专利名称：交通标志检测方法
技术领域：
本发明目的在于一种用于交通标志检测的方法，更具体地目的在于用于利用灰度或颜色、形状以及运动信息对交通标志进行检测与识别的系统和方法。
背景技术：
在交通环境中，标志管制交通，警示驾驶员以及命令或禁止某些行为。实时且稳健的自动交通标志识别可以帮助驾驶员并解除驾驶员的负担，从而显著地提高驾驶安全性和舒适性。例如，可以提醒驾驶员当前车速限制，防止他进行不适当的行为，例如进入单行道、在无超车区中超车、不应有的超速行驶等等。而且，它可以被集成到自适应巡航控制(ACC)中，以减轻紧张驾驶。在更全球化的背景中，它可有助于交通背景的场景理解(例如，如果汽车行驶在城市中或高速公路上)。
交通标志识别是以一些基本假定为前提并利用交通标志的一些有益的特性。首先，交通标志的设计是独一无二的，因此，对象变化小。此外，标志颜色经常与环境对比非常好。此外，标志相对于该环境严格被定位(与车辆相反)，并且常常被设置在驾驶员能清楚看到之处。
然而，对于成功的识别仍存在多个挑战。首先，在交通环境中天气和照明条件差异显著，减少了所提及的对象唯一性的优点。另外，因为摄像机的移动，附加的图像失真(例如运动模糊和突然的对比度改变)经常发生。而且，标志安装和表面材料可以受事故和天气影响而随时间发生物理上的变化，从而产生可旋转的标志和退化的颜色。最后，应用区域所给定的约束条件需要廉价系统(也即，低质量传感器，慢速硬件)、高精度及实时计算。
用于交通标志识别的大多数已知技术利用至少两个步骤，一个旨在检测，而另一个旨在分类、也就是将所检测的标志图像映射为其语义范畴的任务。关于检测问题，已提供了一些方法。这些方法中的一些依赖于灰度数据。一个这样的方法采用基于模板的技术结合距离变换。另一方法使用径向对称性测量并将其应用为框架内的预分割。因为径向对称性对应于简化的(即快速的)圆形Hough(霍夫)变换，所以它特别适于检测圆形标志的可能出现。假设证实被集成在分类内。
用于交通标志检测的一些其它技术使用颜色信息。这些技术共享两步骤策略。首先，通过对颜色表示(例如红绿蓝(RGB))的阈值操作进行预分割。RGB表示的线性或非线性变换也已被使用。随后，从基于形状的特征中获得最终检测决策，只应用到预分割的区。已经使用了边角特征、遗传算法和模板匹配。
这些连续策略的缺点是，已经被颜色分割错误拒绝的区不能在进一步处理中被重新获得。另外，颜色分割需要阈值的固定，主要从耗时且易出错的手动调整获得。
也已提供颜色和形状方法的联合处理。当结合标志的几何模型时，该方法根据颜色和梯度信息来计算整个图像帧的特征映射。该方法也需要手动阈值调整并且是计算量大的。
对于分类任务，多数方法使用公知的技术，例如模板匹配、多层感知、径向基函数网络、和Laplace(拉普拉斯)核分类器。一些方法采用基于帧的检测的时间融合(temporal fusion)来获得更稳健的全面检测。这些方法需要某类跟踪框架。需要一种用于检测和识别交通标志的方法，所述方法在全面的对象检测中使用用于颜色和形状建模的集成方法，但其不需要手动地调整阈值。
发明内容
本发明目的在于一种用于检测和识别至少一个交通标志的方法。接收由多个图像帧组成的视频序列。使用一个或多个滤波器来测量表示感兴趣的对象的至少一个图像帧中的特征。将所测量的特征组合和聚集成表示对象的可能存在的记分(score)。为了稳健地检测，在多个图像帧上融合记分。如果记分在图像帧的区域内表示对象的可能存在，则用模型对准该区域。然后，确定该区域是否表示交通标志。如果该区域表示交通标志，该区域被分类为特定类型的交通标志。本发明也用来训练一种系统用以检测和识别交通标志。
