CN103971126A - 一种交通标志识别方法和装置 - Google Patents

Abstract

本发明实施例提供一种交通标记识别方法和装置，该包括：根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图；采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图；对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域；基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。本发明实施例提供的交通标记识别方法和装置克服了光照条件对实景照片的影响，提高了交通标志的识别率。

Description

一种交通标志识别方法和装置

技术领域

本发明实施例涉及图像目标识别技术，尤其涉及一种交通标志识别方法和装置。

背景技术

交通标志的检测识别，在导航和地图技术中多有应用，其属于图像目标识别范畴，目的是检测并定位出图像中的圆形交通标志。

目前主流的交通标志识别方法通常将圆形交通标志的识别分解为检测和过滤两个步骤，即，首先用颜色或者形状特征从采集到的彩色图像中检测并定位出交通标志感兴趣区域；而后再对感兴趣区域进一步过滤，判断是否是真实的交通标志。

检测环节的具体实现手段有多种：一般将图像由RGB(红绿蓝，red-green-blue)空间转换到HSV(色调、饱和度、亮度颜色，Hue-Saturation-Value)空间，然后用阈值化方法进行预分割。对预分割图像，可以用数学形态学方法处理后，将图像分割成不同的联通区域，对每个联通区按照面积形状等因素进行过滤，得到最后的交通标志感兴趣区域；或者，对预分割图像提取边缘特征然后进行基于随机Hough变换(由Paul Hough提出的一种建立图像空间与参数空间的映射关系的方法)的圆检测，得到交通标志的感兴趣区域。

对交通标志感兴趣区域的过滤，可以用简单的模板匹配，也可以基于SIFT(Scale-invariant feature transform，即尺度不变特征转换)特征和颜色直方图的模板匹配，或者用各种自定义的启发式规则进行分类，判断感兴趣区域是否是一个交通标志。

但是，上述方法存在一定的技术缺陷，可能导致交通标志识别的准确率下降：自然图像中存在着复杂光照变化，会导致交通标志图像的颜色分布产生较大偏移，从RGB空间转换到HSV空间也无法消除这种偏移，单纯按照颜色信息的阈值化分割方法会遗漏大部分不良照度条件下的交通标志，而降低交通标志的识别准确率。

发明内容

本发明实施例提供一种交通标志识别方法和装置，以提高对交通标志识别的准确率。

第一方面，本发明实施例提供一种交通标记识别方法，包括：

根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图；

采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图；

对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域；

基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。

第二方面，本发明实施例提供一种交通标记识别装置，包括：

图像处理模块，用于根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图；

图像滤波模块，用于采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图；

图像识别模块，用于对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域；

标志识别模块，用于基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。

本发明实施例提供的交通标记识别方法和装置对原始彩色图进行处理得到灰度信息图和颜色信息图，并采用所述灰度信息图对颜色信息图进行滤波处理，得到的标志形状图融合了颜色和亮度分布，从而克服了光照条件对实景照片的影响，提高了交通标志的识别率。

附图说明

图1是本发明实施例一提供的交通标记识别方法的流程图；

图2是本发明实施例二提供的交通标志识别方法的流程图；

图3是本发明实施例二中直线段组成的椭圆形的示意图；

图4是本发明实施例二中拟合矩形的示意图；

图5是本发明实施例三提供的交通标记识别方法的流程图；

图6是本发明实施例四提供的交通标记识别装置结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的交通标记识别方法的流程图。

本实施例可运用在电子地图的街景模式中，对街景模式中的实景照片进行检测，找出其中的交通标志，使街景照片显示的信息更加丰富，该方法可以由电子地图数据服务器来执行，如图1所示，该方法包括：

110，根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图。

其中，原始彩色图可以是实景照片，例如在现有的电子地图的街景模式中，街景就是由多张实景照片组成，而采集实景照片的方式一般是由摄像、照相等设备在实际地点拍摄的，所以受到实际的时间因素等因素，实景照片会有不同的光照条件，例如由于取景设备的取景角度不同，有些实景照片上的交通标志可能会出现反光等现象。

