摘 要

随着经济社会的快速发展、汽车保有量的持续上升，当前的城市道路交通系统已经初显疲态，智能交通系统（ITS）成为各国交通系统的发展方向，而交通标志识别系统（TSR）作为 ITS 的重要研究课题，毋庸置疑成为了国内外的重要研究方向。

本文主要研究内容为：首先，综述了该课题的研究背景和意义，并对交通标志识别的国内外研究现状进行了总结和分析，阐明了目前交通标志识别研究的不足和存在的问题。然后，介绍了交通标志识别的技术理论。其次，简单介绍了直方图均值化、图像锐化和中值滤波等预处理技术。紧接着叙述了一种结合颜色和形状特征的交通标志检测算法，且列举了一个检测实例。最后介绍了模板匹配的识别算法，以VS2017的MFC模块作为开发环境，开发出交通标志图像识别模块，实现交通标志识别的基本功能。

本文主要是对TSR的一个认识研究。将交通标志识别系统的基本实现作为切入点，从简单易懂的角度去浅析TSR系统。由于当前检测和识别算法的多样性，TSR研究也呈现出多方向发展的趋势。在交通标志检测阶段，本文选取基于HSI的颜色分割和基于Hough变换的形状检测；在交通标志识别阶段，本文选取HU不变矩特征和选用相关系数进行相关性度量。从而提出了一套完整的交通标志识别系统，为该课题的研究提供了技术参考。

关键词：交通标志；图像预处理；图像检测；图像识别

Abstract

With the rapid development of economy and society and the continuous increase of car ownership, the current urban road traffic system has begun to show fatigue. Intelligent Transportation System (ITS) has become the development direction of transportation systems in various countries. As an important research topic of ITS, Traffic Sign Recognition System (TSR) has undoubtedly become an important research direction in the world.

The main contents of this paper are as follows: Firstly, the research’s background and importance of this subject are summarized, and the research status of traffic sign recognition at home and abroad is summarized and analyzed, and the shortcomings and problems of current traffic sign recognition research are clarified. Then, simply introduces the technical theories of traffic sign recognition. Secondly, the preprocessing technologies such as histogram mean, image sharpening and median filtering are introduced briefly. Then a traffic sign detection method combining color and shape features is described, and an example is given. Finally, the recognition algorithm of template matching is introduced. The MFC module of VS2017 is used as the development environment, and the traffic sign image recognition module is developed to realize the basic function of traffic sign recognition.

This paper is mainly about a cognitive study of the TSR. Taking the basic realization of the traffic sign recognition system as an entry point, the TSR system is analyzed from an easy-to-understand perspective. Due to the diversity of current detection and recognition algorithms, TSR research has also shown a multi-directional development trend. In the traffic sign detection stage, HSI-based color segmentation and Hough transform-based shape detection are selected. In the traffic sign recognition stage, the HU invariant moment features and correlation coefficients are selected for correlation measurement. Therefore, a complete traffic sign recognition system is proposed, which provides a technical reference for the research of this subject.

Key words: Traffic signs; image preprocessing; image detection; image identification

