【摘要】：交通標(biāo)志識別是汽車輔助駕駛系統(tǒng)和無人駕駛系統(tǒng)的關(guān)鍵問題之一。由于交通標(biāo)志位于戶外,使其極易受到天氣、光照等因素的影響。同時(shí),還存在遮擋、視角變化、因汽車運(yùn)動而造成的圖像模糊等問題。因此,大類別集交通標(biāo)志識別在具有廣闊應(yīng)用前景的同時(shí)也具有很大的挑戰(zhàn)性。交通標(biāo)志的預(yù)處理、特征提取以及分類器設(shè)計(jì)是交通標(biāo)志識別中的關(guān)鍵問題。本文針對大類別集交通標(biāo)志識別中的特征提取環(huán)節(jié)進(jìn)行了深入的研究。論文的研究工作主要包括以下三個(gè)方面：(1)方向梯度直方圖(HOG)和尺度不變特征轉(zhuǎn)換(SIFT)是目前普遍采用的特征,論文在對HOG特征與SIFT特征研究的基礎(chǔ)上,給出了一種改進(jìn)的融合HOG和SIFT的特征提取方法。該方法提取的特征不僅具有HOG特征因區(qū)塊直方圖統(tǒng)計(jì)帶來的抗干擾性,而且還具有SIFT特征因主方向匹配帶來的旋轉(zhuǎn)不變性。因此,該特征可提高對大類別集交通標(biāo)志圖像的特征表達(dá)能力,為標(biāo)志識別打下基礎(chǔ)。(2)為進(jìn)一步對特征進(jìn)行優(yōu)化,本文采用了一種對特征進(jìn)行二次編碼的算法。該算法采用局部稀疏編碼(LLC)方式,并針對大類別集交通標(biāo)志進(jìn)行了參數(shù)優(yōu)化；在基準(zhǔn)空間的選擇上,給出了一種將基于樣本學(xué)習(xí)的K-SVD優(yōu)化基準(zhǔn)空間與基于數(shù)學(xué)模型的離散余弦變換(DCT)基準(zhǔn)空間進(jìn)行級聯(lián)的多級基準(zhǔn)空間。(3)采用上述優(yōu)化后的特征與支持向量機(jī)(SVM)實(shí)現(xiàn)交通標(biāo)志的識別,對58類交通標(biāo)志,總計(jì)2494張圖像進(jìn)行識別,取得了99.20%的分類正確率,仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的有效性。
[Abstract]:Traffic sign recognition is one of the key problems in vehicle aided driving system and driverless system. Traffic signs are easily affected by weather, lighting and other factors because of their outdoor location. At the same time, there are some problems, such as occlusion, angle of view change, image blur caused by automobile motion and so on. Therefore, large class set traffic sign recognition has a wide application prospect and a great challenge at the same time. The preprocessing, feature extraction and classifier design of traffic signs are the key problems in traffic sign recognition. In this paper, the feature extraction in large class set traffic sign recognition is studied. The research work of this paper mainly includes the following three aspects: (1) the directional gradient histogram (HOG) and scale invariant feature conversion (SIFT) are widely used at present. An improved feature extraction method combining HOG and SIFT is presented. The feature extracted by this method not only has the anti-interference property of HOG feature due to block histogram statistics, but also has the rotation invariance caused by SIFT feature due to the main direction matching. Therefore, this feature can improve the ability of feature expression for large class traffic sign images and lay the foundation for sign recognition. (2) in order to further optimize the features, this paper adopts a quadratic coding algorithm for features. The algorithm adopts the method of local sparse coding (LLC), and optimizes the parameters for large class traffic signs. In this paper, a multilevel reference space is proposed, which cascades the K-SVD optimization reference space based on sample learning and the discrete cosine transform (DCT) reference space based on mathematical model. (3) the optimized feature and support vector machine (SVM) are used to realize the optimization. Identification of traffic signs, A total of 2494 images of 58 kinds of traffic signs are recognized and the classification accuracy is 99.20%. The simulation results show that the proposed method is effective.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 晁永國;戴芳;韓舒然;何靜;;改進(jìn)的非負(fù)稀疏編碼圖像基學(xué)習(xí)算法[J];計(jì)算機(jī)工程與科學(xué);2010年01期

