本文關(guān)鍵詞：視覺感知結(jié)合學(xué)習(xí)的道路交通標(biāo)線檢測與識別方法

  更多相關(guān)文章： 道路交通標(biāo)線 視覺注意機制 顯著性檢測模型 Real Ada Boost

【摘要】：在中國每年大約有超過200,000人死于車禍,多達90%的事故是由司機的失誤引起的[1]。自動駕駛有助于減少人類因素造成的交通事故。在結(jié)構(gòu)化道路中如何按照道路交通法規(guī)正確行駛是自動駕駛技術(shù)的挑戰(zhàn)之一,而按照交通法規(guī)正確行駛的前提就是進行道路交通標(biāo)線的檢測,例如:如何檢測直行指示標(biāo)線和轉(zhuǎn)彎指示標(biāo)線、掉頭和禁止掉頭標(biāo)線,車道線等線型目標(biāo)以及禁止停車等幾何線型目標(biāo)等�，F(xiàn)有的基于道路模型、基于視覺注意機制和基于學(xué)習(xí)的目標(biāo)檢測和識別方法存在檢測精度不高、魯棒性差等不足;并且傳統(tǒng)的道路檢測主要針對車道線和路側(cè)交通標(biāo)志的檢測,鮮少有針對路面交通標(biāo)線的檢測和識別�；诖�,論文首先分析道路交通標(biāo)線及顯著性相關(guān)原理。其次在充分利用道路交通標(biāo)線多種特征的基礎(chǔ)上,提出基于視覺注意機制的道路交通標(biāo)線檢測方法對道路交通標(biāo)線進行檢測;針對樣本的不平衡權(quán)重分布以及訓(xùn)練集的異常值問題,本文提出視覺感知結(jié)合學(xué)習(xí)的道路交通標(biāo)線識別方法對道路交通標(biāo)線進行識別。最后在結(jié)構(gòu)化道路環(huán)境下,基于本文數(shù)據(jù)集論文對算法進行測試及驗證。論文的研究內(nèi)容及主要創(chuàng)新成果包括以下幾個方面:(1)提出一種基于視覺注意機制的道路交通標(biāo)線檢測方法。首先,在利用顏色特征向量和輪廓特征向量建立空間上下文顯著特征的基礎(chǔ)上,建立一種基于上下文信息的道路交通標(biāo)線層次顯著性檢測模型;其次,采用余弦相似性度量的方法融合多層顯著性特征,得到道路交通標(biāo)線的顯著圖;最后,利用滑動窗口和非極大值抑制的方法對道路交通標(biāo)線進行粗定位。(2)提出一種視覺感知結(jié)合學(xué)習(xí)的道路交通標(biāo)線識別方法。在分析多分類Real AdaBoost算法的基礎(chǔ)上,針對樣本的不平衡權(quán)重分布以及訓(xùn)練集的異常值問題,本文提出一種異常值魯棒的MR_AdaBoost算法,并結(jié)合HOG特征訓(xùn)練分類器。通過分類器論文完成測試圖像的道路交通標(biāo)線識別。(3)在結(jié)構(gòu)化道路環(huán)境下進行算法測試及驗證。論文采用國際公開的評價指標(biāo)DET、ROC、MAE和PR曲線對算法的性能進行評估。算法測試結(jié)果表明,論文算法與幾種主流的顯著性檢測算法相比,基于視覺注意機制的道路交通標(biāo)線檢測算法在MAE和PR曲線方面具有較好的表現(xiàn)。視覺感知結(jié)合學(xué)習(xí)的道路交通標(biāo)線識別方法在多分類結(jié)果中達到90%以上的識別精度,并且具有較高的真陽性率和較低的假陽性率。
【關(guān)鍵詞】：道路交通標(biāo)線 視覺注意機制 顯著性檢測模型 Real Ada Boost
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U463.6
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 論文研究背景10-11
• 1.2 論文研究意義11-12
• 1.3 國內(nèi)外研究現(xiàn)狀12-15
• 1.3.1 基于模型的車道線檢測方法12-13
• 1.3.2 基于視覺注意機制的車道線檢測方法13-14
• 1.3.3 基于學(xué)習(xí)的道路交通標(biāo)線分類方法14-15
• 1.4 論文主要內(nèi)容及章節(jié)安排15-17
• 第二章 道路交通標(biāo)線及顯著性相關(guān)原理分析17-26
• 2.1 道路交通標(biāo)線定義與分類17-21
• 2.1.1 指示標(biāo)線18-19
• 2.1.2 禁止標(biāo)線19-20
• 2.1.3 警告標(biāo)線20-21
• 2.2 顯著性相關(guān)原理分析21-25
• 2.2.1 顯著性特征21-22
• 2.2.2 馬爾可夫鏈22-23
• 2.2.3 相似性度量23-25
• 2.3 本章小結(jié)25-26
• 第三章 基于視覺注意機制的道路交通標(biāo)線檢測方法26-43
• 3.1 視覺特征提取27-32
• 3.1.1 色彩空間轉(zhuǎn)換27-30
• 3.1.2 特征提取30-32
• 3.2 基于上下文信息的道路交通標(biāo)線層次顯著性檢測模型32-38
• 3.2.1 上下文特征融合32-33
• 3.2.2 圖表示33-34
• 3.2.3 基于先驗信息的顯著度圖34-35
• 3.2.4 基于馬爾可夫鏈的層次顯著性檢測模型35-37
• 3.2.5 基于相似性度量的層次顯著性融合算法37-38
• 3.3 顯著道路交通標(biāo)線粗定位38-40
• 3.3.1 非極大值抑制39
• 3.3.2 道路交通標(biāo)線粗定位39-40
• 3.4 算法測試及實驗結(jié)果40-42
• 3.5 本章小結(jié)42-43
• 第四章 視覺感知結(jié)合學(xué)習(xí)的道路交通標(biāo)線識別方法43-58
• 4.1 分類器的選擇43-46
• 4.1.1 支持向量機SVM分類器43-44
• 4.1.2 Boosting分類器44-46
• 4.2 視覺感知結(jié)合學(xué)習(xí)的道路交通標(biāo)線識別46-56
• 4.2.1 方向梯度直方圖46-49
• 4.2.2 多分類Real AdaBoost算法49-51
• 4.2.3 MR_AdaBoost分類器51-54
• 4.2.4 基于MR_AdaBoost的道路交通標(biāo)線識別方法54-56
• 4.3 算法測試及實驗結(jié)果56
• 4.4 本章小結(jié)56-58
• 第五章 結(jié)構(gòu)化道路環(huán)境下的算法測試及驗證58-70
• 5.1 結(jié)構(gòu)化道路概念58-59
• 5.2 結(jié)構(gòu)化道路環(huán)境下交通標(biāo)線檢測59-64
• 5.2.1 數(shù)據(jù)集59-60
• 5.2.2 評價標(biāo)準(zhǔn)60
• 5.2.3 算法性能分析60-63
• 5.2.4 運行時間63-64
• 5.2.5 結(jié)論64
• 5.3 結(jié)構(gòu)化道路環(huán)境下交通標(biāo)線識別64-69
• 5.3.1 評價標(biāo)準(zhǔn)64-65
• 5.3.2 分類器性能分析65-66
• 5.3.3 算法性能分析66-68
• 5.3.4 運行時間68-69
• 5.4 本章小結(jié)69-70
• 總結(jié)與展望70-72
• 參考文獻72-76
• 攻讀碩士學(xué)位期間取得的研究成果76-77
• 致謝77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 李鵬宇;梁春美;;物聯(lián)網(wǎng)智能車輛識別系統(tǒng)設(shè)計[J];通訊世界;2016年01期

