本文關(guān)鍵詞：基于特征提取的交通標(biāo)志檢測(cè)和識(shí)別

  更多相關(guān)文章： 特征融合 灰度分布 色彩屬性 最小哈希 特征匹配 交通標(biāo)志檢測(cè)和識(shí)別

【摘要】：由于其廣泛的實(shí)用價(jià)值和發(fā)展前景,智能交通系統(tǒng)已成為未來(lái)交通的發(fā)展方向。道路交通標(biāo)志的檢測(cè)和識(shí)別是道路交通系統(tǒng)中不可缺少的一部分。本文在研究國(guó)內(nèi)外圖像特征抽取和特征匹配經(jīng)典算法的基礎(chǔ)上,提出了改進(jìn)算法,并將其應(yīng)用到道路交通標(biāo)志檢測(cè)和識(shí)別算法中。本文的主要工作是:(1)特征USB(Ultrashort binary descriptors)是一種極短的、可快速匹配的二值特征,但是這種基于灰度的特征只考慮了局部區(qū)域內(nèi)的灰度信息分布,而忽略了顏色等其他局部信息。顏色特征CN(Color Names)是人類(lèi)賦予現(xiàn)實(shí)中色彩的一種語(yǔ)義顏色標(biāo)簽。本文提出了一種新的二值描述子,其融合了USB二值特征和CN顏色特征。USB特征獲取區(qū)域內(nèi)的局部灰度信息,實(shí)現(xiàn)粗匹配;而后利用CN特征作為補(bǔ)充信息,篩選出錯(cuò)誤的匹配。該融合描述子在標(biāo)準(zhǔn)數(shù)據(jù)集上測(cè)試,對(duì)于旋轉(zhuǎn)、光照、模糊以及尺度變換等圖像都能獲得令人滿意的精確率和召回率。(2)常用的二值特征匹配算法一般是基于貪婪搜索算法實(shí)現(xiàn)的,即通過(guò)窮舉的方式在某個(gè)集合中找出最優(yōu)解。然而當(dāng)特征維數(shù)較大時(shí),這類(lèi)算法的時(shí)間復(fù)雜度將無(wú)法滿足實(shí)際應(yīng)用的需要。本文提出了一種基于最小哈希的二值特征匹配方法,該方法把一個(gè)在超大集合內(nèi)查找相似元素的問(wèn)題轉(zhuǎn)化為在一個(gè)很小集合內(nèi)查找相似元素的問(wèn)題,可以減少需要對(duì)比的特征對(duì)數(shù)同時(shí)提高匹配的召回率。同時(shí),使用Jaccard距離度量的最小哈希函數(shù)能保證原始數(shù)據(jù)中相似的向量對(duì)在哈希變換后依然能夠以很高的概率相似。實(shí)驗(yàn)表明這種匹配方法應(yīng)用在常用的二值特征上時(shí),可以獲得比KD-Tree更好的匹配精確率和召回率,而且降低了特征匹配的時(shí)間復(fù)雜度。(3)將本文提出的融合二值特征算法和基于最小哈希的二值特征匹配算法應(yīng)用到道路交通標(biāo)志的檢測(cè)和識(shí)別中。對(duì)于檢測(cè)到的交通標(biāo)志興趣區(qū)域,提取每個(gè)特征點(diǎn)的融合二值描述子,組成特征向量矩陣。找出交通標(biāo)志模板庫(kù)中每個(gè)交通標(biāo)志對(duì)應(yīng)的特征向量矩陣,用本文提出的特征匹配方法分別計(jì)算這兩個(gè)矩陣的匹配結(jié)果。實(shí)驗(yàn)表明這兩種算法有效地提高了匹配的正確率,同時(shí)減少了時(shí)間消耗。
【關(guān)鍵詞】：特征融合 灰度分布 色彩屬性 最小哈希 特征匹配 交通標(biāo)志檢測(cè)和識(shí)別
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-12
• 第一章 緒論12-18
• 1.1 研究背景及意義12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-16
• 1.2.1 交通標(biāo)志識(shí)別系統(tǒng)研究簡(jiǎn)介12-13
• 1.2.2 道路交通標(biāo)志檢測(cè)研究簡(jiǎn)介13-15
• 1.2.3 道路交通標(biāo)志分類(lèi)和識(shí)別研究簡(jiǎn)介15-16
• 1.3 本文研究?jī)?nèi)容與章節(jié)安排16-18
• 第二章 圖像特征概述18-29
• 2.1 實(shí)值特征18-22
• 2.1.1 SIFT特征18-20
• 2.1.2 SURF特征20-21
• 2.1.3 HOG特征21-22
• 2.2 二值特征22-26
• 2.2.1 BRIEF特征22-23
• 2.2.2 BRISK特征23-25
• 2.2.3 USB特征25-26
• 2.3 圖像特征匹配26-28
• 2.3.1 距離度量算法26
• 2.3.2 相似度度量算法26-27
• 2.3.3 最近鄰法27-28
• 2.4 本章小結(jié)28-29
• 第三章 基于局部灰度分布和色彩屬性的二值描述子29-39
• 3.1 引言29
• 3.2 基于灰度和色彩的二值描述子29-31
• 3.2.1 USB描述子抽取29-30
• 3.2.2 CN描述子抽取30
• 3.2.3 灰度特征與色彩特征的融合30-31
• 3.3 融合描述子的距離度量31-33
• 3.4 實(shí)驗(yàn)與分析33-38
• 3.4.1 參數(shù)分析33-36
• 3.4.2 對(duì)比實(shí)驗(yàn)36-38
• 3.5 本章小結(jié)38-39
• 第四章 基于最小哈希的二值特征匹配算法39-47
• 4.1 引言39
• 4.2 特征降維39-40
• 4.3 基于最小哈希的局部敏感哈希40-43
• 4.3.1 局部敏感哈希算法40-41
• 4.3.2 基于最小哈希的局部敏感哈希41
• 4.3.3 相似度分析41-42
• 4.3.4 基于最小哈希的匹配算法流程42-43
• 4.4 實(shí)驗(yàn)與分析43-46
• 4.4.1 比較方法和參數(shù)設(shè)置43-44
• 4.4.2 實(shí)驗(yàn)對(duì)比44-46
• 4.5 本章小結(jié)46-47
• 第五章 交通標(biāo)志的檢測(cè)和識(shí)別47-61
• 5.1 基于顏色空間的交通標(biāo)志檢測(cè)和定位47-54
• 5.1.1 交通標(biāo)志的介紹47-49
• 5.1.2 基于HSV顏色空間的目標(biāo)區(qū)域分割49-50
• 5.1.3 形態(tài)學(xué)處理與填充操作50-54
• 5.1.4 目標(biāo)檢測(cè)和定位流程圖54
• 5.2 基于形狀角的交通標(biāo)志粗分類(lèi)54-56
• 5.3 基于特征提取的交通標(biāo)志識(shí)別56-60
• 5.3.1 基于融合二值特征的交通標(biāo)志識(shí)別56-58
• 5.3.2 基于最小哈希匹配與融合二值特征的交通標(biāo)志識(shí)別58-60
• 5.4 本章小結(jié)60-61
• 第六章 總結(jié)與展望61-63
• 6.1 本文工作總結(jié)61
• 6.2 未來(lái)工作展望61-63
• 參考文獻(xiàn)63-69
• 致謝69-70
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文70

，

本文編號(hào)：843937