本操作将原始彩色图转化为灰度信息图，灰度信息图是使用黑色为基准色，并以不同的饱和度的黑色显示图片内容的图像，灰度等级一般从0-255分为256级；并且本操作还将原始彩色图转化为颜色信息图，颜色信息图是指对图像中满足设定颜色阈值的像素进行转换，转换为二值信息图。此颜色信息图可表示为只有黑色和白色两种颜色的信息图，例如将1表示为黑色，0表示为白素。交通标志一般以红色或蓝色为主，所以可选择红色和蓝色作为设定颜色阈值。

120，采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图。

经过上述操作已经得到了灰度信息图和颜色信息图，其中灰度信息图的内容表示出了彩色图像亮度分布情况，而颜色信息图的内容表示出了原始彩色图像中主体颜色区域的形状。本操作是将两图进行融合，目的是得到标志形状图，标志形状图中同时体现设定颜色分布以及亮度强度分布。本操作的物理意义是根据灰度信息图的强度分布修正颜色信息图中的强度分布，如此得到的标志形状图是融合了颜色和亮度分布的新的图像，所以标志形状图克服了光照条件对实景照片的影响。

130，对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域。

本操作是在标志形状图识别交通标志的过程，交通标志有明显的形状特征，例如限速、禁行等交通标志的轮廓是圆形。本操作可以是以标志形状图中具有圆形和椭圆形轮廓的区域作为感兴趣区域，感兴趣区域即是指标志形状图中疑似交通标志的区域，后续操作则针对所述感兴趣区域进行进一步识别。

140，基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。

本操作是利用标准的交通标志图像生成的样本模型对感兴趣区域进行识别的过程，其中的样本模型可以是利用机器学习法得到模型，例如利用AdaBoost(Adaboost是一种迭代算法，该算法是针对同一个训练集训练不同的分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器)、支持向量机与神经网络等机器学习算法样本模型。

本发明实施例提供的交通标记识别方法对原始彩色图进行处理得到灰度信息图和颜色信息图，并采用所述灰度信息图对颜色信息图进行滤波处理，得到的标志形状图融合了颜色和亮度分布，从而克服了光照条件对实景照片的影响，提高了交通标志的识别率。

在上述技术方案的基础上，所述根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图的操作优选为：

根据采集到的交通标志的原始彩色图，基于设定的颜色阈值对所述原始彩色图进行二值化掩膜处理，以获取所述颜色信息图。

本操作提供一种具体的对原始彩色图进行处理得到颜色信息图的方法，其中颜色阀值可以是像素点的RGB值，例如原始彩色图像某点x处的RGB值分别为Rx，Gx和Bx，则颜色阀值的设定规则可以是：如果Rx>Gx且Rx>Bx，或者Bx>Rx且Bx>Gx，那么颜色信息图点x处的灰度值为Px＝255，否则Px＝0，此规则的含义是提取出彩色图像中的红色或者蓝色区域，因为交通标志牌通常是由红色或蓝色组成，根据此方法提取出的图像区域即为疑似交通标志所在区域。

根据采集到的交通标志的原始彩色图，进行灰度值转换，以获取所述灰度信息图。

在上述技术方案的基础上，可以将所述采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图优选为：

将所述灰度信息图和颜色信息图的像素点参数按照如下公式进行滤波，以获取标志形状图：

Q_i＝∑_R(aI_i+b)，

其中，R表示求和平均范围、I表示所述灰度信息图、Ii表示所述灰度信息图中第i个像素点的值、表示所述灰度信息图中各像素点值的平均值、P表示所述颜色信息图、表示所述颜色信息图中各像素点值的平均值、Q_i表示所述标志形状图中第i个像素点的值、ε表示预设参数、Cov(I，P)表示计算I和P的协方差、Var(I)表示计算I的方差。I和P分别表示灰度信息图和颜色信息图，且均为单通道图。