2 郝運河;張浩峰;於敏杰;易磊;;基于K-means特征的復(fù)雜環(huán)境下道路識別算法[J];計算機應(yīng)用研究;2016年02期

3 吳毅華;梁華為;王智靈;梅濤;辛煜;黃如林;;基于激光雷達回波信號的自適應(yīng)閾值車道線檢測[J];機器人;2015年04期

4 陳雷;陳啟軍;;上下文場景識別模型的稀疏貝葉斯判別學(xué)習(xí)方法[J];控制與決策;2012年09期

5 付忠良;;關(guān)于Real AdaBoost算法的分析與改進[J];電子科技大學(xué)學(xué)報;2012年04期

6 王靜;王海亮;向茂生;韋立登;劉忠勝;;基于非極大值抑制的圓目標(biāo)亞像素中心定位[J];儀器儀表學(xué)報;2012年07期

7 曲永宇;劉清;郭建明;周生輝;;基于HOG和顏色特征的行人檢測[J];武漢理工大學(xué)學(xué)報;2011年04期

8 劉富強;張姍姍;朱文紅;李志鵬;;一種基于視覺的車道線檢測與跟蹤算法[J];同濟大學(xué)學(xué)報(自然科學(xué)版);2010年02期

9 雷濤;樊養(yǎng)余;王小鵬;王履程;;基于形態(tài)學(xué)結(jié)構(gòu)元素建模的車道線檢測算法[J];計算機應(yīng)用;2009年02期

，

本文編號：571234