[发明专利]基于结构森林和PCANet的标志物检测与识别方法

说明书

本发明属于自动目标识别技术领域，公开了一种基于结构森林和PCANet的标志物检测与识别方法，首先基于结构森林对路面标志物的边缘结构进行检测；然后，针对场景中的辅助线和典型标志物，采用基于骨架提取的动态聚类算法提取辅助线及角点特征区域，通过基于图像增强处理的最大稳定极值区域特征检测算法确定典型标志物的候选区域；最后，采用PCANet结构对候选区域进行标志物识别。本发明对于边缘结构特征不明显的标志物，进行了结构化的映射，并采用动态聚类和增强后的MSER特征进行提取，用于PCANet的识别。本发明能够克服标志物对比不明显、训练数据集较小的难题，为驾驶人员实时提供辅助信息具有重要意义。

技术领域

本发明属于自动目标识别技术领域，尤其涉及一种基于结构森林和PCANet的标志物检测与识别方法。

背景技术

道路标志物的检测与识别，是机器视觉在应用领域中的重要组成部分，可以提供可靠的目标位置信息，实现车辆在特定场景中的定位功能，被广泛应用于自动驾驶、驾驶员辅助系统和视觉导航等领域中。通常标志物的检测与识别可以描述为：在特定的场景中，根据获取到的场景标志物信息，采用特定的图像预处理方法，对图像中的标志物特征结构进行提取，送入分类器进行计算，最终得到识别结果。具体的工作过程为：

(1)首先获取已知场景中图像信息，结合图像中标志物的结构特征，设计不同的图像处理方法，减少图像中无关区域的干扰，同时增强图像中标志物的特征结构，便于后续的特征描述子的计算；

(2)然后在特征提取的过程中，按照一定的规则，对预处理后的图像序列，设计标志物候选区域的提取方法；

(3)最后，将待识别的候选区域进行模板匹配或者送入分类器进行计算，达到标志物识别的目的。

目前，对于标志物检测与识别的方法，可以分为两种：基于传统特征提取的方法和基于机器学习的方法。基于传统特征提取的方法，根据标志物的结构特征，采用一系列的复杂处理来获取图像梯度特征，用于标志物模板的制作，往往带来准备工作繁琐、计算复杂、识别效率低等缺点。这主要是由于利用特征点和特征描述子的形式，算法性能受限于不同光照条件下阈值的选取，通用性较差，在实际的运行过程中，往往需要根据环境调节算法的阈值，特征提取较为繁琐。同时，算法识别的准确率和模板匹配的数量有关，为了提高特征提取的准确性，往往是以增加特征维数或者采用多尺度模板为代价，计算复杂度大，识别的准确率较低。基于机器学习的方法，通过构建大量的数据集和优化训练策略，用于标志物的检测与识别，极大地提升了识别的准确率，但也带来了训练数据集大、实时性不理想的情况。为了达到较好的识别分类效果，需要采集大量的标志物图像，制作标志物的训练集和测试集，导致训练数据集较大，并且需要制定不同的训练策略，用于优化网络参数。同时，由于特征提取采用的是多层卷积架构，特征提取的维度较高，计算复杂度大，实时性不理想。因此，有必要研究一种轻量级的网络架构用于标志物的识别，在降低训练数据集和提升实时性方面进行，简洁高效的实现标志物的检测与识别，为车辆提供相应的辅助信息。

综上所述，现有技术存在的问题是：现有的特征提取与识别方法过度依赖特征描述子参数的选取、数据集的制备、计算复杂、识别效率低。

解决上述技术问题的难度：在车辆到达预定场地中，需要对路面标志物进行识别，辅助人员进行决策。路面标志物检测与识别主要针对的是道路表面的标志物，包括：车道线、箭头、线型标志物、区域标志物、光学字符等。针对复杂特殊的应用场景，考虑到光照的变化、阴影和标志物的遮挡以及图像畸变等外界影响因素，如何实时准确的对辅助线和区域标志物进行检测与识别依然是难点问题。

解决上述技术问题的意义：为了克服现有方法严重依特征描述子参数的选取、训练数据集大、计算复杂、实时性差等问题。有必要在特征提取方面，采用增强标志物特征结构对比的处理方法，提高特征点和特征描述子的稳定性。同时，在标志物识别阶段，采用轻量级的网络架构，在保证标志物识别的准确率的基础上，提升标志物识别的实时性。

发明内容