基于车载平台的交通标识识别系统

技术领域

本发明涉及车辆辅助驾驶技术领域，具体为基于车载平台的交通标识识别系统。

背景技术

我国道路交通事故频发，道路交通事故致死率高居不下，当出现交通管制、道路施工改造、路况复杂等情况时，驾驶员容易因对交通标识的疏忽或误判，而误入禁行区域、超速行驶或未注意前方危险区域，造成发生交通事故的严重后果，而目前的车辆车载平台常常仅仅通过第三方地图等工具向驾驶员提供限速信息，且这些信息常常无法实时更新，遇到临时建立的交通标识时无法对驾驶员进行提醒规避，为此我们提出基于车载平台的交通标识识别系统用于解决上述问题。

发明内容

本发明的目的在于提供基于车载平台的交通标识识别系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于车载平台的交通标识识别系统，包括采集模块、识别模块、输出模块和数据处理模块，

所述采集模块用于拍摄道路沿线视频及图像，从而采集交通标识；

所述识别模块用于对采集模块采集的视频和信息进行识别，鉴别出对应交通标识；

所述输出模块用于将识别出的交通标识输出到车载平台，从而便于智能车及驾驶者采取相应驾驶措施；

所述数据处理模块用于构建和存储现有交通标识样本，建立样本特征集合，通过机器学习获得交通标志的分类模型，便于识别模块根据现有样本进行交通标识识别。

优选的一种实施案例，所述采集模块为具有高清摄像头的高动态相机，且采集模块安装在车辆后视镜位置处，所述采集模块输出为640×480像素视频序列或图片。

优选的一种实施案例，所述识别模块包括图像特征提取、交通标识类别识别和交通标识内容识别。

优选的一种实施案例，所述图像特征提取过程为：将视频序列分解成单帧图像，根据中值滤波算法，对各所述样本图像进行滤波去噪处理，得到滤波后的样本图像，根据椭圆拟合算法和多边形逼近算法，提取样本图像的形状轮廓，并获取形状轮廓的轮廓区域颜色，提取交通标识特征，并去除相关性强的冗余特征。

优选的一种实施案例，所述交通标识类别识别过程为：将图像特征提取得到的信息通过多层决策树对图像进行识别，将特征向量与分类模型进行相似度匹配，判决得出检测结果。

优选的一种实施案例，所述检测结果包括红色禁令标识、黄色警告标识和蓝色指示标识，其中，所述红色禁令标识包括圆形标识和三角标识，所述黄色警告标识为三角标识，所述蓝色指示标识包括圆形标识和矩形标识。

优选的一种实施案例，所述交通标识内容识别为交通标识细分类别识别，通过将交通标识识别区域转换为六角椎体模型格式，根据像素点的色调参数，统计识别区域内各颜色像素点的数量和分布，结合各类交通标识中具体标识的预设像素数量和分布，确定该标识的具体内容。

优选的一种实施案例，所述数据处理模块包括神经网络学习模块和存储模块，所述神经网络学习模块用于提取和学习现有交通标识的特征并将每次识别模块识别结果进行训练学习，丰富交通标识分类模型；所述存储模块用于对交通标识信息进行存储，方便识别模块调阅识别。

优选的一种实施案例，所述神经网络学习模块输入的是交通标识的特征，输出的是交通标识的分类结果信息，其具体包括：

训练样本图库建立模块，用于获取交通标识牌样本图像和非交通标识牌样本图像，建立训练样本图库；

特征选择模块，用于使用Haar小波特征、MB-LBP特征和SURF特征对所述训练样本图库中的图像进行特征选择；

综合训练模块，用于将选择到的特征输入到三层感知器神经网络进行交通标识的综合训练，获得交通标识分类模型。

与现有技术相比，本发明的有益效果是：本发明通过神经网络学习模块学习建立交通标识分类模型，通过对道路前方采集的视频文件进行特征提取，从而筛选出采集文件中的交通标识，再对筛选后的交通标识进行交通标识具体分类和内容识别，实现了实时准确的识别交通标识大类别和具体内容的效果，从而及时提醒驾驶员前方道路信息，避免交通事故的发生。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种技术方案：基于车载平台的交通标识识别系统，包括采集模块、识别模块、输出模块和数据处理模块，

