自然场景中交通标志文字检测算法研究的中期报告.docx

自然场景中交通标志文字检测算法研究的中期报告
自然场景中交通标志文字检测算法研究的中期报告
一、研究背景和意义
随着交通标志在道路上的应用越来越普遍，交通标志对于驾驶员的行车安全起着至关重要的作用。但是，由于交通标志往往位于道路上的较高位置，且在天色昏暗或天气恶劣的情况下，驾驶员很难准确识别交通标志所传达的信息，因此，交通标志文字的自动识别成为了亟待解决的问题。
目前，已经有很多研究针对交通标志文字识别进行了尝试。然而，许多现有的算法都是在控制好图像拍摄角度和光线条件的条件下完成的，这在实际的交通场景中难以应用。因此，有必要研究一种能够在自然场景下准确检测交通标志文字的算法。本项目旨在研究一种基于深度学习的交通标志文字检测算法，旨在提高驾驶员行车安全级别。
二、研究内容和进展
基于深度学习的交通标志文字检测算法主要分为两个部分：交通标志检测和文字分割。交通标志检测是指从图像中检测出可能包含文字的交通标志区域；文字分割是指将检测出的交通标志区域中的文字分割出来。
1.交通标志检测
我们针对原始图像中交通标志的位置和大小不确定，采用基于区域的卷积神经网络（R-CNN）来检测交通标志。我们收集了包括城市、高速公路、乡村和快速道路等多个场景中的交通标志图像，并采用TensorFlow深度学习框架建立了R-CNN检测模型。初步实验结果表明，我们的模型可以检测到多种场景下的交通标志，对于多角度和遮挡情况下的交通标志也具有一定的检测能力。
2.文字分割
我们算法中采用的文字分割方法为基于连通区域的方法。首先，我们对检测出的每个交通标志区域进行圆形划分，并使用旋转矩形框装饰圆形模板。然后，我们将椭圆形模板与原图像中的所有像素进行匹配，最终将所有连通区域组成的边框检测出，进行文字分割操作。
三、下一步工作
1.完善交通标志检测算法。针对多尺度交通标志检测问题，我们计划在R-CNN模型中引入多尺度信息，提升算法检测能力。
2.提高文字分割算法的准确性。我们计划使用识别出的文字对文字分割算法进行反向调整，提高分割结果的准确性。
3.进行交通标志数据收集。基于我们目前的研究进展和待解决的问题，我们计划继续收集交通标志图像数据，扩展算法的适用场景。
四、参考文献
[1]ShiX,ChenY,WangP,etal.DetectingTextinNaturalImagewithConnectionistTextProposalNetwork[J].2017.
[2]RenS,HeK,GirshickR,etal.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2016,39(6):1137-1149.