【摘要】：交通標(biāo)志檢測(cè)與識(shí)別是輔助駕駛系統(tǒng)以及無(wú)人駕駛領(lǐng)域的核心技術(shù),在車輛安全預(yù)警、車載導(dǎo)航、標(biāo)志維護(hù)等方面具有廣泛的應(yīng)用價(jià)值。然而當(dāng)下的交通環(huán)境復(fù)雜多變,光照與天氣變化、標(biāo)志遮擋與形變、褪色與模糊等不利因素使得該技術(shù)的研究面臨諸多困難。因此本文總結(jié)了國(guó)內(nèi)外相關(guān)技術(shù)的研究成果,通過(guò)分析其中的問(wèn)題并對(duì)交通標(biāo)志檢測(cè)與識(shí)別方法展開(kāi)深入研究。本文的主要工作有:(1)在交通標(biāo)志檢測(cè)階段,本文充分利用了交通標(biāo)志本身的顏色、形狀、梯度和紋理特征,提出了多特征融合的交通標(biāo)志檢測(cè)算法。首先,針對(duì)傳統(tǒng)顏色分割方法易受光照影響的問(wèn)題,根據(jù)圖像亮度直方圖的分布特點(diǎn),利用單尺度Retinex算法改善非正常光照的圖像質(zhì)量,并在此基礎(chǔ)上提出了融合多個(gè)顏色空間的混合分割策略,有效提升了低亮度圖像的顏色分割效果;然后,基于交通標(biāo)志的形狀特征利用形態(tài)學(xué)運(yùn)算與幾何特征篩選出粗略的候選區(qū)域;最后,為了提升檢測(cè)的精度和速度,將候選區(qū)域的局部HOG特征與自適應(yīng)ULBP特征進(jìn)行融合,并采用高效的SVM分類器對(duì)其進(jìn)行線性判決,最終實(shí)現(xiàn)交通標(biāo)志的精確檢測(cè)。實(shí)驗(yàn)結(jié)果表明,該方法的檢測(cè)效果在準(zhǔn)確率與實(shí)時(shí)性方面均有較大提升。(2)在交通標(biāo)志識(shí)別階段,本文采用主流的深度學(xué)習(xí)算法避免了手工設(shè)計(jì)特征的局限性。針對(duì)目前卷積神經(jīng)網(wǎng)絡(luò)計(jì)算復(fù)雜度高、實(shí)時(shí)性差等問(wèn)題,提出了輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別算法。首先,利用深度可分離卷積去除標(biāo)準(zhǔn)卷積的冗余特征表達(dá),降低了模型的計(jì)算復(fù)雜度;然后,采用線性瓶頸逆殘差結(jié)構(gòu)加深網(wǎng)絡(luò)層次以充分提取圖像特征,同時(shí)在此基礎(chǔ)上加入特征校準(zhǔn)機(jī)制選擇性增強(qiáng)部分有益的特征圖信息;最后,為了提升神經(jīng)網(wǎng)絡(luò)的泛化能力,引入焦點(diǎn)損失函數(shù)減少了樣本數(shù)量不均衡對(duì)模型精度的影響,尤其提升了困難樣本的識(shí)別能力。實(shí)驗(yàn)結(jié)果表明,該方法的計(jì)算復(fù)雜度明顯低于AlexNet,并且其分類精度與實(shí)時(shí)性得到有效提升。(3)本文在TT-100K數(shù)據(jù)集的基礎(chǔ)上制作了更加符合實(shí)際應(yīng)用的低分辨率交通標(biāo)志數(shù)據(jù)集,并且在QT平臺(tái)開(kāi)發(fā)了算法驗(yàn)證的系統(tǒng)軟件,該系統(tǒng)可以實(shí)現(xiàn)交通標(biāo)志的實(shí)時(shí)檢測(cè)和識(shí)別,具有一定的應(yīng)用價(jià)值。
【學(xué)位授予單位】：中國(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U495;TP391.41
【圖文】：

15*15~250*250 3*5~263*248 6*6~167*168 1615*15~250*250 1280*960 640*480~1024*522 50000+ 20000 6610 所有 4000 所有 否 否 是 識(shí)別 檢測(cè)識(shí)別 檢測(cè)識(shí)別 德國(guó) 瑞典 美國(guó) 是由清華大學(xué)與騰訊實(shí)驗(yàn)室聯(lián)合發(fā)布的大規(guī)模中國(guó)的圖像取自于騰訊的街景地圖，覆蓋了中國(guó)大陸的 張分辨率為 2048*2048 的圖像，約 3 萬(wàn)個(gè)左右的交通實(shí)例的外觀差別較大，并且涵蓋了真實(shí)行車環(huán)境的各件（上午、中午、黃昏）、不同的道路場(chǎng)景（農(nóng)村、天氣情況（晴天、陰天、雨天）。如圖 2-2 所示，T通標(biāo)志的位置坐標(biāo)和類別，同時(shí)也增加了用于圖像分各種真實(shí)場(chǎng)景下的交通標(biāo)志檢測(cè)與識(shí)別算法。