本发明优选的实施例将在下面参照附图更详细地进行描述，其中相同的参考数字表示相同的要素图1是根据本发明的用于识别交通标志的系统的系统框图；图2是根据本发明的例示可被检测的交通标志的例子的一系列图像；图3是根据本发明的说明用于交通标志识别的方法的图表；图4说明根据本发明的作为弱分类器函数的局部响应正负例的图；图5说明根据本发明的环形滤波器的例子；图6说明根据本发明的通过AdaBoost算法所选择的最初六个Haar小波，包括环形滤波器小波；和图7说明根据本发明的用于标志的三个所定义的区。
具体实施例方式
本发明目的在于一种用于检测和识别交通标志的方法。图1说明用于实现本发明的系统的框图。摄像机102用于捕获道路及其环境的图像。摄像机102典型地被安装在车辆上，并指向一方向用以捕获交通标志。如在典型的道路图像情况下所期望的那样，图像包括背景图象，例如道路、建筑物、树、和房屋以及在道路上行驶的车辆。图像被传递给处理器104，该处理器分析图像强度和图像运动，以检测场景动态中的任何变化。
标志检测框架是利用AdaBoost训练实现的以组合基于滤波器的特征。被检测的对象在时间信息传播框架内被跟踪。接着，为了获得精确的标准化，被检测的标志利用标志几何形状的统计建模以高达像素精度地被准确对准。最后，根据Bayesian生成式建模(Bayesian generative modeling)执行分类，包括在多帧上的假设融合。
一旦检测到交通标志，则通过输出装置106识别该标志。输出装置106提供输出信号，所述输出信号通知用户存在该交通标志。该输出信号可以是听得到的信号或其它种类的警告信号。该输出装置106也可以包括用于观看检测标志的显示器。显示器提供已被检测到并且正在被跟踪的标志的图标表示。这些图标可以被存储在数据库108中。
本发明提供用于实时、稳健的交通标志检测与识别的框架，该框架融合来自颜色、形状与运动的线索。这种系统例如能被用于智能汽车驾驶室环境中的驾驶员辅助。图2说明例示可以利用本发明方法检测的交通标志的一系列图像帧。当图像是黑白的时，不同的灰度强度表示标志的着色，该着色如上所示与背景颜色明显不同。
本发明由三个主要组成部分组成。图3说明用于检测交通标志的本发明方法的概观。初始图像帧302从街道环境获得。该图像帧302包括道路的视图以及背景的视图。第一，标志检测框架利用AdaBoost训练来实现以组合基于滤波器的特征。被检测的对象在时间信息传播框架内被跟踪。本发明使用专门适用于要检测的标志的形状的滤波器设计。颜色灵敏Haar小波特征被用于在每个帧t检测标志的出现。对于每个随后的图像帧(例如帧304)，关于对象(例如，交通标志)是否被检测而作出确定。一旦标志被检测，该标志被跟踪，并且来自帧(t-t0，...t)的各个检测在时间上被融合，用于稳健的全面检测。第二，为了获得精确标准化，被检测的标志利用标志几何形状的统计建模以高达像素精度地被准确对准。该标志关于位置、比例与亮度被标准化。最终所得出的图像在帧306中显示，帧306隔离可能的对象。第三，基于Bayesian生成式建模执行分类，包括在多帧上的假设融合。如果被检测的对象是感兴趣的，则最终对象如通过图像308所示被显示。
通过基于块(patch)的方法来从事对象(在该情形种是交通标志)的检测。详细地，通过评估简单特征与简单分类器的聚集yi=sign(Σt=1Tαtsign(⟨ft,xi⟩)-θt),---(1)]]>将图像块xi(取作向量)分配到两个类“对象”(yi≥0)和“非对象”(yi＜0)之一中。
变量ft(取作向量)是滤波器掩模(filter mask)，所述滤波器掩模描述Haar小波的过完备集(over-complete set)。该过完备集是通过改变特定的几何参数(例如位置(a，b)、宽度w、或高度h)产生的。那些小波的最佳子集、以及权重αt、和分类器阈值θt从AdaBoost训练算法获得。
