3．3 其他方法
颜色和形状的特点单独使用时都有一些很难克服的缺陷．如颜色受光源影响大，形状由于视角的变化可能会变形等等。如果将这两个方面结合起来，比如先用颜色做图像分割，再用形状分析方法进行识别，可以达到较好的效果。除了阻上介绍的传统颜色检测和形状识别方法外，近年来统计聚类和仿生类的算法也越来越多地应用在目标检测与识别中。这些方法可以是基于颜色的，也可以是基于形状的，它们与前面介绍的方法在分类上是交叉的。
聚类算法是一种建立在统计基础上的算法，抗噪声能力强．适合用于自然场景的图像处理。聚类算法在交通标志的检测与识别中主要用在对颜色的分类上。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，能够达到较好的分类效果。如果按照像素在图像中的位置进行二次聚类，就能进一步去除噪声，达到更好的效果。另外，还有采用Markov模型进行目标分类的尝试。
仿生算法中用得最多的是神经网络。人工神经网络在交通标志的检测与识别中大多是用作分类器或检测器，对颜色、形状进行分类或检测。如Krumbiegel等人在论文中构造的“人工视网膜”，是由三层神经网络构成，分别对应RGB空间的三个通道，另外还有一个控制单元。网络作为一个相关性检测器，如果目标区域存在交通标志，网络输出一个高频信号，否则输出低频信号。Besserer等人提出了一种形状分类方法，即用链码描述目标，然后用已有的一些检测器(这是一些根据Dempster-Shafer规则建立的神经网络分类器，包括角点检测器、圆检测器、基于直方图的分析器，对于未知的图形可以训练新的网络进行识别)对它们进行分类。有入将这种方法用在交通标志识别系统中oAoyagi和Asakural也曾用遗传算法进行标志检测，但是由于杂交和变异影响，结果的最优性无法得到保证。另外，还有一些仿生的视觉模型，如视觉注意模型，动态视觉模型M31，生物可能模型，视觉行为模型等。
3．4 主要技术难点
复杂场景下实时交通标志检测与识别技术的难点主要在于问题本身的复杂性和基于实用性对系统提出的要求，主要表现存以下几个方面：
1）场景复杂。图像中存在大量自然景物和人造物体的干扰，如树木、汽车、路边的建筑、广告牌等等；
2）标志的颜色难确定。受气候和照射光源影响大，如日照变化、阴雨天气、逆光或车灯照射等；
3）标志的形状不确定。各类标志形状不统一，此外还会出现多个标志相连出现，或标志牌歪斜、扭曲等；
4）标志的大小不确定。各类标志大小不统一，另外，随着车辆的前进，对于观察者来说，标志会越来越大；
5）标志占整个图像的比例较小。由于实时性的要求，等目标变大了再处理就来不及了；
6）很难获取正面图像。由于拍摄设备是车载的，拍摄的标志图像经常会有一定侧角；
7）准确性要求高。否则不但起不到辅助提醒或指导控制的作用，还会产生误导，酿成事故；
8）实时性要求高。在实际的系统中，必须留给司机或控制设备反应和处理的时间。 基于Hough变换的静态交通标志检测方法研究(8):http://www.youerw.com/jisuanji/lunwen_7819.html