面向無(wú)人駕駛的高速公路指路標(biāo)志字符檢測(cè)

徐家偉　張重陽(yáng)

(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院　江蘇 南京 210094)

0　引　言

近些年來(lái)，關(guān)于無(wú)人駕駛車(chē)輛的研究得到越來(lái)越廣泛的重視，道路視覺(jué)信息的獲得則舉足輕重，而道路交通標(biāo)志的檢測(cè)則是其重要的組成部分。針對(duì)于特定場(chǎng)景，本文提出的方法是針對(duì)于高速公路指路標(biāo)志字符的檢測(cè)。國(guó)內(nèi)外的許多研究者對(duì)于交通標(biāo)志字符的檢測(cè)已經(jīng)提出了一些行之有效的方法，基本思路是獲得感興趣交通標(biāo)志區(qū)域，對(duì)區(qū)域內(nèi)的有用字符進(jìn)行檢測(cè)。對(duì)感興趣交通標(biāo)志區(qū)域的提取，可通過(guò)顏色特征、形狀特征、紋理特征等組合的方法[1]，對(duì)于自然場(chǎng)景字符的檢測(cè)，則有基于連通組件的方法[4]、基于紋理特征的方法[5]、基于連通組件和紋理特征相結(jié)合的方法[6]。而針對(duì)于感興趣字符型交通標(biāo)志區(qū)域的獲取并進(jìn)行字符的檢測(cè)的現(xiàn)有研究，谷明琴等[7]提出首先通過(guò)顏色特征分割出感興趣區(qū)域，再通過(guò)形態(tài)濾波和形狀標(biāo)記圖篩選字符型交通標(biāo)志的候選區(qū)域，然后通過(guò)大津率閾值二值化算法將分割出的圖像二值化，最后進(jìn)行一次水平投影和一次垂直投影并通過(guò)3次樣條擬合算法進(jìn)行字符提取。該方法滿(mǎn)足智能駕駛實(shí)時(shí)性的要求，但是這種方法只是適用于版面簡(jiǎn)單的字符型交通標(biāo)志。王振等[8]將道路環(huán)境中藍(lán)底白字標(biāo)志牌文字的檢測(cè)和提取作為研究重點(diǎn)，通過(guò)主元分析方法提取感興趣標(biāo)志區(qū)域的顏色特征并進(jìn)行定位，對(duì)得到的區(qū)域進(jìn)行仿射變換。通過(guò)形態(tài)學(xué)的top hat、skeleton算子以及區(qū)域生長(zhǎng)等算法進(jìn)行字符的定位。該方法也是研究簡(jiǎn)單的標(biāo)志牌版面，且只進(jìn)行文字的提取，損失了距離字符，方向符號(hào)等重要信息。劉居峰[9]通過(guò)顏色特征以及形狀輪廓特征結(jié)合分類(lèi)器的方法獲得高速公路綠底白字感興趣交通標(biāo)志區(qū)域。然后提出在交通標(biāo)志S通道拉伸灰度圖上利用聚類(lèi)算法進(jìn)行二值化，并通過(guò)多尺度規(guī)則和漢字多連通的特點(diǎn)進(jìn)行文字的提取。該方法只針對(duì)文字提取，且對(duì)于漢字多連通的特點(diǎn)，很容易造成漢字筆畫(huà)分離。陳亞杰[10]通過(guò)顏色特征以及HOG特征結(jié)合支持向量機(jī)獲得城市道路藍(lán)底白字感興趣交通標(biāo)志區(qū)域，然后通過(guò)幾何特征和位置信息分別獲得文字和符號(hào)。該方法對(duì)于版面復(fù)雜的情況則不能很好地提取文字和符號(hào)。

