近年來,隨著經(jīng)濟與科技的快速發(fā)展,汽車在人們的日常生活中越來越普遍,為人們的出行帶來了極大的便利。但是,不斷增加的汽車保有量和愈加復雜的交通路網(wǎng)也帶來了一系列交通擁堵和安全問題。對此,智能交通系統(tǒng)應運而生,自動駕駛系統(tǒng)作為其重要的組成部分得到了極大的發(fā)展。交通標志識別作為自動駕駛的關鍵技術之一,成為了機器視覺和模式識別領域的研究熱點,引起了眾多專家學者和相關科研機構的關注。然而,交通標志種類繁多并且自然場景中天氣變化多端、光照強度不定、標志存在相似背景等復雜的交通環(huán)境都給交通標志識別帶來了一系列挑戰(zhàn)。本文在總結了大量國內外相關研究的基礎上,利用深度森林及其相關知識重點進行了交通標志識別的算法研究。本文的交通標志識別研究工作分為交通標志檢測和交通標志分類兩個階段,其主要工作包括:(1)在交通標志識別的基礎預備方面,制作了國內的道路交通圖像數(shù)據(jù)集結合公開的數(shù)據(jù)集構成了初始數(shù)據(jù)集,并通過直方圖判斷其光照情況,對光照情況較差的圖像采用限制對比度的自適應均衡算法進行預處理。(2)在交通標志的檢測階段,提出了一種HOG特征和SVM的交通標志檢測方法。該方法首先通過統(tǒng)計交通標志的顏色閾值后對其圖像進行閾值分割,去除了大量干擾,然后利用最大穩(wěn)定極值區(qū)域算法對連通區(qū)域進行檢測,完成了交通標志感興趣區(qū)域的粗提取,最后提取交通標志感興趣區(qū)域的HOG特征,并結合SVM進行二分類以確定真正的交通標志區(qū)域。實驗表明該方法在檢測時間上具有極大的優(yōu)勢,同時實現(xiàn)了較高的準確率。(3)在交通標志的分類階段,在研究了隨機森林和深度森林算法的基礎上,提出一種基于深度森林的交通標志分類方法。該方法利用多粒度掃描的方式把交通標志數(shù)據(jù)切分成多實例特征,并且通過深度級聯(lián)森林對特征進行逐層表征學習。實驗結果表明該算法在準確率和運算時間上均得到了較好的效果。
【學位單位】：北方工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;U491.52
【部分圖文】：

第一章緒論??交通標志的遮擋也是需要考慮的重要因素，例如圖１－２中第６列。??關剛酬??議??關＿?■■??圖１－２?ＧＴＳＲＢ數(shù)據(jù)集中識別難度較大的交通標志示例??因此，由于交通標志種類較多、道路交通環(huán)境復雜多變等因素，交通標志的??識別面臨著很多實際的問題。因此有部分專家和學者們將ＴＳＲ系統(tǒng)劃分為交通??標志檢測和交通標志分類兩個步驟進行分別探討和研宄［３４？］。??（１）

大部分國家城市道路中常見的交通標志主要包括警告、禁令以及指示３大類標??志，其對駕駛員駕駛汽車有著關鍵的作用。本文主要針對禁令、指示和警告這三??種類型的交通標志展開研宄和討論，圖２－１展示了我國這三大類交通標志牌的部??分圖片，其中第一行為禁令標志，第二行為指示標志，第三行為警告標志。這三??類交通標志分別有具有如下特征：??禁令標志：主要由白色背景、紅色圓圈、紅色條紋和黑色圖案組成。形狀有??圓形、八角形等，達到禁止車輛或限制行人、車輛行為的目的。??騎雜＿??圖２－１交通標志示例圖??１０??

