發(fā)布時(shí)間：2021-12-23 02:57

　　隨著社會(huì)經(jīng)濟(jì)水平的不斷發(fā)展,交通問(wèn)題變得日益嚴(yán)重,其中交通安全問(wèn)題尤為重要。為此,“智慧交通”應(yīng)運(yùn)而生�！爸腔劢煌ā敝械妮o助駕駛或者是自動(dòng)駕駛是重要的組成部分,而其中,對(duì)于路邊交通標(biāo)志的自動(dòng)檢測(cè)和識(shí)別就是一項(xiàng)關(guān)鍵性技術(shù)。為此,本文將研究一種自然環(huán)境下可以有效進(jìn)行交通標(biāo)志識(shí)別的算法。本文提出的交通標(biāo)志識(shí)別算法首先將待檢測(cè)圖像進(jìn)行預(yù)處理,通過(guò)圖像均衡化、銳化、歸一化等操作,來(lái)降低光線、噪聲對(duì)檢測(cè)識(shí)別階段的干擾,提升識(shí)別準(zhǔn)確率。運(yùn)用MERS最大穩(wěn)定極值區(qū)域算法對(duì)預(yù)處理后的圖像進(jìn)行興趣區(qū)域的提取分割,用分塊HOG梯度方向直方圖對(duì)興趣區(qū)域進(jìn)行特征提取,使用GTSDB交通標(biāo)志圖像數(shù)據(jù)庫(kù)中的訓(xùn)練集,通過(guò)SVM支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí),獲得交通標(biāo)志的SVM分類器。為了進(jìn)一步優(yōu)化識(shí)別性能,深入分析了影響SVM的性能的核函數(shù)類型和與之對(duì)應(yīng)的懲罰參數(shù)C,核函數(shù)參數(shù)g,創(chuàng)新提出了一種基于自適應(yīng)交叉變異的改進(jìn)遺傳優(yōu)化最優(yōu)參數(shù)搜索算法,獲得了近似最優(yōu)的懲罰參數(shù)C和核函數(shù)參數(shù)g,通過(guò)MATLAB對(duì)遺傳優(yōu)化后的SVM分類器進(jìn)行交通標(biāo)志識(shí)別算法進(jìn)行仿真分析,并獲得了較好的識(shí)別率。 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景和研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文主要章節(jié)
2 交通標(biāo)志圖像的預(yù)處理
    2.1 交通標(biāo)志概述
    2.2 圖像增強(qiáng)處理
        2.2.1 Gamma校正
        2.2.2 圖像均衡化
        2.2.3 圖像銳化
    2.3 圖像歸一化處理
    2.4 圖像去噪處理
    2.5 本章總結(jié)
3 基于MSER的交通標(biāo)志提取算法的研究與分析
    3.1 引言
    3.2 常見(jiàn)交通標(biāo)志分割算法簡(jiǎn)介
        3.2.1 基于RGB顏色空間的閾值分割
        3.2.2 基于RGB差值的閾值分割
        3.2.3 基于HSI顏色空間的閾值分割
        3.2.4 基于YCbCr顏色空間的閾值分割
        3.2.5 基于Ohta顏色空間的閾值分割
    3.3 MSER最大穩(wěn)定極值區(qū)域算法
        3.3.1 MSER最大穩(wěn)定極值區(qū)域基本原理
        3.3.2 基于MSER的交通標(biāo)志分割算法
    3.4 實(shí)驗(yàn)與分析
    3.5 本章總結(jié)
4 基于HOG和SVM的交通標(biāo)志識(shí)別算法
    4.1 引言
    4.2 基于HOG算子的交通標(biāo)志特征提取
        4.2.1 HOG算子基本原理
        4.2.2 HOG算子實(shí)現(xiàn)步驟
        4.2.3 基于分塊HOG的特征提取
    4.3 基于人工神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別算法分析
        4.3.1 BP神經(jīng)網(wǎng)絡(luò)
        4.3.2 PNN神經(jīng)網(wǎng)絡(luò)
        4.3.3 GRNN神經(jīng)網(wǎng)絡(luò)
        4.3.4 DeepLearning神經(jīng)網(wǎng)絡(luò)
    4.4 支持向量機(jī)
        4.4.1 SVM基本原理
        4.4.2 基于HOG特征提取和SVM的交通標(biāo)志識(shí)別算法
        4.4.3 SVM庫(kù)函數(shù)調(diào)用方式
    4.5 實(shí)驗(yàn)與分析
        4.5.1 測(cè)試樣本來(lái)源
        4.5.2 交通標(biāo)志識(shí)別仿真實(shí)驗(yàn)
        4.5.3 交通標(biāo)志識(shí)別結(jié)論對(duì)比
    4.6 本章總結(jié)
5 基于HOG和遺傳優(yōu)化SVM交通標(biāo)志識(shí)別算法的研究
    5.1 引言
    5.2 遺傳優(yōu)化SVM的研究和實(shí)現(xiàn)
        5.2.1 支持向量機(jī)的參數(shù)優(yōu)化
        5.2.2 傳統(tǒng)遺傳優(yōu)化算法
        5.2.3 自適應(yīng)遺傳優(yōu)化算法
        5.2.4 自適應(yīng)遺傳優(yōu)化適應(yīng)度函數(shù)的建立
        5.2.5 基于自適應(yīng)遺傳優(yōu)化SVM的識(shí)別算法
    5.3 實(shí)驗(yàn)結(jié)論與對(duì)比分析
    5.4 本章總結(jié)
6 總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3547638