针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取, 导致提取的特征不全面, 在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题, 提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法。首先, 将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型; 然后, 融合3个网络模型构建多尺度卷积神经网络, 将3个预训练网络的参数级联到融合模型的全连接层, 对融合模型的全连接层进行训练, 采用随机梯度下降算法更新网络参数; 最后, 将融合后的模型作为特征提取器提取特征, 把提取到的多尺度特征送入极限学习机, 实现交通标志识别。实验采用德国交通标志数据库(GTSRB)对算法性能进行测试, 实验结果显示, 多尺度特征融合与极限学习机结合的网络识别精度为99.23%, 识别速度为46 ms。相对于预训练的网络, 网络的分类精度分别提高了2.35%, 3.22%, 3.74%。多尺度特征融合能够有效提取交通标志图像的特征信息, 极限学习机可以提高分类精度和分类时间, 该方法能满足交通标志识别的准确性和实时性的要求。

交通标志等道路设施的空间位置信息是城市三维建模的基本要素之一,也是道路设施养护管理的必要内容。为此,提出一种基于移动测量数据的小型交通标志自动提取方案,基于改进的卷积神经网络SlimNet模型对全景影像上的小交标进行检测,提出一种基于深度图的目标三维空间地理定位方法,并采用以中心点为准的距离判断法提取目标的对角线。选取三类小型交通标志的实测数据对所提方法进行验证分析。实验结果表明,SlimNet模型的平均正确率相比经典的VGG16(Visual Geometry Group 16)模型有4.2个百分点的提升。采用提出的地理定位和矢量化方案,三类目标在实验区的召回率和精确率均达到86%以上,证明整体方案的有效可行性。该方法为城市多类目标的精确三维空间地理定位提供新思路。

针对目前实时交通标志识别中出现的对于中小型目标检测精度低的问题, 本文提出了一种基于YOLOv3-tiny的深度可分离卷积(Depthwise Separable Convolutions)的轻量级交通标志检测网络。采用深度可分离卷积构建深度可分离卷积模块代替普通卷积搭建特征提取网络,在保证计算量的前提下更好地提取中小型目标的特征信息。同时, 改进多尺度特征融合网络, 提高对中小型交通标志的检测精度, 使用h-swish激活函数减少因为网络层数增加而丧失的图像特征, 实现对多类交通标志的检测。实验结果表明: 本算法有效的提高了对中小型交通标志的检测, 在验证集上对警告标志(Warining)指示标志(Mandatory)、禁止标志(Prohibitory)3类交通标志进行检测, 检测精度(AP)结果分别为9857%, 96.03%, 98.04%。检测平均精度(mAP)97.54%、检测速度为201.5 f/s.平均精度较YOLOv3-tiny提高了1401%。在保证轻型网络的计算量低、检测时效性好的前提下, 有效地提升了检测精度。

针对现有主流检测算法在低光照或光照条件强烈变化情况下对交通标志检测精度不足、漏检现象严重的问题,提出一种改进后的基于图像关键点统计变换(MCT)特征的Adaboost集成算法,以降低样本图像对光照变化的敏感性,通过对图像关键点进行提取并建立弱分类器,增强噪声和部分遮挡情况下算法的抗干扰能力,同时采用多尺度特征融合算法实现交通标志的分类识别。选用德国交通标志数据集(GTSDB、GTSRB)和自建数据集对所提算法性能进行验证,结果表明,在三类数据集中本文算法均具有最佳检测率与识别率,对于低光照条件下的交通标志图像,本文算法的检测精确率为94.96%,在复杂光照环境下具有较好的稳健性。

现有基于低动态范围(LDR)图像的识别方法在良好的曝光环境下, 能取得较为理想的结果, 但其容易受照明条件的限制以及天气状况的影响, 稳健性不强。为此, 提出一种基于高动态范围(HDR)技术的识别方法。通过改进的逆色调映射算法, 对相机捕获的不同曝光的LDR图像进行自适应亮度范围拉伸, 分别生成明暗两幅子图像, 再采用多曝光融合算法对子图像进行融合, 生成一幅HDR图像代替原LDR图像进行识别。实验结果表明, 该方法可较好地提高交通标志牌的检测与识别正确率。

本文针对交通标志的显著性检测提出了一种新的方法和思路。在Lab 和HSV 两种颜色空间下分别计算L、a、b 和H、S、V 颜色通道的显著图，并通过得到的显著图在高、中、低亮度范围的像素点的多少来筛选Lab 和HSV 中哪个颜色通道的显著图有效，最后融合得到最终显著图。实验证明该方法易于实现，能快速有效的检测出交通标志的显著性区域。

针对交通标志出现互连现象导致检测率下降的问题，提出了一种基于曲率尺度空间(CSS)角点检测的交通标志分离算法。使用基于红绿蓝(RGB)归一化的彩色分割算法和区域特征判决准则自动识别多标志互连候选区域，并对提取的目标区域进行边缘平滑和轮廓跟踪。利用基于全局和局部曲率特性的CSS角点检测器对提取的轮廓进行角点检测，并依据角点凸凹性判定准则及分离点对匹配条件，从角点中提取标志间的分离点对。利用Bresenham算法寻求分离点对间的分离线，实现标志的最终分离。实验结果验证了算法的有效性，与现有基于分水岭变换的标志分离算法以及改进的自适应分离算法相比，克服了标志过度分离问题，提高了标志检测整体性能。

彩色空间信息更加有利于最佳特征向量的提取，为了获得彩色空间中脉冲耦合神经网络(PCNN)参数，通过模拟视觉感知系统感知彩色信息的过程，利用PCNN分别在RGB模型和HSV模型的颜色空间中求取熵序列作为分类特征，通过实验选取最佳PCNN参数。针对国家标准彩色道路交通标志图像库GB5768-1999中43个警告标志，42个禁令标志，29个指示标志进行实验，结果表明，参数为αL=1,αF=0.1,αE=1,VL=0.2,VF=0.5,VE=27,β=0.1，选取N=50时，蓝色分量中所得的熵序列大类分类效果最佳。RGB模型中蓝色分量能够充分反应交通标志的彩色分类信息，所提取的熵序列向量能够明显区分三个大类，优于传统将彩色图像转换成灰度图像的处理方法。

对交通道路标志进行实时、正确的识别,是车辆自动导航中的一个重要方面。提出一种基于尺度不变特征变换(SIFT)算法的交通路标识别方法。该方法首先根据交通路标的色彩信息,利用HSV颜色空间对输入含有路标的彩色图像直接进行处理,从而快速分割提取目标区域;然后基于SIFT特征将分割提取的目标图像与数据库中原有图像进行特征匹配,以实现交通路标的识别。实验采用MatLab进行仿真,实验证明该方法具有较高的识别精度和速度,在车辆自动导航中具有较高的应用价值。