本文針對(duì)無(wú)人駕駛的實(shí)際需求，提出一種對(duì)高速公路指路標(biāo)志字符進(jìn)行提取的方法。高速公路指路標(biāo)志一般為綠底白字，為了獲得足夠的有用信息，這里檢測(cè)定位的字符目標(biāo)有高速公路編號(hào)，距離字符，方向符號(hào)，中文地名等有用信息。首先輸入無(wú)人車(chē)在高速公路實(shí)際場(chǎng)景下采集的圖像，為了實(shí)時(shí)性處理，對(duì)圖像降采樣，進(jìn)行顏色分割，通過(guò)形態(tài)學(xué)操作和幾何特征獲得感興趣指路標(biāo)志區(qū)域。對(duì)指路標(biāo)志牌二值化，通過(guò)霍夫變換以及仿射變換對(duì)指路標(biāo)志牌進(jìn)行傾斜矯正，利用幾何特征和位置特征濾除噪聲。再根據(jù)版面規(guī)則和多級(jí)投影策略進(jìn)行字符分割，將關(guān)聯(lián)字符合并成字符區(qū)域，提取字符區(qū)域的HOG特征通過(guò)支持向量機(jī)進(jìn)行分類(lèi)去除偽目標(biāo)區(qū)域，最后即可獲得目標(biāo)字符區(qū)域。通過(guò)對(duì)實(shí)際場(chǎng)景的圖片的實(shí)驗(yàn)，證明了本方法的有效性。

1　指路標(biāo)志牌的檢測(cè)

圖1所示是無(wú)人車(chē)采集的實(shí)際高速公路場(chǎng)景圖片，高速公路指路標(biāo)志牌一般固定于道路兩旁或者懸掛于道路上方，主體一般為綠底白字，部分指路標(biāo)志牌上會(huì)有其他樣式的交通標(biāo)志。本文方法以白色字體的高速公路編號(hào)，距離字符，方向符號(hào)，中文地名等有用信息為檢測(cè)目標(biāo)。高速公路指路標(biāo)志牌的檢測(cè)是字符檢測(cè)的前期必要工作，本文提出了滿(mǎn)足無(wú)人駕駛實(shí)時(shí)性要求，符合高速公路場(chǎng)景的指路標(biāo)志牌檢測(cè)方法。圖2所示是高速公路字符檢測(cè)算法的框架。

圖2　高速公路指路標(biāo)志字符檢測(cè)算法框架

1.1　顏色分割

為提高處理速率，對(duì)得到的圖片進(jìn)行降采樣。高速公路指路標(biāo)志基本都位于圖片的上半部分，所以方法首先截取圖片的上三分之二部分。之后再通過(guò)高斯核對(duì)圖像進(jìn)行卷積，對(duì)卷積后圖像刪除所有的偶數(shù)行和偶數(shù)列以降采樣。采用RGB顏色空間和HSV顏色空間結(jié)合的方法提取以綠色為主的高速公路指路標(biāo)志區(qū)域。方法對(duì)圖像同時(shí)提取RGB顏色空間和HSV顏色空間像素值。設(shè)RGB顏色空間的像素值為紅r、綠g、藍(lán)b，HSV顏色空間像素值為色調(diào)h、飽和度s、明度v。首先通過(guò)式(1)粗選區(qū)域。

(1)

針對(duì)粗選的感興趣區(qū)域，考慮光照等因素，再根據(jù)明度進(jìn)行多梯度的顏色分割。將明度劃分為三個(gè)梯度，分別記為v1、v2、v3。得式(2)、式(3)、式(4)。

(2)

(3)

(4)

通過(guò)本文提出的結(jié)合RGB和HSV顏色空間的多梯度顏色分割方法得到的感興趣區(qū)域中包含感興趣高速公路指路標(biāo)志區(qū)域。

1.2　幾何特征過(guò)濾

通過(guò)顏色分割得到的圖像為二值圖，感興趣區(qū)域中包含很多噪聲，需要通過(guò)幾何特征進(jìn)行濾除。方法首先通過(guò)面積特征濾出面積過(guò)小的區(qū)域。然后對(duì)圖像進(jìn)行形態(tài)學(xué)膨脹，填充感興趣區(qū)域內(nèi)部空洞，進(jìn)行形態(tài)學(xué)腐蝕操作。其目的是為了保持指路交通標(biāo)志區(qū)域矩形形狀的穩(wěn)定。到此，二值圖中可能還剩下一些噪聲，需要根據(jù)幾何特征進(jìn)行濾除。首先，獲得感興趣區(qū)域的輪廓S，對(duì)應(yīng)得到輪廓的外接矩形R，現(xiàn)設(shè)外接矩形的寬為Rwidth，高為Rheight，面積為Rarea，輪廓的面積為Sarea，則感興趣區(qū)域需滿(mǎn)足式(5)：

