道路交通标志检测研究综述

摘要：随着社会经济的发展，城市交通问题日益突出，交通事故频发，为了缓解这一趋势，智能交通系统因此而诞生。交通标志识别系统TSR（Traffic Sign Recognition）作为智能交通系统的重要组成部分，在辅助驾驶、无人汽车驾驶以及智能机器人等方面发挥着重要的作用。为此，总结了国内外交通标志检测的研究成果，经过几十年的研究，TSR的理论和实践体系逐渐形成，并取得了一些阶段性的进展。接着对常见的基于颜色检测和形状检测方法做了简单阐述。对交通标志检测目前存在的问题做了归纳总结，设计出能够胜任复杂多变的现实场景的交通标志识别系统依然是未来的研究热点和难点。

关键词：交通标志检测；ITS；TSR；颜色检测；形状检测

中图分类号：TB

文献标识码：A

doi：10.19311/ki.16723198.2017.12.089

1引言

随着经济的发展，汽车出行在为人们带来便利的同时也增加了安全事故的发生。智能交通系统ITS（Intelligent Transportation System）作为一种全新的汽车识别模式，能够缓解交通事故的发生。具体表现在，汽车在行驶过程中，利用车载系统对交通标志进行识别，再反馈给驾驶员，为驾驶提供路况信息，使驾驶员能够对路况做出准确的判断，减少交通意外的发生。另一方面，对于无人驾驶和交通标志的识别，也l挥着重要的维护作用。

近几十年来，交通标志检测与识别受到了诸多学者的关注与研究，ITS在减少安全事故和缓解道路压力方面发挥着重要作用，交通标志识别系统TSR（Traffic Sign Recognition）也应运而生。交通标志识别系统包括很多方面，交通标志检测是其一个子方面，但其重视程度不言而喻，它的应用范围很广，如无人驾驶车辆和驾驶员辅助系统等，在行车过程中，为驾驶员提供实时路况检测。虽然目前在交通标志检测方面取得了一些突破性的进展和一些阶段性的成果，但随着道路环境的多样化和不确定因素，使得检测仍存在诸多困难。总的来说，交通标志检测实用性强，关注度高，在任何时候热度都不会消减，会引发更多的人去深入研究。

2交通标志检测系统组成

交通标志检测包括五部分：图像采集，预处理，颜色分割，形状检测，精准定位。图形的采集尤为重要，对于采集到倾斜的图像，我们需要对其进行矫正处理。对于正常图像，大多数情况我们需要对其做预处理，以消除光照等的影响，然后可以通过交通标志特有的颜色和形状信息对其进行分割处理，以得到待选区域。再根据一些特定的算法对干扰区域进行剔除，从而得到目标区域。对于目前交通标志检测的研究现状，虽然取得了突破性的进展，但各种算法亦有优缺点，面对复杂多变的交通环境很难做出很好的检测，所以有必要对交通标志的检测进行更进一步的讨论和研究。

3国内外研究现状

3.1国外研究现状

早在1987年日本就进行了交通标志的检测与识别，采用了模板匹配的经典算法，其平均识别时间为0.5秒。发到国家也不甘落后，1993年美国针对“停车”的标志研究开发了ADIS系统，采用了颜色聚类的方法对目标进行检测，然而AIDS存在一个明显的缺陷，就是时间不稳定。为了满通标志时间识别的精确性，1994年，戴姆勒-奔驰汽车公司与大学合作开发，最终，一个全新的系统诞生了，其速度之快令人叹服，达到3.2s/幅，交通标志数据库中，有40000多幅图像，其识别准确率为98%。交通标志检测与识别研究进入新千年。越来越多的科研工作者和科研机构加入到交通标志检测与识别中去，使得检测技术有了很大的进步。在2001年Winconsin大学的Liu和Ran基于HIS空间的颜色阈值分割法，结合神经网络进行识别，经过实验显示该系统的准确率为95%。2005年Carethloy实验室和Nick Barnes自动化研究所利用交通标志在图形上的对称性来确定交通标志的质心位置，其建立的交通标志识别系统的准确率为95%。在2009年Muhammad等人运用多个方法进行识别实验得到最好的识别准确率为97%。2011年德国以德国交通标志数据库（GTSRB）为基础举办了交通标志识别大赛（IJCNN2011）。标志着交通标志检测与识别受到了全世界的高度关注，这也促进了交通标志检测与识别的研究进展。Ciresan等人在IJCNN2011大赛上采用深度卷积神经网络（Deep Convolution Neural Network）识别算法得到了比人类识别平均率高的结果。2013年，对于交通标志检测系统，Kim J.B将视觉显著性模型运用到其中，使交通识别的准确性更高。