目录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景和意义 1

1.1.1研究背景 1

1.1.2研究意义 1

1.2国内外研究现状 2

1.2.1国外研究现状 2

1.2.2国内研究现状 3

1.3研究难点 5

1.4主要研究内容 6

第二章 TSR原理 7

2.1交通标志基本知识 7

2.1.1交通标志简介 7

2.1.2交通标志特征 9

2.1.3交通标志基准 10

2.2当前的TSR系统 10

2.3 TSR关键技术 11

2.3.1预处理技术 11

2.3.2检测技术 12

2.3.3识别技术 12

2.4 TSR的系统框架 13

第三章 图像预处理技术 14

3.1交通标志图像增强 14

3.1.1直方图均衡化 14

3.1.2图像锐化 15

3.2交通标志图像复原 17

3.2.1中值滤波 17

第四章 交通标志检测技术 19

4.1基于HSI色彩空间的颜色分割 19

4.1.1色彩空间介绍 19

4.1.2色彩空间转换 21

4.1.3 HSI色彩空间的阈值分割 21

4.2基于Hough变换的圆形检测 22

4.2.1形状检测概述 22

4.2.2 Canny算子 23

4.2.3 Hough变换 24

4.3实现与分析 25

4.3.1交通标志检测流程 25

4.3.2检测实例 26

第五章 交通标志识别技术 28

5.1基于HU不变矩特征和相关系数度量的交通标志识别 28

5.1.1特征提取 28

5.1.2相似性度量 29

5.2实现与分析 31

第六章 总结与展望 33

6.1总结 33

6.2未来展望 33

参考文献 34

致谢 36

第一章 绪论

1.1研究背景和意义

1.1.1研究背景

随着经济社会的快速发展，我国的汽车保有量快速增长。据相关统计，我国的汽车保有量平均每年增加约2000万辆，且该项数据仍然处于增长趋势；而截止到2018年底，我国的汽车保有量高达到2.4亿辆，远远超出预期。现有的城市道路交通系统已经初显疲态，交通阻塞、交通事故、环境污染和能源消耗等社会问题日益加剧。既要缓解交通问题又要维护汽车化社会，即使是道路设施十分发达的美国和日本等发达国家也不能避免该问题。上世纪90年代，智能交通系统（ITS）以信息技术的高速发展为契机，旨在利用现代化科技改善交通状况，以达到"提高效率、保障安全、保护环境、节约能源"的目的。

交通标志识别系统（TSR）作为 ITS 的一个重要研究课题。而TSR存在两种实现方向：一种是基于视觉技术，利用摄像头采集车辆附近交通标志牌图像，再通过检测和识别算法读取道路信息；另一种是基于V2I技术(Vehicle to Infrastructure)，通过在交通标志和汽车上安装信号发送接收装置，实现车辆与交通标志之间的数据交换，从而获取道路信息。通过表1.1对比，可知两种方案各有其优劣。而针对应用前景来说，基于视觉技术的TSR更平缓、易实现；同时，随着计算机图像处理技术的高速发展，设备价格降低，图像处理速度极大提高，大大地促进了基于视觉技术TSR的发展。因此，现阶段对于TSR的研究方向多为基于视觉技术。

表1.1 两种TSR方案对比

1.1.2研究意义

ITS作为一种高效实时的道路交通系统，能够很好地解决汽车化社会引起的问题，但它的实现需要多种先进技术的支撑，如信息技术、电控技术、计算机技术等。二十一世纪以来，图像处理技术发展了新的理论和算法，为ITS的提供技术支撑，不断提高ITS的智能化水平。而交通标志识别系统（TSR）作为 ITS 的一个重要研究课题，成为国内外研究的重要方向。

首先，错误的识别结果会给驾驶员提供了错误的提示，会影响到道路行驶情况，甚至造成交通事故。因此，TSR对算法的准确性要求很高，TSR的应用大大地增强了行驶安全性。它通过在汽车中安装高清摄像头和交通标志识别模块，识别出相应的道路信息，提醒驾驶员遵守交通标志，防止驾驶员开车时分心，有效地辅助驾驶员安全行驶。对于增加驾驶安全具有重大的意义。其次，TSR作为车载视觉系统的重要部分，即为无人驾驶汽车的必不可少的一部分。TSR需要有较高实时性，才能发挥出其作用。因此，实时的交通标志识别技术成为了研究热点。最后，交通标志识别作为计算机视觉、图像处理、模式识别、人工智能等多学科的交叉领域。多学科的相互交叉、融合、渗透将大大推进科学的进步，因此其潜在的研究价值是不言而喻的。

综上所述，TSR属于多学科的综合研究，当前的TSR作为辅助驾驶系统，能够提高行驶的安全性，同时也推动了智能化汽车的发展，具有很好的应用前景^[1]。

1.2国内外研究现状

从研究意义的论述可知，TSR具有极高研究价值。因此，国内外研究机构以及众多学者都投入到TSR的研究当中，从最初对理论和算法的探索，到逐步实现应用一些简单的TSR。以下分别总结了TSR研究的国内、外研究现状。