本操作提供一种将所述颜色信息图与灰度信息图进行融合得到标志形状图的具体方式，上述公式是一种图像滤波算法，该算法是以灰度信息图为引导对颜色信息图进行滤波而得到标志形状图，式中Cov(I，P)表示计算I和P的协方差、Var(I)表示计算I的方差、ε是正则化系数，描述的是所述滤波算法对图像边缘强度的保护程度。ε越大，则滤波效果越平滑，ε可以看做是对灰度信息图和颜色信息图的平衡参数。

实施例二

图2是本发明实施例二提供的交通标志识别方法的流程图。

如图2所示，在上述实施例的基础上，本发明实施例提供的交通标志识别方法可以将所述对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域优选为：

210，计算所述标志形状图中像素点的梯度矢量。

本操作是将标志形状图视为一个坐标系，即图像是多个像素点在二维平面上的分布，所以图像可看作是一个二维函数。梯度矢量是一个二维向量，梯度方向的含义是灰度在二维平面上的最快变化方向，梯度值则是此最快变化方向上的变化率。

220，根据所述梯度矢量提取所述标志形状图中的直线段。

由于任意一个图形都可以是由多条直线段组成，所以本操作是在标志形状图寻找直线段，在上述操作中已经得出了像素点的梯度矢量，本操作则可以根据梯度矢量在标志形状图中对若干像素点进行拟合或筛选，提取出若干直线段。

230，将提取的所述直线段拟合为椭圆，作为所述标志形状图中的感兴趣区域。

本操作是对图像中提取的若干直线段组成的图型进行识别，如图3所示，如果其中某些直线段组成了近似椭圆的图形，则对这些直线段进行拟合组成一个椭圆形图像，并将该椭圆形图像作为所述感兴趣区域。由于最初的原始图像的取景条件不同，照片中的交通标志可能并非正面投影取景，所以标志形状图中的交通标志也会呈现出椭圆形状，本操作将椭圆形区域作为感兴趣区域可以提高对交通标志的辨识度，减小识别误差。

在上述实施例的基础上，所述梯度矢量可以包括梯度值和梯度方向，可以将所述根据所述梯度矢量提取所述标志形状图中的直线段优选为：

将所有像素点按照梯度值逆序排列，采用区域生长法将所有像素点按照梯度方向进行聚类，以获取至少一个连通区域。

其中，区域生长法是指判断种子点周围四邻域的点和种子点的梯度方向是否一致，如果一致，则将该邻域点压入堆栈，并且标记该点已经使用。区域生长是一个迭代的过程，图像中的每个种子像素点都迭代生长，直到处理过每个像素，因此图像中形成了不重叠的连通区域，每个区域内部的梯度方向都近似一致。

将每个连通区域拟合成为矩形，作为所述直线段。

连通区域一般是不规则的图形，本操作是将不规则的连通区域拟合成矩形，如图4所示，区域的中心和长轴方向决定了直线段的位置和方向，区域中包含的所有图像点在长轴上的投影决定了直线段端点。

将满足基于感知编组的动态阈值的直线段保留。

本操作是剔除虚假直线段的方法，上述操作虽然使用局部主方向和局部集中度有效的抑制了噪声影响，但在纹理复杂的图像区域仍然会检测出很多虚假直线段。判断直线段真伪的方法是检验矩形区域所包含图像点的局部主方向和直线方向的一致性程度。

本操作属于一种阈值决策过程，对于直线段检测，可以统计候选直线段上相位方向和所拟合的直线方向近似垂直的边缘点数量，虚假直线段的剔除问题可转化为判断其是否为非结构的背景噪声假设下的例外。假设背景模型为最简单的白噪声模型，也就是图像中每个像素的相位方向在[0,2π]内是独立均匀随机分布，图像灰度变化平缓区一般符合这种假设，而直线却是相位方向高度一致的区域。反之，则为虚假直线段。

