交通標志檢測研究綜述

溫斯傲，李志民，郝博聞，倪鈺婷，鐘 玲

（沈陽工業大學軟件學院，沈陽　110023）

交通標志檢測研究綜述

溫斯傲，李志民，郝博聞，倪鈺婷，鐘 玲

（沈陽工業大學軟件學院，沈陽110023）

道路交通問題日益嚴峻，智能交通系統（Intelligent Transportation System，ITS）應運而生。交通標志識別系統（Traffic Sign Recognition，TSR）是ITS的重要組成部分。TSR分為交通標志檢測與識別兩部分，檢測效率的提高使得TSR整體性能提升，以達到提高交通運行速率，降低交通事故的發生。本文主要介紹交通標志檢測部分，總結了國內外自上世紀70年代至今的研究成果，其中用到的方法包括了顏色檢測、形狀檢測、神經網絡等。并簡要敘述了技術理論和難點，最后對交通標志檢測方法現狀進行總結及展望。

交通標志；ITS；顏色檢測；形狀檢測；無人車

0　引 言

自二十世紀八十年代起，美國即已首度提出了智能交通這一概念，不久西方就有很多國家也相繼在這一領域展開廣泛研究。這種情況下，“智能交通系統（Intelligent Transportation System，簡稱ITS）”的研究領域便已應運而生，并且得到迅速的發展［1-2］。在龐大的交通系統中，道路交通標志是不可或缺的組成部分，合理設置交通標志則已成為保證道路交通安全順暢的重要舉措和實施方略。

交通標志檢測是智能交通系統的關鍵設計內容。若能快速準確地檢測出交通標志在前方道路的所處區域，就使得交通標志識別系統的整體效率獲得提高，也才能卓具成效地輔助和引導安全駕駛。

交通標志檢測包括圖像處理、模式識別、機器視覺等多個學科的技術進展在內，而且又對數據處理的實時性、準確性、高效性提出了頗高要求。但是由于各地區的交通標志差異較大，路況的復雜程度也各不相同，雖然已經開展了諸多方面的研究，但是并未尋求得到完美的解決方案。這是一個典型的、且富有挑戰性的研究課題，本文即針對這一技術內容的現狀及發展給出了研究綜述。

1　交通標志檢測系統的組成

如圖1所示，交通標志檢測系統大體分為3個部分，各部分的功能實現可做如下闡釋解析：

1）圖像采集。負責采集圖像，為系統后期提供使用。圖像采集的方法不同，將會對檢測的有效范圍、精確度等造成影響，一個現實優異的采集圖像視覺系統則可以提升檢測系統的性能。

2）圖像預處理。在自然場景中，圖像的采集會受到光照影響，光照過強或過弱即會導致圖像的顏色過暗或失真，無法為下一步的檢測工作提供必備有效的執行基礎。

3）圖像分割。在需要檢測出交通標志的圖像中，分割整幅圖像獲得準確包含交通標志的區域，這將作為檢測工作的結果提交給整個交通標志識別系統。

圖1　交通標志檢測系統構成圖Fig.1 Traffic sign detection process

2　國內外研究現狀

2.1國外現狀

國外對交通標志檢測研究起步較早，由此而進化延伸的實際應用研究也較多。從上世紀八十年開始，日本即已開始了對交通標志檢測的研究，研究方向最初定為對目標場景的戶外檢測，主要就是針對于速度標志進行研究。至1990年日本本田汽車公司制造出無人駕駛汽車后，無人駕駛汽車便已開始引領一個新的汽車發展方向。

無人駕駛車最重要的就是其中的“視覺系統”，借此可以清晰看見行駛中前方的實時路況，而且對障礙物的避讓，乃至駕駛路徑規劃，都將有賴于能夠即時確切地探測發現前方的交通信號。

