導讀：自然場景中交通標志牌圖像識別的關(guān)鍵技術(shù)主要分為檢測和識別兩大類。其中，為了對目標圖像進行準確識別，標志牌感興趣區(qū)域的檢測是首先要解決的問題。近年來，交通標志牌檢測技術(shù)已經(jīng)成為智能駕駛公交車輛視覺導航系統(tǒng)和計算機視覺領(lǐng)域的熱點之一[1-2]。

本文將探討基于視覺協(xié)同顯著性的交通標志牌檢測框架設(shè)計。

作者：余伶俐 周開軍 陳白帆

來源：大數(shù)據(jù)DT（ID：hzdashuju）

大多數(shù)傳統(tǒng)的交通標志牌檢測算法常常是基于任務(wù)驅(qū)動的，如依賴顏色、形狀以及機器學習。目前，這些算法針對的應(yīng)用場景往往局限于結(jié)構(gòu)化或半結(jié)構(gòu)的環(huán)境，如高速公路等。

如今，隨著生物神經(jīng)元的發(fā)展以及大腦視覺皮層中信息處理機制的揭示，基于選擇性注意機制的視覺顯著性目標檢測逐漸引起人們的關(guān)注[3-5]。

正如我們所知道的，人類在對一幅場景圖像進行觀察時，會毫不費力地將注意力聚焦在特定的目標或區(qū)域上。而這些目標或區(qū)域經(jīng)常具有顯著的視覺特征，如邊緣輪廓、細節(jié)紋理、梯度方向、顏色強度以及空間位置等。

受此啟發(fā)，本文提出一種基于視覺協(xié)同顯著性的交通標志牌檢測算法，這是目前較有前景的解決辦法。

協(xié)同顯著性的目標是從多幅輸入圖像中提取共同的顯著性前景目標[6-7]。在本章主要面向復雜場景中的多幅交通標志牌圖像進行檢測。其中，為滿足協(xié)同顯著性檢測，輸入圖像需要滿足以下兩個要求：

遵循人類視覺感知機制，單幅圖像中可視化的目標區(qū)域能夠明顯與背景區(qū)分開來；

多幅圖像中的協(xié)同顯著性目標彼此具有相似性。

研究一種復雜場景中基于視覺協(xié)同顯著性的交通標志牌檢測算法，總體框架如圖2-1所示。其檢測過程涉及兩個階段：

在第一階段，構(gòu)建一個基于聚類的協(xié)同顯著性模型，旨在檢測多圖像中重復出現(xiàn)的同一或近似的視覺顯著性物體，其結(jié)果由協(xié)同顯著圖獲得。其中，協(xié)同顯著圖由圖間顯著圖和圖內(nèi)顯著圖融合而成。本階段是一種bottom-up（自底向上）的視覺處理過程，根據(jù)圖像底層特征分割出區(qū)別度最大的顯著性目標。

在第二階段，一個top-down（自頂向下）的幾何結(jié)構(gòu)約束模型被提出。目的是對檢測出的顯著性目標做自頂向下的幾何結(jié)構(gòu)約束分析，從而準確定位交通標志牌的ROI區(qū)域。

▲圖2-1 基于視覺協(xié)同顯著性的交通標志牌檢測總體框架

01 基于聚類的圖間/圖內(nèi)顯著性檢測模型子框架

構(gòu)建基于聚類的協(xié)同顯著性模型以得到協(xié)同顯著圖。其中關(guān)鍵是通過聚類進行圖間關(guān)聯(lián)性約束分析和圖內(nèi)關(guān)聯(lián)性約束分析，使之分別生成圖間協(xié)同顯著圖和圖內(nèi)顯著圖，其框架設(shè)計如圖2-2所示。

▲圖2-2 基于聚類的無監(jiān)督約束子框架

依據(jù)bottom-up視覺注意力線索—分別為對比度線索、中心偏移度線索和對稱性線索，對輸入圖像集進行聚類級別的顯著性度量。將3個視覺注意力線索權(quán)值進行高斯歸一化處理后，利用乘積融合為整體顯著性圖。最后采用概率框架軟分配的方式平滑每個像素的顯著性測度值，得到聚類級的圖間/圖內(nèi)顯著圖。

