1. 研究目的与意义（文献综述）

随着我国经济的快速发展，消费水平越来越高，但带来的困扰是道路上的汽车越来越多，交通问题日益严峻，传统的人工管理办法已经无法满足实际的需求。20世纪80年代，美国提出了智能交通这一种新的概念，“智能交通系统（intelligent transportation system，简称its）”。its使道路交通中人、机动车辆和道路三者之间相互融洽相互协调，如图1所示。its的使用减小了交通事故的发生率，同时也提高了交通运行效率，建立一个便捷的交通体系。而且，管理人员可以通过对机动车辆、驾驶员和交通道路实时信息的采集来提高管理效率，目的是尽可能的充分利用交通资源。

交通标志识别是智能交通系统领域的一项重要研究课题，在无人驾驶车辆和辅助驾驶系统等领域都是必不可少的一部分。其主要有三方面的应用：(1)碰撞识别；(2)道路识别；(3)交通标识识别。

车辆视觉系统中道路标识算法研究课题设计，主要为了实现交通标识识别算法，由此应用到智能驾驶辅助系统中去，避免更多交通事故的发生。

2. 研究的基本内容与方案

道路标识是在行车过程中车辆安全行驶的重要标志性指示信息。传统采用模板匹配的方法对道路的标识进行识别，其识别速度较慢，且因标志会出现三维下的旋转，遮挡问题，导致标识识别准确率偏低。

（1）首先对交通标志检测所涉及的基础技术进行研究。交通标志检测技术目前有应用到一些基础性的知识，例如色彩空间。基础知识的简单介绍，还有它们之间的联系。在对交通标志图像进行检测之前，对从自然场景中采集到的各种交通图像进行图像处理。图像预处理中所采用的有关图像处理的技术，会做较为深入的研究。

（2）关于交通标志检测，本课题主要重点讨论图像显著性检测方法。目前出现越来越多的显著性分析算法，有些人将这些算法进行了一定的分类。目前显著性一种分类方法将分析的算法分成三类：第一类是基于低层视觉特征的显著性分析算法，其代表性算法是itti算法，这是一种模拟生物体视觉注意机制的选择性注意算法，比较适合处理自然图像。第二类是不基于任何生物视觉原理的纯数学计算方法，这类主要有全分辨率的算法（ac）算法和基于空间频域分析的剩余谱算法(sr算法)。第三类是将前两种进行融合的方法，其代表性算法是基于图论的算法（gbvs算法），这种算法在特征提取的过程中类似itti算法去模拟视觉原理，但在显著图生成的过程引入马尔可夫连，用纯数学计算的来得到显著值。另一种分类又将显著性分析算法分成以下三类：考虑局部特征的，例如itti算法和gbvs算法；考虑整体性的，例如sr算法和ig算法；局部与整体结合的算法，例如ca算法。图（2）给出了具有代表性的显著性检测方法的特点比较。

3. 研究计划与安排

1-3 周 查阅中、英文资料，完成开题报告，完成不少于2万字符的英文翻译任务；
4-8 周 学习相关算法及相应综述表示方法；
9-16 周 完成道路标识的识别并实现并评测总结；
17 周 修改完成毕业论文，答辩。

4. 参考文献（12篇以上）

[1] j. stallkamp, m. schlipsing等.man vs. computer: benchmarking machine learning algorithms for traffic signrecognition[j]. neural networks 32(2012) 323-332

[2] 马朋.基于matlab的直方图和区域对比度相结合的图像显著性检测[j].江汉大学学报(自然科学版),2017,(第1期).