本發(fā)明公開一種基于圖像檢索的地面交通標志識別方法，包括神經(jīng)網(wǎng)絡(luò)訓練；圖像預處理；生成灰度共生矩陣和標志識別的步驟。本發(fā)明基于圖像檢索技術(shù)對地面交通標志進行識別，首先通過采集一些常見的地面交通標志如斑馬線、雙黃線、減速慢行線等，通過BP神經(jīng)網(wǎng)絡(luò)進行大規(guī)模的樣本訓練，并建立一個可以與交通標志相匹配的模板庫，在識別到有圖像輸入時，系統(tǒng)自動將圖像進行歸一化處理，然后進行一系列的圖像預處理過程包括灰度化、二值化，然后使用sobel算子提取出目標區(qū)域，將其送入模板庫與事先建立的模板進行匹配，最后成功判斷出交通標志含義。

技術(shù)領(lǐng)域

本發(fā)明涉及無人駕駛領(lǐng)域，具體涉及一種用于無人駕駛的地面交通標志識別。

背景技術(shù)

在21世紀的今天，交通運輸業(yè)發(fā)展迅猛，路面上的汽車越來越多，交通事故的發(fā)生也愈為頻繁，人們越來越重視交通安全，無人駕駛應(yīng)運而生，無人駕駛可以極大的減少交通事故的發(fā)生，保障人們的生命財產(chǎn)安全。而在無人駕駛領(lǐng)域，地面交通標志識別是一個重要的組成部分。

地面交通標志識別可以使用相機拍照，然后使用計算機系統(tǒng)來自動識別交通標志(如：箭頭標志，車道線，斑馬線等等)。這可以提醒到車輛地面的標志的含義，使得車輛可以根據(jù)交通標志安全駕駛，從而提高無人駕駛的安全性。

目前，基于視覺的交通標志識別技術(shù)大多針對較為理想的環(huán)境，而在車輛實際行駛過程中面對的路況和環(huán)境非常復雜，基于視覺的交通標志識別需要解決車輛行駛速度變化導致計算機可識別的交通標識發(fā)生形變，周圍環(huán)境或車輛的遮擋導致識別率低或識別速率慢等一系列復雜的技術(shù)問題。這極大的減緩了無人駕駛汽車的開發(fā)和運用。為了解決上述問題，研究人員向兩個方向發(fā)展，試圖繞過上述難點，一是嚴格規(guī)定無人駕駛汽車的行駛環(huán)境，建設(shè)專用的通道；二是在基于視覺的識別技術(shù)基礎(chǔ)上，綜合雷達、GPS以及預存的離線或在線地圖信息，采用綜合算法判斷路況和交通標志。但以上兩種方法均未從根本上解決前面的技術(shù)問題，且導致成本的大幅度上升。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于圖像檢索的地面交通標志識別方法，提高地面交通標志的識別率和識別速度。

技術(shù)方案：本發(fā)明所述基于圖像檢索的地面交通標志識別方法，包括如下步驟：

(1)神經(jīng)網(wǎng)絡(luò)訓練：采集常見的地面交通標志，通過BP神經(jīng)網(wǎng)絡(luò)進行大規(guī)模的樣本訓練，將地面交通標志分類，并建立與交通標志相匹配的模板庫；

(2)圖像預處理：在識別到有交通標志圖像輸入時，對輸入的交通標志圖像進行預處理，生成灰度圖像，并變換、增強圖像，使圖像呈現(xiàn)最優(yōu)解；

(3)生成灰度共生矩陣：采用歸一化算法統(tǒng)計圖像中灰度值的概率值，并得到圖像量化后的圖像中存在的灰度級數(shù)量，采用能量、對比度、熵和相關(guān)性表達共生矩陣的紋理特征，作為圖像的視覺表述，選取并切割出邊緣點數(shù)量大于平均值的區(qū)域作為識別圖像；

(4)標志識別：使用神經(jīng)網(wǎng)絡(luò)算法將識別圖像與模板庫進行匹配，實現(xiàn)地面交通標志識別。

本發(fā)明進一步優(yōu)選地技術(shù)方案為，步驟(2)中圖像預處理包括灰度化、二值化和邊緣檢測，具體為：

a、圖像灰度化：將識別到的交通標志圖像轉(zhuǎn)化成為灰度圖像；

b、圖像二值化：將灰度圖像上的像素點的灰度值定義為0或者255，使圖像呈現(xiàn)出黑白兩種顏色；

c、圖像邊緣檢測：用Sobel邊緣檢測算子進行邊緣檢測，比較每個像素點與周圍鄰點灰度的加權(quán)差，獲得地面交通標志的邊緣圖像。

作為優(yōu)選地，步驟(3)的生成灰度共生矩陣的具體步驟為，基于步驟(2)獲得的邊緣圖像進行像素點統(tǒng)計分析，對X方向和Y方向進行邊緣像素點數(shù)量統(tǒng)計，挑選邊緣點數(shù)量大于平均值的位置，最后一列大于平均值的位置作為最后一個區(qū)域的切分位置，分割出識別圖像。