2010年10月，google成功研發全球首款全自動駕駛汽車；2012年5月8日，美國內華達州機動車輛管理部門（DMV）為谷歌的自動駕駛車頒發了首例駕駛許可證，這即意味著谷歌自動駕駛車已經具備了在內達華州上路的法證資格。2011年德國舉辦了交通標志識別大賽（IJCNN2011）［3］，這一賽事清楚表明了交通標志檢測和識別算法及有關方法的研究在智能交通領域已經獲得了全面廣泛的關注，從而促進了交通標志檢測和識別研究的快速進步與發展。2012年8月8日，在美國內華達州允許無人駕駛汽車上路3個月后，機動車駕駛管理處（Department of Motor Vehicles）為Google的無人駕駛汽車定制了一張合法車牌。2014年5月28日Code Conference科技大會上，Google繼續推出了最新設計產品——沒有方向盤和剎車的無人駕駛汽車。2015年11月底，根據谷歌提交給機動車輛管理局的報告，谷歌的無人駕駛汽車在自動模式下已經完成了130多萬英里的路線航程。2016年初，日本經濟貿易產業省（METI）組建了一個研究小組，決定聯手推動汽車行業發展，計劃于2020年開始在公用道路上展開自動駕駛汽車。

2.2國內現狀

受限于技術起步的延滯，我國在智能交通領域的開發要比國外稍晚。1989年，我國首輛智能小車在國防科技大學正式誕生問世。1992年，仍是該所學校研制推出我國第一輛真正意義上的無人駕駛汽車。2001年的重大成果是研制成功時速可達76公里的無人車。2003年，再由國防科技大學研究設計獨創出“紅旗”無人駕駛車，并且完成了在170km/h的速度下自主超車和避讓障礙。2007年，紅旗HQ3參加了第14屆國際智能交通大會，會上進行了實車演示，在國內外引起轟動。2011年，國防科技大學自主研制的無人車在長沙到達武漢路段設計了行駛實驗，期間克服了多變的天氣環境、復雜的交通境遇和路段車道線不清等現實情況，完成了286公里的無人駕駛實驗。只有漸趨完備的交通檢測系統才可以更加有效地采集道路信息，提高無人駕駛車的性能。2014年7月24日，百度啟動無人駕駛汽車研發計劃。2015年12月，百度無人駕駛車國內首次實現城市、環路及高速道路混合路況下的全自動駕駛，測試時最高速度已可達到100公里/小時。

3　交通標志檢測算法現狀

3.1基于顏色的檢測方法

交通標志中，顏色無疑是最重要的特征之一。基于顏色的分割只需通過少量運算，就可去除大量的非感興趣區域，同時加快檢測的速度，因而對交通標志檢測系統的實時性具有重點關鍵現實意義。基于顏色研究的彩色空間有許多，如：RGB、HSI、HSV。下面即對各類空間的檢測技術展開綜合分析與論述。

RGB是常用的彩色空間。2003年，Hsiu-Ming等人運用紅色像素值對圖像進行分割［4］。在此基礎上，Cyganek設計了基于支持向量機的分類器對紅色標志探討提供了顏色分割［5］。2014年，余進程對自然場景中采集的彩色圖像研究了光照均衡化處理增強彩色圖像的對比度，減弱光照造成的不利影響，在RGB顏色模型下對圖像實現了顏色分割和二值化處理［6］。RGB彩色空間的優點在于實時性較好，但其缺點卻是不能精準模擬人類對顏色的感知，且受光照影響較大。

