基于精確定位的交通標識識別系統的檢測方法研究

崔曉川+鄒博維+張恒嘉

摘 要：為了填補目前智能網聯汽車在智能標識識別系統檢測方法中的空白，對交通標識識別系統檢測方法進行研究。通過安裝精密機器人控制系統并配合以高精度定位系統，搭建智能標識識別系統的測量平臺。通過精確控制試驗車輛的速度及行駛過程中的相應姿態，并且采用實時記錄試驗車輛與目標交通標識的位置信息的方式達到對交通標識識別系統進行可靠性檢驗的目的。實驗證明：該方法的速度控制精度在±0.5km/h以內、距離控制精度在±0.1m以內。

關鍵詞：智能標識識別系統；精密機器人；高精度定位系統；檢測方法；可靠性

中圖分類號：U467.1 文獻標識碼：A 文章編號：1005-2550（2017）05-0008-04

Research on Test Method of Traffic Signs Recognition System Based on Precise Location

CUI Xiao-chuan， ZOU Bo-wei， Zhang Heng-jia

（ China Automotive Technology & Research Center， Tianjin300300， China ）

Abstract： In order to fill margin of intelligent vehicle identification system test method in current intelligent connected vehicel， this paper studied the detection method of traffic sign recognition system. By installation of precision robot system and the high precision positioning system， intelligent identification system measuring platform was estabilished.Through the accurate control of the speed of the vehicle and the vehicle attitude in the process of test and measuring the real-time location information between the measured vehicle and the target traffic signs， the reliability test of the traffic sign recognition system was carried out. The experiment results show that the method of the speed control precision is within 0.5km/h and the range accuracy is within 0.1m or less.

1 引言

隨著汽車技術及相應的視覺圖像和電子技術的進步，目前大量的智能圖像傳感器應用于汽車輔助駕駛功能，進而不斷地提高汽車的科技含量和安全性能[1]。隨著汽車保有量的不斷增加，城市交通擁擠、由于駕駛員的各種原因帶來的交通事故數量也呈現幾何級數式的的增長，因此近幾年安全駕駛、智能交通[2-3]等概念受到了越來越多的重視。

智能交通標識識別系統主要利用視覺圖像傳感元件，在汽車行駛的過程中不斷地對周圍環境進行圖像提取，通過一系列的圖像預處理、圖像特征識別及圖像特征匹配，將行駛路段的交通標識識別出來，并通過車速表顯示或者抬頭顯示等方式告知駕駛員相應的道路交通信息（如圖1所示），有助于駕駛員將注意力集中在合法的車輛駕駛上，不僅規范了交通環境，同時有利于降低交通事故的發生[4]。

國外對智能交通標識識別系統的研究起步較早，提出了顏色分割、邊緣檢測、神經網絡等識別方法[5]。目前，福特開發的全新智能車速控制系統包含有兩個系統模塊，分別為可調節車速控制系統以及交通信號識別系統；可調節車速控制系統可以人為設定最高的限速速度，而交通信號識別系統則可以識別交通標識信息并通過儀表盤通知駕駛員。而奔馳也在S級和E級車型中通過前風擋玻璃內側安裝的視覺攝像頭識別道路兩旁的標識，并做出判斷是否是禁行標識或者其他比如說限速標識或者限制超車的標識，同時車輛通過導航系統以及其他數據來判斷車輛是否會違反交通標識的趨勢，并通過聲音提示給駕駛員注意相應的交通標識提醒信息。國內在研究智能交通標識識別系統領域起步相對較晚，但目前已有國內很多科研團體及高校在研發智能交通標識識別系統中取得了實質性的成果，均體現在對標識識別系統提取出來圖像的圖像處理技術研究。各方學者通過對SURF算法、LSH算法、RANSAC算法、SIFT算法、稀疏矩陣表示算法等圖像處理及圖像匹配算法的研究和發展，已經提出了各自實現交通標識識別的成熟算法并取得了實驗階段的成功[6-9]。

2 交通標識識別系統的工作原理及影響系統的關鍵因素

交通標識識別系統的工作原理是利用視覺成像元件通過圖像提取技術采集周圍交通道路中的環境信息，將提取出的圖像信息進行后續的圖像預處理、特征識別和特征匹配等技術的處理，將與標準模板庫中的交通標識信息匹配成功的圖像特征顯示出來，用以提示駕駛員此路段的交通標識信息。

