交通标志检测中的数据打包

不同目标检测模型的标注格式是不一样的。比较评估多种模型时,需要对标注文件进行数据打包,获得对应模型的标注数据格式。本文提出一种简便的数据打包方案,即利用通用的VOC格式作为转换桥梁,只需要少量编程,就可以转换为大部分主流检测模型的标注数据格式。首先创建对应的VOC文件夹结构;再根据图片名称遍历整个原标注文件,同时调整图片类型与尺寸,并根据调整后的图片尺寸比率转换标注框数据;获得对应的VOC格式标注文件。实验将交通标志检测数据集GTSDB的标注文件转换为YOLO格式,结果表明该数据打包方案能够获得准确的标注文件信息,方便对比目标检测模型的精度及速度等指标。

基于相位对称性和MESR的道路交通标志检测方法研究

本文提出了一种基于相位对称性的交通标志检测方法,对光照条件变化、尺度变化旋转等情况下都具有较好的适应性。该方法首先根据交通标志的颜色特征,对图像进行红蓝化阈值处理,区分交通标志和环境背景;对红蓝化图像做相位对称性计算处理,增强具有对称性特征的交通标志轮廓亮度;然后,通过形态学滤波和MSER(maximally stable extremal regions)特征检测,提取图像中的交通标志ROI候选区域。通过在德国交通标志数据集上的实验测试German Traffic Sign Detection Benchmark (GTSDB),该方法对交通标志的检测率到达94%,对于光照条件变化、局部遮挡、旋转尺度变化等复杂情况具有更好的适应性。

基于HOG特征的实景交通标志检测

针对实景道路拍摄到的交通标志大小不一、光照不均、位置不定等问题,提出了一种基于HOG特征与级联分类器的交通标志检测方法。该方法从训练集的正负样本分别提取HOG特征,完成Adaboost级联分类器的训练;然后针对实景拍摄到的道路图像,把测试样本先进行HSV空间的转化、高斯滤波和直方图均衡等预处理,最后对测试图像进行区域HOG描述子的提取并检测出图像中可能存在的交通标志。实验表明,该方法对亮度不均、大小不一的实景图像交通标志检测具有较高的检测率,对道路环境变化有较强的鲁棒性。

基于改进YOLO模型的交通标志检测

交通标志检测是当前车辆无人驾驶、辅助驾驶领域中重要的技术问题。原YOLO模型对于交通标志这种小目标检测性能不好,研究基于改进YOLO模型的交通标志检测方法,根据CNN卷积神经网络中感受野的理论,引入“特征加深模块”,并将加强原模型对小目标检测的性能,力求在检测速度和精度上达到平衡,实验结果表明,所提方法在交通标志检测公共数据集GTSDB上获得了0.902的mAP,较好解决了原模型对交通标志检测出现性能下降的问题。

基于边缘增强型MSER特征的道路标志检测

针对自然场景下道路标志检测所面临的一些问题,提出了一种基于边缘增强型MSER特征的标志检测方法。首先采用灰度世界法对图像做光照平衡处理,并对处理后的图像进行颜色增强,区分标志和环境背景;然后基于边缘增强型MSER特征,提取标志候选区域;最后对这些候选区域使用基于霍夫变换的形状分析方法进行筛选处理。通过在GTSDB数据集上的实验验证,该方法对光照条件、局部遮挡、旋转尺度变化等情况均具有较好的鲁棒性。