【《交通标志检测算法分析的国内外文献综述》3900字】

交通标志检测算法研究的国内外文献综述上世纪80年代就有学者意识到发展交通标志检测的重要意义，Akatsuka、Imai已经将目光放到了交通标志检测对行车安全的影响上面，并做了相应的调研与实验[5]。但受限与当时识别技术的发展，人工智能技术也在起步阶段，因此并没有提出有效的识别方法，但两位学者为后续人的研究奠定了方向和一些基础。21世纪以来，随着人工智能的发展以及采集硬件设备的进步，识别技术再次进入人们的视线，融入人工智能的识别技术有了质的飞跃。一些学者利用交通标志的颜色与形状作为特征进行交通标志的抓取，该方法经过试验验证具有一定的识别效果，但是无法满足人们对识别技术的准确性和快速性的要求。目前，众多学者主要研究基于传统算法的交通标志检测方法和基于深度学习算法的交通标志检测方法，检测算法如图1.1所示。图1.1目标检测方法分类图中，传统的检测算法有SIFT、HOG、DPM等，基于深度学习的检测算法有R-CNN、SPPNet、YOLOv2等。下文将依次介绍基于传统方法的交通标志检测算法和基于深度学习的交通标志检测算法。1.1基于传统方法的交通标志检测算法传统的目标检测算法主要利用的交通标志的颜色和形状作为特征进行抓取，检测的流程如图1.2所示[7]。图1.2检测流程图传统的目标检测算法将采集的图像进行预处理，然后依据颜色和形状进行分割，进一步提取特征完成交通标志的检测。对于交通标志识别的关键是提取采集图像中的有效信息，传统的检测算法将检测有效信息分为三类：颜色、形状、机器学习[8]。以下将详细介绍三种传统交通标志检测方法。（1）基于颜色特征的检测方法自1992年以来，基于颜色特征的检测方法就进入了人们的视野，在对基于颜色特征的检测方法研究后，Saint-Blancard提出了基于红色特征的交通标志的检测方法[9]，首先将交通标志的图像提取出来，然后在提取后的图像中抓取红色交通标志特征，最后利用分类器将抓取得到的特征进行分类，值的一提的是该方法中抓取红色特征的方法利用了卷积神经网络，并且结合了图像的形状特征检测方法提升检测的准确性。在之后的十年里，基于颜色特征的检测方法进一步发展，黄志等人提出基于RGB颜色空间模型的颜色分割算法，该算法具有快速性和抗干扰能力强的特点[10]。近几年，有众多学者在颜色特征提取中引入了概率的方法，概率数学方法的引入可以减少颜色特征提取的误差，其中YiYang[11]等人提出的算法最具有特色，将图像转化成概率进行研究后，不仅可以进一步提升检测方法的准确性，更达到了检测的实时性要求。基于颜色特征的检测方法经过了近30年的发展，在准确性和实时性较三十年前已经取得了长足的进步，但是在交通标志被遮掩或者因为安装时间久远出现调色的情况，该算法的准确性将大大折扣，虽然该算法已考虑光线和天气的影响，但是交通标志本身所提取特征的丢失问题是该方法没有办法解决的，例如黄志等人所利用的RGB颜色空间模型，可以在一定程度上减少光线变化对于识别的影响，但该模型也存在一个致命的问题，那就是利用该模型可能会造成算法检测图像质量的降低[12]。（2）基于形状特征的检测方法交通标志的外观除了颜色的不同还有一个明显特征就是形状，因此基于形状特征的交通标志检测方法也被众多学者所研究。学者利用交通标志形状的不同来区分不同的交通标志。上世纪中页，数学家Hu[13]利用矩不变理论进行交通标志的形状识别，该方法是利用图像灰度所处的不同阶矩完成对交通标志的识别，经验证，该方法能够有效准确的识别不同的交通标志，但因阶矩数据的处理量太大，识别时间大大增加，对计算机硬件的负荷太大，所以较难应用于实际的汽车中，该方法太过依赖于硬件是他的致命问题。21世纪初，Garcia[14]采用霍夫变换变换方法实现对不同交通标志的检测，应用该方法的检测系统具有较高的稳定性。随着数学理论的发展，Boumediene[15]等人发现编码梯度的方法对于交通标志的识别具有很好的效果，不仅检测方法简单，而且方法的抗干扰能力得到进一步提升，该方法在一定程度上解决了基于颜色特征检测算法难以解决的交通标志被遮挡以及褪色问题，该方法具有较好的实用性。基于形状特征的交通标志检测方法较基于颜色特征的交通标志检测方法具有一定自己的优势，但难以忽略的问题是无法解决交通标志背景对交通标志识别的影响，背景里存在形状复杂多样，难免使得该检测方法存在误检的情况，当交通标志的形状因损坏造成大面积变形时也会影响该方法的准确性，因此该方法还有进一步发展的空间。（3）基于机器学习的检测方法基于机器学习的检测方法不仅限于一种类型特征的提取是该方法取的进步的重大原因，该方法主要的原理就是利用大量的数据对算法进行训练达到算法可以准确识别交通标志的功能。20世纪末，DavidLowe[16]提出尺度不变特征变换（SIFT）算法，该算法利用图像中的关键点对图像特征进行提取，该方法简单准确，可靠性高，但训练的数据需要很多。