自動駕駛中異常天氣下的交通標志識別系統

程彥棕　張楠　汪非　米小藝

摘要：近些年來，自動駕駛汽車很受大家的歡迎，但是在雨雪霧這種異常天氣下自動駕駛汽車對交通標志牌的識別還存在著很大的難度以及還沒有較高的準確度，所以對此方面進行深入研究是很有必要的。

關鍵詞：自動駕駛、雨雪霧、異常天氣、交通標志識別、STM32核心板、WIFI數傳模塊

在近些年來，隨著全球科學技術的發展，在很大程度上推動了世界汽車領域的技術大變革，進而促進了無人駕駛技術的出現和發展。然而對于我們關心的無人自動駕駛技術來說，在異常天氣下對交通標志的識別無疑是一個需要克服的重大難題，所以我們團隊針對異常天氣下的交通標志識別展開了如下研究。

自動駕駛技術一般情況下可以分為環境感知、決策規劃和車輛控制三大部分。目前，自動駕駛相關的公司大都已經做到了自動駕駛汽車在正常天氣狀況下的控制，但在惡劣天氣環境（主要是雨、雪、霧天氣）下，自動駕駛能力就會被大大削弱，并且還存在著不少較難突破的技術難題。另外我們從前幾年來公安部交管局發布的可靠數據獲知，近年來我國汽車持有量也在迅速增長，單從2006年的5千萬增長到2016年的1.84億輛，復合增長率就高達14%。根據國家信息中心不完全統計，2020年我國汽車保有量已達到2.5億輛，然而隨著汽車數量越來越多，事故發生率也大大增加，僅2019年一年國內發生了5.04萬件交通案件，導致2.5萬人喪生以及4.68萬人不同程度受傷，特別是在雨雪霧等極端惡劣天氣下，交通事故的發生率要比平常要多20%左右。因為在雨雪霧等惡劣天氣下空氣能見度低、視線差，所以導致自動駕駛汽車不能很好地識別交通標志，這是造成交通事故的一個重要因素。相關數據顯示，傳統汽車在惡劣天氣環境下的事故數量占到總事故數量很大的比例，尤其是在大雨、霧天、大雪天這種比較惡劣的條件下，都會造成對交通標志的識別錯誤。對于正處于研發階段的自動駕駛汽車而言，就更是如此。即便是正常天氣，像谷歌、福特這種高科技企業研發的自動駕駛汽車也會有對交通標志錯誤識別的情況，再加上雨雪霧這種惡劣天氣的干擾，系統就會變得更加地不穩定。在自動駕駛的三大部分中，環境感知系統受這種雨雪霧極端惡劣天氣的影響最為嚴重。環境感知系統主要依賴于攝像頭、激光雷達和毫米波雷達等各種傳感器對周圍環境的掃描來處理并獲得車輛運行的數字環境。本來每種感知設備都會有其自己特有的屬性和一些不可避免的局限性，如果再遇到雨雪霧這種惡劣天氣，感知能力就會受到很大程度上的削弱甚至說是喪失。所以對異常天氣下的交通標志識別進行深入研究有很大的需要。

首先為了模仿最真實的無人駕駛汽車的運行狀態，我們選擇了一套市面上評價不錯的智能小車配件組裝了一臺智能避障小車，小車采用STM32核心板及L293D驅動擴展板作為驅動，還配備了抗干擾馬達、舵機、超聲波傳感器、紅外避障等監測重要模塊。在小車運動過程中通過WIFI數傳攝像頭模塊將攝像頭的畫面，也就是模擬過異常天氣的交通標志牌，傳到電腦終端或者手機終端，通過拍照截圖功能將所拍到的交通標志保存下來，然后通過我們改進的算法進行處理并識別，會很大程度提高雨雪霧等惡劣天氣下交通標志識別的準確度。在實驗過程中為了真實模仿雨雪霧等惡劣天氣下的交通標志的情形，我們對于不同的惡劣天氣進行不同方法的模擬情景：其中對于“雨”天氣，我們在交通標志前上方進行灑水操作;對于“霧”天氣，我們采用在交通標志下方放置一臺空氣加濕器，通過不斷的噴出水霧來高度模擬霧天氣;對于“雪”天氣，我們通過在交通標志牌的上方不斷地撒與雪花大小以及薄厚程度相似的泡沫來模仿。

接下來就是我們對傳回來的交通標志牌進行算法處理以及識別的內容。交通標志識別包括兩個關鍵的步驟：其一是對交通標志的有效區域進行檢測;其二是對獲取得到的有效區域進行分類和識別。我們了解到如果運用基于梯度下降算法的深層網絡就會幫助我們從眾多的數據中學習并且得到很多高維又復雜的非線性的特征，因而基于梯度下降算法的深層網絡就成為了我們進行雨雪霧異常天氣下交通標志牌識別圖像識別的首要選擇。在傳統對圖像進行識別的系統中，一般都是通過手工設計出來的一些特征提取器來幫助完成特征提取任務然后再對一些不相關的信息進行消除，如果使用這種方法的話，不僅效率會變得低下，客觀性也會較差。 基于梯度下降算法的深層網絡，則可以直接將WIFI數傳模塊傳回來的原始圖像或是經過一些簡單預處理的圖像作為系統輸入，之后再通過構建多個隱含層，從低維度特征至高維度特征，逐層抽取出來，再將邊緣局部的組合形成紋理，紋理再構成區域，那么區域最終就會形成我們所想要的目標。

我們的具體做法是先要使用傳統的暗原色估計算法對雨雪霧異常天氣下的交通標志圖像作去異常處理后出現的光環效應，設計出一種多尺度的窗口的自適應暗原色估計算法，之后再通過對WIFI數傳模塊傳回來的圖像進行邊緣檢測處理并根據景深邊緣信息改變所設計窗口的尺寸進而會得到自適應效果的暗原色估計圖。除此之外，還要針對含雨雪霧異常天氣下交通標志圖像進行去異常處理之后出現的明亮區域失真現象，設計出一種具有自適應效應的透射率修復的圖像算法。然后再針對傳統識別算法中對異常天氣下交通標志識別正確率較低的問題，引入神經網絡來對異常天氣下的交通標志進行識別。

總而言之，整個過程可以總結為通過組裝的智能避障小車來模擬真實的無人駕駛汽車狀態，然后通過不同的操作比如灑水、潑灑泡沫以及放置空氣加濕器來分別模仿自動駕駛過程中的雨雪霧異常天氣。在這種環境中，在小車路線前方放置特制的交通標志牌，進而讓小車搭載的WIFI數傳模塊將在模擬的異常天氣下的交通標志圖像傳回來，然后運用進行基于梯度下降算法的深層網絡對傳回來的圖像作深一步的處理，以達到想要的結果。