《基於部件的大類別集交通標誌識別方法研究》是依託北京交通大學，由黃琳琳擔任項目負責人的面上項目。
基本介紹
- 中文名：基於部件的大類別集交通標誌識別方法研究
- 項目類別：面上項目
- 項目負責人：黃琳琳
- 依託單位：北京交通大學
項目摘要,結題摘要,
項目摘要
交通標誌自動識別技術在無人駕駛汽車和駕駛員輔助系統中具有重要的套用前景，部分技術已用於無人駕駛實驗系統。然而，現有方法僅對少數幾種類型幾十種類別進行識別，難以推廣到多種類型、大類別集交通標誌的識別。本項目基於交通標誌圖形構成的特點，提出基於部件的大類別集交通標誌的快速準確識別方法。基本思想是對構成交通標誌的形狀基元（如圓形、三角形、矩形、線條、箭頭、文字、符號等）進行分割和識別，並分析符號之間的關係，得到交通標誌的結構解釋。研究內容包括：交通標誌的部件和特徵分析，基於顏色分割和區域的標誌識別，基於符號檢測的標誌識別，基於基元和空間上下文融合的結構識別。本方法充分借鑑了計算機視覺領域目標識別的前沿理論與方法，有望提高交通標誌識別的類別可擴展性和計算效率。實現的方法將在公開的交通標誌圖像數據集和計畫採集的大類別集圖像數據集上進行驗證。
結題摘要
智慧型交通系統、無人/輔助駕駛系統可以提高城市汽車通行效率、減少交通事故。交通標誌自動識別是智慧型交通系統、無人/輔助駕駛系統的必要組成部分，具有重大的套用前景。本項目面向智慧型交通系統、無人駕駛/輔助駕駛系統，圍繞自然場景下的交通標誌檢測、識別與理解展開了深入的研究。項目組在研究過程中建立了大規模中國交通標誌圖像資料庫並對圖像中的交通標誌信息進行了標註。資料庫包含了18664幅自然場景下的中國道路交通標誌圖像及交通標誌的標註信息。該資料庫在網上公開,供研究者免費使用，為交通標誌研究提供了公共測試平台數據，對交通標誌檢測與識別研究具有很大的意義。 交通標誌檢測是交通標誌自動識別的關鍵技術之一。本項目提出了一種基於級聯、顯著性測試、快速特徵提取的方法以及鄰域感知技術的方法，實現了快速準確的交通標誌檢測；同時利用非監督學習的方法最佳化系統的參數，提升了系統性能。針對視頻中交通標誌檢測，提出了一種基於跟蹤和兩級最小費用網路流數據關聯的方法，檢測精度為98%，檢測速度提升至37幀/秒。針對交通標誌識別問題，提出了一種基於擾動的標誌識別算法。該算法對測試樣本進行平移、尺度變換和旋轉等擾動、採用多尺度梯度方向直方圖特徵以及最近原型分類器對交通標誌進行分類，算法的識別精度為98.88%。識別精度雖然略低於目前文獻報導識別精度最高的基於深度神經網路方法，但識別速度較之大幅提高。此外，提出了一種基於多級多特徵融合的交通標誌識別算法。算法採用先識別大類後識別子類的策略並融合局部和全局特徵的方法，實現高速的標誌識別。針對包含文字和符號的矩形交通標誌，提出了一種基於直線合併的矩形目標檢測算法用於快速檢測矩形標誌候選區域。之後採用多特徵和多級分類器對候選區域進行快速分類，實現矩形標誌的快速檢測。針對標誌中的文本信息，採用了基於最大穩定極值區域（MSER）的方法、利用筆劃層級聚類方法提取標誌上的文本行。該矩形標誌檢測算法獲得96%的召回率。文本行提取獲得86.2%的召回率和84.7%的精度。
