谷明琴，蔡自兴，任孝平

(1. 中南大学 信息科学与工程学院，湖南 长沙，410083；2. 中国计量科学研究院 力学与声学计量科学研究所，北京，100013)

近年来，智能车辆研究逐渐受到重视，道路环境信息的感知要求也日益增加。字符型的交通标志提供了道路的导引信息、路况，注意事项等辅助车辆行驶的信息。而现有研究对字符型交通标志的自动检测则很少涉及。自动检测道路环境中的交通标志主要有 3种常见的方式：(1) 在灰度图像上检测交通标志的边缘。Overett等[1]用方向梯度直方图来检测行人和标志，用Sobel和Canny等算子来检测灰度图像中的边缘，并查找交通标志的候选区域[2-3]。Belaroussi等[4]构建图像梯度方向的几何模型来检测三角形交通标志。但是，这些方法过于关注形状分析，对噪声非常敏感。(2) 用聚类分析和智能特征来提取感兴趣区域。以Haar小波等特征，用智能分类器如Adaboost来检测交通标志[5]。然而，这种方式过于依赖弱分类器。Ruta等[6]用图像表示和分辨力强的特征选择方法来识别交通标志。但是，该方法会过度搜索特征集，随着特征数量的增加，所耗费的训练时间会大量增加。(3)以交通标志的颜色和几何形状来检测交通标志。常用的颜色空间为 RGB[7]，HSI[8]和 YUV[9]等。该方法能够较好地检测交通标志，但是，如何选择1个合适的分割阈值则非常困难。Maldonado-bascon等[10]用感兴趣区域的边缘到边界距离作为形状识别的特征，分别检测交通标志。Gil等[11]用快速傅里叶变换的绝对值作为形状识别特征，对旋转、缩放、遮挡、投影形变和噪声等有较好的鲁棒性，但计算复杂度高。……