一種基于分流級聯(lián)的多類別交通標示牌的檢測方法
【專利摘要】本發(fā)明公開了一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，包括以下步驟：將待測圖像利用縮放算法生成金字塔圖像集合；通過計算MN-LBP和TMN-LBP特征生成可供boosting相關(guān)算法學習和訓練使用的弱分類器；建立包含多種標示牌信息的分流級聯(lián)分類器結(jié)構(gòu)；利用分流級聯(lián)分類器結(jié)構(gòu)，在金字塔圖像集合中以預定大小步進地判定該檢測區(qū)域內(nèi)是否存在標示牌；標定交通標示牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢交通標示牌的位置及大小。本發(fā)明有益效果：能夠快速實時的對多類別標示牌進行檢測，能夠檢測上百種不同標示牌，無論檢測速度還是檢測種類都超出了目前已有專利和論文描述的方法。
【專利說明】—種基于分流級聯(lián)的多類別交通標示牌的檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于分流級聯(lián)的多類別交通標示牌的檢測方法。
【背景技術(shù)】
[0002]近十年來，基于機器視覺和模式識別的交通標識牌識別(traffic signrecognition (TSR))被廣泛的研究和應用在一些智能交通領(lǐng)域，例如:自動駕駛系統(tǒng)(autonomous driving)和輔助駕駛系統(tǒng)(assisted driving)。通過識別標識牌可以對駕駛員的錯誤駕駛行為或前面存在的潛在威脅提前報警，保證了駕駛員的行駛安全。交通標識牌檢測(traffic sign detection (TSD)),是指在車載攝像機拍攝的圖像中檢測和定位標識牌圖像，是標示牌識別系統(tǒng)中的不可或缺的基礎(chǔ)部分。然而，交通標示牌問題檢測是一個非常具有挑戰(zhàn)性的問題，在實際應用中仍然有兩種主要難點需要克服:一，標示牌種類的繁多使TSD問題成為一個復雜的多類別物體檢測問題，二，檢測標示牌需要在大分辨率圖像中進行搜索，這是一個非常耗時的過程。
[0003]Viola提出的基于boosting算法、級聯(lián)機制和Haar-like特征的快速檢測系統(tǒng)，在標示牌檢測中得到了較好的應用，然而面對多類別標示牌檢測時卻難以勝任。在標示牌檢測領(lǐng)域，Viola的檢測框架已經(jīng)被成功的應用在多個標示牌檢測系統(tǒng)中。然而，Bahlmann等基于Viola的框架建立的標示牌檢測系統(tǒng)只能檢測圓形的限速標示牌，而Bar0等的系統(tǒng)使用三個平行的檢測器設計其檢測方法，該檢測方法只能檢測三類標示牌:圓形標示牌，限速牌和三角形標示牌。因此，盡管Viola的檢測框架已經(jīng)成功的應用到部分標示牌檢測系統(tǒng)中，但是它們只能檢測具有相似外表的標示牌，而沒有能力將具有不同結(jié)構(gòu)和外表的不同種類的標示牌準確檢測。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的就是為了解決上述問題，提出了一種基于分流級聯(lián)的多類別交通標示牌的檢測方法。本方法能夠快速的檢測高分辨率圖像中的多類別交通標示牌，并且能夠達到很高的檢測率,魯棒性好。
[0005]為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0006]一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，包括以下步驟:
[0007](I)將待測圖像利用縮放算法生成金字塔圖像集合。
[0008](2)通過計算MN-LBP和TMN-LBP特征生成可供boosting相關(guān)算法學習和訓練使用的弱分類器；使用上述生成的弱分類器，建立包含多種標示牌信息的分流級聯(lián)分類器結(jié)構(gòu)。
[0009](3)利用分流級聯(lián)分類器結(jié)構(gòu)，在金字塔圖像集合中以預定大小步進地判定該檢測區(qū)域內(nèi)是否存在標示牌。
