1.1.研究目的

本文选定一款低速运行（时速低于30km/h）的小型智能客车作为研究对象，旨在通过对其机器视觉检测方案、交通标志形状识别算法、交通标志颜色识别算法的研究，提出一项基于计算机视觉的自然场景下的智能车辆交通标志识别方案。

1.2.国内外研究现状

交通标志的检测和识别的发展最早开始于20世纪70年代，由于受限于计算能力，无法对算法进行准确的实验验证，因此其相关技术发展较慢。但是随着计算机性能的提高，越来越多的学者和各大汽车厂商纷纷投入到交通标志检测和识别的研究中。

日本在20世纪80年代就已经开始了针对TSR相关领域的研究，当时比较主流的方法是采用阈值分割算法来进行交通标志检测，然后利用模板匹配的方法来实现交通标志的识别^[8,9]。但由于系统的阈值分割和模板匹配算法是用硬件设备完成的，所以当该系统在机器上运行时，针对每幅交通标志的检测时间是1/60秒，识别时间是0.5秒。

在20世纪90年代后，西方各国也投入到了交通标志检测和识别的研究当中来。并各自提出了一些不同的检测和识别方法。其中，美国在开发了Advanced Driver Information System(ADIS)，该系统应用颜色聚类的方式进行识别^[10]，仅对停车标志的识别率可达100%，但该系统并不是实时系统。Piccioi与Micheli利用颜色确定交通标志大概的位置，再利用它的几何特征进行分析，可以比较准确有效地判断出三角形和圆形等图形的标志。再比如基于距离的算法、基于径向函数的算法、神经网络分类法、形状分割等。

来到21世纪后，交通标志检测与识别的研究更加得到了广泛的关注和研究，计算机技术和算法也日趋成熟。在2005年，Gareth Loy实验室和NickBarnes研究所共同开发了一套利用对称性与质心位置来识别交通标志的系统，其识别率可以达到95%左右。同年，Australia和Sweden共同开发了一套TSR系统，该系统先基于形状对称性定位交通标志的质心，然后再对此区域交通标志图像进行下一步分类识别^[11]，实验结果表示该系统的分类正确率达到95%。在2010年，西班牙的Makionado等人的交通标志识别研发是基于一个包含了约193类、36000幅的交通标志图像的数据库。识别方法是支持向量机，该方法的识别准确率达到95.5%。该方法未公开实验数据集，其进行实验的训练样本与测试样本并没有区分开来。2013年Kim J.B.认为颜色形状容易受周围环境影响^[12,13]，可能会提高视觉显著性模型进行交通标志检测且具有较高的实时性。

我国在这方面相比外国起步较晚，近年来也有一些相关研究，目前为止能够运用到实际中的交通标志识别系统不是很多。很多学者和科研机构都在研发着交通标志识别系统。交通标志识别算法这一方面，国内的一些学者也取得了成果。以厦门大学李翠华教授、北京工业大学孙光民教授、宁波大学的朱双东等带领的研究团队对交通标志识别进行方法上的探索研究与初步试验。

进入21世纪后，主要方法就是神经网络分类法^[14,15]。2004年，王坤明等人使用BP神经网络对交通标志进行识别，该算法能够识别出11种不同的警告、禁止和指示标志。2006年张航、黎群辉等人提出基于概率的神经网络算法来识别交通标志，取得了好的效果。从2009年开始，国家自然科学基金委员会提出重大的研 究计划“视听觉信息的认知计算”。同时“中国智能车未来挑战赛”也开始举办，迄今为止已经举办了四届比赛，其中交通标志的识别是无人驾驶汽车平台环境感知部分的重要测试项目。该项赛事的举办在一定程度上促进了国内交通标志识别技术的发展。

2010年，盛业华、张卡等人提出了一种交通标志识别算法，这个算法基于图像的颜色特征进行检测^[16]，来获得目标区域的图像;接着采用中心投影变的换算法获取图像目标区域的形状特征;最后利用测试过的概率神经网络分类器来进行分类识别。这个算法具有较高的识别正确率与算法效率，但人工神经网络的参数设置至今仍然没有一个成熟有效的解决方案。