本发明在AdaBoost训练框架内采用联合颜色和形状建模方法，如在下文中更详细描述的那样。为应用交通标志识别，颜色表示有价值的信息，因为在典型的背景图案(例如，树、房屋、沥青等等)中，多数对象颜色不被观察到。
当颜色的综合被解释为为特征选择时，AdaBoost为颜色的综合提供简单但是非常有效的杠杆作用。在现有方法中，AdaBoost已经被用于选择(和加权)一组小波特征，其通过它们的几何特性(例如位置(a，b)、宽度w或高度h)来参数化。所述小波已经典型地被应用于灰度图像的块。在可用颜色代替灰度信息的情况中，现有技术没有提供一般指导来选择应该使用哪种颜色表示，或在线性或非线性的颜色变换内能够如何最佳组合地它们。
根据本发明，颜色表示被认为是作为自由小波参数a、b、w和h一起被处理的，由此在AdaBoost框架内实现全自动颜色选择。要综合的颜色表示的种类不局限于R、G和B。通过采用线性或非线性颜色变换，可以结合先验领域知识。这种建模的有益的特性是，这些变换对于AdaBoost训练只是“建议”。
原则上，可以建议颜色和几何空间中的每种组合。AdaBoost框架被设计用以选择最有效和忽视无效的一个。“建议”的种类仅由计算和存储资源限制。根据本发明，采用如下九种颜色表示1)普通通道R、G和B，2)标准化通道r＝R/S、g＝G/S、和b＝B/S，其中S＝R+G+B，3)灰度通道S/3，和4)两个线性变换T1(R，G，B)和T2(R，G，B)。这里Ti对应于在三维RGB空间中线性判别分析(LDA，亦称Fisher判别分析(Fisher DiscriminantAnalysis))的第一主分量。其中的数据通过两类来表示；类1包括典型的对象，类2包括背景像素。在这方面，Ti是对象和背景像素判别用的最佳线性变换。T1针对存在大的红色区域(对应于标志的“开始”(“beginning of”sign))的标志被估计，T2针对通过灰颜色占优势(对应于标志的“中止”(“suspension of”sign))的标志被估计。对于本领于技术人员来说应当理解的是，在不脱离本发明精神和范围的情况下，可以使用颜色表示的其它组合或类型。
针对交通标志的AdaBoost训练的结果在图4中示出，所述图4说明为检测标志由AdaBoost所选择的最初六个小波。对于六个Haar小波中的每一个，在白色区域下面的像素被+1加权，黑色区域被-1加权。通过其宽度w、高度h、和相对坐标a和b来参数化所述小波。以不同的灰度级示出的背景“色彩”表示颜色通道，各个特征是在其上被计算。对于本例，颜色通道对应于r、R、G、r、S/3、g。
为了说明本发明，假设使用该方法来定位圆形标志，该圆形标志在其周边周围有红色环。然而，本领于技术人员应当理解的是，在不脱离本发明精神和范围的情况下，可以相应地修改颜色表示和小波特征，以检测具有不同特性的标志。当小波被用于检测标志时，从颜色表示中选出最有价值的信息。在本例的情况下，r、R和G对应于正样本集中的经常观察到的红色环和负样本集中的树。这强调在本发明中颜色的有用性。
因为基于块的检测不是比例不变的，所以针对多个离散比例来训练不同的检测器。在检测以后，对被检测标志参数(也即位置(a0，b0)和比例r0)的估计可以从相应检测器的响应图(response map)中的最大值获得。
一旦被检测，则利用简单运动模型和时间信息传播来跟踪标志。对于更稳健的检测，基于各个帧的检测的结果被融合到组合记分中。
按照本发明的另一个方面，采用新类型的滤波器特征用于检测环型对象。所述新的滤波器特征通过使用不同尺寸和相同中心的三个矩形区域的组合来近似环结构。在图5中示出环特征的几何图示。如所示，白色区域对应于正像素，所述正像素通过滤波器用+1加权。黑色区域对应于负像素并且通过滤波器用-1加权。灰色区域表示背景，其对应于权重0。注意的是，这种类型的建模假设在图像块的中心对准所述标志。