采用的聚類算法為Kmeans++，這是一種無監(jiān)督聚類算法，可以直觀地劃分出圖像內(nèi)與圖像間的關(guān)聯(lián)性區(qū)域。需要注意，聚類個數(shù)的選取是人為設(shè)定的。本文憑借實驗對象和實驗效果對聚類數(shù)目設(shè)置經(jīng)驗值，其中單幅圖像內(nèi)的聚類個數(shù)為6，多幅圖像間的聚類個數(shù)為，其中，M表示輸入圖像的數(shù)目。

圖2-3分別提供了單幅圖像內(nèi)的聚類和多幅圖像間的聚類效果，可以看出Kmeans++實現(xiàn)了圖像內(nèi)的局部不變性約束和圖像間的全局一致性約束。

▲圖2-3 單幅圖像內(nèi)與多幅圖像間的聚類效果圖

02 幾何結(jié)構(gòu)約束模型子框架

總體上說，單純依靠自底向上的顯著性線索雖然能夠?qū)@著目標突顯出來，但卻很難移除一些干擾物的影響。這是由于在第一階段尋找區(qū)別度最大的顯著性區(qū)域或目標進行簡單融合計算時，這些干擾物往往也會被賦予較高的顯著度，從而對后續(xù)分析造成極大干擾。

人類的視覺系統(tǒng)對事物的感知是一個和外界環(huán)境交互的過程，既和自底向上數(shù)據(jù)驅(qū)動有關(guān)，也和自頂向下任務(wù)驅(qū)動有關(guān)。

因此，構(gòu)建了一種幾何結(jié)構(gòu)約束模型，對檢測出的交通標志牌協(xié)同顯著圖作自頂向下的幾何約束。本文主要對日常生活中應(yīng)用最廣泛的圓形和三角形交通標志牌進行研究。即通過圓度和三角形檢測模型判別每個場景目標所屬類別，最后定位含有標志牌的ROI區(qū)域，如圖2-4所示。

▲圖2-4 幾何結(jié)構(gòu)約束模型子框架

關(guān)于作者：余伶俐，中南大學人工智能系副教授，主持多項國家重點研發(fā)計劃子任務(wù)、湖南省科技重大專項子課題、國家自然科學基金等項目。承擔了兩期的中車時代電動汽車“智能駕駛決策與控制系統(tǒng)”開發(fā)，在湖南湘江新區(qū)與智慧公交示范運營線路上完成了3500 km測試，獲得了湖南省頒發(fā)的第一輛智能駕駛公交車牌照。

周開軍，湖南工商大學教授、碩士生導師，美國布蘭戴斯大學國家復雜系統(tǒng)研究中心訪問學者，湖南省青年骨干教師，湖南工商大學151人才。

陳白帆，中南大學副教授，碩士生導師，湖南省人工智能學會副秘書長，湖南省自興人工智能研究院副院長，長期從事智能駕駛、移動機器人等應(yīng)用理論研究。先后主持國家自然科學基金項目、湖南省自然科學基金項目，參與國家自然科學基金重大計劃、國家重點研發(fā)計劃、湖南省科技重大專項子課題。

本文摘編自《智能駕駛技術(shù)：路徑規(guī)劃與導航控制》，經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《智能駕駛技術(shù)：路徑規(guī)劃與導航控制》

點擊上圖了解及購買

轉(zhuǎn)載請聯(lián)系微信：DoctorData

推薦語：高等院校智能科學與技術(shù)、自動化、人工智能等專業(yè)研究生或高年級本科生的專業(yè)基礎(chǔ)課程教材，亦可供廣大從事人工智能、智能駕駛、決策規(guī)劃、導航控制領(lǐng)域的科技工作者閱讀和思考。

劃重點????

干貨直達????

• 吐血整理：機器學習的30個基本概念，都在這里了（手繪圖解）
  

• 離婚冷靜期能拯救婚姻嗎？37秒視頻看2001-2019各地離婚排行
  

• 什么是臟數(shù)據(jù)？怎樣用箱形圖分析異常值？終于有人講明白了
  

• 月薪15k起，想進入這個行業(yè)有哪些書值得讀？

更多精彩????

在公眾號對話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?讀書?|?書單?|?硬核?|?干貨?

大數(shù)據(jù)?|?揭秘?|?Python?|?可視化

AI?|?人工智能?|?5G?|?中臺

機器學習?|?深度學習?|?神經(jīng)網(wǎng)絡(luò)

合伙人?|?1024?|?大神?|?數(shù)學

據(jù)統(tǒng)計，99%的大咖都完成了這個神操作

????

總結(jié)

以上是生活随笔為你收集整理的智能驾驶系统是怎样看懂交通标志的？3张流程图给你讲明白的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。