3.2国内研究现状

与国外相比，在时间上，对于交通检测系统，我国运用的稍微落后。在交通标志检测研究方面，将颜色和形状结合的相关检测方法较为广泛，在识别算法方面，国内一些学者也取得了显著性的成果。在2000年郁梅提出了一种基于颜色的快速检测方法。2004年，根据不变矩特征和BP神经网络，王坤明等人对交通识别系统做了进一步的阐述。2008年，交通识别系统有了进一步的发展，以BP神经网络为基础，宁波大学朱双东教授等人将交通标志的颜色区分成了五种最基本的颜色。2012年朱淑鑫在RGB和HIS空间上进行多阈值分割。2013年，“红色位图”方法被提出，其主要利用在边缘信息的形状检测上，王刚毅希望通过这一方法来提高红色圆形标志区域的检测率。

4交通标志检测算法现状

我国的交通标志主要分为警告、禁止、指示三大类，交通标志颜色主要有红色、蓝色、黑色、黄色和白色五种基本颜色，交通标志的形状有四大类，即三角形、矩阵、八边形和圆形。目前针对道路交通标志检测的算法主要是基于颜色的检测、形状的检测以及颜色和形状相结合的检测，下面我们对常见的检测方法进行简单的概述。

4.1基于色的检测方法

由于交通标志具有很明显的颜色特征，所以很多文献都对这一方法做了讨论和研究。常见的颜色空间有RGB、HSI、Lab、Ycgcr、Ycbcr等。De La Escalear A等人运用RGB阈值的方法将颜色分类。但此方法受光照影响因素较大，为了减少光照等环境因素的影响，Ruta等人提出了RGB空间颜色增强的方法，这种方法可以快速将标志区域检测出来。由于RGB空间亮度和色度的混合在一起的，后来研究者们运用了更符合人类对颜色的视觉理解的HIS、HSV空间。为了使交通标志的检测精度更高，在HIS空间中设定阈值这个方法被提出了，事实上，一个交通标志可以由几种颜色构成，因此，S.LafuenteCArroyo等人希望通过这种方法对于不同颜色的交通标志都能检测出来。但HIS颜色空间聚类效果不好，因此，为了更好的对交通标志的颜色进行区分，选择聚类效果好的颜色空间至关重要，在此基础上，Jitendra N.Chourasia等人主张使用Ycbcr颜色区间。

4.2基于形状的检测方法

除了利用颜色对交通标志进行检测之外，还可以利用交通标志的形状，这也是其另一个重要的特点。最常用的检测圆形和直线是Hough变换，事实证明，Kuo W J等人通过Hough变换，对交通标志进行检测，效果显著，但由于其计算量大的原因不适用于实时性监测。另一种形状检测法是基于拐角提取算法，Escalera等人提出拐角检测算法，简单来说，就是根据形状的变化所产生的像素点判断能否为拐点，来进行检测，但是，其唯一的缺点是误检率也比较高。Rangarajan等人提出了一种最优拐角检测方法，通过设计好的掩膜与图像做卷积运算后将拐角检测出来，鲁棒性好。

4.3基于颜色和形状的检测方法

既然基于颜色和基于形状的方法都不能得到很好的交通标志检测，于是很多学者将这两种方法结合起来，产生了综合颜色和形状的检测方法。并也取得了一些显著性的成果。M.Zadeh等人利用图像处理的相关知识，先把图像进行颜色分割，再运用形态学的相关方法提取区域边缘，最后对待定区域进行跟踪和几何分析，从而提取得到目标检测区域。但该方法对噪声特别敏感。所以当图像的噪声很强时这种检测方法的效果并不理想。

5交通标志检测与识别难点

尽管近几十年提出了很多新的检测方法，但目前的研究成果还不能够胜任复杂多变的现实场景。交通标志识别系统TSR设计到多个研究领域，包括图像处理、人工智能、模式识别和机器学习等相关领域，因此，关于交通标志识别系统的研究任重而道远，在未来，不管是自然场景下，还是复杂场景下，对于交通识别系统研究，都应重点关注。现阶段交通标志检测与识别主要面临的困难和挑战如下：

（1）环境对交通标志的影响。这主要表现在四季中风雨对交通标志的损坏，这在一定程度上会降低图像的清晰度。交通标志长年暴露在外面，难免会出现变形、污损、褪色等情况，这对检测也造成了困难。