(5)

同時(shí)，與圖像邊界粘連的區(qū)域也將被濾除。通過(guò)降采樣、顏色分割、幾何特征過(guò)濾后，得到處理結(jié)果，如圖3所示。

圖3　高速公路指路標(biāo)志定位圖

2　字符的檢測(cè)

2.1　指路標(biāo)志牌的二值化與傾斜矯正

對(duì)高速公路指路標(biāo)志牌二值化，本文提出一種顏色特征二值化方法和分塊局部OTSU方法的結(jié)合方法。指路標(biāo)志牌的背景色為綠色，目標(biāo)字符為白色，可以根據(jù)顏色特征進(jìn)行二值化。應(yīng)對(duì)明暗不同的情況，在RGB顏色空間獲取自適應(yīng)閾值，現(xiàn)需獲得綠色閾值T(g)，紅色閾值T(r)。標(biāo)志圖像中大部分是背景色，現(xiàn)統(tǒng)計(jì)綠色像素g及紅色像素r的直方圖，得到綠色像素最大峰值P(g)、紅色像素最大峰值P(r)，綠色的閾值取P(g)左邊的第一個(gè)谷值TR(g)，紅色閾值取P(r)右邊的第一個(gè)谷值TR(r)。顏色特征二值化有式(6)：

(6)

OTSU算法是圖像二值化的常用方法，考慮到圖像不同位置明暗的差異，本文采用分塊局部OTSU算法。將圖像分成若干圖像塊，每塊記為Block(k)，k為圖像塊的計(jì)數(shù)。對(duì)每個(gè)圖像塊統(tǒng)計(jì)灰度直方圖，計(jì)算當(dāng)閾值取i時(shí)，Block(k)平均灰度X，前景色平均灰度Y，背景色平均灰度值Z，前景像素?cái)?shù)量S(Y),背景色像素?cái)?shù)量S(Z)，總像素?cái)?shù)量S(X)，則得Block(k)的前景與背景的類(lèi)間方差F(k)如式(7)所示。F(k)取最大時(shí)的i即為合適閾值。最后將兩種方法的二值化圖像結(jié)果進(jìn)行邏輯與運(yùn)算得到最終二值圖。

(7)

因?yàn)榈玫降牟糠种嘎窐?biāo)志牌是傾斜的，需要進(jìn)行矯正。首先通過(guò)Hough變換在二值圖上得到標(biāo)志牌的四條邊線，然后求四條邊線的交點(diǎn)，即可得到標(biāo)志牌的四個(gè)角點(diǎn)，通過(guò)仿射變換可將傾斜標(biāo)志牌進(jìn)行矯正。

2.2　基于多級(jí)投影的字符切割方法

矯正后的二值圖仍存在非目標(biāo)區(qū)域，可以通過(guò)幾何規(guī)則過(guò)濾，包括區(qū)域長(zhǎng)寬比、區(qū)域面積、區(qū)域占版面比例等，過(guò)濾后的二值圖可繼續(xù)進(jìn)行下一步操作。

接下來(lái)本文提出一種基于多級(jí)投影的字符切割方法。通過(guò)分析版面，可知版面十分復(fù)雜多樣，且漢字筆畫(huà)分離，各標(biāo)識(shí)區(qū)域相互交錯(cuò)。為了最大程度保證不破壞字符的完整性并得到字符，根據(jù)版面規(guī)則，通過(guò)自上而下的多級(jí)投影策略，進(jìn)行多次組合投影操作，可將復(fù)雜版面完全切割開(kāi)，每次組合操作包括一次垂直方向投影操作，一次水平方向投影操作。

