本文關(guān)鍵詞： 交通標志識別 HOG GIST GCCA K-SVD 線性SVM　出處：《安徽大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著經(jīng)濟的發(fā)展,人們生活水平的提高和車輛的日益增多,引發(fā)的交通堵塞和生命安全問題也愈發(fā)嚴重,因此智能交通系統(tǒng)的研發(fā)應用受到工業(yè)界和學術(shù)界的高度重視。作為智能交通系統(tǒng)中核心技術(shù)之一,交通標志識別一直是研究的熱點,然而研究成果還尚未達到成熟,這是由于在真實復雜的場景中,交通標志的識別易受天氣狀況、運動模糊、外物遮擋、顏色退化、旋轉(zhuǎn)傾斜等因素的影響。因此,交通標志識別依然是一個具有挑戰(zhàn)性的課題。本文的主要研究工作有以下四個方面:(1)由于外界場景各因素的影響,各交通標志圖像的尺寸、亮度、形態(tài)等差異不一,因此在特征提取之前,需要對其進行預處理操作。本文主要從三個方面進行了處理:①圖像進行灰度化以及灰度歸一化;②感興趣區(qū)域分割提取;③尺度歸一化。(2)根據(jù)交通標志的局部邊緣、全局輪廓、紋理等特點,本文深入研究了兩種特征算子:HOG和GIST,并對各特征的參數(shù)進行了優(yōu)化。由于單一特征難以全面地對交通標志的特點進行描述,因此本文提出采用多特征融合,但不適當?shù)娜诤纤惴〞沟萌诤虾筇卣鞅硎玖Ω睢ｈb于廣義典型相關(guān)分析(Generalized Canonical Correlation Analysis,GCCA)已在人臉識別特征融合方面取得不錯的效果,本文將其應用于交通標志識別領(lǐng)域中,實驗結(jié)果表明,HOG與GIST的融合相對于單一特征更有利于分類識別。(3)從實驗中發(fā)現(xiàn),融合特征對于結(jié)構(gòu)相似的交通標志在表達上還是存在一定的冗余性,特別是限速類交通標志。因此,本文提出采用字典學習稀疏編碼方式對融合特征進行優(yōu)化,即使用K-SVD算法進行字典學習,正交匹配追蹤(Orthogonal matching pursuit,OMP)算法對其進行稀疏編碼。實驗結(jié)果表明,優(yōu)化后的特征對結(jié)構(gòu)相似的交通標志更有表達力。(4)在GTSRB(German Traffic Sign Benchmarks)上,通過對比實驗分析了單個特征、融合特征以及融合-稀疏特征的分類識別效果。實驗結(jié)果表明經(jīng)過優(yōu)化后的特征在線性SVM分類器上獲得了更好的識別效果。
[Abstract]:With the development of economy, the improvement of people's living standard and the increasing number of vehicles, traffic jams and safety problems are becoming more and more serious. Therefore, the research and application of Intelligent Transportation system (its) has been attached great importance to by industry and academia. As one of the core technologies of its, traffic sign recognition has always been a hot research topic. However, the research results are not yet mature, this is because in the real complex scene, traffic sign recognition is vulnerable to weather conditions, motion blur, object occlusion, color degradation. Therefore, traffic sign recognition is still a challenging task. The main research work in this paper is as follows: 1) due to the influence of various factors in the external scene. The size, brightness and shape of each traffic sign image are different, so before feature extraction. It needs to be preprocessed. This paper mainly deals with the grayscale and grayscale normalization of the image of 1: 1 from three aspects. (2) Segmentation and extraction of region of interest; (3) based on the characteristics of local edge, global contour and texture of traffic signs, two kinds of feature operators: Hog and GIST are studied in this paper. And the parameters of each feature are optimized. Because it is difficult to describe the characteristics of traffic signs in a single feature, this paper proposes a multi-feature fusion. However, improper fusion algorithm will make the feature representation force worse after fusion. In view of the generalized canonical correlation analysis (. Generalized Canonical Correlation Analysis. GCCA has achieved good results in face recognition feature fusion. In this paper, it is applied to the traffic sign recognition field, experimental results show that. The fusion of HOG and GIST is more favorable to classification and recognition than a single feature. From the experiment, it is found that the fusion features have some redundancy in the expression of similar traffic signs. Especially speed limit traffic signs. Therefore, this paper proposes a dictionary learning sparse coding method to optimize the fusion features, even K-SVD algorithm for dictionary learning. Orthogonal matching tracking algorithm is used for sparse coding. The experimental results show that the proposed algorithm is very effective. The optimized features are more expressive for traffic signs with similar structure. The classification and recognition effects of single feature, fusion feature and fused sparse feature are analyzed by comparison experiments. The experimental results show that the optimized feature has better recognition effect on linear SVM classifier.
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 周斌;林喜榮;賈惠波;周永冠;;量化層多生物特征融合的最佳權(quán)值[J];清華大學學報(自然科學版);2008年02期