为了对AdaBoost保持变化的总量是可追踪的，已经保持了自由参数的数目尽可能小。环特征可以通过内矩形的高度h(其与宽度相同)和带宽b来参数化。外矩形的高度和宽度是2h。对应于小中心点502、504、506的对象(例如标志)的适当配准使环保持在中心。
本发明的另一个方面涉及对“强分类器”的高效评估，如方程式(1)中所定义的。在这里所采用的基于块的对象检测基本原理的一般上下文中，以下两个观察成立1).最大多数(在实际中99.99％以上)被观察的检验块xi是非对象，也就是说，它们导致负的yi。
2).在yi的精确估计可以只由方程式(1)中的最初少数的被加数形成的意义上，所述非对象的多数是“明确的”负数。
第二个观察的完全根据经验的验证在图4中说明。图4根据弱分类器指数t示出500正(图4(a))和500负(图4(b))训练例(training example)xi的局部响应
ri(t)=Σt′=1tαt′sign(⟨ft′,xi⟩-θt′).---(2)]]>从图4(b)可以得到，在大约10-50个弱分类器评估之后，多数负例已经有相当大的负值(这里，≈-0.05--0.15)。在弱分类器评估的相同间隔内，正例始终导致值ri(t)＞-0.05。
在这方面，在适当的时候，通过及早作出关于yi的决策，可能显著减少计算成本。验证基于顺序到达的数据的模型的该非常一般的问题已经在名为“sequential hypothesis testing(顺序假设检验)”的文献中得以研究。该构思应该如下应用于强分类器计算。给定阈值集φ＝(φ1，…，φT)，局部分类器决策被定义为yi(t)=sign(ri(t)-φt)---(3)]]>并设计如下所述的候选修剪(pruning)策略。在每个步骤t∈{1，…，T-1}，将yi(t)与零比较。如果yi(t)≥0,]]>则将继续求和。如果yi(t)<0,]]>则终止该求和，并且xI被分类为负图案。
可以通过阈值φt控制在效率与精度之间的权衡。φt越大，在步骤t越少的候选被修剪。以下两种情形说明极端情况1).如果φt=Σt′=1tαt′,]]>t∈{1，...，T-1}，yi(t)≥0]]>将总成立。因此，在t＝T之前，求和将从不会被终止，并且结果将等于方程式(1)的质朴求值(naive evaluation)。
2).如果φt=-Σt′=1tαt′-ϵ]]>其中ε＞0任何小数，则yi(t)<0,]]>并且将立即终止迭代，将xi分类为负采样。然而在实际中，φt大多被选择为正。
阈值φ可以从给定的数据中采纳。一个合理的策略是在AdaBoost训练期间(或之后)调节φt的集，使得某一假负率(false negative rate)1-dt在步骤t，符合训练(或分开评估)数据集，也即，1-dt≤1-d‾t,]]>t∈{1，...T-1}。(4)对于零目标假负率1-dt＝0，t∈{1，...，T-1}的特殊情况，这相当于φt=rmin,pos(t),]]>t∈{1....，T-1}，(5)其中rmin,pos(t)=mini∈pos{ri(t)}]]>是在步骤t时在正训练(或评估)集中的最小响应。在图4(a)中的上下文中，rmin，pos(t)对应于所有{ri(t)}的下边界。
使用用于交通标志检测的当前应用的上述策略，有可能对负xi平均修剪250弱分类器评估的94％。由于正xI是小部分(参照上述观察1)，这粗略地对应于在整个候选全体中相同的百分比。
根据本发明，顺序检验(公知为级联)被用于识别强分类器。具有增加的复杂性的检测器(其中的每个都通过提升的(boosted)强分类器借助于方程式(1)实现)级联(也即，退化决策树)的评估。在该级联中，早先的(和较少复杂的)的节点旨在大量拒绝明确的负例，而后来的(并且更复杂的)节点专用于在困难的负和正样本之间的精确判别。