一次組合投影后，對(duì)于得到的各個(gè)區(qū)域塊，判斷是否繼續(xù)進(jìn)行組合投影操作，直到完全分割。通過(guò)對(duì)版面的分析，當(dāng)區(qū)域塊占版面的比例較大，或者區(qū)域塊為豎直長(zhǎng)條狀時(shí)都需要進(jìn)行投影操作。除了以上兩種情況外，版面還有一種特定模式需要再次投影切割，即區(qū)域塊上面是漢字，下面是英文字母的形式，這種模式區(qū)域塊在切割中以較高頻率出現(xiàn)。利用本方法，以圖4中的指路標(biāo)志牌為例，經(jīng)過(guò)兩次組合投影操作即可全部分割開(kāi)字符。

圖4　一種指路標(biāo)志牌

第一次組合投影中，垂直方向投影沒(méi)有投影像素點(diǎn)為0區(qū)間，則不分割。繼續(xù)水平方向投影，坐標(biāo)圖如圖5(a)所示，可將圖4標(biāo)志牌分為左右兩部分。第二次組合投影可將較為復(fù)雜的左部分完全切割開(kāi)，二值圖垂直方向投影坐標(biāo)圖如圖5(b)所示，可得到三個(gè)條狀字符區(qū)域。三個(gè)條狀字符區(qū)域二值圖繼續(xù)水平方向投影，最終根據(jù)投影像素個(gè)數(shù)為0的圖像列將所有字符切割開(kāi)。中間過(guò)程投影結(jié)果如圖6所示。

圖5　投影坐標(biāo)圖

圖6　多級(jí)投影中間過(guò)程切割結(jié)果

因?yàn)闄z測(cè)的目標(biāo)包括白色字體的高速公路編號(hào)、距離字符、方向符號(hào)、中文地名等信息，這些目標(biāo)又由數(shù)字字符、英文字符、漢字字符等組成。同時(shí)，指路標(biāo)志牌上仍然可能存在其他標(biāo)識(shí)等偽目標(biāo)字符區(qū)域，這里需要根據(jù)版面規(guī)則合成得到字符區(qū)域以進(jìn)行后續(xù)操作，即合成地名字符區(qū)域、距離字符區(qū)域等。

3　基于分類(lèi)的偽目標(biāo)去除

通過(guò)合并得到的區(qū)域中，除了目標(biāo)字符區(qū)域外，還有一些偽目標(biāo)區(qū)域，包括限速標(biāo)識(shí)、英文拼音字符區(qū)以及一些其他偽目標(biāo)。本文提出通過(guò)提取字符區(qū)域HOG特征，通過(guò)SVM分類(lèi)器分類(lèi)目標(biāo)區(qū)域和偽目標(biāo)區(qū)域，剔除偽目標(biāo)區(qū)域。

3.1　區(qū)域HOG特征的提取

圖像當(dāng)中的局部目標(biāo)能夠被梯度或者邊緣的方向密度分布很好的描述。方向梯度直方圖(HOG)[11]是圖像的一種特征描述子，通過(guò)計(jì)算統(tǒng)計(jì)圖像的局部區(qū)域的梯度方向直方圖獲得特征。計(jì)算圖像中像素點(diǎn)(x,y)梯度如式(8)所示。

(8)

式中：Gx(x,y)表示像素點(diǎn)(x,y)處水平方向梯度，Gy(x,y)表示垂直方向梯度，H(x,y)表示像素值，G(x,y)表示梯度幅值，α(x,y)表示梯度方向。建立方向梯度直方圖，是將梯度方向劃分為多個(gè)區(qū)間，分別統(tǒng)計(jì)各個(gè)方向區(qū)間內(nèi)的像素個(gè)數(shù)，根據(jù)梯度值進(jìn)行加權(quán)，最后以各區(qū)間為單位建立直方圖。本文方法通過(guò)將圖像區(qū)域歸一化為固定尺寸n×n的圖像，然后將圖像劃分成m×m的塊(block)，每個(gè)塊劃分成k×k的細(xì)胞單元(cell)，將梯度方向平均劃分為r個(gè)區(qū)間。采集細(xì)胞單元的每個(gè)像素點(diǎn)的梯度和邊緣方向，建立直方圖。其中n是m的整數(shù)倍，m是k的整數(shù)倍。每個(gè)block的特征為block內(nèi)cell統(tǒng)計(jì)的方向梯度直方圖的累加，記為特征向量M[m0,m1,…,mi-1]，i為block的特征向量的維數(shù)，將每個(gè)block的特征向量串行疊加，得到整個(gè)圖像區(qū)域的特征向量N[M0,M1,…,Mj-1]，j為block的塊數(shù)，N的維數(shù)SUM(N)如式(9)。圖7為求得的一幅圖像的HOG特征直方坐標(biāo)圖。

