任务3.2交通标志识别应用实践

任务3.2交通标志识别应用实践任务导入任务导入道路交通事故发生的原因是多元化和复杂化的。交通标志作为道路基础设施的重要组成部分，他们为司机提供关于路况的信息和合理的建议，以促进道路行车安全。但是如果完全依靠驾驶员注意和发现交通标识并做出正确的反应，难免会增加驾驶员的负担、加速驾驶员疲劳，从而导致交通事故。任务导入在自适应巡航控制系统中，交通标志的识别可以为整车控制提供相应的帮助，例如识别禁止类标志可以帮助系统提前进行危险预判；识别警告类标志可以帮助系统提前进行避障处理；识别指示类标志可以帮助系统进行控制预处理，以确保行车遵循道路指示。因此对交通标志的准确识别可以为自适应巡航控制系统提供更加完美的助攻。任务导入鉴于各种交通标志的重要程度，本文将以禁止类交通标志中的限速标志为例，详述交通标志识别的原理及应用实战。交通标志识别技术的相关知识3.2.1认识交通标志3.2.1认识交通标志3.2.2交通标志识别的基本原理与方法道路交通标识识别是通过安置于车辆前方的摄像头进行检测与识别的，通过交通标志的采集、处理、识别，将所获取的信息以最快的速度第一时间传送给驾驶员或直接对汽车采取相应的操作，从而降低了交通安全隐患。交通标志识别主要包括了两个阶段：检测阶段和识别阶段。检测阶段主要的方法有基于颜色的方法和基于形状的方法，每一类方法都包括了数种常用的方法；而识别阶段主要有基于统计分析的方法、神经网络的方法以及句法分类法等。鉴于各种交通标志的重要程度，本书将以禁止类交通标志中的限速标志为例，采用模板匹配的方式对交通标志进行识别。3.2.3

HSV模型的认知1．HSV模型介绍HSV（Hue，Saturation，Value）是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间，称为六角锥体模型（HexconeModel）。这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。2．HSV颜色分量范围一般对颜色空间的图像进行有效处理都是在HSV空间进行的，对于基本色中对应的HSV分量需要给定一个范围，如表3-2所示。3.2.4

NumPy库的认知NumPy是Python语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy库由多维数组对象组成，包含数学运算、逻辑运算、形状操作、排序、选择、I/O、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等功能。一个图像本质上是包含像素数据的标准Numpy数组。因此，通过使用基本的Numpy操作，可以对图像进行翻转、压缩、截取等操作。任务实施——搭建交通标志识别技术实训环境任务清单：完成Python+PyCharm环境配置方法。完成OpenCV库和NumPy库的安装。完成交通标志识别应用实践，首先需要配置相应的环境。我们使用Python+PyCharm进行编程，并且使用OpenCV库和NumPy库。在项目二中已经讲解在Windows系统下，Python+PyCharm环境配置方法以及OpenCV库的安装，这里不过多赘述。下面讲解一下NumPy库的安装。在项目2的指导操作下成功安装python后，打开命令提示符（cmd），并使用pip安装numpy。安装方法：打开cmd，输入pipinstallnumpy，等待安装完毕，安装效果图如下：任务实施——交通标志识别技术任务清单：交通标志图像预处理识别交通标志图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。在预处理之前，为方便之后的操作，需要导入OpenCV模块、NumPy模块还有os模块。这里介绍一下os（多种操作系统接口）模块，里面包含了很多操作文件和目录的函数，可以帮助我们直接对操作系统进行操作。例如：调用操作系统的可执行文件、命令，直接操作文件、目录等。os模块是Python中内置的模块，不需要提前安装。6.2.4图像预处理读取图像部分代码运行结果如图3.13所示：2．转换为HSV通道HSV色彩空间是基于颜色的图像分割最合适的色彩空间。所以将原始图像的颜色空间从BGR转换为HSV图像。转换为HSV的代码运行结果如图3.14所示。3．优化处理（1）颜色过滤确定提取红色的范围（HSV颜色），然后通过inRange（）函数（参数图片为HSV格式）提取红色区域。inRange（）函数可以根据设定的阈值，去除阈值之外的背景部分。（2）进一步优化对图像进行进一步处理，把轮廓边缘变得更加清晰。颜色过滤及优化代码运行结果如下图所示：3.2.7识别交通标志这一节我们采用模板匹配的方法，对交通标志中的数字进行识别。模板匹配的基本原理是抽取未知文字的特征与事先存储好的标准的文字特征进行匹配，在一定的距离或相似度测度下，找出与未知文字的特征匹配得最好的标准特征,将该标准特征所代表的文字作为未知文字的识别结果。对图像进行预处理后，我们需要检测标志的轮廓，并获取轮廓的外接矩形，根据矩形的坐标，在原图上进行裁剪，得到目标区域。接下来对他们进行形态学操作，提取矩形中间的数字和我们的模板进行匹配，最终识别标志中的数字。识别交通标志部分代码效果如图3.17所示：任务小结本任务学习了自适应巡航系统中交