交通標志檢測識別作為智能交通系統(tǒng)的關鍵技術,在輔助駕駛、無人駕駛方面具有廣泛應用場景。但由于道路環(huán)境復雜,交通標志檢測識別過程中會受到自然條件和內部硬件等因素干擾,使得檢測識別算法很難達到商業(yè)應用要求。因此,本文對自然場景下的道路交通標志檢測識別開展研究,主要工作如下:針對,針對道路交通標志的檢測識別方法,提出了一種基于顏色信息與融合特征矩輸入支持向量機的交通標志檢測方法。本文檢測方法首先對比了不同顏色空間的色彩表達能力,運用顏色特征進行圖像分割,采用形態(tài)學處理消除圖像中大部分無關信息,獲得識別候選區(qū)域;然后提取區(qū)域中的小波矩特征和HOG特征,選擇串聯(lián)連接方法得到新的特征;將新的特征信息傳輸SVM中進行分類訓練,對圖像道路交通標志的顏色形狀進行判別。其次我國缺乏統(tǒng)一交通標志數(shù)據(jù)集問題,本論文在真實道路條件下采集交通標志數(shù)據(jù),通過前期的預處理方法對采集數(shù)據(jù)進行變換、擴充,其預處理方法包括:采用Gamma校正和直方圖均衡化預處理技術,增強圖像的內部信息,降低光照影響;同時采用中值濾波,消除圖像部分噪聲,保障圖像邊緣信息;本章最后設計了交通標志檢測識別系統(tǒng)框架,為之后的工作做了知識鋪墊和實驗... 

【文章來源】：上海應用技術大學上海市

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

禁令標志示例圖

第6頁上海應用技術大學碩士學位論文圖1.2指示標志示例圖Fig.1.2Illustrationdiagramofindicator（3）警告標志警告標志的主要作用是針對前方交通特殊環(huán)境或交通變化等信息進行重點說明，給予行駛人員警告信息。我國警告標志涉及49種。常見的警告標志一般以黃色為底面，警告內容呈現(xiàn)黑色圖案，外圍形狀以等邊三角形為主。如圖1.3所示。圖1.3警告標志示例圖Fig.1.3Examplewarningsigns1.3.2常用的交通標志數(shù)據(jù)集介紹交通標志數(shù)據(jù)集在圖像識別領域中占有重要作用。豐富的交通標志數(shù)據(jù)集不僅涉及到交通標志、標志背景，還會包含其他諸多因素，如光照、亮度、天氣等。在訓練數(shù)據(jù)集過程中，數(shù)據(jù)集特性表現(xiàn)的越豐富，其訓練結果表現(xiàn)出的識別廣泛性能越好，識別準確率越高。因此，在提高識別準確率上，不單要依靠算法的整體設計優(yōu)化，還需要可靠的數(shù)據(jù)集才能完成。GTSRB數(shù)據(jù)集其特點在于：數(shù)據(jù)集的圖像全部是從自然場景中采集提取出來，適合單圖像，多分類問題識別方法研究；該數(shù)據(jù)集共由五大類43小標志組成，總共圖片超過50000張，圖片龐大且逼真。該數(shù)據(jù)集按照大致1：4的數(shù)量可分為測試圖像和訓練圖像。43種類的交通標志如圖1.4所示。圖1.4GTSRB數(shù)據(jù)集各種類標志樣圖Fig.1.4GTSRBSampledatasetsforeachtypeoflogo我國交通標志數(shù)據(jù)集CSUST（ChineseTrafficSignDetectionBenchmark）是長沙理工大學張建明老師團隊制作完成[37]。該數(shù)據(jù)集已超過15000張，并保持不斷更新狀