2.1 圖像預處理

對交通環境中采集到的彩色圖像進行顏色分割是系統檢測標識信號的重要一步，在對顏色進行分割前，對圖像進行光照均衡化處理可以削弱光照變化對后續圖像識別的影響，增強彩色圖像的對比度。在RGB顏色模型下對采集的圖像進行預處理二值化后，可通過膨脹、腐蝕、面積過濾等處理方法配合以相應的中值濾波、高斯濾波等濾波方法，進而得到滿足要求的連通區域[10]。endprint

2.2 圖像特征提取

得到滿足要求的連通區域后，對該區域進行特征提取。圖像的特征體現了交通標識的信息，通過對預處理圖像的顏色、形狀、紋理等信息的提取，剔除采集圖像中大量不必要的信息。特征提取可以分為：基于顏色空間的特征識別、圖像形態學處理、基于形狀的特征識別等幾種提取方式。常用的特征提取算法有基于尺度空間特征的SIFT算法，它具有較高的魯棒性和可區分性。圖像特征提取過程中發現光照條件、拍攝角度及旋轉對后續的圖像匹配有很大的影響作用[11]。

2.3 圖像特征匹配

將提取得到的滿足交通標識特征的連通區域與標準交通標識圖像模板庫中的特征進行對比匹配，最終得到通過視覺傳感元件采集到的交通環境信息中的具體交通標識信息，通過不同的方式發送給駕駛員提示遵守相應的交通規則。匹配的時間直接影響智能交通標識識別系統的響應時間，故前期的圖像處理工作至關重要，處理得到的特征與標準模板庫中的特征相似程度越高，則系統的響應時間越小，系統靈敏度越高。

2.4 確定影響系統的關鍵因素

通過對系統工作原理的分析表明，圖像的初始提取對整車級別的智能交通標識識別系統的檢測結果有著決定性的因素，初始提取出來的圖像越清晰，系統最終識別的正確率越高。車輛的顛簸及左右搖擺會使提取的圖像模糊影響后續的圖像處理；視覺傳感器與交通標識牌的角度會使提取的圖像發生形狀畸變，影響圖像特征識別及匹配；實驗過程中的光照條件對圖像提取的質量也起到了決定性的作用[12-14]。綜上所述本文提出的對交通標識識別系統的檢測方法主要考慮試驗路面平整度、試驗過程中的車輛的速度、車輛與交通標識牌的角度（通過車輛與交通標識牌的距離及交通標識牌的自身高度計算得到）、車輛行駛的直線度以及試驗時的光照條件。

3 基于高精度定位系統的檢驗方法

交通標識漏檢的原因主要分7種：標識較小、標識部分被遮擋、標識的表面被污損、背景顏色干擾、交通標識顏色特征的退化、標識間部分重疊以及拍攝的視角偏大[15]。排除由于標識牌自身帶來的漏檢原因，本文提出一種基于精確定位的交通標識識別系統的檢測方法，旨在試驗過程中精確控制車輛的行駛速度、行駛直線度，并精確記錄各個時刻車輛與目標交通標識牌的距離，進而得出系統正確識別交通標識信息的起止位置，最終判定系統的可靠程度。

3.1 系統的設備組成及關鍵試驗環節

基于高精度定位系統的檢驗方法需要使用轉向機器人實現試驗路徑跟隨功能、使用制動機器人和油門機器人配合控制試驗車速；高精度RT陀螺及RT RANGE處理模塊采集試驗車輛的實時控制參數，并將數據傳給機器人控制器對整個試驗過程進行閉環控制，從而提高試驗精度。圖3至圖7為系統設備圖示：

為了消除車輛左右搖擺對系統可靠性的影響，規定以直線路徑進行試驗，轉向機器人通過高精度扭矩控制可以精確控制車輛方向盤的轉動角度，從而實現路徑跟隨功能。將目標路徑數據輸入到機器人控制器中，控制轉向機器人按照目標路徑數據操控試驗車輛，試驗車輛的實時姿態通過高精度RT采集系統采集計算，并將試驗車的實時路徑數據發回到機器人控制器與目標路徑數據進行比較，通過實際數據與理論數據的差值對試驗車輛進行閉環控制。轉向機器人實現路徑跟隨功能流程圖如圖8所示：

