復雜環(huán)境中交通標識識別與狀態(tài)跟蹤估計算法研究.pdf

1、自21世紀初以來，許多研究者和汽車制造商均在無人駕駛車技術的研究與開發(fā)投入了大量人力和物力。其中一個重要研究內(nèi)容是基于計算機視覺的道路環(huán)境感知:識別車輛行駛道路周邊的交通標志信息和交通信號燈狀態(tài)，為無人駕駛車行駛提供決策依據(jù)。在國內(nèi)外已有的交通標識檢測，識別，跟蹤和狀態(tài)估計方面的研究成果基礎上，結(jié)合交通標識系統(tǒng)在無人駕駛車上的實際應用和測試性能，設計并構(gòu)建了面向無人駕駛車的交通標識實時檢測，識別和跟蹤的算法和系統(tǒng)。本研究主要內(nèi)容包括：<

2、br>　?、沤榻B了相機的成像過程，根據(jù)相機CCD的原始參數(shù)及標定的相機內(nèi)參數(shù)，估計出道路環(huán)境中交通標識與車載相機間的近似距離與角度。為了控制相機的曝光時間，調(diào)節(jié)圖像亮度，需預先判斷交通標識出現(xiàn)區(qū)域的亮度信息和曝光量，根據(jù)曝光情況選擇不同的權(quán)值矩陣，計算出最佳曝光時間。該方法能準確地調(diào)節(jié)相機的曝光時間，以采集到亮度合適的圖像，適合于交通標識的檢測與識別處理。
　?、铺岢隽?0類符號型以及多種文字型的交通標志的檢測與識別算法。變換RG

3、B空間圖像，突出交通標志的特征顏色（紅色，黃色，藍色），選擇合適的閾值分割圖像。重構(gòu)形態(tài)學處理后的交通標志感興趣區(qū)域邊緣，降低誤檢率。選擇形狀的標記圖特征以分類感興趣區(qū)域的形狀并排除干擾。對文字型交通標志，則用閾值分割圖像中的墨綠色和藍色區(qū)域，判斷區(qū)域的形態(tài)，選擇矩形區(qū)域作為交通標志候選。將候選區(qū)域的二值圖像先向水平，后向垂直方向投影，用三次樣條插值法擬合該投影曲線，定位曲線的波谷，確定文字的行和列位置，以分割出單個文字區(qū)域。用兩種模型

4、表示方法：二元樹復小波變換和二維獨立分量分析方法；基于內(nèi)部圖形的模板匹配分別識別候選區(qū)域的交通標志類型，然后用決策規(guī)則融合兩種方法的識別結(jié)果，并排除干擾區(qū)域。實驗結(jié)果表明交通標志的識別率超過91％，平均處理時間為171ms，所提出的交通標志識別算法性能優(yōu)越，適合應用于無人駕駛車輛的環(huán)境感知系統(tǒng)。
　?、翘岢隽思^型和組合型交通信號燈的檢測和識別算法。對于箭頭型交通信號燈，根據(jù)燈板和信號燈的顏色和形態(tài)特征，定位出圖像中的燈板及交通信

5、號燈位置。對于組合型交通信號燈，則先將圖像進行TopHat變換，然后將其從RGB空間轉(zhuǎn)換到Y(jié)CbCr空間，并進行閾值分割和形態(tài)學濾波。根據(jù)區(qū)域的寬高，面積，占空比等形態(tài)信息初步過濾。組合感興趣區(qū)域，向水平方向投影，根據(jù)波谷位置定位單個交通信號燈區(qū)域。將候選區(qū)域灰度化，歸一化，提取Gabor小波特征，用2維獨立分量分析方法降低特征的冗余度，送入最近鄰分類器以判斷交通信號燈的狀態(tài)。在3個城市內(nèi)采集了大量的視頻，測試了算法性能，綜合性能表明該

6、算法的總體識別率在91％以上，平均處理時間為152ms，能實時，穩(wěn)定，準確的識別交通信號燈。
　?、葮?gòu)建了交通標志的多目標跟蹤模型，定義了交通標志目標的狀態(tài)。用無跡卡爾曼濾波算法建立單個交通標志目標的狀態(tài)和運動軌跡模型，預測交通標志目標的位置。而對交通信號燈，則用Kalman濾波跟蹤交通信號燈的燈板和燈區(qū)域。選擇觀察序列訓練單個和三個交通信號燈目標的隱馬爾科夫模型參數(shù)，用隱馬爾科夫模型算法估計交通信號燈下一時刻的狀態(tài)信息。