自动驾驶中的交通标志识别原理及应用

道路交通标志和标线时引导道路使用者有秩序使用道路，以促进道路行车安全，而在驾驶辅助系统中对交通标志的识别则可以不间断的为整车控制提供相应的帮助。比如禁止类标志可以帮助系统提前进行危险预判；警告类标志可以帮助系统提前进行在某些情况下进行提前避障处理；指示类标志可以帮助系统进行控制预处理，以确保行车遵循道路指示。故对于交通标示的正确识别及精准应用可以为驾驶辅助系统甚至自动驾驶提供更加完美的助攻。本文将从两方面进行描述，分别详述交通标志识别的原理及应用方法。

交通标志识别又称为TSR（Traffic Sign Recognition）是指能够在车辆行驶过程中对出现的道路交通标志信息进行采集和识别，及时向驾驶员做出指示或警告，亦或者直接控制车辆进行操作，以保证交通通畅并预防事故的发生。在安装有安全辅助驾驶系统的车辆中，如果车辆能够提供高效的TSR系统，及时为驾驶员提供可靠地道路交通标志信息，有效提高驾驶安全性和舒适性。

如下将介绍一种典型的道路交通标志识别的方法。

TSR是根据人类视觉系统辨识物体的特性，其识别原理是利用道路标志丰富的颜色信息和固定的形状信息进行特征识别。具体可将识别过程分为“分隔”和“识别”两个步骤。其中分隔是指在获取的图像中发现候选目标，并进行相应的预处理，其次是交通标志识别，包括特征提取和分类等，最后进一步判定目标的真实性。

1、交通标志分隔

交通标志分隔实际是需要快速从复杂的场景图像中获取可能是交通标志的感兴趣区域。然后采用模式识别的方法对感兴趣区域进行进一步辨识，定位其具体位置。由于交通标志功能是起到指示性、提示性和警示性等作用，他们设置都具有醒目、颜色鲜明、图形简洁、意义明确等特点。因此感兴趣区域通常是利用其颜色和形状进行的。

如下举例说明利用颜色如何进行分隔。

交通标志的颜色无疑具有显著性特征，以颜色进行检测和识别的方法有很多，包括对颜色空间的各个通道或其组合进行阈值分割或聚类，区域分裂，颜色边缘检测等，用经过训练的人工神经网络作为分类器识别颜色，以颜色为索引，将目标在直方图与模板库中图像的直方图进行匹配，找出可能的若干模板，为下一步形状分析做准备。

目前，在交通标志识别中常用的彩色空间包括RGB、HIS、CIE几种，而RGB作为图像处理中常用的三基色，是构建其他各种颜色的基础，其他颜色表示方式可以用RGB变换得到。

我们知道，对于交通标志而言大都颜色比较单一、固定，比如红色标志一般表示禁令，蓝色标志一般表示指示类，黄色标志一般表示警告类，这里正好利用RGB的三基色红、黄、蓝加以识别匹配来表示，但由于对于驾驶辅助系统功能TSR通常是一个动态交互识别的过程，其对于光照、气候以及阴影等干扰的影响反应较为敏感，而RGB信息不仅代表色彩，也代表亮度，并且三基色之间存在着很大的相关性，因此，为了消除RGB颜色本身包含的亮度信息，可在RGB空间将颜色值R、G、B将在亮度上进行归一化，从而将一个三维空间降到二维空间表示的颜色信息，这样RGB三基色颜色之间的亮度相关性就减小了。

由于颜色空间更多的还包含了饱和度等信息，故为了更好区分颜色与亮度信息，研究人员更多采用适合人类视觉特性的色彩模型HSI模型来处理交通标志识别，H表示不同颜色，S表示颜色深浅，I表示明暗程度，HSI其最大的特点是H、S、I之间相关性极小，在HSI空间中的每个彩色图像都对应着一个相对一致的色调H。

2、交通标志识别

当在试车环境中分割出来交通标志信息的感兴趣区域后，需要采用一定的算法对其进行判别，以便确定它属于哪一种具体的交通标志，一般的判别方法包括模板匹配法、基于聚类分析法、基于形状分析方法、基于神经网络分析法、基于支持向量机的方法。

2.1 基于模板匹配法

模板匹配法是对交通标志建立相应的模板库，当系统分割出感兴趣区域时，通过像素遍历的方式与模板库中的形状进行匹配，通过统计校验误差值，选择误差值最小的模板库中的标志作为匹配到的实际交通标志，该方法简单，但运算量大、适应能力差、效果不一定如预期。

2.2 基于聚类分析法

聚类算法是一种建立在统计基础上的算法，抗噪声能力强，适用于自然场景的图像处理，聚类算法检测识别主要用在对颜色的识别上，由于交通标志的颜色是固定的，因此初始聚类中心是已知的，这就能达到很好的分类效果。也可通过对已经聚类完成的区域进行二次聚类，这样就能进一步去除噪声，达到更好的效果。

2.3 基于神经网络的方法

神经网络是模拟人脑神经细胞元的网络结构，由大量神经元相互连接而成的非线性动态系统，对于交通标志认知而言，利用该方法建议一个三层神经网络，分别对应于RGB空间三通道，另外通过建立一个控制单元，网络作为一个相关检测器，如果目标区域存在交通标志，网络输出相应的高频信号，否则输出低频信号。

2.4 支持向量机的方法

支持向量机是一种典型的前馈神经网络方法，用于解决模式分类和非线性问题，其主要思想是建立一个最优决策超平面，使得该平面两侧距平面最近的两类样本之间的距离最大化，为分类提供更好的泛化能力。对于非线性可分模式分类问题，需要将负责的模式分类问题非线性的投射到高维特征空间，因此只要变换是非线性的且特征空间维数够高，则原始模式空间能变成一个新的高维特征空间，在该空间中，其模式以较高的概率变得线性可分。其中变换过程要求生成一个核函数进行卷积，相应典型的核函数表示如下：

高斯函数：

用于径向集函数分类器

内积函数：

用于高阶多项式集分类器；

Sigmoid核函数：

用于实现一个单隐层感知器神经网络；

目前交通标志的识别技术还无法做到较高的灵敏、稳定和准确性，特别是针对受到不同季节、天气条件影响下的光照条件有所不同导致采集到的图像复杂多样；而道路交通情况的复杂性可能造成交通标志污损、颜色、形状发生变化，而树木、建筑物的遮挡又可能导致其无法被及时的识别到位，同时在高速驾驶过程中，由于车辆行驶抖动等因素，可能造成图像帧匹配过程中出现误差，从而无法稳定地识别出相应的交通标志。因此交通标志识别目前在驾驶辅助领域还未能得到广泛的应用，较为成熟的应用方案有如下几种：

1、基于限速标志的自动限速

基于限速标志的自动限速主要是利用识别到的限速标志显示的限速值，自车提前进行预判，这里我们设置几种不同的速度值进行比较。

VReal表示本车当前实际巡航车速，Vtarget表示本车目标巡航速度，Vlim表示限速值信息，Vfront表示识别到的前车车速。

根据自身车速这一敏感信息进行如下不同程度的限速策略：

1.1 本车定速巡航：

当检测到本车VReal>Vlim且Vtarget