研究人員為了克服RGB彩色空間的不足，將RGB圖像轉換為在HSI彩色空間下進行閾值分割，由于HSI彩色空間3個分量基本不相關，更加利于包括圖像分割等在內的有關圖像處理工作。1993年，在美國研制出ADIS系統（Advanced Driver Information System）［7］，同期發表的論文中即提出了一種基于顏色和形狀有序處理停止交通標志的技術——reconition技術。這種顏色坐標可以使得一個停止標志的紅色區域在大多數因素（天氣、陽光、陰影）下都能判斷、并識別邊界，迄今為止，類似研究也仍在應用這一技術。2007年，在HSI空間下，Maldonado-Bascon運用直方圖分析的方法，確定在HSI彩色空間顏色分割的閾值，獲得了滿意效果［8］。在此基礎上，同年，Cyganek利用模糊推理進行了顏色分割［9］。HSI彩色空間的各類檢測算法也已優效解決了光照問題。2009年，沙莎發表了一種多通道檢測方法［10］，具體是將圖像轉換到HSI顏色空間，對其飽和度予以閉值分割處理，同時再結合RGB通道的顏色特征進行顏色聚類，從而將交通標志從背景圖像中分離出來。2014年，歐陽維力比較提出了基于HSI顏色模型的自適應閾值分割算法，能夠更好地降低光照或類交通標志物體帶來的噪聲作用［11］。需要指出，HSI彩色空間的缺點在于從RGB空間到HSI空間的轉換計算量較大，且HSI空間呈現了非理想狀態下的不穩定性，這也在一定程度上影響了彩色分割的效果。

HSI彩色空間之外，HSV是另一類分量基本各不相關的彩色空間。而且由于RGB空間轉換為HSV空間的計算量較小，且這種顏色系統比RGB系統更接近人類對顏色的感知，因而在顏色分割中得到了優勢普及的廣泛應用。2001年威斯康辛大學的Liu等人開發了識別停止（STOP）標志的系統，采用HSV空間顏色閾值分割進行檢測，對540幅圖像施與了技術處理，研究結果準確率為95%［12］。同年，Vitabile等人深入研究了HSV空間中3個分量的特性，把HSV劃分為非彩色區域、不穩定彩色區域和彩色區域［13］，運用動態像素聚集技術和動態區域增長技術進行顏色分割［14］。

研究可知，在上述RGB彩色空間、HSI彩色空間和HSV彩色空間以外，還有另外一些彩色空間也可用于顏色分割。Shaposhnikov等人將RGB空間轉化到CIE（國際照明委員會）的標準XYZ空間［15-16］進行顏色分割；Luo等人也提出了在CIE彩色空間的顏色分割［17］，以亮度（L）、色度（C）、色調（H）為度量確定閾值，取得了一定的效果。

3.2 基于形狀的檢測系統方法

形狀是交通標志的另一突出特征，利用形狀特征可以將交通標志從復雜背景中有效地提取出來。在交通標志檢測系統的研究過程中，對形狀特征的算法協同加入各類改進，勢將影響檢測效率和準確度。

輪廓分析法是交通標志形狀分割的傳統方法，核心思想是把交通標志分為若干區域，而后再進行輪廓的檢測。張靜等人提出了多特征融合的圓形標志分割方法，首先提出非彩色分解技術用于去除非感興趣區域，其后又綜合利用圓形交通標志的圓形度，展弦比等特征提取出了圓形標志的精確區域，取得了可觀的研究成果［18］。朱雙冬等人提出了一種三角形交通標志檢測的方法。該方法首先在HIS顏色空間提取紅色，并使用LOG模板在檢測的區域展開邊緣檢測，再對檢測到的點進行頂點判別，判斷頂點是否滿足三角形的幾何條件，具有較好的準確率和檢測速度。

圖像處理中，Hough變換是由圖像中識別幾何形狀的基本方法之一。Hough變換的基本原理在于利用點與線的對偶性［19］，將原始圖像空間的曲線通過曲線表達形式變換為參數空間的一個點，尋找參數空間中的峰值。2007年，陳維馨等人［20］利用向量濾波器分割感興趣區域，并采用拐點、幾何特征和對稱性檢測三角形和圓形標志，獲得了良好可見的最終效果。2013年，齊朗嘩使用Hough變換的思想，采用canny算子進行圖像預先分類，對圓形（包括八邊形）、三角形、菱形起到了顯著突出的檢測作用，預分類準確率可達98%以上［21］。2014年，張佳等人使用隨機Hough變換利用梯度信息減少無效累積，縮小判斷真圓的驗證范圍，從而優化改進了原有算法［22］。2015年，盧艷君使用隨機Hough變換法和輪廓逼近方法，確定圓形、矩形、三角形和八邊形交通標志，為最終實現交通標志的準確檢測提供了有益思路和參考價值［23］。一般情況下，這種方法均能獲得滿意的檢測效果。