这个顺序检验方法提供以下优点。对于明确的负候选作出及早决策。顺序检验评估一个单个的强分类器决策，其目标是最小化一个被特别定义的误差率。另外，该顺序检验重新使用先前的节点的响应，而无需额外计算。顺序检验方法也在每个弱分类器评估之后修裁候选。
本发明基于精确对准的对象(例如，标志)的检测。基于滤波器特征的检测提供对标志位置和比例的粗略估计，原因在于它按预先确定的离散比例来检测块。以下说明根据本发明的用于对准被检测对象的方法。在描述的例子中，要检测的所有标志都有圆形形状。从而可以通过参数(a，b，r)表示它们的方位和尺寸，其中(a，b)表示中心位置，r表示标志半径。
本发明使用Hough变换和边缘图像，其中所述边缘图像用关于标志几何形状的附加统计信息补充。要检测的标志的多数从背景中通过其圆形整个形状来呈现轮廓，但是也通过例如周围的环或内部象形文字区域的固有均质区来进行区别。
给定对象参数(a，b，r)，如在图7中所示定义图像中的四个区域XFdge(a，b，r)，XBoundary(a，b，r)，XRing(a，b，r)，XPict(a，b，r)，如下XEdge(a,b,r)={(x,y)|r-12≤||(x,y)T-(a,b)T||<r+12}---(6)]]>XBoundary(a,b,r)={(x,y)|34r-12≤||(x,y)T-(a,b)T||<34r+12}---(7)]]>
XRing(a,b,r)={(x,y)|34r<||(x,y)T-(a,b)T||≤r}---(8)]]>XPict(a,b,r)={(x,y)|||(x,y)T-(a,b)T||≤34r}.---(9)]]>量 对应于标志的所有“开始”的内圆半径。
对于带有参数(a，b，r)的真实标志对象，期望1)Xboundary(a，b，r)在梯度向量的分量中有高的值，指向(a，b)T。
2)xEdge(a，b，r)在梯度向量的分量中有高的值，指向(a，b)T。
3)XRing(a，b，r)在单峰颜色分布中有一个窄峰。
4)XPict(a，b，r)在双峰颜色分布中有两个窄峰，将XPict(a，b，r)划分成背景区域XPictBG(a，b，r)和前景(文字)区域XPictFG(a，b，r)两个模式，其中XPict(a,b,r)=XPictBG(a,b,r)∪XPictFG(a,b,r),]]>和5)XRing(a，b，r)的分布与内部背景模式XPictBG(a，b，r)显著不同。
基于这些考虑，定义能量函数E(a,b,r)=Σi=16αiEi(a,b,r)]]>=α1gradXEdge(a,b,r)]]>+α2gradXBoundary(a,b,r)]]>+α3log(σXRing(a,b,r)2)]]>+α4log(σXPictBG(a,b,r)2)]]>+α5log(σXPictFG(a,b,r)2)]]>+α6(μXRing(a,b,r)-μXPictBG(a,b,r))2σXRing(a,b,r)2+σXPictBG(a,b,r)2,---(10)]]>其对于真实的标志参数应该最小，也就是说，(a0,b0,r0)=argmin(a,b,r){E(a,b,r)}.---(11)]]>
在方程式(10)中，α1，…，α6是加权，其将要被调节。在本发明中，关于分类差错，在六维α空间中借助于梯度下降来解决该问题。在XPict(a，b，r)中两个模式的揭露可以通过标准技术(例如，均值漂移，EM)解决。
基于所估计的标志参数(a0，b0，r0)，进行以下标准化步骤1)提取对应于具有参数(a，b，r)的标志区域的的圆形区。
2)在该区内，通过直方图均衡来标准化图像亮度。
3)结果图像与分类器分辨率成双线性比例。
接着，执行对象的分类。分类框架基于生成式范式(generative paradigm)，采用单峰高斯曲线概率密度。在该概率建模之前，使用标准线性判别分析(LDA)执行特征变换。在这方面，标志图案的特征向量x∈R25包括LDA的最初25个主分量。