第6頁上海應用技術大學碩士學位論文圖1.2指示標志示例圖Fig.1.2Illustrationdiagramofindicator（3）警告標志警告標志的主要作用是針對前方交通特殊環(huán)境或交通變化等信息進行重點說明，給予行駛人員警告信息。我國警告標志涉及49種。常見的警告標志一般以黃色為底面，警告內容呈現(xiàn)黑色圖案，外圍形狀以等邊三角形為主。如圖1.3所示。圖1.3警告標志示例圖Fig.1.3Examplewarningsigns1.3.2常用的交通標志數(shù)據(jù)集介紹交通標志數(shù)據(jù)集在圖像識別領域中占有重要作用。豐富的交通標志數(shù)據(jù)集不僅涉及到交通標志、標志背景，還會包含其他諸多因素，如光照、亮度、天氣等。在訓練數(shù)據(jù)集過程中，數(shù)據(jù)集特性表現(xiàn)的越豐富，其訓練結果表現(xiàn)出的識別廣泛性能越好，識別準確率越高。因此，在提高識別準確率上，不單要依靠算法的整體設計優(yōu)化，還需要可靠的數(shù)據(jù)集才能完成。GTSRB數(shù)據(jù)集其特點在于：數(shù)據(jù)集的圖像全部是從自然場景中采集提取出來，適合單圖像，多分類問題識別方法研究；該數(shù)據(jù)集共由五大類43小標志組成，總共圖片超過50000張，圖片龐大且逼真。該數(shù)據(jù)集按照大致1：4的數(shù)量可分為測試圖像和訓練圖像。43種類的交通標志如圖1.4所示。圖1.4GTSRB數(shù)據(jù)集各種類標志樣圖Fig.1.4GTSRBSampledatasetsforeachtypeoflogo我國交通標志數(shù)據(jù)集CSUST（ChineseTrafficSignDetectionBenchmark）是長沙理工大學張建明老師團隊制作完成[37]。該數(shù)據(jù)集已超過15000張，并保持不斷更新狀

【參考文獻】：
期刊論文
[1]基于改進網(wǎng)中網(wǎng)神經網(wǎng)絡的交通標志識別[J]. 李超,楊艷.  信息技術. 2019(09)
[2]基于改進深度卷積神經網(wǎng)絡的交通標志識別[J]. 馬永杰,李雪燕,宋曉鳳.  激光與光電子學進展. 2018(12)
[3]基于深度卷積神經網(wǎng)絡的車型識別方法[J]. 袁公萍,湯一平,韓旺明,陳麒.  浙江大學學報(工學版). 2018(04)
[4]基于特征融合和字典學習的交通標志識別[J]. 姚漢利,趙金金,鮑文霞.  計算機技術與發(fā)展. 2018(01)
[5]深度學習相關研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計算機應用研究. 2018(07)
[6]基于改進的卷積神經網(wǎng)絡LeNet-5的車型識別方法[J]. 王秀席,王茂寧,張建偉,程鵬.  計算機應用研究. 2018(07)
[7]基于HOG-Gabor特征融合與Softmax分類器的交通標志識別方法[J]. 梁敏健,崔嘯宇,宋青松,趙祥模.  交通運輸工程學報. 2017(03)
[8]基于Lenet-5的卷積神經網(wǎng)絡改進算法[J]. 李丹,沈夏炯,張海香,朱永強.  計算機時代. 2016(08)
[9]基于歸一化RGB與橢圓相似度的圓形交通標志檢測[J]. 薛玉利.  微型機與應用. 2015 (24)
[10]基于曲率尺度空間角點檢測的交通標志分離算法[J]. 李厚杰,邱天爽,宋海玉,王培昌,王鵬杰.  光學學報. 2015(01)

博士論文
[1]復雜大背景下交通標志快速魯棒的檢測和識別研究[D]. 劉春生.山東大學 2016

碩士論文
[1]道路前方交通標志識別算法研究[D]. 童英.安徽工程大學 2019
[2]基于深度學習的交通標志檢測識別算法研究[D]. 雪剛剛.桂林電子科技大學 2019
[3]基于支持向量機的交通標志識別[D]. 因曉倩.長安大學 2019
[4]基于機器視覺的交通標志檢測與識別算法研究[D]. 王崗.中國礦業(yè)大學 2019
[5]基于深度學習的無人小車目標識別研究[D]. 宋佳蓉.南京航空航天大學 2019
[6]道路交通標志的檢測算法研究[D]. 鄧瓊.安徽工程大學 2018
[7]基于中值濾波和小波變換的圖像去噪算法研究[D]. 田流芳.河北大學 2014
[8]基于毫米波雷達與機器視覺融合的前方車輛檢測研究[D]. 王亞麗.吉林大學 2013
[9]復雜背景下交通標志的顏色分割[D]. 張培.武漢理工大學 2012



本文編號：3511251