利用邊緣算子進行形狀檢測也是一種不錯的手段。Garlipp等人采用canny算子提取邊緣，并且建立一個回歸函數，通過該回歸函數模型而去確認檢測目標是否為三角形交通標志［24］。Cyganek等人利用了角點檢測三角形標志，但這種方法計算量較大、而且檢測效率也未臻理想［25］。2013年，彭岳軍的研究中對圖像使用canny算子進行邊緣檢測分割獲得了良好實現效果，結合顏色閾值，即使在下雨天也能夠達到88.73%的檢測率［26］。

3.3基于顏色與形狀相結合的檢測系統方法

將基于顏色特征和基于形狀特征檢測這2種方法相結合，可以使二者優勢互補，提高檢測結果的準確性。2011年，高向東等人在對于佳通標志智能檢測方法的研究中，先采用基于HSV彩色空間的分割算法分割圖像，再通過多尺度Retinex算法增強圖像信息，其后尋找質心與邊緣的距離值提取形狀特征，最終將二者所得結果結合起來完成檢測工作［27］。谷明琴的研究中使用RGB空間對車載相機采集的圖像進行處理，通過形態學濾波去除噪聲斑點恢復較大區域上的邊緣，并對實現了邊緣重構的特定圖像進行形狀特征提取，結合顏色和形狀，從而得到了實際突出的研發效果［28］。2014年，鄧雄偉提出了一種改進的綜合顏色和形狀的方法［29］：基于顏色分割和局部Hough變換的交通標志檢測。對處理得出的二值圖像進行邊緣檢測，保留邊緣特征，而后進行輪廓跟蹤，最終提升了研究處理效果。

2015年，葉陽陽的研究中介紹了一種尋找高可信度區域以得到高質量交通標志區域的研究方法［30］。技術實現中，是通過類HOG特征、顏色紋理中的模糊對稱性，顏色對稱性和旋轉對稱性而得出的最優直方圖區域、顏色紋理特性，由此判斷是否為交通標志，進一步地還將通過迭代尋找最優交通標志區域。

神經網絡也是一種高效通用的顏色檢測方法，而且與傳統彩色空間檢測也有所不同。Kellmeyer等人利用神經網絡進行顏色分割和形狀分析［31］，研究報告中提到了通過使用彩色圖像處理和神經網絡來檢測和定位自然道路上的標志牌圖像。該研發系統可以協助司機全面獲取道路信息，同時又減少了冗余過大的問題。

4　環境交通標志檢測主要困難及解決思路

4.1交通標志檢測的難點

在現實生活中，制約交通標志有效識別因素有很多。相應地，也呈現出一定有待解決的問題難點。對其可做如下概述：

1）受實際復雜的道路狀況影響，交通標志圖像的背景較為混亂，例如交通標志被其他物體遮擋，以及車輛的快速運動均可使采集的交通標志變得模糊［32］。

2）同一交通標志的形狀結構和比例的不一致性，以及拍攝角度的多變性，則會導致交通標志出現不同程度的幾何失真。

3）由于各種實際條件的影響（光照、天氣等），交通標志將會出現較為嚴重的顏色失真。

4.2解決思路

針對以上問題，提出如下解決思路：

1）采用圖像的預處理技術，使用圖像盲復原技術［33］解決圖像運動模糊的問題，采用幾何分析等方法對圖像遮蓋進行處理。

2）使用不變矩理論進行分析，處理圖像的幾何形變、扭曲旋轉等情況。

3）運用形態學運算的方法更好地利用圖像中的有效信息提高檢測的準確性。

5　結束語

綜上可知，檢測階段是TSR系統的研發基礎。隨著科技的發展，性能更佳、更為精確的傳感器的成功實現即使得采集獲得的信息更趨系統、全面。圖像預處理階段就能夠更具成效地處理交通標志扭曲、運動模糊等必然出現的狀況，在檢測算法中更多地運用了形態學方法，就可在保持圖像的有效信息的同時，進一步去除局部細小的干擾元素。現有的大多數研究中，對于交通標志的檢測少有采用智能與非智能相結合的方法來支持核心功能進展和實現的，智能與非智能方法的結合不僅可以互相彌補自身缺陷保證實施率，而且同時也可以提高自身的檢測數據的準確性。此時若將顏色特征與形狀特征相結合更可以使二者相互補充，保證檢測結果的準確性。