2 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學(xué)習(xí)及其在行人檢測中的應(yīng)用[J];廈門大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

3 郎利影;夏飛佳;;人臉識別中的零范數(shù)稀疏編碼[J];應(yīng)用科學(xué)學(xué)報(bào);2012年03期

4 程東陽;蔣興浩;孫錟鋒;;基于稀疏編碼和多核學(xué)習(xí)的圖像分類算法[J];上海交通大學(xué)學(xué)報(bào);2012年11期

5 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2013年03期

6 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識別與人工智能;2013年11期

7 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測[J];軟件學(xué)報(bào);2013年11期

8 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識別中的研究[J];電視技術(shù);2013年23期

9 王瑞霞;彭國華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計(jì)算機(jī)科學(xué);2014年08期

10 錢樂樂;高雋;謝昭;;一種融合神經(jīng)稀疏編碼機(jī)制的層次目標(biāo)識別算法[J];中國圖象圖形學(xué)報(bào);2010年10期

相關(guān)會議論文 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負(fù)稀疏編碼收縮技術(shù)實(shí)現(xiàn)圖像消噪[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

2 劉揚(yáng);程健;盧漢清;;基于目標(biāo)局部特征的遷移式學(xué)習(xí)[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

3 張瑩瑩;梁培基;;視網(wǎng)膜神經(jīng)元的高效信息處理[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 唐海峰;基于信號稀疏表征的故障診斷方法研究[D];上海交通大學(xué);2014年

2 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關(guān)鍵技術(shù)及應(yīng)用[D];華南理工大學(xué);2015年

3 李清勇;視覺感知的稀疏編碼理論及其應(yīng)用研究[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2006年

4 季昊;稀疏編碼研究及其在模式識別中的應(yīng)用[D];北京郵電大學(xué);2012年

5 孫俊;人臉圖像分析和識別方法研究[D];清華大學(xué);2001年

6 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學(xué);2014年

7 羅敏楠;T-S模糊推理系統(tǒng)的結(jié)構(gòu)稀疏編碼辨識理論與方法[D];清華大學(xué);2014年

8 謝錦生;基于動態(tài)感知與異常注意的目標(biāo)描述方法研究[D];中國科學(xué)技術(shù)大學(xué);2012年

9 劉小白;圖像及視頻語義解析的關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2012年

10 丁昕苗;基于多示例學(xué)習(xí)的恐怖視頻識別技術(shù)研究[D];中國礦業(yè)大學(xué)（北京）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 柏文強(qiáng);基于局部特征提取和稀疏編碼的人臉識別算法研究[D];燕山大學(xué);2015年

2 李明;目標(biāo)檢測與識別算法研究與應(yīng)用[D];中央民族大學(xué);2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學(xué);2015年

4 鮑珍珍;基于多路分層稀疏編碼的遙感圖像場景分類[D];西安電子科技大學(xué);2014年

5 覃曉冰;基于稀疏編碼的語音去噪技術(shù)研究[D];電子科技大學(xué);2015年

6 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗(yàn)證中的應(yīng)用研究[D];電子科技大學(xué);2015年

7 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學(xué);2014年

8 黃成;基于非負(fù)稀疏編碼的視頻拷貝檢測方法研究[D];湘潭大學(xué);2015年

9 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強(qiáng)算法的研究[D];南京郵電大學(xué);2015年

10 丁文秀;基于分層深度學(xué)習(xí)的行人分類方法研究[D];合肥工業(yè)大學(xué);2015年

，

本文編號：2293235