本文關(guān)鍵詞： PHOG特征 自適應(yīng)譜聚類 ICF特征 形狀分類器 感興趣區(qū)域　出處：《安徽大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：面對(duì)多樣化的道路環(huán)境以及日趨復(fù)雜的交通安全問(wèn)題,智能交通系統(tǒng)(Intelligent Transportation System,簡(jiǎn)稱ITS)和先進(jìn)輔助駕駛系統(tǒng)應(yīng)運(yùn)而生并得到了廣泛關(guān)注。與此同時(shí),交通標(biāo)志識(shí)別系統(tǒng)作為ITS系統(tǒng)中的核心技術(shù)和前沿領(lǐng)域,現(xiàn)已逐漸成為國(guó)內(nèi)外眾多科研學(xué)者的熱門研究課題。在復(fù)雜道路環(huán)境下的交通標(biāo)志容易受到光照、天氣、顏色退化、形狀失真及動(dòng)態(tài)模糊等因素的影響,因此有效的道路交通標(biāo)志檢測(cè)方法就成為了研究熱點(diǎn),本文的主要工作內(nèi)容包括以下幾點(diǎn):(1)由于自然場(chǎng)景下的道路環(huán)境復(fù)雜多變,因此采集到的交通標(biāo)志圖像需經(jīng)過(guò)預(yù)處理環(huán)節(jié)才能更好地進(jìn)行檢測(cè)與識(shí)別。本文采用了 Gamma校正以及梯度銳化方法來(lái)減少光照強(qiáng)度變化的影響以達(dá)到增強(qiáng)圖像的目的;同時(shí)也比較了中值濾波與自適應(yīng)多級(jí)中值濾波以及高斯濾波與自適應(yīng)高斯濾波的噪聲抑制能力;最后對(duì)比了 RGB、HSV、Lab三種不同顏色空間的閾值分割效果。(2)提出了一種基于感興趣區(qū)域和隨機(jī)森林分類器的交通標(biāo)志檢測(cè)方法,該檢測(cè)方法首先使用線性SVM分類器對(duì)交通標(biāo)志圖像進(jìn)行顏色轉(zhuǎn)換,同時(shí)結(jié)合形狀模板匹配思想計(jì)算其對(duì)應(yīng)尺度和位置上的交通標(biāo)志匹配分?jǐn)?shù),并根據(jù)其匹配分?jǐn)?shù)與事先設(shè)定的閾值進(jìn)行比較判斷,可獲得最終的候選ROIs區(qū)域;然后提取候選ROIs區(qū)域的PHOG特征描述子,結(jié)合結(jié)構(gòu)模型學(xué)習(xí)策略生成隨機(jī)森林分類器以完成干擾ROIs區(qū)域的剔除,提高了目標(biāo)區(qū)域檢測(cè)的準(zhǔn)確性;最后在學(xué)校周邊不同路段環(huán)境下拍攝到的380張交通標(biāo)志圖像測(cè)試數(shù)據(jù)庫(kù)中進(jìn)行了三組不同的對(duì)比實(shí)驗(yàn),結(jié)果表明基于ROIs區(qū)域和隨機(jī)森林分類器方法有著較好的檢測(cè)效果。(3)針對(duì)傳統(tǒng)的基于ICF特征和Adaboost交通標(biāo)志檢測(cè)算法,召回率過(guò)低和誤檢率過(guò)高的問(wèn)題,提出了一種基于積分通道特征和多級(jí)分類器的交通標(biāo)志檢測(cè)方法,該檢測(cè)方法首先對(duì)ICF特征進(jìn)行自適應(yīng)譜聚類并結(jié)合Adaboost算法學(xué)習(xí)得到目標(biāo)的ROIs區(qū)域;然后對(duì)所獲得的ROIs區(qū)域進(jìn)行直方圖均衡化,并利用LLC編碼后的SIFT特征與線性SVM相結(jié)合生成四種不同的形狀分類器;最后通過(guò)GTSDB數(shù)據(jù)庫(kù)的驗(yàn)證,結(jié)果表明采用SICF-Adaboost+LSIFT-SVM構(gòu)建的交通標(biāo)志級(jí)聯(lián)分類器檢測(cè)方法對(duì)光照變化、形狀失真、顏色退化、動(dòng)態(tài)模糊等情況具有一定的魯棒性。
[Abstract]:In the face of diversified road environment and increasingly complex traffic safety problems, Intelligent Transportation system (ITSs) and Advanced Auxiliary driving system (ACIS) have emerged as the times require and received extensive attention. Traffic sign recognition system, as the core technology and front field of ITS system, has become a hot research topic for many researchers at home and abroad. Traffic signs in complex road environment are vulnerable to light, weather and color degradation. Because of the influence of shape distortion and dynamic ambiguity, effective road traffic sign detection method has become a research hotspot. The main work of this paper includes the following points: 1) because of the complex and changeable road environment in natural scene, Therefore, the collected traffic sign images can be detected and recognized better only by pre-processing. In this paper, Gamma correction and gradient sharpening methods are used to reduce the influence of light intensity change to achieve the purpose of image enhancement. At the same time, the noise suppression ability of median filter and adaptive multistage median filter, Gao Si filter and adaptive Gao Si filter are compared. Finally, a method of traffic sign detection based on region of interest and random forest classifier is proposed by comparing the threshold segmentation effect of three different color spaces. The detection method firstly uses the linear SVM classifier to transform the color of the traffic sign image and calculates the traffic sign matching score on the corresponding scale and position with the shape template matching idea. The final candidate ROIs region can be obtained by comparing the matching score with the pre-set threshold, and then the PHOG feature descriptor of candidate ROIs region is extracted. The random forest classifier is generated by structural model learning strategy to eliminate the interference ROIs region and improve the accuracy of target area detection. Finally, three groups of different comparative experiments were conducted in 380 traffic sign image test databases taken in different road sections around the school. The results show that the method based on ROIs region and stochastic forest classifier has better detection effect. Aiming at the problems of low recall rate and high false detection rate based on traditional ICF feature and Adaboost traffic sign detection algorithm, the proposed method has the following advantages: 1. A traffic sign detection method based on integral channel feature and multilevel classifier is proposed. Firstly, the ICF features are clustered by adaptive spectral clustering and the target ROIs region is obtained by combining with Adaboost algorithm. Then, the obtained ROIs region is equalized by histogram, and four different shape classifiers are generated by combining the SIFT features of LLC coding with linear SVM. Finally, four different shape classifiers are generated through the verification of GTSDB database. The results show that the traffic sign cascade classifier based on SICF-Adaboost LSIFT-SVM is robust to illumination change, shape distortion, color degradation and dynamic blur.
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U463.6;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳剛,戚飛虎;多分類器結(jié)合的人臉識(shí)別[J];上海交通大學(xué)學(xué)報(bào);2001年02期