在上述实施例的基础上，可以将所述将提取的所述直线段拟合为椭圆，作为所述标志形状图中的感兴趣区域优选为：

对于保留的直线段，采用区域生长法将梯度方向一致的矩形进行聚类，形成椭圆。

本操作是以矩形区域为基本单元，用区域生长将梯度方向一致的矩形区域聚类在一起作为候选椭圆区域。区域生长法是指判断种子矩形周围四邻域的矩形和种子矩形的梯度方向是否一致，如果一致，则将该邻域矩形压入堆栈，并且标记该矩形已经使用。区域生长是一个迭代的过程，图像中的每个种子矩形区域都迭代生长，直到处理过每个矩形，因此图像中形成了不重叠的连通区域，每个区域内部的梯度方向都近似一致。

将满足基于感知编组的动态阈值的椭圆保留，作为所述标志形状图中的感兴趣区域。

本操作是剔除虚假椭圆形的方法，与剔除虚假直线段的过程类似，椭圆曲线区域内点的梯度方向都应和此点处的切线方向垂直，所以判断某个几何形状是否合格就是检验区域内符合一致性的点数量和总数量比例。

现实中圆形交通标志在图像中很可能呈现为椭圆，在形状分析中只考虑圆形约束会导致遗漏很多侧视角度较大的圆形交通标志。本发明实施例提供的交通标记识别方法以椭圆形区域为目标并选出感兴趣区域，增大了识别的范围，更本方法适用于现实情况。

实施例三

图5是本发明实施三提供的交通标记识别方法的流程图。

如图5所示，本发明实施例提供的交通标记识别方法在上述实施例的基础上，在基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志的操作之前，还包括：

510，获取设定交通标志的正面清晰图像，生成至少两个光照和/或至少视角条件下的图像，作为训练样本。

在上述实施例中，所述样本模型是利用标准的交通标志图像和机器学习方法生成的，所以样本模型的识别能力取决于训练样本的质量和数量。本操作是对标准的交通标志图像进行不同角度的光照处理形成多个图像作为训练样本的过程，本操作可使用图像处理软件实现。

520，获取所述训练样本中的感兴趣区域，以及感兴趣区域中像素点的梯度矢量，作为所述样本模板。

训练样本图像中的感兴趣区域即是交通标志所在的区域，本操作是利用该区域内的梯度矢量作为机器学习方法的样本模板参数生成样本模型，基于本操作生成的样本模型对标志形状图的感兴趣区域进行分类则针对性更强。

另外，圆形交通标志有很多类别，比如限速标志、限高标志、限重标志等等。同时每类标志的内容都会有变化，比如数字的不同。用现有的模板匹配方法和启发式规则都难以同时正确分类多种类别圆形交通标志。本发明实施例提供的交通标记识别方法利用机器学习法生成的样本模型对交通进行分类，可以进一步提高识别结果的准确率。

实施例四

图6是本发明实施例四提供的交通标记识别装置结构示意图。

如图6所示，本发明实施例提供的交通标记识别装置可用于实现上述实施例提供的交通标记识别方法，该装置包括：图像处理模块610、图像滤波模块620、图像识别模块630和标志识别模块640。

图像处理模块610，用于根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图。

图像滤波模块620，用于采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图。

图像识别模块630，用于对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域。

标志识别模块640，用于基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。

在上述技术方案的基础上，还可将所述图像处理模块610优选为：

掩膜处理单元，用于根据采集到的交通标志的原始彩色图，基于设定的颜色阈值对所述原始彩色图进行二值化掩膜处理，以获取所述颜色信息图；

灰度处理单元，用于根据采集到的交通标志的原始彩色图，进行灰度值转换，以获取所述灰度信息图。

在上述技术方案的基础上，所述图像滤波模块620可具体具体用于将所述灰度信息图和颜色信息图的像素点参数按照如下公式进行滤波，以获取标志形状图：

Q_i＝∑_R(aI_i+b)，

其中，R表示求和平均范围、I表示所述灰度信息图、Ii表示所述灰度信息图中第i个像素点的值、表示所述灰度信息图中各像素点值的平均值、P表示所述颜色信息图、表示所述颜色信息图中各像素点值的平均值、Q_i表示所述标志形状图中第i个像素点的值、ε表示预设参数、Cov(I，P)表示计算I和P的协方差、Var(I)表示计算I的方差。