对于每个类l，基于单峰多变量高斯型曲线估计概率密度函数p(x|l)p(x|l)=Nμx(l),Σx(l)x,---(12)]]>因此，通过23(等于不同的标志类数目)对平均值和协方差(μx(l)，∑x(l))来确定整个分类器。
给定帧t的检验序列的特征向量x(t)，最大似然(ML)法意味着分类决策 其中 由l^=argminl{d(x(t),(μx(l),Σx(l)))}---(13)]]>和d(x(t),(μx(l),Σx(l)))=-ln(p(x(t)|l))---(14)]]>定义。分类性能可以通过考虑时间依赖性来改进。给定特征序列X(t0)＝[x(1)，...，x(t0)]作为来自跟踪的结果，可以从迄今所看到的观察来组合分类器决策。假设x(1)，...，x(t0)的统计独立性，组合距离由
Σt=1t0d(x(t),(μx(l),Σx(l)))]]>给出。从实际的观点看，不同地加权各个帧的影响是值得做的，即，d(x(t0),μx(l),Σx(l))=Σt=1t0πtd(x(t),μx(l),Σx(l)).---(16)]]>示范性加权是πt=at0-t---(17)]]>其中a＜1。选择这个值是因为当交通标志在后来帧中变得更大时，导致更精确的帧分类。
分类的概率置信度由对每个类l′的后验概率给出p(l′|x(t))=p(x(t)|l′)P(l′)Σlp(x(t)|l)P(l).---(18)]]>因此，明确的是例如从交通环境(例如，城市或高速公路)中将关于标志先验的信息集成到该方法中。
本发明目的在于一种用于检测、跟踪和识别交通标志的方法和系统。该系统综合颜色、形状和运动信息。它是基于三组成部分的，也即基于AdaBoost和Haar小波特征的检测和跟踪框架、基于标志几何形状的统计建模的精确对准、和基于高斯分布的分类器。
已经说明了用于检测交通标志的方法的实施例，但应注意的是，根据上述教导，本领域的专业人员可以进行修改和变化。因此应当理解的是，可以在所公开的本发明的特定实施例中进行改变，该改变落在如由所附权利要求所定义的本发明的范围和精神之内。因此虽然已经描述了具有按专利法的要求的细节和特性的本发明，但在所附权利要求书中阐述由专利证书所要求的和期望保护的。
权利要求
1.一种用于检测和识别至少一个交通标志的方法，该方法包括以下步骤a.接收由多个图像帧组成的视频序列；b.使用一个或多个滤波器来测量表示感兴趣对象的至少一个图像帧内的特征；c.将特征聚集并组合成表示对象的可能存在的记分；d.为了稳健地检测，在多个图像帧上融合记分；e.如果记分指示在图像帧区域内对象的可能出现，则用模型对准该区域；f.确定该区域是否表示交通标志；以及g.如果是这样的话，则将该区域分类成交通标志的特定类型。
2.如权利要求1所述的方法，其中图像帧是颜色图像帧。
3.如权利要求1所述的方法，其中图像帧是灰度图像帧。
4.如权利要求2所述的方法，其中至少一个滤波器是颜色表示滤波器。
5.如权利要求3所述的方法，其中至少一个滤波器是灰度表示滤波器。
6.如权利要求4所述的方法，其中颜色滤波器包括一个或多个颜色通道。
7.如权利要求6所述的方法，其中至少一个颜色通道是标准化颜色通道。
8.如权利要求6所述的方法，其中至少一个通道是灰度通道。
9.如权利要求6所述的方法，其中至少一个颜色通道是颜色通道的线性变换。
10.如权利要求1所述的方法，其中至少一个滤波器是环滤波器。
11.如权利要求1所述的方法，其中将特征组合成记分的步骤进一步包括对简单分类器和小波特征的集合评估。
12.如权利要求11所述的方法，其中使用顺序假设检验方案和局部分类器决策来评估集合分类器。