(9)

圖7　HOG特征坐標(biāo)圖

3.2　偽目標(biāo)字符區(qū)域的去除

支持向量機(jī)(SVM)[14]建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，針對(duì)線性可分情況實(shí)現(xiàn)類(lèi)別間隔最大化。對(duì)于線性不可分的情況，可將低維輸入線性不可分的樣本映射到高維特征空間以線性可分，SVM通過(guò)使用核函數(shù)將數(shù)據(jù)進(jìn)行轉(zhuǎn)換，在轉(zhuǎn)換后的數(shù)據(jù)空間確定超平面進(jìn)行數(shù)據(jù)分類(lèi)。常用的核函數(shù)有多項(xiàng)式核、徑向基核、多層感知機(jī)核等，本文采用的核函數(shù)為徑向基核函數(shù)，核函數(shù)公式如下所示：

κ(x,xi)=e-γ‖x-xi‖2γ>0

(10)

先建立正負(fù)樣本訓(xùn)練集，正樣本包括白色字體的高速公路編號(hào)區(qū)域，距離字符區(qū)域，方向符號(hào)區(qū)域，中文地名區(qū)域，負(fù)樣本為其他區(qū)域。提取出HOG特征，投入到SVM進(jìn)行訓(xùn)練，得到訓(xùn)練結(jié)果。測(cè)試時(shí)，從高速公路指路標(biāo)志牌上獲取可能目標(biāo)區(qū)域，根據(jù)訓(xùn)練結(jié)果進(jìn)行分類(lèi)，確定是目標(biāo)區(qū)域或偽目標(biāo)區(qū)域，是目標(biāo)區(qū)域則保留，是偽目標(biāo)區(qū)域則剔除。算法如下：

1.give training data

training data: { (x1,y1),...,(xN,yN)};

input images: xi;

class label: yi={0,1} ;

2.get HOG features

image normalization: xi→n*n,i = 1,2,...,N;

Divide gradient direction : r;

最后，設(shè)計(jì)解決方案。確定核心目標(biāo)后，我們就要從核心目標(biāo)的達(dá)成出發(fā)來(lái)設(shè)計(jì)解決方案了。解決方案必須是基于幫助學(xué)生成長(zhǎng)的愿景而設(shè)計(jì)，具有“準(zhǔn)”“遠(yuǎn)”“系”三個(gè)特點(diǎn)。準(zhǔn)，就是準(zhǔn)確找到根源性問(wèn)題；遠(yuǎn)，就是要盡可能往前看學(xué)生的經(jīng)歷，盡可能往后看學(xué)生的未來(lái)；系，就是解決方案不是單一的，而是持續(xù)的系統(tǒng)方案。

calculate the gradient: Vpixel1,...,Vpixelk*k;

get histogram: h1,...,hr→Hj;

End for

End for

3.train

input HOG feature of all training images;

while Flossis not convergent

update the parameters of SVM;

End while

4.predict

input images X to SVM;

output result: y(0 or 1).

通過(guò)本文提出的基于HOG特征和SVM的二分類(lèi)，可以很好地將目標(biāo)區(qū)域和偽目標(biāo)區(qū)域分隔開(kāi)。圖8為示例最終檢測(cè)結(jié)果。

圖8　字符定位圖

4　實(shí)驗(yàn)分析

4.1　實(shí)驗(yàn)條件

基于本文所提方法進(jìn)行的實(shí)驗(yàn)，軟件條件為Windows7+VS2013+Opencv2.4.10，硬件為基于Intel Core i5-2450M的CPU和4 GB內(nèi)存。實(shí)驗(yàn)所用數(shù)據(jù)是通過(guò)南京理工大學(xué)無(wú)人車(chē)車(chē)載500W相機(jī)在南京至無(wú)錫路段所采集的高速公路實(shí)際場(chǎng)景照片，采集圖片分辨率為2 448×2 050。圖片采集過(guò)程上午從南京至無(wú)錫，天氣晴朗，下午從無(wú)錫至南京，天氣多云，全程車(chē)速控制在90 km/h左右，車(chē)輛行駛方向有順光逆光變化。