試驗過程中利用油門機器人及制動機器人對車輛進行高精度的速度控制。由于每輛試驗車輛的速度與油門開度特征曲線均不相同，故試驗時需要對車輛進行速度PID調校，從而獲得相應的速度與油門開度的特征參數。將各油門開度下的速度數據輸入機器人控制器計算得到PID參數，以該參數對車輛進行速度控制驗證試驗，如果實際速度與理論速度差值大于0.5km/h，則將誤差數據輸入機器人控制器重新計算PID參數，往復上述操作可以確定速度精度滿足0.5km/h時的速度控制參數。速度調校流程圖如圖9所示：

3.2 檢驗方法流程

試驗需在干燥、平坦的經過檢定認證過的試驗場地進行，路面的平整度在1.5m/km以下，水平可見范圍超過1km。試驗分白天和夜晚兩種工況進行，白天進行試驗時不許打開任何車燈進行輔助照明，夜晚進行試驗時可以打開所需車燈進行輔助照明。

將高精度轉向控制機器人、制動機器人和油門踏板機器人牢固安裝在試驗車輛上，在試驗過程中精確控制車輛行駛的速度及行駛路徑的直線度，如圖10所示，圖中轉向機器人牢固安裝在方向盤上，制動機器人及油門機器人通過金屬支架與駕駛員座椅牢固安裝在一起。采用高精度RT陀螺定位系統采集試驗過程中車輛的速度以及車輛與交通標識牌的距離（計算車輛與交通標識信息的角度），如圖11所示，采用充氣剛性支架將高精度定位系統固定在試驗車輛中分面附近，利用外設基站（如圖12所示）及GPS定位可以精確測量車輛的實時姿態信息。

試驗前需要對轉向機器人、制動機器人及油門踏板機器人進行調校。將轉向機器人順時針和逆時針分別打滿至試驗車輛轉向盤的極限行程位置、隨后通過使車輛沿直線行駛的方式確定方向盤的中心原點位置，完成轉向機器人的初始化操作。利用3.1中提到的路徑跟隨操作流程確保試驗過程中利用轉向機器人可以將車輛行駛直線的偏離誤差控制在±0.05m之內；確定制動踏板的初始位置和最大踏板行程，消除踏板空行程對控制精度的影響；對油門踏板每隔10%的油門開度分別進行10%到100%的油門開度調校，記錄各油門開度下車輛的速度數據，利用3.1中提到的速度調校流程對試驗車輛進行速度調校。調校結束后，對試驗車輛進行直線路徑的精度驗證，轉向機器人控制精度應該在±0.05m之內，油門踏板機器人與制動機器人結合控制車輛速度精度應該在±0.5km/h之內。

高精度陀螺定位系統在試驗過程中記錄表征車輛姿態的參數，試驗前需要精確量取陀螺中心點與車輛最前端的位置以及陀螺中心點與車輛縱向中心平面的偏移量，通過軟件將高精度定位系統強制平移至車輛中心位置，以便試驗時測量的數據代表車輛中分面上的車輛最前端與目標交通標識牌的位置關系。試驗前以不大于50km/h的速度將隨機輸入作用于轉向機器人對高精度定位系統進行初始化，使試驗車輛在與外設基站建立的坐標系下定位精度達到±0.1m以內。利用高精度陀螺定位系統配合以基站建立試驗坐標系，將試驗路直線段方向定義為X方向，標識牌位置定義為X=0處，車輛運動過程中的實時坐標用以計算被測車輛與目標標識牌的距離關系。endprint

調校結束后，進行試驗，利用視頻或者音頻記錄設備采集試驗過程中智能交通標識識別系統的提示信息，進而判斷系統的可靠程度。檢驗方法流程圖如圖13所示：

3.3 試驗數據及結論

驗證試驗在平直的瀝青試驗路進行，試驗目標車速設定為50km/h，試驗開始時將車速手動加速到稍微高于設定的50km/h目標車速，隨即將車輛控制交給機器人系統進行直線路徑測試，試驗過程中機器人系統通過自動調節車輛的油門與制動來控制車速。

利用上述3.1和3.2的方法對某款車型進行智能標識識別系統檢驗，試驗中的試驗車速度特性曲線、路徑跟隨數據曲線及被測車輛與標識牌的實時距離關系曲線如圖14至圖17所示。