1.2.1国外研究现状

国外早在上世纪80年代就开启了TSR研究的大门，且快速推动着TSR的发展。TSR的研究发展可以大致分为两个阶段,1987年至二十世纪末为第一阶段，该阶段着力研究检测或识别算法的准确性，提出了多种实现方法；进入21世纪后则为第二阶段，在该阶段在追求准确性的基础上还要求算法的实时性和鲁棒性^[2]。

国外关于TSR研究起步早，众多的研究机构和学者提出了许多相关研究成果^[3]。早在1987年，日本学者Akatsuka就提出使用颜色阈值分割实现标志检测，再用模板匹配的识别算法。1992年，法国的Saint-Blanchard提出一种仅适用于包含红色特征交通标志的TSR系统，该系统结合红色滤波和边缘检测实现目标检测，再采用神经网络识别算法。1994年，意大利学者Piccioli等人提出基于形状信息的交通标志检测算法，再结合模板匹配识别算法以实现TSR。德国的Hoferlin B等人采用Hough变换和尺度不变化特征，高效实现了对圆形交通标志的检测。2005年，澳大利亚Nick Barnes研究所与瑞典Gareth Loy实验室合作提出一种利用对称性与质心位置的TSR，这种算牺牲了实时性，换取了95%高识别率。2007年，Won等人首次提出利用人类视觉选择注意力机制进行交通标志检测，检测效果很好，但有一定的局限性。同年，Moutarde等人针对欧美地区限速标志，开发出相应的TSR系统。2010年，西班牙学者Makionado等人基于一个193类、36000幅交通标志的数据库，通过采用SVM实现了95%的高识别率。2011年，德国波鸿大学发布了GTSRB(德国交通标志基准)，且举办了IJCNN 2011交通标志识别挑战赛。其中，IDSIA团队采用Multi-column Deep Neural Network（即多列深度神经网络）的方法，使用一个快速以及完全参数化的GPU来实现深度神经网络（DNN），从而避免了预先连接的特征提取器的复杂设计，以有监督的方式进行学习，在43类交通标志中达到了99.46%识别准确率，超过了人类表现的98.84%，夺得了该挑战赛冠军^[4]。2017年，Alexander Shustanov等人提出使用卷积神经网络（CNN）实现交通标志识别算法，比较并选择最佳的CNN架构，实验结果达到了识别的实时性^[5]。2019年3月，欧盟委员会通过了一项关于汽车的新规，其中规定2022年5月后欧洲的所有新车都必须安装智能车速辅助系统，该系统通过GPS数据和交通标志识别摄像头来监测车速。当汽车超速时，该系统不但会有警报，而且会自动减速，直至恢复安全车速。该新规一旦落实，无疑对TSR应用的一种推动。

