交通標志識別系統(tǒng)是汽車自動駕駛系統(tǒng)的重要子系統(tǒng),而交通標志檢測是標志識別的重要基礎(chǔ)和關(guān)鍵技術(shù)。目前,交通標志檢測算法主要分為基于顏色模型、基于形狀特征以及基于機器學習三類方法�；陬伾Ｐ偷拈撝捣ㄊ且活惡唵斡行У臉酥緳z測方法,但存在標志互連導致標志漏檢的問題�；趶较�?qū)ΨQ變換的標志檢測是基于形狀特征檢測的主流方法之一,受到廣泛關(guān)注。但現(xiàn)有算法存在變換參數(shù)設置困難、計算量大以及檢測算法復雜等問題�；谏疃葘W習的標志檢測成為當前的研究熱點,但是,訓練樣本量少時,會出現(xiàn)“過擬合”的高風險問題。另外,檢測到的部分交通標志存在運動模糊問題,將會嚴重影響交通標志的識別性能。針對上述問題,本文系統(tǒng)深入地研究了自然環(huán)境下交通標志分離、交通標志檢測以及交通標志去模糊等交通標志檢測領(lǐng)域相關(guān)的關(guān)鍵問題。主要研究內(nèi)容及創(chuàng)新點具體如下:(1)針對標志互連導致檢測性能下降以及現(xiàn)有WTSS分離算法存在盲目分離、計算開銷大的問題,提出了一種基于分水嶺變換的互連標志自適應分離(WTSAS)算法。該算法通過構(gòu)造區(qū)域特征矢量和提出互連標志判決準則,提取了互連標志候選區(qū)域:結(jié)合形態(tài)學膨脹邊緣接續(xù)處理以及分水嶺變換分割,僅對低...

【文章頁數(shù)】：125 頁

【學位級別】：博士

【部分圖文】：

圖１．１本文主要研究內(nèi)容框架??Ｆｉｇ．?１．１?Ｔｈｅ?ｍａｉｎ?ｓｔｕｄｙ?ｃｏｎｔｅｎｔ?ｆｒａｍｅ?ｏｆ?ｔｈｅ?ｔｈｅｓｉｓ??

圖１．１本文主要研究內(nèi)容框架??Ｆｉｇ．?１．１?Ｔｈｅ?ｍａｉｎ?ｓｔｕｄｙ?ｃｏｎｔｅｎｔ?ｆｒａｍｅ?ｏｆ?ｔｈｅ?ｔｈｅｓｉｓ??第３章研宄了自然環(huán)境下交通標志檢測技術(shù)，提出了兩種標志檢測箅法。具體工??作包括：（１）針對徑向?qū)ΨQ變換檢測圓形標志時檢測半徑難以確定以及無法....

圖２．?１局殼度場景下的圖像分割??Ｆｉｇ．?２．１?Ｓｅｇｍｅｎｔａｔｉｏｎ?ｒｅｓｕｌｔｓ?ｆｏｒ?ｔｒａｆｆｉｃ?ｉｍａｇｅ?ｉｎ?ｔｈｅ?ｃａｓｅ?ｏｆ?ｈｉｇｈ?ｂｒｉｇｈｔｎｅｓｓ??

實驗中兩個閾值采用了文獻［４２］中設定值，即ＴｈＲ＾ｌＯ，ＴｈＲ２?＝?３００。??（１）分割效果對比??首先，測試亮度變化對兩種顏色模型下閾值分割效果的影響。圖２．１和２．２分別給??出了高亮度和低亮度兩種場景下的圖像分割效果對比。??Ｆ麗Ｆ１??［?警屬??（ａ）原始交通圖像....

圖２．?１局殼度場景下的圖像分割??Ｆｉｇ．?２．１?Ｓｅｇｍｅｎｔａｔｉｏｎ?ｒｅｓｕｌｔｓ?ｆｏｒ?ｔｒａｆｆｉｃ?ｉｍａｇｅ?ｉｎ?ｔｈｅ?ｃａｓｅ?ｏｆ?ｈｉｇｈ?ｂｒｉｇｈｔｎｅｓｓ??

實驗中兩個閾值采用了文獻［４２］中設定值，即ＴｈＲ＾ｌＯ，ＴｈＲ２?＝?３００。??（１）分割效果對比??首先，測試亮度變化對兩種顏色模型下閾值分割效果的影響。圖２．１和２．２分別給??出了高亮度和低亮度兩種場景下的圖像分割效果對比。??Ｆ麗Ｆ１??［?警屬??（ａ）原始交通圖像....

圖２．?３兩種顏色空間分割效果對比??Ｆｉｇ．?２．３?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｔｗｏ?ｋｉｎｄｓ?ｏｆ?ｃｏｌｏｒ?ｓｐａｃｅｓ??

??從圖２．１和２．２中結(jié)果可以看出，兩種模型都取得了較好的分割效果，表明兩種模??型對亮度變化有較好的免疫（ｉｍｍｕｅ）能力。這主要是因為，對于ＨＳＩ模型，閾值處理時??只涉及到色調(diào)分量，亮度變化對顏色幾乎沒有影響；對于ＲＧＢＮ模型而言，通過歸一化??處理，圖像的亮度信息變化對....

本文編號：3902105