基于無人駕駛平臺的交通燈及數(shù)字檢測與識別系統(tǒng).pdf

1、隨著科技進步和汽車產(chǎn)業(yè)的發(fā)展，汽車智能化水平越來越高，關(guān)于汽車輔助駕駛和無人駕駛系統(tǒng)的研究逐漸成為國內(nèi)外研究熱點。交通信號燈檢測和識別技術(shù)作為輔助駕駛和無人駕駛系統(tǒng)的重要組成，吸引了很多研究人員的關(guān)注。目前，關(guān)于交通信號燈檢測與識別技術(shù)的研究主要集中在機動車信號燈（圓燈）和方向指示信號燈（箭頭燈）上，而針對交通信號倒計時（以下簡稱數(shù)字燈）的研究較少。本文基于無人駕駛平臺，設(shè)計并實現(xiàn)的交通燈及數(shù)字檢測與識別系統(tǒng)具有同時檢測和識別圓燈、箭頭

2、燈和數(shù)字燈的功能，為無人車提供更加豐富的決策信息。
　　自然場景下，交通信號燈在圖像中的成像結(jié)果受光照影響較大，如何準(zhǔn)確定位交通信號燈位置是檢測過程的關(guān)鍵和難點。針對交通燈及數(shù)字的特點，提出了基于顯著性特征的檢測方法以及數(shù)字分割方法。該方法首先在低分辨率圖像上生成顏色、亮度和邊緣特征圖，并融合成顯著圖;然后提取圖像中的顯著性區(qū)域，利用幾何和顏色特征過濾噪聲;最后，利用投影分析的方法將候選區(qū)域中的雙數(shù)字區(qū)域分割為兩個單數(shù)字區(qū)域，得到

3、只包含單個數(shù)字燈、圓燈和箭頭燈的候選識別區(qū)域。實驗結(jié)果表明，本文提出的檢測方法獲得了比較理想的效果。
　　在交通燈及數(shù)字的識別階段，針對交通燈及數(shù)字的多種特征，提出一種兩級分類方法，該方法設(shè)計了專用的結(jié)構(gòu)分類器用于第一級的目標(biāo)分類，目的是為了能夠快速可靠的識別圖像中清晰的目標(biāo);設(shè)計了基于CNN特征和HOG特征的SVM分類器用于第二級的目標(biāo)分類，目的是為了提高整體識別的識別率和魯棒性。
　　在基于結(jié)構(gòu)特征的第一級分類中，針對數(shù)

4、字燈、箭頭燈和圓燈的不同特點，設(shè)計了兩組結(jié)構(gòu)特征。數(shù)字燈的識別是依據(jù)七段碼的顯示特點在數(shù)字區(qū)域中設(shè)定九個子區(qū)域，通過統(tǒng)計各子區(qū)域的亮暗情況生成一個九位的二進制編碼，然后根據(jù)此編碼得出數(shù)字結(jié)果。箭頭和圓形燈的識別是利用水平和垂直投影對目標(biāo)結(jié)構(gòu)進行描述，然后利用KNN分類器分類。實驗結(jié)果表明，本文提出的這兩組結(jié)構(gòu)特征對圖像清晰的目標(biāo)能夠獲得比較好的識別準(zhǔn)確率，并且計算速度較快。
　　在第二級分類中，結(jié)合更為魯棒的CNN特征與具有良好幾

5、何、光學(xué)不變性的HOG特征，形成了更高維度的特征。首先提取LeNet-5神經(jīng)網(wǎng)絡(luò)模型中ipl層特征作為CNN特征;然后提取交通燈及數(shù)字區(qū)域HOG特征，并將CNN特征歸一化后與HOG特征融合得到融合特征;最后采用SVM分類器進行分類。實驗結(jié)果表明，該方法相比于CNN分類和只使用HOG特征的方法，雖然時間復(fù)雜度較高，但是識別率也更高。
　　最后，本文對無人駕駛平臺進行了介紹，并將本文系統(tǒng)應(yīng)用到該無人駕駛平臺上進行實驗。實驗根據(jù)不同天氣