1, )*( (log( ( , )) log( ( , )* ( , ))))Nk i i kk y I x y I x y F x y （3-9）果如圖 3-4 所示，可以明顯看出：MSRCR 算法的色彩保圖像的暗光，而且很好地還原了圖像細(xì)節(jié)，但是該算法耗志圖像的實(shí)時(shí)處理；MSR 算法的增強(qiáng)效果相對(duì)柔和，但調(diào)；直方圖均衡和 Gamma 校正用時(shí)最短，但同時(shí)也引入文選取了單尺度的 Retinex 算法（SSR）對(duì)弱光環(huán)境下的取合適的尺度使得增強(qiáng)后的圖像對(duì)比度、邊緣細(xì)節(jié)以及顏有利于后面的圖像分割。(b) 直方圖均衡 (c) Gamma 校正

利用單尺度的 Retinex 算法對(duì)非正常場(chǎng)景下的圖像進(jìn)行增強(qiáng)。圖3-6 為 SSR 算法對(duì)兩種非正常光照?qǐng)D像的增強(qiáng)效果，可以看出增強(qiáng)后的圖像色彩更加鮮明，輪廓更加清晰。(a) 陰暗場(chǎng)景增強(qiáng)效果 (b) 逆光場(chǎng)景增強(qiáng)效果圖 3-6 非正常光照下 SSR 算法的增強(qiáng)效果Figure 3-6 Enhancement effect of SSR algorithm under abnormal illumination3.2 交通標(biāo)志圖像分割(Traffic Sign Image Segmentation)顏色作為交通標(biāo)志最為顯著的屬性，具有良好的尺度、旋轉(zhuǎn)不變性。在自然場(chǎng)景下利用顏色信息實(shí)現(xiàn)圖像的初步分割可以迅速去除大面積的冗余區(qū)域，不僅具有較好的實(shí)時(shí)性，而且不受拍攝距離和角度的影響。因此本文采用顏色分割方法作為候選區(qū)域提取的第一步。3.2.1 RGB 差值法在 RGB 空間中分割交通標(biāo)志具有明顯的速度優(yōu)勢(shì)，但是此空間的三個(gè)分量具有較強(qiáng)的相關(guān)性。在不同的光照下，同一交通標(biāo)志的 RGB 三通道取值差異較大，無(wú)法根據(jù)各通道的閾值準(zhǔn)確分割。然而，對(duì)于特定的色彩，其對(duì)應(yīng)分量的差值基本維持在一定的范圍內(nèi)，因此可以利用 RGB 空間中兩個(gè)通道分量的差值判定特定顏色。算法流程如圖 3-7 所示，首先將 R、G、B 三個(gè)分量歸一化至[0, 1]區(qū)間，然后利用通道間的差值分割出特定顏色。RGB圖像(r-g)>0.08(r-b)>0.08(r-b)>0.12(g-b)>0.12紅色像素結(jié)束否是否是否是&& && &&藍(lán)色像素 黃色像素(b-g)>0.01(b-r)>0.01圖 3-7 RGB 差值法流程圖Figure 3-7 Flow chart of RGB differential methodRGB 差值法計(jì)算量小，分割速度快，但是 RGB 空間的三個(gè)分量都包含了圖像的亮度信息

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉杰;;一種基于多特征融合的自適應(yīng)目標(biāo)跟蹤策略[J];大眾科技;2016年11期

2 劉紅;王曄;雷長(zhǎng)海;;基于多特征融合的中醫(yī)舌像檢索研究[J];計(jì)算機(jī)應(yīng)用研究;2010年02期

3 王益堯;;基于多特征融合問(wèn)句理解問(wèn)答系統(tǒng)研究[J];數(shù)據(jù)通信;2018年02期

4 李志欣;李艷紅;張燦龍;;一種多特征融合的場(chǎng)景分類方法[J];小型微型計(jì)算機(jī)系統(tǒng);2018年05期

5 霍富功;王詩(shī)琴;;基于多特征融合的轉(zhuǎn)移粒子濾波紅外小目標(biāo)跟蹤算法研究[J];信息與電腦(理論版);2018年12期

6 蔣曉玲;章慧;;基于多特征融合的激光醫(yī)學(xué)圖像拼接[J];激光雜志;2015年12期

7 王鈺;何紅艷;譚偉;齊文雯;;一種多特征融合的高分辨率遙感圖像道路提取算法[J];遙感信息;2019年01期

8 孫汝星;范榮雙;;基于支持向量機(jī)的多特征融合影像云檢測(cè)[J];測(cè)繪與空間地理信息;2018年06期

9 喬瑞萍;孫賀;董員臣;王方;;基于多特征融合的井蓋檢測(cè)系統(tǒng)實(shí)現(xiàn)[J];電子技術(shù)應(yīng)用;2018年06期

10 顧鑫;李U

本文編號(hào)：2746993