采集模块固定在车辆上，可随车拍摄道路沿途的视频流，便于及时采集道路前方交通标识；

识别模块用于对采集模块采集的视频和信息进行识别，鉴别出对应交通标识；

输出模块用于将识别出的交通标识输出到车载平台，从而便于智能车及驾驶者采取相应驾驶措施；

数据处理模块用于构建和存储现有交通标识样本，建立样本特征集合，通过机器学习获得交通标志的分类模型，便于识别模块根据现有样本进行交通标识识别。

采集模块为具有高清摄像头的高动态相机，且采集模块安装在车辆后视镜位置处，采集模块输出为640×480像素视频序列，采集模块至少能持续流畅的拍摄视频30分钟，且视频质量不受电子移动设备发热、抖动等环境因素的影响，以保证文件适用于后期的分析处理。

进一步的，识别模块包括图像特征提取、交通标识类别识别和交通标识内容识别。

进一步的，图像特征提取过程为：将视频序列分解成单帧图像，根据中值滤波算法，对各样本图像进行滤波去噪处理，得到滤波后的样本图像，根据椭圆拟合算法和多边形逼近算法，提取样本图像的形状轮廓，并获取形状轮廓的轮廓区域颜色，提取交通标识特征，并去除相关性强的冗余特征。

进一步的，首先对样本图像进行滤波去噪处理，再使用边缘检测算子对这些区域进行边缘的提取，进一步使用椭圆拟合、多边形(三边形、四边形)逼近等算法，并结合面积大小、颜色等约束信息实现交通标志牌形状的检测与确认，根据交通标识特有的颜色和形状信息，利用多层决策树进行粗分类(指的是一种分类策略，按照多层决策树的五大类进行识别)。

进一步的，交通标识类别识别过程为：将图像特征提取得到的信息通过多层决策树对图像进行识别，将特征向量与分类模型进行相似度匹配，判决得出检测结果。

进一步的，检测结果包括红色禁令标识、黄色警告标识和蓝色指示标识，其中，红色禁令标识包括圆形标识和三角标识，黄色警告标识为三角标识，蓝色指示标识包括圆形标识和矩形标识，交通标识的分类依据参考《道路交通标志和标线第2部分：道路交通标志(GB5768.2-2009)》。

交通标识内容识别为交通标识细分类别识别，通过将交通标识识别区域转换为六角椎体模型格式，根据像素点的色调参数，统计识别区域内各颜色像素点的数量和分布，结合各类交通标识中具体标识的预设像素数量和分布，确定该标识的具体内容。

数据处理模块包括神经网络学习模块和存储模块，神经网络学习模块用于提取和学习现有交通标识的特征并将每次识别模块识别结果进行训练学习，丰富交通标识分类模型；存储模块用于对交通标识信息进行存储，方便识别模块调阅识别。

进一步的，神经网络学习模块输入的是交通标识的特征，输出的是交通标识的分类结果信息，其具体包括：

训练样本图库建立模块，用于获取交通标识牌样本图像和非交通标识牌样本图像，建立训练样本图库；

特征选择模块，用于使用Haar小波特征、MB-LBP特征和SURF特征对训练样本图库中的图像进行特征选择；

综合训练模块，用于将选择到的特征输入到三层感知器神经网络进行交通标识的综合训练，获得交通标识分类模型。

学习过程的基本思想是，选取或构造一种对关注类型的目标描述有利的图像特征，通过特征提取算法，将一套已标记的图像样本映射到特征空间形成特征样本集合；再利用样本集合作为输入，对相应分类模型进行监督训练。

综上所述，本发明通过神经网络学习模块学习建立交通标识分类模型，通过对道路前方采集的视频文件进行特征提取，从而筛选出采集文件中的交通标识，再对筛选后的交通标识进行交通标识具体分类和内容识别，实现了实时准确的识别交通标识大类别和具体内容的效果，从而及时提醒驾驶员前方道路信息，避免交通事故的发生。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。