑本次毕业设计任务之后，设计的进度安排如下：

第1周—第3周 搜集资料，进行设计调研，撰写开题报告；

第4周—第5周 论文开题，进行外文文献翻译；

4. 参考文献（12篇以上）

[1] 李航，统计学习方法（第二版）[m]，北京：清华大学出版社，2019: 111-153.

[2] 周志华，机器学习入门[m]，北京：清华大学出版社, 2016:121-145.

[3]宋美萍.数字图像处理中的图像分割技术应用研究[j].电子技术与软件工程,2017(01):75.