Driver Assistance System已經成為學術研究的一大領域，作為智慧交通的一部分，有大量研究人員投身其中，每年都會有大量的成果發表在IEEE trans on intelligent transportation system等頂級期刊，會議上。有些成熟技術甚至已走出學術界，應用於工業界，如福特公司的自動剎車系統，Google 的無人駕駛汽車，而 Mobileye 甚至已將其固化為車載晶片，並佔有大部分的高檔車市場份額。

    近來跟隨師兄也在探究此方面的發展，並努力實現自己的系統。

    這裡首先是對於交通路牌的識別：大部分交通路牌可以分為兩部分：

                                                                red    circular   sign                                                                   blue  rectangular sign

由於其外形規則，圖案單一，因此在這裡我主要採用rule-based method,而非機器學習（當然，也是因為機器學習實驗失敗了）。由於要檢測的物體侷限於紅色和藍色，因此在這裡我們利用其顏色資訊，於Jack Greenhalgh and 

   在這之後，我利用hough circle transformation 以及 contour contourpolygonization,成功分割出相應區域，效果較好，但逐畫素計算效率低下，對一張圖的檢測時間的70%都花在了畫素處理上，所以準備最近看一看opencv的灰度轉換原始碼，提升效率，爭取達到實時性。

   在這之後，好學的博主怎會就此終止，於是有了下面的識別部分，這也是博主第一次接觸pattern recognition,雖然內容很簡單……

   首先將識別物件侷限於紅色圓形的限速標誌，（指路牌的識別，博主是不敢想的，中文字元，分佈不對則，想想就頭痛）。於是博主開始了艱辛的旅程：首先想到的是最簡單的模板匹配，但模板匹配要求template與target大小一致，思索良久，受當初看haar檢測目標的原始碼啟示，我將待檢測影象以一定比例不斷縮放，然後用template作為搜尋框在待檢測影象範圍內進行移動匹配，根據歸一化平方差公式計算得到最小的值即為匹配。

   模板：      （尺寸統一，這裡採用雙數，而非單個數字是因為單個數字雖然檢測更準，但結果只能得到一個數字，暫時還未想到如何找到裡面的兩個數字）；

   下表左側為測試圖片，右側為6個模板與影象的最小平方差：

  （1）待測影象經過壓縮後長寬比失調，其標誌牌高度大於寬度，因此檢測出現錯誤，這並非方法的問題；

  （2）“15”是一個奇特的標誌，兩數字之間的空白區域大小不一，如圖：

   在成功識別出這些標示牌之後，一個新的問題出現了，就是紅色圓形標誌不僅包括限速標誌，還有一些其他的諸如禁止通行，禁止鳴笛等標誌，那麼這些標誌的出現超出了我們預期的簡單環境，在此介紹一種博主自己想出來的方法：

   1.我們觀察上面表格裡的實驗資料，將每一組資料的方差值取均值得到六組均值分別為（10^6）：

   2.當將測試圖片替換為非限速標誌，其得到的資料如下：

    到此我們對於交通標誌牌的檢測以及簡單識別就告一段落了，在現有的少量待測資料面前，其結果不錯，至於魯棒性受角度及光照的影響還需要大量資料進行檢測及改進。

    PS：在此之前，我曾試著用sift以及surf進行識別，但大概是因為圖案過於簡單，導致極值點很少，而match的特徵點更少，因而放棄。