預期未來在交通標志檢測研究的不斷推進下，交通標志檢測技術必會日趨升級完善，收獲更多、更為優秀的檢測算法。

［1］PICCIOLI G，MICHELI D E，PARODI P，et al.Robust method for road sign detection and recognition［J］.Image and Vision Computing，1994，14（3）：209-223.

［2］SANDOVAL H，HATTORI T，KITAGAWA S，et al.Angle dependent edgedetectionfortrafficsignsrecognition［C］// Proceedings of the IEEE Intelligent Vehicles Symposium2000.san Jose：IEEE，2000：308-313.

［3］STALLKAMP J，SCHILIPSING M，SALMEN J，et al.Man vs. computer：Benchmarking machine learning algorithms for traffic sign recognition［J］.Neural networks，2012，32：323-332.

［4］YANG H M，LIU Chaolin，LIU Kunhao，et al.Traffic sign recognition in disturbing environments［A］.ZHONG Ning，ZBIGNIEW W R，SHUSAKU T，et al.Proc of the 14thInternational Symposium on Methodologies for Intelligent Systems（LNAI 2871）［C］.Heidelberg Berlin：Spinger-Verlag，2003：252-261.

［5］CYGANEK B.Circular road signs recognition with soft classifiers［J］. Integrated Computer-Aided Engineering，2007，14（4）：323-343.

［6］余進程.車載輔助系統中禁令交通標志的識別研究［D］.廣州：廣東工業大學，2014.

［7］KEHTARNAVAZ N，GRISWOLD N C，KANG D S.Stop-sign recognition based on color-shapeprocessing［J］.Machine Vision and Applications，1993，6：206-208.

［8］MALDONADO-BASCON S，LAFUENTE-ARROYO S，GIL-JIMENEZ P，et al.Road-sign detection and recognition based on Support Vector Machines［J］.IEEETransactions on Intelligent Transportation Systems，2007，8（2）：264-278.

［9］CYGANEK B.Soft System for Road Signs Detection［M］//MELIN P，CASTILLO O，RAMIREZ E G，et al：Analysis and Design of Intelligent Systems using Soft Computing Techniques.Heidelberg，Berline：Springer，2007：316-326.

［10］沙莎，肖學鋼.一種多通道融合的交通標志檢測方法［J］.計算機工程，2009，35（6）：202-204.

［11］歐陽維力.基于單目視覺的交通標志檢測與識別算法研究［D］.長沙：湖南大學，2014.

［12］LIU H X，RAN B.Vision-based stop sign detection and recognition system for intelligent vehicle［J］.Transportation Research Record，2001，1748：161-166.

［13］VITABILE S，POLLACCIA G，PILATO G，et al.Road signs recognition using a dynamic pixel aggregation technique in the HSV color space［C］//11thInternational Conference on Image Analysis and Processing.Palermo，Italy：IEEE，2001：572-577.

［14］VITABILE S，GENTILE A，SORBELLO F.A neural network based automaticroadsignsrecognizerproceedings［C］//the2002 International Joint Conference on Neural Networks.Honolulu，USA： IEEE，2002：2315-2230.

［15］GAOXW，PODLADCHIKOVAL，SHAPOSHNIKOVD. Application of Vision Models to Traffic Sign Recognition［Z］. London：Middlesex University，2003：1100-1105.

［16］SHAPOSHNIKOV W D，LUBOV N，GOLOVAN E V，et al.Road sign recognition by single positioning of Space-Variant Sensor Window［C］//Proc of the 15thInternational Conf on Vision Interface. Calgary，Canada：［s.n.］，2002：213-217.

