车载辅助系统中禁令交通标志的识别研究

随着中国社会和经济的快速发展,城市交通出现了前所未有的迅猛增长,特别是近10年来,各类机动车的保有量越来越大。我国城市特别是像广州、深圳这样的大城市,现有的道路交通设施和日益增长的交通需求之间的矛盾日益突出,交通拥堵现象严重,交通事故频发,对人们的生命财产安全乃至国家的经济发展都构成了巨大的威胁。因此,如何在现有的交通环境和条件下建立一个智能的车载辅助系统,提升车辆行驶的安全性,减少道路交通事故,具有非常重要的社会意义和科研意义。 道路交通标志识别系统是车载辅助系统的重要组成部分。本文旨在研究城市交通环境中禁令交通标志的识别。在对相关课题做了大量国内外调研之后,根据禁令交通标志的特点,设计并完成了一个实时性好,识别率较高,鲁棒性强的禁令交通标志识别系统,具体研究内容如下： (1)禁令交通标志的颜色分割。首先为了减弱或消除光照对后续图像分割的影响,对自然场景中采集的彩色图像在YCbCr颜色模型下进行了光照均衡化处理,并将处理后的图像颜色模型转换到RGB颜色模型。然后利用禁令交通标志的颜色特征直接在RGB颜色模型下利用改进的分割算法对预处理后的图像进行颜色分割。并将分割结果与其他颜色模型下的分割结果进行了对比。 (2)基于形状特征的禁令交通标志检测。先对颜色粗分割得到的二值图像进行膨胀、腐蚀、开启和闭合等形态学组合处理得到感兴趣区域。对传统的圆形度检测算法和基于特征参数的三角形检测法进行了改进,并利用改进后的方法分别对感兴趣区域进行形状检测,并标记和截取出符合要求的圆形区域和倒立的等边三角形区域,用于后续的标志判别。 (3)深度学习模型MPCNN在禁令交通标志判别中的应用。详细介绍了深度学习理论及常用的几种深度学习模型。利用深度学习方法在对图像进行识别时深度学习网络能够自动从训练样本中学习到抽象特征,而不需要人工参与提取特征的优点,本文采用了一种卷积神经网络的改进模型-MPCNN对检测出的禁令交通标志进行判别。详细介绍了MPCNN模型的网络结构及训练方法,并利用采集的样本数据对网络性能进行了测试。 (4)设计并实现了一个禁令交通标志检测与识别的简易系统,给出并详细介绍了系统的操作界面,同时综合评估了系统的性能。