被分成３個大的類別，其中圖片數(shù)量被劃分為訓練集６００張，測試集３００張。該??數(shù)據(jù)集被用于測試各種檢測方法的性能。ＧＴＳＤＢ數(shù)據(jù)集采集于自然場景中，包??含了不同光照環(huán)境和不同天氣情況下等可能造成交通標志模糊不清的情況。圖２－??２為ＧＴＳＤＢ數(shù)據(jù)集中隨機抽取的道路交通圖像示例。??１．??圖２－２?ＧＴＳＤＢ數(shù)據(jù)集中隨機抽取的圖像??ＧＴＳＲＢ數(shù)據(jù)集是由ＳｔａｌｌｋａｍｐＪ等人在２０１１年免費提供的數(shù)據(jù)庫，以供相關??研宄人員使用和研宄［５１］。該數(shù)據(jù)集包含了?４３個不同種類的交通標志類型，由該??團隊通過視頻采集獲得，其中采集環(huán)境包括了不同光照環(huán)境、不同天氣情況、交??通標志被遮擋、交通標志傾斜和部分損壞等實際可能發(fā)生的情況，因此該數(shù)據(jù)集??具有較好的實用性及權威性。ＧＴＳＲＢ數(shù)據(jù)庫共有５萬多張圖像，其中訓練數(shù)據(jù)??集含有３９２０９張，測試數(shù)據(jù)集包含１２３６０張圖像。所有數(shù)據(jù)集圖片的大小不盡相??同，范圍在１５＊１５像素至２２２＊１９３像素之內，且每張圖片都至少包含１０％的邊緣??地區(qū)
【相似文獻】

相關期刊論文 前10條

1 黃逸;;算法結構與設計教學中的若干思考[J];中學數(shù)學雜志;2008年05期

2 何永生;;算法結構考查“三角度”[J];中學生數(shù)理化(高一);2017年01期

3 丁忒;;“算法的概念”教學設計[J];中國數(shù)學教育;2017年Z2期

4 王靖亞;;算法結構對其性能的影響研究[J];計算機教育;2005年10期

5 裴承鳴;黎中偉;;ARMA過程的遞推線性估計及其應用[J];西北工業(yè)大學學報;1987年02期

6 胡平;;試論濾波器的算法結構[J];河北機電學院學報;1987年01期

7 黃繼進;;快速DFT計算——基于遞歸割圓因式分解的新算法[J];計算機應用與軟件;1988年05期

8 鄭容;;時域加權FFT算法(WTTA)[J];信號處理;1988年04期

9 乞敬換;王秀峰;;具有阻塞的串行生產線“線性”狀態(tài)方程描述及擾動分析新算法[J];系統(tǒng)工程學報;1989年02期

10 王靖亞;;算法結構對其性能的影響研究[J];中國人民公安大學學報(自然科學版);2005年04期

相關博士學位論文 前4條

1 張慧君;三元M/B/Si功能化合物的第一性原理計算方法研究[D];燕山大學;2017年

2 熊丙章;高中生的算法理解水平及其教學策略研究[D];西南大學;2013年

3 楊樂嬋;基于GEP算法和高光譜數(shù)據(jù)的植物主要理化參數(shù)估算研究[D];南京大學;2017年

4 張超;混合群智能優(yōu)化算法研究及應用[D];北京科技大學;2018年

相關碩士學位論文 前10條

1 楊忠保;復雜網(wǎng)絡中社區(qū)發(fā)現(xiàn)算法研究與應用[D];武漢理工大學;2018年

2 崔利娟;基于深度森林的交通標志識別算法研究[D];北方工業(yè)大學;2019年

3 吳亞桐;北斗B1頻點信號捕獲算法研究與實現(xiàn)[D];哈爾濱工程大學;2018年

4 吳瓊;基于SSD算法的車輛和行人的檢測[D];華中師范大學;2018年

5 丁宗元;基于度量學習的行人重識別若干算法研究[D];常州大學;2018年

6 涂亮杰;基于改進蟻群算法的果園移動機器人路徑規(guī)劃研究[D];南華大學;2018年

7 陳志國;基于OpenCL的多曝光融合算法并行優(yōu)化[D];西安電子科技大學;2018年

8 郭章建;高動態(tài)擴頻接收機的捕獲與跟蹤算法研究[D];華中科技大學;2017年

9 葉揚志;基于多代理網(wǎng)絡的稀疏參數(shù)協(xié)同估計算法研究[D];北京理工大學;2016年

10 張松海;多模優(yōu)化的斐波那契樹優(yōu)化算法及其應用研究[D];云南大學;2017年

本文編號：2854965