［17］LUO M R，HUNT R W G.Structure of the CIE 1997 color appearance model［J］.Color Research and Application，1998，23（3）：138-146.

［18］張靜，何明一，戴玉超，等.多特征融合的圓形交通標志檢測［J］.模式識別與人工智能，2011，24（4）：226-232.

［19］劉念，蘇杭，郭純宏，等.基于Hough變換圓檢測的人眼定位方法改進［J］.計算機工程與設計，2011，32（4）：1359-1362.

［20］陳維馨，李翠華，汪哲慎.基于顏色和形狀的道路交通標志檢測［J］.廈門大學學報：自然科學版，2007，46（5）：635-640.

［21］齊朗嘩.基于分塊核函數特征的交通標識識別［D］.南京：南京理工大學，2013.

［22］張佳，程宇龍.基于隨機Hough變換的圓形目標檢測實驗［J］.實驗室研究與探索，2014，33（7）：130-133.

［23］盧艷君.交通標志自動檢測與識別算法研究［D］.武漢：武漢科技大學，2015.

［24］GARLIPP.Detection of linear and circular shapes in image analysis［J］.Computational statistics and data analysis，2006，51（3），1479-1490.

［25］CYGANEK B.Road signs recognition system for intelligent vehicles［J］.Lecture Notes in Computer Science，2008，4931：219-233.

［26］彭岳軍.道路交通標志檢測與識別技術研究［D］.廣州：華南理工大學，2013.

［27］高向東，劉紅，楊大鵬.交通標志的智能檢測方法研究［J］.中外公路，2011，31（2）：260-263.

［28］谷明琴.復雜環境中交通標識識別與狀態跟蹤估計算法研究［D］.長沙：中南大學，2013.

［29］鄧雄偉.自然環境下道路交通標志的檢測與識別研究［D］.南京：南京理工大學，2014.

［30］葉陽陽.交通標志檢測和識別算法研究［D］.北京：北京交通大學，2015.

［31］KELLMEYER D，ZWAHLEN H.Detection of highway warning signs in natural video images using color image processing and neural networks［C］//IEEE Proc.Int.Conf.Neural Networks.Floride Orlando：IEEE，1994，7：4226-4231.

［32］LE T T，TRAN S T，MITA S，et al.Real time traffic sign detection using color and shape-based features［J］.Intelligent Information and Database Systems，2010，5991：268-278.

［33］唐述，龔衛國.高階混合正則化圖像盲復原方法［J］.光學精密工程，2013，21（1）：151-157.

Review of traffic sign detection

WEN Si-ao，LI Zhimin，HAO Bowen，NI Yuting，ZHONG Ling
（School of Software，Shenyang University of Technology，Shenyang 110023，China）

The problem of the road traffic is more and more serious，Intelligent Transportation System arises at the historic moment. Traffic sign recognition system is an important part of ITS，and its research has a very important practical value.TSR can be divided into two parts of detection and recognition，Detection efficiency will make TSR overall performance improvements，in order to improve the operating speed of the traffic and reduce the occurrence of traffic accidents.This article introduces the traffic sign detection part，summarizes the domestic and foreign research results since the 70＇s of last century，the methods used include color detecting，shape detecting，neural network and so on.Based on the aboved，the paper briefly describes the technical theory and difficulties，and furtherly gives out a summary of the current situation of the traffic sign recognition system and the vision of the future.

traffic signs；ITS；color detection；shape detection；driverless cars

TP391

A

2095-2163（2016）03-0058-04

2016-04-18

國家自然科學基金（61540069）；2015年大學生創新項目（遼教辦發［2016］108號）。

溫斯傲（1996-），男，本科生，主要研究方向：算法、圖像處理；李志民（1994-），男，本科生，主要研究方向：圖像處理；郝博聞（1996-），女，本科生，主要研究方向：算法、嵌入式；倪鈺婷（1996-），女，本科生，主要研究方向：算法；鐘玲（1970-），女，碩士，副教授，主要研究方向：圖像處理、數據挖掘。