2 韓宏,楊靜宇,婁震;基于層次的分類器組合[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年01期

3 趙誼虹,程國(guó)華,史習(xí)智;多分類器融合中一種新的加權(quán)算法[J];上海交通大學(xué)學(xué)報(bào);2002年06期

4 王衛(wèi)東;鄭宇杰;楊靜宇;;智能分類器方法[J];江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

5 鐘將;馮永;李志國(guó);葉春曉;;基于自適應(yīng)免疫分類器的入侵檢測(cè)[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年07期

6 葉云龍;楊明;;基于隨機(jī)子空間的多分類器集成[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2008年04期

7 趙洋;冀俊忠;李文斌;;基于復(fù)雜網(wǎng)絡(luò)的分類器融合[J];科學(xué)技術(shù)與工程;2008年14期

8 夏俊;劉金梅;;不同分類器在遙感數(shù)據(jù)分類中的性能比較[J];價(jià)值工程;2013年04期

9 ;邏輯設(shè)計(jì)講座——第八講 標(biāo)志信號(hào)和標(biāo)志分類器[J];貴州機(jī)械;1979年04期

10 N.B.Venkateswarlu ,P.S.V.S.K.Raju ,艾東;一種新的遙感影象快速分類器[J];干旱區(qū)地理;1993年04期

相關(guān)會(huì)議論文 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級(jí)分類器的垃圾短信過(guò)濾方法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗(yàn)證對(duì)象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識(shí)別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計(jì)算機(jī)學(xué)會(huì)2009年學(xué)術(shù)交流年會(huì)論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認(rèn)證[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

5 彭濤;左萬(wàn)利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無(wú)關(guān)”的說(shuō)話人辨認(rèn)[A];第四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見(jiàn)青;;基于級(jí)聯(lián)分類器的快速人臉檢測(cè)方法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認(rèn)知結(jié)構(gòu)評(píng)估的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 邵小健;段華;賀國(guó)平;;一種改進(jìn)的最少核分類器[A];中國(guó)運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（上卷）[C];2004年

相關(guān)重要報(bào)紙文章 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報(bào);2000年

相關(guān)博士學(xué)位論文 前10條

1 張非;對(duì)抗逃避攻擊的防守策略研究[D];華南理工大學(xué);2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學(xué);2014年

3 許勁松;智能交通中目標(biāo)檢測(cè)與分類關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2014年

4 余家林;普通場(chǎng)景視頻人臉檢測(cè)與識(shí)別的關(guān)鍵技術(shù)研究[D];浙江大學(xué);2016年

5 趙作林;基于圖像分析的北京地區(qū)楊樹(shù)種類識(shí)別研究[D];北京林業(yè)大學(xué);2015年

6 任亞峰;基于標(biāo)注和未標(biāo)注數(shù)椐的虛假評(píng)論識(shí)別研究[D];武漢大學(xué);2015年

7 曹鵬;不均衡數(shù)據(jù)分類方法的研究[D];東北大學(xué);2014年

8 劉明;分類器組合技術(shù)研究及其在人機(jī)交互系統(tǒng)中的應(yīng)用[D];北京交通大學(xué);2008年

9 嚴(yán)志永;在劃分?jǐn)?shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學(xué);2011年

10 王U，

本文編號(hào)：1529878