試驗過程中預先把試驗車速度加到預計的理論速度附近后再將車輛交給機器人接管，有助于縮短速度控制的調節時間。如圖14所示紅色曲線表示理論速度，藍色曲線表示試驗車輛的實際速度，本次試驗預計將試驗車輛速度控制在50.25km/h，試驗時將試驗車輛人為加速至52km/h左右后將車輛交給機器人接管，經過大約5s的調節后機器人系統將車輛速度精確控制在合理范圍內，圖中表明此次速度控制精度為0.21km.h。

路徑跟隨過程可以在任何車速下進行，試驗時一般在試驗車輛起步后就開始路徑跟隨調整，這樣在速度控制的人為加速階段即可將路徑跟隨精度調整至合理范圍內。如圖15所示，藍色曲線為理論路徑，紅色曲線為實際路徑與理論路徑的偏移誤差，圖中表明此次路徑跟隨最大偏差為0.026m。如圖16所示為試驗過程中的直線度控制曲線，本次試驗對直線度控制在+0.016m和-0.006m之間。

如圖17所示為試驗過程中被測車輛與標識牌的實時距離關系。

試驗結果表明：本文提出的智能標識識別系統檢驗方法簡便可行，對不同工作原理的標識識別系統有同樣的檢測流程。該檢驗方法的精度高，對未來車聯網檢測標準的制定有一定的幫助。

4 結束語

本文提出了一種基于高精度定位系統對交通標識識別系統的檢測方法。通過分析交通標識識別的工作原理，確定影響系統可靠性的測量因素，提出了采用機器人配合高精度陀螺定位系統的檢測方法。經過試驗證明該方法精度高，對速度控制可以達到±0.5km/h之內，對定位精度可以達到±0.1m以內，該方法可以實時記錄試驗車輛與目標標識牌的距離。該方法的提出填補了目前對交通標識識別系統檢測方法的空白，隨著車聯網技術的不斷發展，為今后智能網聯汽車標準做了理論儲備與技術支持。隨著主動安全技術不斷被大眾所接受，該領域的研究也為今后C-NCAP的發展打下了堅定的基礎。

參考文獻：

[1]劉華平， 李建民， 胡曉林， 孫富春. 動態場景下的交通標識檢測與識別研究進展[J].中國圖象圖形學報， 2013，18（5）：493-503.

[2]肖平.車聯網：未來城市交通的智能中樞[J].中國經濟報告， 2015，9：118-120.

[3]頓文濤， 趙玉成， 王力斌， 李勉， 馬斌強， 袁超， 袁志華. 車聯網的關鍵技術及研究進展[J]. 農業網絡信息， 2015，8：46-50.

[4]李祥熙， 張航. 交通標識識別研究綜述[J]. 公路交通科技（應用技術版）， 2010，06：253-257.

[5]朱雙東， 陸曉峰. 道路交通標識識別的研究現狀及展望[J]. 計算機工程與科學， 2006， 28（12）：50-102.

[6]王鏗. 基于稀疏表示的交通標識識別[D]. 南京：南京理工大學， 2013.

[7]劉芳. 基于注意機制的交通標識的檢測[D]. 北京：北京交通大學， 2012.

[8]于利云. 交通標識牌自動識別系統的關鍵技術的研究[D]. 上海：上海海運學院， 2003.

[9]唐睢睢. 交通標識識別算法研究[D]. 北京：北京交通大學， 2014.

[10]余進程. 車載輔助系統中禁令交通標識的識別研究[D]. 廣州：廣東工業大學， 2014.

[11]盧艷君. 交通標識自動檢測與識別算法研究[D]. 武漢：武漢科技大學， 2015.

[12]余天洪， 王榮本， 郭烈， 顧柏園. 不同光照條件下直線型車道標識識別方法研究[J]. 汽車工程， 2005， 27（5）：510-569.

[13]尹榮蓉， 薛衛. 不良天氣狀況下交通標識識別關鍵技術的研究[J]. 公路交通科技（應用技術版）， 2014，11：236-238.

[14]杜鳳杰. 市內公路交通標識實時識別算法研究[D]. 石家莊：河北經貿大學， 2015.

[15]王慧敏.智能輔助駕駛系統中的禁令交通標識識別方法研究[D]. 成都：西南交通大學， 2013.endprint