2 丁寶亮;;基于局部特征融合的人臉識別研究[J];中國新技術(shù)新產(chǎn)品;2012年14期

3 劉增榮;余雪麗;李志;;基于特征融合的圖像情感語義識別研究[J];太原理工大學學報;2012年05期

4 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

5 劉冰;羅熊;劉華平;孫富春;;光學與深度特征融合在機器人場景定位中的應用[J];東南大學學報(自然科學版);2013年S1期

6 卞志國;金立左;費樹岷;;特征融合與視覺目標跟蹤[J];計算機應用研究;2010年04期

7 韓萍;徐建龍;吳仁彪;;一種新的目標跟蹤特征融合方法[J];中國民航大學學報;2010年04期

8 何賢江;何維維;左航;;一種句詞五特征融合模型的復述研究[J];四川大學學報(工程科學版);2012年06期

9 劉冬梅;;基于特征融合的人臉識別[J];計算機光盤軟件與應用;2013年12期

10 李建科;張輝;趙保軍;張長水;;彩色分量流形特征融合的人臉識別[J];北京理工大學學報;2014年05期

相關(guān)會議論文 前7條

1 劉冰;羅熊;劉華平;孫富春;;光學與深度特征融合在機器人場景定位中的應用[A];2013年中國智能自動化學術(shù)會議論文集（第三分冊）[C];2013年

2 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應用學術(shù)會議論文集[C];2012年

3 卞志國;金立左;費樹岷;;基于增量判別分析的特征融合與視覺目標跟蹤[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

4 韓文靜;李海峰;韓紀慶;;基于長短時特征融合的語音情感識別方法研究[A];第九屆全國人機語音通訊學術(shù)會議論文集[C];2007年

5 羅昕煒;方世良;;寬帶調(diào)制信號特征融合方法[A];中國聲學學會水聲學分會2013年全國水聲學學術(shù)會議論文集[C];2013年

6 金挺;周付根;白相志;;一種簡單有效的特征融合粒子濾波跟蹤算法[A];2007年光電探測與制導技術(shù)的發(fā)展與應用研討會論文集[C];2007年

7 孟凡潔;孔祥維;尤新剛;;基于特征融合的相機來源認證方法[A];全國第一屆信號處理學術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議�？痆C];2007年

相關(guān)博士學位論文 前10條

1 周斌;多生物特征融合理論的研究與實驗[D];清華大學;2007年

2 彭偉民;特征數(shù)據(jù)的量子表示與融合方法[D];華南理工大學;2013年

3 陳倩;多生物特征融合身份識別研究[D];浙江大學;2007年

4 蒲曉蓉;多模態(tài)生物特征融合的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學;2007年

5 王志芳;基于感知信息的多模態(tài)生物特征融合技術(shù)研究[D];哈爾濱工業(yè)大學;2009年

6 王楠;基于多視覺特征融合的后方車輛檢測技術(shù)研究[D];東北大學　;2009年

7 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學;2013年

8 樊國梁;基于多類特征融合的蛋白質(zhì)亞線粒體定位預測研究[D];內(nèi)蒙古大學;2013年

9 劉金梅;多源遙感影像融合及其應用研究[D];中國海洋大學;2014年

10 張艷;基于柔性陣列 傳感器的足跡特征分析與應用研究[D];安徽大學;2015年

相關(guān)碩士學位論文 前10條

1 付艷紅;基于特征融合的人臉識別算法研究與實現(xiàn)[D];天津理工大學;2015年

2 許超;基于特征融合與壓縮感知的實木地板缺陷檢測方法研究[D];東北林業(yè)大學;2015年

3 楊文婷;基于微博的情感分析算法研究與實現(xiàn)[D];西南交通大學;2015年

4 梅尚健;基于特征融合的圖像檢索研究與實現(xiàn)[D];西南交通大學;2015年

5 王鵬飛;基于多慢特征融合的人體行為識別研究[D];西南大學;2015年

6 丁倩;基于語音信息的多特征情緒識別算法研究[D];山東大學;2015年

7 薛冰霞;基于多模特征融合的人體跌倒檢測算法研究[D];山東大學;2015年

8 何樂樂;醫(yī)學圖像分類中的特征融合與特征學習研究[D];電子科技大學;2015年

9 戴博;基于結(jié)構(gòu)復雜度特征融合的視覺注意模型研究及其應用[D];復旦大學;2014年

10 王寧;基于特征融合的人臉識別算法[D];東北大學;2013年

，

本文編號：1480245