13.如权利要求1所述的方法，其中检测交通标志的步骤进一步包括以下步骤累加连续图象帧的记分，以获得累积记分；在每个图像帧之后比较所累加的记分，以确定记分是否超过预定的阀值；如果记分超过该阈值，则将下一图像帧的特征记分加到该所累加的记分上；如果记分低于该阈值，则确定该特征与感兴趣的对象不相关联。
14.如权利要求1所述的方法，其中对准图像的区域的步骤进一步包括以下步骤定义边缘区、边界区、环区和内部区；定义成本函数，所述成本函数测量标志模型和候选标志图像块的不一致性；和在参数空间中从误差函数的极小化中估计正确的标志参数。
15.如权利要求14所述的方法，其中估计标志参数的步骤用于图像标准化，并进一步包括以下步骤标准化标志参数的位置和比例，以及通过使用在x、y、和r上所定义的区域和该区域的统计特性来标准化图像强度。
16.如权利要求14所述的方法，其中所估计的标志参数是x、y、和r，并被用于形成图像感兴趣区(ROI)。
17.如权利要求16所述的方法，其中从ROI中的像素的线性判别分析(LDA)获得分类特征向量。
18.如权利要求1所述的方法，其中利用特征空间的多变量高斯概率密度函数和最大先验(MAP)或最大似然(ML)方法来获得标志图像的分类。
19.如权利要求18所述的方法，其中分类步骤进一步包括步骤累加连续图象帧的分类记分，以获得累积分类记分。
20.如权利要求1所述的方法，其中正被检测的交通标志是在其周边有彩色环的圆形标志。
21.如权利要求1所述的方法，其中滤波器ft、加权αt和分类器阈值θt利用AdaBoost被适配。
22.如权利要求1所述的方法，其中滤波器ft的几何参数利用AdaBoost被适配。
23.如权利要求1所述的方法，其中滤波器ft的颜色表示利用AdaBoost被适配。
24.如权利要求17所述的方法，其中，通过在颜色空间中对象和非对象像素的线性判别分析(LDA)来确定线性变换。
25.如权利要求21所述的方法，其中顺序假设检验的阈值θt从1-dt≤1-d‾t]]>，t∈{1，…T-1}来确定，具有目标假负率 。
26.如权利要求21所述的方法，其中顺序假设检验的阈值θt从φt=rmin,pos(t),t∈{1,...,T-1}]]>来确定。
27.如权利要求14所述的方法，其中在E(a,b,r)=Σi=16αiEi(a,b,r)]]>=α1gradXEdge(a,b,r)]]>+α2gradXBoundary(a,b,r)]]>+α3log(σXRing(a,b,r)2)]]>+α4log(σXPictBG(a,b,r)2)]]>+α5log(σXpictBG(a,b,r)2)]]>+α6(μXRing(a,b,r)μXPictBG(a,b,r))2σXRing(a,b,r)2+σXPictBG(a,b,r)2]]>中的参数αi的适配根据分类差错通过梯度下降来执行。
28.如权利要求18所述的方法，其中标志类的训练包含训练图像的自动对准、图像标准化、感兴趣区形成、线性判别分析(LDA)特征变换、和高斯概率密度函数估计。
全文摘要
公开了一种用于检测和识别至少一个交通标志的方法。接收具有多个图像帧的视频序列。使用一个或多个滤波器来测量表示感兴趣对象的至少一个图像帧内的特征。所测量的特征被聚集并组合成指示对象的可能出现的记分。为了稳健地检测，在多个图像帧上融合记分。如果记分指示在图像帧的区域内对象的可能出现，则用模型对准该区域。然后，确定该区域是否表示交通标志。如果该区域表示交通标志，则该区域被分类为特定类型的交通标志。本发明目的也在于训练系统以检测和识别交通标志。
文档编号G06K9/64GK101023436SQ200580027960
公开日2007年8月22日 申请日期2005年4月29日 优先权日2004年8月16日
发明者C·巴尔曼, Y·朱, V·拉梅什, M·佩尔科菲, T·克勒 申请人:西门子共同研究公司, 西门子公司