有关交通标志检测和识别问题的第一项工作可以追溯到20世纪60年代。随着计算机视觉辅助驾驶的理念越来越吸引全世界的关注，影像处理、图像处理技术也发展得更加可以实现，自1984年，科学家发展了许多交通标志检测和识别的方法，也在20世纪末取得了重大的进展。对于这个领域的研究原本起源于美国、欧洲和日本的大型项目，现在由学术界和工业集团在全球各地进行深入钻研。交通标志检测和识别系统的处理过程主要分为两个阶段：1)检测和2)识别。检测阶段是利用某种指定的方法在图像中寻找感兴趣的区域(RegionofInterest,ROI)，并将其作为识别阶段的输入；而识别阶段实质上是对每一个ROI的分类过程。77321

1 检测方法发展现状

颜色和形状是交通标志最明显的特征，故以往的检测方法主要分为两类：一类是基于颜色的检测方法，而另一类是基于形状的检测方法。常用的基于颜色的检测方法是基于某一颜色空间如HSV，HSI，RGB空间的阈值分割方法；而常用的形状检测方法是Hough变换方法，角检测方法，模板匹配方法等。每种方法各有其优缺点。比如，颜色阈值分割方法的优势在于简单，计算量小，操作速度快，但其对光照变化不鲁棒，并且确定一个适当的阈值参数往往基于数据集和经验选取，可能需要大量繁琐的人工调整。基于形状的检测方法的优势在于对光照变化的鲁棒性，但又容易受到与交通标志形状相似物体的影响，特别是在较远距离拍摄得到的图像中提取形状的情况下。故现在常见的做法是将颜色和形状两种特征结合起来来检测交通标志。TangJin等人的工作是检测识别具有红色边界的圆形标志，他们先是在HSV空间中进行阈值分割，然后通过圆角检测方法检测出圆形标志，再利用Kalman滤波器追踪目标，最后利用2DPCA提取ROI的主要特征向量与标准交通标志的相比较进而识别[1]。IanSebanja等人先是通过颜色分割和形状检测，最后利用PCA比较特征向量做分类[2]。Gao等人利用颜色模型CIECAM97和行为模型FOSTS分别提取交通标志的颜色和形状特征[3]。HuaHuang等人通过阈值分割和Hough变换来寻找ROI，最后利用相似度加权的自适应Hausdorff距离来做分类[4]。论文网

另外，随着机器学习方法的快速发展，也逐渐发展起了基于学习的检测方法[5]。Viola和Jones提出的检测方法是计算机视觉领域的一个重要里程碑，其算法思想是将多个强分类器级联起来快速判断待检窗口是否包含目标[6]。该检测算法是一个机器学习方法，虽然其原始目的是为了人脸检测，但是这个方法已应用在其他多个问题上，其中在交通标志检测方面就取得了很好的效果。Chen和Hsieh利用Viola-Jones检测器来检测圆形交通标志[7],Baro和Escalera等人利用一种改进后的级联检测器来检测交通标志[8]。

。2 识别方法发展现状

对于一个多分类问题，常用的解决方案有两种：1)将二分类问题直接推广到多分类问题来构造多分类器；2)将多分类问题按某种方式分解成若干个二分类问题，常利用纠错输出码(errorcorrectingoutputcodes，ECOC)框架[9]。

第一类方案中，常采用深度学习，神经网络算法[10,11,12,13]。K。H。Lim等人先是分别根据颜色和形状将ROI简单地分成一些子类，再通过FLD，PCA提取主要特征，最后利用径向基函数为激活函数的神经网络(RBFNN)做分类[12]。Y。Nguwi等人利用一对一的多层神经网络进行分类，即一个神经网络分类一个交通标志的系统[13]。相比于一对多的神经网络系统，一对一系统的好处在于整个交通标志分类结构是可拓展的，而前者若是增加了分类对象的个数，需要对整个网络重新训练。 交通标志检测和识别国内外研究现状:http://www.youerw.com/yanjiu/lunwen_88864.html