复杂光照下的交通标志检测与识别

摘要：

针对不同光照下交通标志图像检测与识别困难的问题,提出一种基于Retinex-Gamma的光照图像增强算法,该算法与Mask R-CNN相结合,称为Retinex-Gamma-Mask R-CNN算法.首先,基于光照反射成像模型将图像RGB空间转换为HSV空间,对V通道进行多尺度高斯滤波处理获得光照分量,利用光照分量提取反射分量,并对反射分量进行线性拉升优化;其次,利用光照分量的分布特征进行二维Gamma函数调整,并获得优化后的亮度分量;最后,利用混合空间增强法获得增强后的V通道,重新构造图像.实验采用的ZCTSDB数据集共有15724幅图像,包含不同光照的驾驶环境.实验结果表明,与标准Mask R-CNN相比,Retinex-Gamma-Mask R-CNN算法对交通标志的目标检测的均值平均精度提升了0.161％,对交通标志的实例分割的均值平均精度提升了0.363％.

关键词：智能交通、交通标志识别、Mask R-CNN、交通标志、低光照、光照图像增强

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：浙江省公益技术研究计划项目LGG19F030005

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：293-302