4.2　實(shí)驗(yàn)結(jié)果

在本次實(shí)驗(yàn)中，采用準(zhǔn)確率(Precision)和召回率(Recall)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，如公式所示：

(11)

式中：TP是正確檢測(cè)到的區(qū)域，F(xiàn)P是錯(cuò)誤檢測(cè)到的區(qū)域，F(xiàn)N是漏檢的正確區(qū)域。

在實(shí)際高速公路場(chǎng)景的圖像上進(jìn)行高速公路指路標(biāo)志牌檢測(cè)實(shí)驗(yàn)，正確區(qū)域?yàn)橹嘎窐?biāo)志牌區(qū)域，錯(cuò)誤區(qū)域?yàn)槠渌麉^(qū)域。從實(shí)驗(yàn)結(jié)果分析得，錯(cuò)誤區(qū)域主要為墨綠色廣告牌和客車(chē)等噪聲，其顏色、形狀和指路標(biāo)志牌相近，容易誤檢，區(qū)域漏檢主要是因?yàn)橹嘎窐?biāo)志牌顏色嚴(yán)重失真或區(qū)域被大部分遮擋等。與劉居峰[9]提出的方法的實(shí)驗(yàn)結(jié)果對(duì)比，如表1所示。本文方法與劉居峰的方法相比，準(zhǔn)確率和時(shí)間較為相近，但是查全率有了明顯的提高。

表1　指路標(biāo)志區(qū)域檢測(cè)實(shí)驗(yàn)

在高速公路指路標(biāo)志圖像上進(jìn)行目標(biāo)字符區(qū)域的檢測(cè)，正確區(qū)域?yàn)楦咚俟肪幪?hào)、距離字符、方向符號(hào)、中文地名等字符區(qū)域，錯(cuò)誤區(qū)域?yàn)槠渌麉^(qū)域。本方法進(jìn)行三組實(shí)驗(yàn)，不同之處在于分別將待檢測(cè)字符區(qū)域歸一化為40×40、60×60、80×80尺寸，block取10×10，cell取5×5，梯度方向均分為9個(gè)區(qū)間提取HOG特征，參數(shù)設(shè)定要保證特征維度合適，維度過(guò)低不能反映圖像特征，過(guò)高耗時(shí)較多。從實(shí)驗(yàn)結(jié)果分析得誤檢區(qū)域主要為辨識(shí)度低的英文字母區(qū)域以及其他標(biāo)識(shí)區(qū)。誤檢原因?yàn)榉诸?lèi)器分類(lèi)時(shí)出現(xiàn)誤分，漏檢原因是多級(jí)投影切割時(shí)的誤切和分類(lèi)器分類(lèi)時(shí)的誤分。實(shí)驗(yàn)結(jié)果以及與劉居峰[9]提出的方法的對(duì)比如表2所示。

表2　目標(biāo)字符區(qū)域檢測(cè)實(shí)驗(yàn)

從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于本文方法的三組實(shí)驗(yàn)，當(dāng)待檢測(cè)目標(biāo)區(qū)域歸一化為60×60時(shí)，特征提取較為合適，準(zhǔn)確率和查全率最高，且時(shí)間也相對(duì)合適。同時(shí)，準(zhǔn)確率、查全率、時(shí)間相對(duì)于劉居峰提出的方法都有大幅提高。

5　結(jié)　語(yǔ)

