雲栖号資訊：【 點選檢視更多行業資訊】
在這裡您可以找到不同行業的第一手的上雲資訊，還在等什麼，快來！
導讀：自然場景中交通标志牌圖像識别的關鍵技術主要分為檢測和識别兩大類。其中，為了對目标圖像進行準确識别，标志牌感興趣區域的檢測是首先要解決的問題。近年來，交通标志牌檢測技術已經成為智能駕駛公共汽車輛視覺導航系統和計算機視覺領域的熱點之一[1-2]。
本文将探讨基于視覺協同顯著性的交通标志牌檢測架構設計。
大多數傳統的交通标志牌檢測算法常常是基于任務驅動的，如依賴顔色、形狀以及機器學習。目前，這些算法針對的應用場景往往局限于結構化或半結構的環境，如高速公路等。
如今，随着生物神經元的發展以及大腦視覺皮層中資訊處理機制的揭示，基于選擇性注意機制的視覺顯著性目标檢測逐漸引起人們的關注[3-5]。
正如我們所知道的，人類在對一幅場景圖像進行觀察時，會毫不費力地将注意力聚焦在特定的目标或區域上。而這些目标或區域經常具有顯著的視覺特征，如邊緣輪廓、細節紋理、梯度方向、顔色強度以及空間位置等。
受此啟發，本文提出一種基于視覺協同顯著性的交通标志牌檢測算法，這是目前較有前景的解決辦法。
協同顯著性的目标是從多幅輸入圖像中提取共同的顯著性前景目标[6-7]。在本章主要面向複雜場景中的多幅交通标志牌圖像進行檢測。其中，為滿足協同顯著性檢測，輸入圖像需要滿足以下兩個要求：
遵循人類視覺感覺機制，單幅圖像中可視化的目标區域能夠明顯與背景區分開來；
多幅圖像中的協同顯著性目标彼此具有相似性。
研究一種複雜場景中基于視覺協同顯著性的交通标志牌檢測算法，總體架構如圖2-1所示。其檢測過程涉及兩個階段：
在第一階段，建構一個基于聚類的協同顯著性模型，旨在檢測多圖像中重複出現的同一或近似的視覺顯著性物體，其結果由協同顯著圖獲得。其中，協同顯著圖由圖間顯著圖和圖内顯著圖融合而成。本階段是一種bottom-up（自底向上）的視覺處理過程，根據圖像底層特征分割出差別度最大的顯著性目标。
在第二階段，一個top-down（自頂向下）的幾何結構限制模型被提出。目的是對檢測出的顯著性目标做自頂向下的幾何結構限制分析，進而準确定位交通标志牌的ROI區域。
01 基于聚類的圖間/圖内顯著性檢測模型子架構
建構基于聚類的協同顯著性模型以得到協同顯著圖。其中關鍵是通過聚類進行圖間關聯性限制分析和圖内關聯性限制分析，使之分别生成圖間協同顯著圖和圖内顯著圖，其架構設計如圖2-2所示。
依據bottom-up視覺注意力線索—分别為對比度線索、中心偏移度線索和對稱性線索，對輸入圖像集進行聚類級别的顯著性度量。将3個視覺注意力線索權值進行高斯歸一化處理後，利用乘積融合為整體顯著性圖。最後采用機率架構軟配置設定的方式平滑每個像素的顯著性測度值，得到聚類級的圖間/圖内顯著圖。
采用的聚類算法為Kmeans++，這是一種無監督聚類算法，可以直覺地劃分出圖像内與圖像間的關聯性區域。需要注意，聚類個數的選取是人為設定的。本文憑借實驗對象和實驗效果對聚類數目設定經驗值，其中單幅圖像内的聚類個數為6，多幅圖像間的聚類個數為，其中，M表示輸入圖像的數目。
圖2-3分别提供了單幅圖像内的聚類和多幅圖像間的聚類效果，可以看出Kmeans++實作了圖像内的局部不變性限制和圖像間的全局一緻性限制。
02 幾何結構限制模型子架構
總體上說，單純依靠自底向上的顯著性線索雖然能夠将顯著目标突顯出來，但卻很難移除一些幹擾物的影響。這是由于在第一階段尋找差別度最大的顯著性區域或目标進行簡單融合計算時，這些幹擾物往往也會被賦予較高的顯著度，進而對後續分析造成極大幹擾。
人類的視覺系統對事物的感覺是一個和外界環境互動的過程，既和自底向上資料驅動有關，也和自頂向下任務驅動有關。
是以，建構了一種幾何結構限制模型，對檢測出的交通标志牌協同顯著圖作自頂向下的幾何限制。本文主要對日常生活中應用最廣泛的圓形和三角形交通标志牌進行研究。即通過圓度和三角形檢測模型判别每個場景目标所屬類别，最後定位含有标志牌的ROI區域，如圖2-4所示。
關于作者：餘伶俐，中南大學人工智能系副教授，主持多項國家重點研發計劃子任務、湖南省科技重大專項子課題、國家自然科學基金等項目。承擔了兩期的中車時代電動汽車“智能駕駛決策與控制系統”開發，在湖南湘江新區與智慧公交示範營運線路上完成了3500 km測試，獲得了湖南省頒發的第一輛智能駕駛公共汽車牌照。
周開軍，湖南工商大學教授、碩士生導師，美國布蘭戴斯大學國家複雜系統研究中心通路學者，湖南省青年骨幹教師，湖南工商大學151人才。
陳白帆，中南大學副教授，碩士生導師，湖南省人工智能學會副秘書長，湖南省自興人工智能研究院副院長，長期從事智能駕駛、移動機器人等應用理論研究。先後主持國家自然科學基金項目、湖南省自然科學基金項目，參與國家自然科學基金重大計劃、國家重點研發計劃、湖南省科技重大專項子課題。
【雲栖号線上課堂】每天都有産品技術專家分享！
課程位址：
https://yqh.aliyun.com/zhibo立即加入社群，與專家面對面，及時了解課程最新動态！
【雲栖号線上課堂 社群】
https://c.tb.cn/F3.Z8gvnK
原文釋出時間：2020-06-03
本文作者：餘伶俐 周開軍 陳白帆
本文來自：“
大資料DT 微信公衆号”，了解相關資訊可以關注“
大資料DT”