（2）拍摄角度的影响。不同的拍摄角度对检测具有比较大的影响，对倾斜的图像我们需要对其做一个矫正处理。

（3）现场场景环境中有很多干扰物体，使得在分割的时候会把不是标志的物体也分割出来，对我们检测带来了一定程度上的干扰。

（4）交通标志类型复杂，种类多，目前所了解的就有130多种，包括警告标志、指示标志、禁令标志、指路标志等等，给检测大大增加了难度。

（5）实时性改进的问题，由于汽车移动速度快，而且在移动过程中往往在一定程度上有抖动和变速等动作，捕捉到的图像会产生变形模糊，处理时间过长会导致司机反应时间缩短。

（6）准确率有待进一步提升。准确率太低的话不但达不到驾驶辅助作用，反而会引起交通事故发生。

（7）没有公用样本数据。国内目前统一的评判标准和数据库尚未建立起来。

（8）智能交通识别系统服务于大众，因此需要考虑经济成本问题。

综合以上可知，由于在现实场景中以上问题的存在，所以在设计道路交通标志检测与识别算法的时候必须有针对性的解决上诉问题。

6总结

总的来说，交通标志检测与识别系统（TSR）的发展前景非常好，被广泛运用于辅助驾驶系统、无人汽车驾驶和各种道路检测标志的检测修复等领域。本文主要对国内外的研究现状做了一个回顾和分析，许多研究学者也做出了一些阶段性的成果和进展，但由于自然环境下一些复杂多变的因素对检测造成了困难和挑战，因此TSR系统的研究还面临许多难题有待解决。随着人工智能和机器学习等算法的提升，我们坚信未来的道路交通标志检测与识别会迈上一个新的台阶。

参考文献

[1]徐华青，陈瑞南，林锦川等.道路交通标志检测方法研究[J].福州大学学报，2010，（3）：387392.

[2]常发亮，黄翠，刘成云等.基于高斯颜色模型和SVM的交通标志检测[J].仪器仪表学报，2014，35（1）：4349.

[3]Salichs M A.TRAFFIC SIGN DETECTION FOR DRIVER SUPPORT SYSTEMS[C].2001.

[4]Kehtarnavaz N，Griswold N C，Kang D S.Stop-sign recognition based on color/shape processing[J].Machine Vision and Applications，1993，6（4）：206208.

[5]Priese L，Lakmann R，Rehrmann V.Ideogram identification in a realtime traffic sign recognition system[C].Intelligent Vehicles 95 Symposium. Proceedings of the.IEEE，1995：310314.

[6]Liu H，Ran B.Vision-Based Stop Sign Detection and Recognition System for Intelligent Vehicles[J].Transportation Research Record Journal of the Transportation Research Board，2001，1748（1）：161166.

[7]Barnes N，Loy G，Shaw D，et al.Regular polygon detection[C].Tenth IEEE International Conference on Computer Vision.IEEE，2014：778785.

[8]Muhammad A S，Lavesson N，Davidsson P，et al.Analysis of Speed Sign Classification Algorithms Using Shape Based Segmentation of Binary Images[J].Lecture Notes in Computer Science，2009，5702：12201227.

[9]Kim J B.Detection of traffic signs based on eigen-color model and saliency model in driver assistance systems[J].International Journal of Automotive Technology，2013，14（3）：429439.

[10]郁梅，郁伯康.基于彩色D像的指示标志检测[J].计算机工程与应用，2000，36（4）：169172.

[11]王坤明，许忠仁.基于不变矩和神经网络的交通标志识别方法研究[J].计算机应用研究，2004，21（3）：254255.

[12]朱双东，蒋甜甜，刘兰兰.基于颜色规格化的交通标志识别[J].计算机应用与软件，2008，25（1）：220222.

[13]朱淑鑫.基于颜色特征的交通标志图像分割研究[J].考试周刊，2012，（81）：111112.

[14]Wang G，Ren G，Jiang L，et al.Hole-based traffic sign detection method for traffic signs with red rim[J].The Visual Computer，2014，30（5）：539551.

[15]De l E A，Moreno L E，Salichs M A，et al.Road traffic sign detection and classification[J].IEEE Transactions on Industrial Electronics，1997，44（6）：848859.

[16]Ruta A，Li Y，Liu X.Real-time traffic sign recognition from video by class-specific discriminative features[J].Pattern Recognition，2010，43（1）：416430.

[17]Lafuente-Arroyo S，Salcedo-Sanz S，Maldonado-Basc，et al.A decision support system for the automatic management of keep-clear signs based on support vector machines and geographic information systems[J].2010，37（1）：767773.

[18]Chourasia J N，Bajaj P.Centroid Based Detection Algorithm for Hybrid Traffic Sign Recognition System[C].International Conference on Emerging Trends in Engineering and Technology.IEEE，2010：96100.

[19]Kuo W J，Lin C C.Two-Stage Road Sign Detection and Recognition[C].IEEE International Conference on Multimedia and Expo.IEEE Xplore，2007：14271430.

[20]De l E A，Moreno L E，Salichs M A，et al.Road traffic sign detection and classification[J].IEEE Transactions on Industrial Electronics，1997，44（6）：848859.

[21]Rangarajan K，Shah M，Van Brackle D.Optimal corner detector[J].Computer Vision Graphics & Image Processing，1989，48（2）：230245.

[22]Zadeh M M，Kasvand T，Suen C Y.Localization and recognition of traffic signs for automated vehicle control systems[C].Intelligent Systems & Advanced Manufacturing.International Society for Optics and Photonics，1998.