MTakaki[17]等人在DavidLowe提出方法的基础上进行了改进与完善，在一定程度上提升了该方法检测的准确性。2005年，NavneetDalal提出了方向梯度直方图（HOG）算法[18]。该方法是将摄像头采集到的图像进行分割，将一整个图像分为许多小的碎片，然后提取每个小碎片的梯度信息，最后利用提出得到的梯度信息实现对交通标志的识别。Creusen[19]等人利用机器学习对RGB颜色空间模型进行了优化，进一步提升了检测的准确率。李斌[20]提出基于支持向量机的交通标志检测算法，并且创新性的引入DPM模型增加检测的准确性和实时性。基于机器学习的检测方法不再是单一特征的提取，因此该方法的鲁棒性和准确率都有了大幅度提升，但该方法都有一个共同的问题，就是该方法的准确性严重依赖于训练算法的数据量，数据量越大越全，准确性越高。但是世界范围内的交通标志繁杂多样，因此数据量过于庞大，要是细分各个地区的交通标识增加了算法设计的难度。该特性制约了基于机器学习的检测方法的进一步发展。1.2基于深度学习的交通标志检测算法基于深度学习的交通标志检测算法与基于传统方法的交通标志检测算法的主要区别在于特征的预提取，传统的检测算法主要是利用人工预先设定特征进行提取，但这样会限制交通标志识别的准确性，前文介绍的所设定的特征在某些特定的情况下容易造成检测算法的误判。随着人工智能的发展，特征学习的技术也逐渐完善，使得人工智能在交通标志识别领域有了举足轻重的作用。利用特征学习进行标志检测结合数据训练被称为深度学习（Deeplearning，DL）方法[21,22]。虽然DL发展的时间还不长，但因其方便的作用能够解放人们的双手，在近二十年得到了飞速的发展，仅此将人工智能引入交通标志检测中是技术发展的必然趋势。随着人工智能的发展，GeoffreyHinton率先提出深度学习的概念，在未来的一段时间里，深度学习得到了飞速的发展，形成来了很多细化的分支，其中卷积神经网络（ConvolutionalNeuralNetwork,CNN）是被应用最为广泛的一种深度学习方法[23,24]，尤其是在视觉技术领域其更是不可替代的作用，可以说CNN推动图像识别技术向前发展了一大步。因此众多学者对结合CNN与交通标志识别技术的方法展开了研究，CNN算法相对机器学习来说大大降低了训练量[25]，在不同程度上提升了检测算法的准确性和快速性。21世纪以来不仅是软件算法领域的进步，在硬件方面也取得了大幅度的进展，集成电路等硬件设备的发展为实现快速准确的交通标志检测方法提供了硬件基础，如图1.1所示基于深度学习的交通标志检测算法可以分为基于候选区域的检测方法和基于回归的检测方法[26]。下文将详细介绍这两种深度学习的交通标志检测算法。基于候选区域的交通标志检测算法的原理可以总结为选择性搜索和边缘信息[27,28]。该算法将摄像机采集到的图像里的一些特征进行抓取，例如前文所提到的颜色与形状，将所抓取的特征根据目标出现杂概率进行放置，这种特征提取方法相较于传统的数据滑窗提取方法能够保证算法的的提取效率，所需要处理的数据量也有所减少[29,30]。Girshick[31]在CNN的基础上进一步发展，提出了了R-CNN（RegionswithCNNfeatures）算法，同样是采用候选区域的方法来检测交通标志，R-CNN根据图像统一分成大约两千个尺寸一样大小的候选区域，在利用CNN根据两千个候选区域进行特征提取，该方法进一步优化了特征提取的算法。Girshick[32]等人同样也在CNN的基础上提出一种FastR-CNN算法，该算法增加了感兴趣区域池化层，利用边界回归，图像尺寸归一化等措施，增加交通标识检测的准确性，但该方法检测的过程任然不够简洁，检测的速率也应该进一步提升，针对这两个问题，ShaoqingRen[33]等人提出了Faster-R-CNN算法，正如名字显示的那样，该算法比FastR-CNN运行的更快，处理数据的能力更强，该算法与之前采用选择性搜索的方法提取特征不同，该方法利用RPN（RegionProposalNetworks）网络结构可以直接获取候选区域，这样就大大减少了特征提取的时间，实现交通标志图像的快速提取。基于回归的交通标志检测算法的根本是利用回归方法进行特征提取，不用通过候选区域，直接在网络中完成回归和分类，相对于基于候选区域的交通标志检测算法缩减了处理步骤，保障了算法识别交通标志的实时性。这是近些年来提出的新理念，已有不少学者在这个领域进行了研究，RedmonJ[34]等人提出YOLO算法，该算法的交通标志检测是基于点到点，端到端的，这样大大减少了检测的中间步骤，加快了检测的速度，但是这种端对端的检测模式的弊端就是无法准确的检测小目标，同时对于距离近的目标也不能准确检测，因此该算法的泛化能力较差。LiuW[35]提出了SSD算法，SSD算法是对YOLO算法的进一步优化，减少了YOLO算法中的分类网络，进一步提升了特征提取的速度，但YOLO算法的关键问题却没有