本文提出的高速公路指路標(biāo)志字符檢測(cè)方法，通過(guò)顏色幾何特征獲得指路標(biāo)志區(qū)域；通過(guò)二值化、仿射變換和基于多級(jí)投影的字符切割得到字符區(qū)域；通過(guò)HOG特征加上SVM的策略，去除偽目標(biāo)字符區(qū)域。最終得到目標(biāo)字符區(qū)域，效果明顯，可以很好地檢測(cè)到標(biāo)志牌上的有用字符，包括地名、距離、方向等信息。這為無(wú)人駕駛道路視覺(jué)信息的獲得提供基礎(chǔ)，可運(yùn)用到高速公路場(chǎng)景視覺(jué)信息和衛(wèi)星導(dǎo)航信息的雙重驗(yàn)證以及無(wú)衛(wèi)星導(dǎo)航時(shí)的視覺(jué)交通信息支持無(wú)人駕駛。但是由于影響圖像采集質(zhì)量的因素有很多，道路環(huán)境變化劇烈，需要進(jìn)一步研究提高算法對(duì)復(fù)雜環(huán)境變化的適應(yīng)性及魯棒性，縮短響應(yīng)時(shí)間。且本方法獲得字符后，要實(shí)際運(yùn)用到無(wú)人車(chē)上，還需要對(duì)字符進(jìn)行識(shí)別以及語(yǔ)義理解，這需要后續(xù)的繼續(xù)研究。

[1] Ellahyani A, Ansari M E, Jaafari I E. Traffic sign detection and recognition based on random forests[J]. Applied Soft Computing, 2016,46(C):805-815.

[2] Lillo-Castellano J M, Mora-Jiménez I, Figuera-Pozuelo C, et al. Traffic sign segmentation and classification using statistical learning methods[J]. Neurocomputing, 2015,153:286-299.

[3] Zaklouta F, Stanciulescu B. Real-time traffic sign recognition in three stages[J]. Robotics and Autonomous Systems, 2014, 62(1):16-24.

[4] Shi C, Wang C, Xiao B, et al. Scene text detection using graph model built upon maximally stable extremal regions[J]. Pattern Recognition Letters, 2013,34(2):107-126.

[5] Li X, Wang W, Jiang S, et al. Fast and effective text detection[C]//Proceedings of the 15th IEEE International Conference on Image Processing, 2008:969-972.

[6] Gonzalez A, Bergasa L M, Yebes J, et al. Text location in complex images[C]//Proceedings of the 21st International Conference on Pattern Recognition, 2012:617-620.

[7] 谷明琴, 蔡自興, 任孝平.自然場(chǎng)景中字符型交通標(biāo)志的檢測(cè)方法[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013,44(5):1861-1868.

[8] 王振, 魏志強(qiáng). 交通標(biāo)志牌字符提取算法[J]. 計(jì)算機(jī)應(yīng)用, 2011, 31(1):266-269.

[9] 劉居峰. 自然場(chǎng)景中交通標(biāo)志文字檢測(cè)算法研究[D]. 北京: 北京交通大學(xué), 2014.

[10] 陳亞杰. 自然場(chǎng)景中交通標(biāo)志版面理解算法研究[D]. 北京: 北京交通大學(xué), 2016.

[11] Dalal N, Triggs B. Histograms of Oriented Gradients for Human Detection[J]. CVPR, 2005, 1(12):886-893.

[12] 徐淵, 許曉亮, 李才年,等. 結(jié)合SVM分類(lèi)器與HOG特征提取的行人檢測(cè)[J]. 計(jì)算機(jī)工程, 2016, 42(1):56-60.

[13] 紀(jì)娟, 秦珂, 楊若瑜. 基于HOG和幾何特征的服裝細(xì)節(jié)要素識(shí)別與分類(lèi)[J]. 圖學(xué)學(xué)報(bào), 2016, 37(1):84-90.

[14] 王見(jiàn), 陳義, 鄧帥. 基于改進(jìn)SVM分類(lèi)器的動(dòng)作識(shí)別方法[J]. 重慶大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016(1):12-17.

[15] 張?jiān)讫? 齊國(guó)紅, 張晴晴. 基于SVM的復(fù)雜環(huán)境下蘋(píng)果圖像的分割[J]. 智能計(jì)算機(jī)與應(yīng)用, 2017, 7(1):14-16.

[16] 張霞, 黃繼風(fēng). 結(jié)合LBP直方圖和SVM的視頻火焰檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2016, 33(8):216-220.

[17] Burges C J C. A Tutorial on Support Vector Machines for Pattern Recognition[J]. Data Mining & Knowledge Discovery, 1998,2(2):121-167.