[0010](4)標定交通標示牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢交通標示牌的位置及大小。[0011 ] 所述步驟(2)中MN-LBP和TMN-LBP特征為:
[0012]構(gòu)建一個3X3的矩形框陣列，共九個矩形框，Sumi (i = I,…，8)分別為周圍8個矩形框內(nèi)的像素值之和。
[0013]假設:t= (s (Sum1-Ave)，s (Sum2-Ave)，…，s (Sum8-Ave)) (I)
[0014]其中，t是一個八維向量，Ave是常數(shù)。
【權(quán)利要求】
1.一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，其特征是，包括以下步驟: (1)將待測圖像利用縮放算法生成金字塔圖像集合； (2)通過計算MN-LBP和TMN-LBP特征生成可供boosting相關(guān)算法學習和訓練使用的弱分類器；使用上述生成的弱分類器，建立包含多種標示牌信息的分流級聯(lián)分類器結(jié)構(gòu)； (3)利用分流級聯(lián)分類器結(jié)構(gòu)，在金字塔圖像集合中以預定大小步進地判定該檢測區(qū)域內(nèi)是否存在標不牌； (4)標定交通標示牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢交通標示牌的位置及大小。
2.如權(quán)利要求1所述的一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，其特征是，所述步驟(2)中MN-LBP和TMN-LBP特征為: 構(gòu)建一個3X3的矩形框陣列，共九個矩形框，Sumi (i = I,…，8)分別為周圍8個矩形框內(nèi)的像素值之和；
假設:t = (s (Sum1-Ave), s (Sum2-Ave)，…，s (Sum8-Ave)) (I) 其中，t是一個八維向量，Ave是常數(shù)；
3.如權(quán)利要求1所述的一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，其特征是，所述步驟(2)中建立包含多種標示牌信息的分流級聯(lián)分類器結(jié)構(gòu)的方法為:Ca)使用boosting算法訓練所有的訓練樣本集,得到對應k個訓練樣本集的k個特征集:

4.如權(quán)利要求1所述的一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，其特征是，所述步驟(2)中建立包含多種標示牌信息的分流級聯(lián)分類器結(jié)構(gòu)的方法為:根據(jù)不同訓練樣本的相似度，使用人工選擇的方法，按照樣本的相似度高低進行分類。
5.如權(quán)利要求3所述的一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，其特征是，所述步驟(C)的方法為:根據(jù)公式(4)所述的k個特征集，則根節(jié)點包含所有k個待檢目標，根節(jié)點分支的任務就是將這k個待檢目標分配到它的η個子節(jié)點中: (I ).設根節(jié)點的每一個子節(jié)點中的目標個數(shù)是kjPk2，則Φ,Ρ Φ2為每個子節(jié)點的共有特征集合；
6.如權(quán)利要求1所述的一種基于分流級聯(lián)的多類別交通標示牌的檢測方法，其特征是，所述步驟(2)中建立的分流級聯(lián)分類器結(jié)構(gòu)具體為: 金字塔形狀的樹形結(jié)構(gòu)，每一個節(jié)點有多個特征級構(gòu)成；每個特征級包含多個特征或一個特征，多個特征級通過級聯(lián)的方式構(gòu)成對應的節(jié)點； 每個可分支節(jié)點包含多個不同的標示牌，并且這些待檢測標示牌共用該節(jié)點的特征； 每個可分支節(jié)點的特征在檢測過程中都能夠進行標示牌檢測和非標示牌窗口的排除； 分流級聯(lián)結(jié)構(gòu)葉子節(jié)點不再分支，能有針對性的檢測某個或某類標示牌。
【文檔編號】G06K9/62GK103793716SQ201410088991
【公開日】2014年5月14日 申請日期:2014年3月11日 優(yōu)先權(quán)日:2014年3月11日
【發(fā)明者】劉春生, 常發(fā)亮 申請人:山東大學