在上述技术方案的基础上，还可将所述图像识别模块630优选为：

矢量计算单元，用于计算所述标志形状图中像素点的梯度矢量；

直线段提取单元，用于根据所述梯度矢量提取所述标志形状图中的直线段；

椭圆拟合单元，用于将提取的所述直线段拟合为椭圆，作为所述标志形状图中的感兴趣区域。

在上述技术方案的基础上，所述梯度矢量包括梯度值和梯度方向，则还可将所述直线段提取单元优选为：

连通区域聚类子单元，用于将所有像素点按照梯度值逆序排列，采用区域生长法将所有像素点按照梯度方向进行聚类，以获取至少一个连通区域；

矩形拟合子单元，用于将每个连通区域拟合成为矩形，作为所述直线段；

直线段筛选子单元，用于将满足基于感知编组的动态阈值的直线段保留。

在上述技术方案的基础上，还可将所述椭圆拟合单元优选为：

矩形聚类子单元，用于对保留的直线段，采用区域生长法将梯度方向一致的矩形进行聚类，形成椭圆；

椭圆筛选子单元，用于将满足基于感知编组的动态阈值的椭圆保留，作为所述标志形状图中的感兴趣区域。

在上述技术方案的基础上，还可将所述装置还优选为：

样本获取模块，用于获取设定交通标志的正面清晰图像，生成至少两个光照和/或至少视角条件下的图像，作为训练样本；

模板获取模块，用于获取所述训练样本中的感兴趣区域，以及感兴趣区域中像素点的梯度矢量，作为所述样本模板。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种交通标记识别方法，其特征在于，包括：

根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图；

采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图；

对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域；

基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。

2.根据权利要求1所述的方法，其特征在于，根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图包括：

根据采集到的交通标志的原始彩色图，基于设定的颜色阈值对所述原始彩色图进行二值化掩膜处理，以获取所述颜色信息图；

根据采集到的交通标志的原始彩色图，进行灰度值转换，以获取所述灰度信息图。

3.根据权利要求2所述的方法，其特征在于，采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图包括：

将所述灰度信息图和颜色信息图的像素点参数按照如下公式进行滤波，以获取标志形状图：

Q_i＝∑_R(aI_i+b)，

其中，R表示求和平均范围、I表示所述灰度信息图、I_i表示所述灰度信息图中第i个像素点的值、表示所述灰度信息图中各像素点值的平均值、P表示所述颜色信息图、表示所述颜色信息图中各像素点值的平均值、Q_i表示所述标志形状图中第i个像素点的值、ε表示预设参数、Cov(I，P)表示计算I和P的协方差、Var(I)表示计算I的方差。

4.根据权利要求1-3任一所述的方法，其特征在于，对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域包括：

计算所述标志形状图中像素点的梯度矢量；

根据所述梯度矢量提取所述标志形状图中的直线段；

将提取的所述直线段拟合为椭圆，作为所述标志形状图中的感兴趣区域。

5.根据权利要求4所述的方法，其特征在于，所述梯度矢量包括梯度值和梯度方向，则根据所述梯度矢量提取所述标志形状图中的直线段包括：

将所有像素点按照梯度值逆序排列，采用区域生长法将所有像素点按照梯度方向进行聚类，以获取至少一个连通区域；

将每个连通区域拟合成为矩形，作为所述直线段；

将满足基于感知编组的动态阈值的直线段保留。

6.根据权利要求5所述的方法，其特征在于，将提取的所述直线段拟合为椭圆，作为所述标志形状图中的感兴趣区域包括：

对于保留的直线段，采用区域生长法将梯度方向一致的矩形进行聚类，形成椭圆；

将满足基于感知编组的动态阈值的椭圆保留，作为所述标志形状图中的感兴趣区域。

7.根据权利要求1所述的方法，其特征在于，基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志之前，还包括：

