發(fā)布時間：2024-05-08 21:42

　　智能交通系統(tǒng)(Ⅰntelligent Transportation System, ITS)在緩減交通壓力和減少交通安全事故等方面能夠發(fā)揮著重要作用,成為熱門的研究領域。作為智能交通系統(tǒng)的重要組成部分,交通標志檢測日益受到關注,雖然目前在這方面的研究取得了階段性成果,但隨著道路環(huán)境的日趨復雜和多樣化,困難和挑戰(zhàn)也在不斷增加。準確率高和實時性好的自然場景下交通標志檢測算法,仍是一個研究熱點,具有很大的學術價值和應用前景。本文以特定自然場景下交通標志檢測算法為研究目標,建立了實際道路環(huán)境下的交通標志圖像數(shù)據(jù)庫；針對復雜環(huán)境下、大數(shù)據(jù)集的交通標志檢測算法進行了研究。論文的主要工作包括以下幾個方面：1.交通標志圖像預處理。針對復雜背景下的交通標志圖像的預處理,采用了一種基于圖像亮度信息的預處理算法,改善了圖像質(zhì)量,減少了光照變化所帶來的影響。仿真實驗結(jié)果表明,與基于RGB多通道預處理算法相比,該方法避免了圖像顏色失真。2.交通標志的粗檢測。針對交通標志的顏色特征,給出了一種基于顏色信息的交通標志粗檢測方法,該方法將RGB和HSV兩種顏色空間分割結(jié)果進行融合。仿真實驗結(jié)果表明,該方法與基于單一顏...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖３．２１本章算法和Ｓ種基準算法在ＧＴＳＤＢ數(shù)據(jù)集蘭類交通標志上的ＰＲ曲線比較??表３．４五種算法在ＧＴＳＤＢ數(shù)據(jù)集王類交通標志上ＰＲ曲線的ＡＵＣ數(shù)值??

博±論文?自然場景下交通標志檢測和分類算法研究??圖３．２０給出了兩種算法的檢測實例比較，第一行中的禁止長時間停車標志有３０－４０??度的傾斜，并且表面顏色陳舊。在顏色對比圖中，標志內(nèi)部的藍色部分沒有顯示，紅色??邊框被很好地保留下來。在投影階段，由于邊框的對稱性，能夠在圓形邊框....

圖4.12自上而下算法產(chǎn)生的顯著圖，

博ｉ論文?自然場景下交通標志檢測和分類算法研究??式中，表示圖像ｆ中第ｙ個特征塊量化后的視覺單詞，Ｗ。表示詞典中的一個單詞，??Ｓ表示類別Ｃ／ＯＭ中視覺單詞ｗ？出現(xiàn)的頻率。則類別相關的概率分布抑可由??Ｊ?ｃｌａｓｓ??貝葉斯定理得到。??ｐｉｃｌａｓｓ?Ｉ?ｗ）?ｏｃ?ｐ｛ｗ?....

圖4.18多種鬢法在噪聲數(shù)據(jù)集上的準確率目召回本曲線比較

博±論文?自然場景下交通標志檢測和分類算法研究??避免地存在一些噪聲信息。因此，檢測算法對噪聲的耐受性很重要。本章算法在非噪聲??圖像上取得了較好的效果，為了測試算法在噪聲圖像上的性能，我們在１０００幅圖像數(shù)??據(jù)集上添加均值為０、方差為０．０５的高斯噪聲。各算法的準確率－召回率....

圖５．９交通標志的ＨＯＧ特征和ＣＮ特征，第一行為原圖，第二行為ＨＯＧ特征，第Ｈ行為ＣＮ??特征

?自然場景下交通標志檢測和分類算法研究??Ｉ欄??｜｜個??圖５．８校正前后的圖像對比??５．４交通標志粗分類??５．４．１顏色屬性描述子??顏色屬性是人類為自然界中的顏色賦予的名稱，即Ｃｏｌｏｒ?Ｎａｍｅ?（ＣＮ）。Ｂｅｒｌｉｎ和??Ｋａｙｔｉ＂ｌ在語言學研究中認為英語中包含＾....

本文編號：3967867