1.2.2国内研究现状

交通标志识别研究在国内得到了的足够多的关注。国内主要是各大高校的科研机构来支撑TSR的研发工作，如北京理工大学、西安交通大学、湖南大学、上海交通大学、清华大学、武汉大学、南京理工大学、国防科学科技大学等。尽管国内关于TSR研究起步较晚，但也有一些阶段性的成果。1998年，杭州大学蒋刚毅教授利用数学形态学函数实现检测，然后采用模板匹配算法实现交通标志识别，有较高的准确性和鲁棒性，但仅适用于警告标志。2004年，王坤明等人利用BP神经网络的识别算法实现了对11种交通标志的识别。2006年，张航等人提出基于概率神经网络的识别算法。宁波大学的朱东双教授在2006年提出一种交通标志检测算法，该检测算法仅适用于三角形交通标志，而在2007年提出一种适用于交通标志检测检测的色彩空间模型。2010年，东南大学的王楠提出了一种基于颜色、形状和角点的多特征混合的交通标志检测算法。2011年，重庆大学的秦飞提出了一种基于自适应阈值和二值化特征的交通标志识别方法，利用二值图的特征进行多模板匹配识别。2013年，中南大学的蔡自兴教授提出了一种基于DT-CWT变换与和基于DICA分析的交通标志识别算法；华南理工大学的彭岳军研究了基于SURF特征和模板匹配的交通标志识别算法、基于Zernike矩特征和SVM的交通标志识别算法；吉林大学的王洋研究了基于模板匹配的交通标志识别方法。2017年，党倩等人提出了一种基于二级改进LeNet-5的交通标志识别算法^[6]。2018年，张长青等人提出一种PCA-ELM相结合的交通标志识别算法^[7]；黄娜君等人提出一种基于ROI和CNN的交通标志识别算法，其识别准确性和识别速度均优于传统CNN算法^[8]；袁小平等人提出了基于改进CNN的交通标志识别算法^[9]；杨婷婷等人提出了一种新颖的端到端深度网络，将AN（注意网络）引入Faster-RCNN，以寻找所有潜在的ROI，并根据交通标志的颜色特征将它们粗略地分为三类，然后，FRPN（精细区域提议网络）从由AN所提取的每个特征位置所对应的一组锚点，产生最终区域提议^[10]。

国家自然科学基金委员会在2008年发布了“视听觉信息认知计算”重大研究计划，旨在培养在视听觉信息领域中具有国际领先水平的优秀人才与团队，为国家和社会发展提供相关的技术支撑，同时提升我国在该领域中的研究实力。而图像与视觉信息计算是该项目的主要研究工作之一。“中国智能车未来挑战赛”是对“视听觉信息认知计算”重大研究计划的重要考察手段，该比赛至今已经成功举办了10届。其中，交通标志识别能力是参赛车辆基本能力测试的重要对象。该比赛促进了中国无人驾驶和智能车的发展，亦在一定程度上推动了交通标志识别的研究。

深圳智能网联交通测试示范区项目于今年3月11号正式启用。如图1.1所示，总长2.6公里的测试示范区位于深圳市坪山区，包含了典型城市道路要素如停车场、十字路口、环岛等等。该测试示范区能够满足《智能网联汽车道路测试管理规范(试行)》规定的测试项目，如交通标志和标线识别及响应等14项基本测试项目。

图1.1 深圳智能网联交通测试示范区构图

1.3研究难点

尽管国内外研究机构和学者们对交通标志识别进行了数十年的研究工作，提出了在交通标志分割和检测、特征提取、识别等各方面的许多理论成果，但由于TSR应用环境的复杂性以及系统自身要求的准确性、实时性等问题，很难将这些研究成果应用于实际的行业,现阶段还没有满足实际应用的完善的TSR系统^[11]。交通标志识别研究还存在着许多问题，总结如下：

1. 交通标志的标准不统一：交通标志没有国际硬性规定，只有通用的标准，各国的交通标志不尽相同，因此加大了TSR的应用难度。
2. 交通标志种类繁多，而且个别交通标志之间相似度高。
3. 场景限制：摄像头采集的交通标志图像中，存在遮挡物（如树木、建筑设施等），影响识别功能实现，如图1.2所示。
4. 颜色失真：光线变化或者因坏境因素、人为因素造成的交通标志褪色。
5. 形状失真：交通标志制作不规范、受到变形和损坏等，如图1.3所示。
6. 视角变化及动态模糊：汽车在行驶的过程中，与交通标志之间夹角不断变化，成像会有一定变形且会出现图像模糊，如图1.4所示。
7. 尺寸变化：车辆与交通标志的距离会影响到交通标志的成像尺寸，如图1.5所示。如对于复杂环境下的小尺寸交通标志，对检测和识别算法有更高的要求，亦是研究的难点之一。
8. 准确性和实时性：基于视觉技术的TSR，需要处理摄像机实时采集的大量交通标志图像，高效且准确的检测和识别算法是研究的关键。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：