获取设定交通标志的正面清晰图像，生成至少两个光照和/或至少视角条件下的图像，作为训练样本；

获取所述训练样本中的感兴趣区域，以及感兴趣区域中像素点的梯度矢量，作为所述样本模板。

8.一种交通标记识别装置，其特征在于，包括：

图像处理模块，用于根据采集到的交通标志的原始彩色图，获取所述原始彩色图的灰度信息图和颜色信息图；

图像滤波模块，用于采用所述灰度信息图对颜色信息图进行滤波处理，获取标志形状图；

图像识别模块，用于对所述标志形状图进行形状识别，获取所述标志形状图中的感兴趣区域；

标志识别模块，用于基于样本模板对所述感兴趣区域进行分类，并根据分类结果确定对应的交通标志。

9.根据权利要求8所述的装置，其特征在于，所述图像处理模块包括：

掩膜处理单元，用于根据采集到的交通标志的原始彩色图，基于设定的颜色阈值对所述原始彩色图进行二值化掩膜处理，以获取所述颜色信息图；

灰度处理单元，用于根据采集到的交通标志的原始彩色图，进行灰度值转换，以获取所述灰度信息图。

10.根据权利要求9所述的装置，其特征在于，所述图像滤波模块具体用于将所述灰度信息图和颜色信息图的像素点参数按照如下公式进行滤波，以获取标志形状图：

Q_i＝∑_R(aI_i+b)，

其中，R表示求和平均范围、I表示所述灰度信息图、I_i表示所述灰度信息图中第i个像素点的值、 表示所述灰度信息图中各像素点值的平均值、P表示所述颜色信息图、表示所述颜色信息图中各像素点值的平均值、Q_i表示所述标志形状图中第i个像素点的值、ε表示预设参数、Cov(I，P)表示计算I和P的协方差、Var(I)表示计算I的方差。

11.根据权利要求8-10任一所述的装置，其特征在于，所述图像识别模块包括：

矢量计算单元，用于计算所述标志形状图中像素点的梯度矢量；

直线段提取单元，用于根据所述梯度矢量提取所述标志形状图中的直线段；

椭圆拟合单元，用于将提取的所述直线段拟合为椭圆，作为所述标志形状图中的感兴趣区域。

12.根据权利要求11所述的装置，其特征在于，所述梯度矢量包括梯度值和梯度方向，则所述直线段提取单元包括：

连通区域聚类子单元，用于将所有像素点按照梯度值逆序排列，采用区域生长法将所有像素点按照梯度方向进行聚类，以获取至少一个连通区域；

矩形拟合子单元，用于将每个连通区域拟合成为矩形，作为所述直线段；

直线段筛选子单元，用于将满足基于感知编组的动态阈值的直线段保留。

13.根据权利要求12所述的装置，其特征在于，所述椭圆拟合单元包括：

矩形聚类子单元，用于对保留的直线段，采用区域生长法将梯度方向一致的矩形进行聚类，形成椭圆；

椭圆筛选子单元，用于将满足基于感知编组的动态阈值的椭圆保留，作为所述标志形状图中的感兴趣区域。

14.根据权利要求8所述的装置，其特征在于，所述装置还包括：

样本获取模块，用于获取设定交通标志的正面清晰图像，生成至少两个光照和/或至少视角条件下的图像，作为训练样本；

模板获取模块，用于获取所述训练样本中的感兴趣区域，以及感兴趣区域中像素点的梯度矢量，作为所述样本模板。