發(fā)布時(shí)間：2021-04-13 21:24

　　隨著自動(dòng)駕駛技術(shù)的發(fā)展,高精度導(dǎo)航地圖的作用越來越明顯。但高精度導(dǎo)航地圖的更新存在著挑戰(zhàn)。以道路交通指路牌更新為例,我國(guó)道路總體里程數(shù)大,交通指路牌的數(shù)量巨大,傳統(tǒng)將地圖整體更新的方式會(huì)產(chǎn)生過高的成本和大量的冗余信息,不能滿足高精度導(dǎo)航地圖高效、實(shí)時(shí)更新的要求。需要一種局部檢測(cè)并更新道路交通指路牌的方法。本文主要利用街景影像檢測(cè)街道交通指路牌信息變化。針對(duì)街景影像中無關(guān)變化信息較多,街景影像對(duì)往往無法直接匹配,本文先從街景影像中提取交通指路牌,再選擇合適的預(yù)處理方法處理變化影像對(duì)。針對(duì)高精度導(dǎo)航地圖中交通指路牌數(shù)據(jù)量大、更新速度快、精度要求高的特點(diǎn),本文設(shè)計(jì)了一種能自適應(yīng)判別閾值的機(jī)器學(xué)習(xí)變化檢測(cè)方法,相比于傳統(tǒng)方法,在提升變化檢測(cè)精度的同時(shí)減少了時(shí)間消耗。為了增加檢測(cè)模型的泛化性及自動(dòng)化程度,本文設(shè)計(jì)了另一種有效的變化檢測(cè)方法。兩種算法對(duì)光照、天氣及影像質(zhì)量不佳等因素具有很強(qiáng)的抗干擾能力。具體而言,本文研究并開展了以下幾個(gè)方面的工作:1.針對(duì)不同時(shí)間采集的街景影像,環(huán)境變化復(fù)雜,無法實(shí)現(xiàn)自動(dòng)化匹配,本文先利用特定的色彩區(qū)間選取交通指路牌,再進(jìn)行高斯模糊處理,提取出交通指路牌。其中,對(duì)... 

【文章來源】：北京建筑大學(xué)北京市

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

交通指

第3章交通指路牌變化檢測(cè)理論及算法21()(,)iiiiSVfxkxxb=+（3-21）3.2.3核函數(shù)一些線性不可分的問題可能是非線性可分的。使用非線性函數(shù)可以將非線性可分問題從原始的特征空間映射至更高維的希爾伯特空間（Hilbertspace），從而轉(zhuǎn)化為線性可分問題，此時(shí)作為決策邊界的超平面表示如下：T(X)+b=0（3-22）式中:為映射函數(shù)。圖3-6高維空間非線性映射Fig.3-6High-dimensionalspacenon-linearmapping由于映射函數(shù)具有復(fù)雜的形式，難以計(jì)算其內(nèi)積，因此可使用核方法（kernelmethod），即定義映射函數(shù)的內(nèi)積為核函數(shù)（kernelfunction）以回避內(nèi)積的顯式計(jì)算：()()()1212+=TXXXX（3-23）核函數(shù)的選擇需要一定條件，函數(shù)()12X+X:（3-24）

第4章交通指路牌變化檢測(cè)實(shí)驗(yàn)分析34第4章交通指路牌變化檢測(cè)實(shí)驗(yàn)分析4.1基于灰度化自適應(yīng)SVM的交通指路牌變化檢測(cè)4.1.1實(shí)驗(yàn)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)為兩期不同時(shí)間獲取的街景影像對(duì)，在百度地圖街景影像中截取所得，共66對(duì)變化影像，拍攝時(shí)間分別為2013年與2015年，地點(diǎn)位于北京市大興區(qū)。如圖4-1所示。不同時(shí)間獲取的影像大小相同，拍攝位置不同、攝像機(jī)的旋轉(zhuǎn)角度不同，影像對(duì)間存在視差，同時(shí)光照條件、路面環(huán)境也存在差異。本文列舉了三組交通指路牌變化的影像數(shù)據(jù)進(jìn)行變化檢測(cè)實(shí)驗(yàn)，以其中一組為例來說明交通指路牌提取過程。圖4-1變化檢測(cè)影像對(duì)Fig.4-1Changedetectionimagepair4.1.2交通指路牌檢測(cè)與提取兩期影像中，光照條件差異是在交通指路牌識(shí)別與提取過程中影響檢測(cè)準(zhǔn)確性的主要因素。為減少光照對(duì)交通指路牌的影響，將RGB色彩空間轉(zhuǎn)換為HSV色彩空間。設(shè)定閾值分割影像，利用高斯濾波去除噪聲點(diǎn)，找到連通區(qū)域內(nèi)邊緣角點(diǎn)連接，將交通指路牌在圖中標(biāo)記。

【參考文獻(xiàn)】：
期刊論文
[1]兩種基于向量化策略SVM分類器的對(duì)比分析[J]. 薛又岷,陳春玲,余瀚,王官中.  計(jì)算機(jī)技術(shù)與發(fā)展. 2020(02)
[2]結(jié)合背景估計(jì)與能量函數(shù)的圖像二值化算法[J]. 熊煒,王鑫睿,王娟,劉敏,曾春艷.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(07)
[3]基于SVM的多特征自適應(yīng)融合變化檢測(cè)[J]. 杜慧.  測(cè)繪與空間地理信息. 2019(06)
[4]基于機(jī)器學(xué)習(xí)方法的智能機(jī)器人探究[J]. 李昊朋.  通訊世界. 2019(04)
[5]機(jī)器學(xué)習(xí)及其相關(guān)算法簡(jiǎn)介[J]. 周昀鍇.  科技傳播. 2019(06)
[6]KCCA與SVM算法支撐下的遙感影像變化檢測(cè)[J]. 董岳,王飛.  遙感信息. 2019(01)
[7]高精度道路導(dǎo)航地圖的進(jìn)展與思考[J]. 劉經(jīng)南,吳杭彬,郭遲,張宏敏,左文煒,羊鋮.  中國(guó)工程科學(xué). 2018(02)
[8]結(jié)合偏最小二乘法和支持向量機(jī)的遙感影像變化檢測(cè)[J]. 黃杰,王光輝,楊化超,胡高強(qiáng),李建磊,柴文慧.  測(cè)繪通報(bào). 2016(07)
[9]《機(jī)器學(xué)習(xí)》[J]. 周志華.  中國(guó)民商. 2016(03)
[10]基于OB-HMAD算法和光譜特征的高分辨率遙感影像變化檢測(cè)[J]. 陳強(qiáng),陳云浩,蔣衛(wèi)國(guó).  光譜學(xué)與光譜分析. 2015(06)

碩士論文
[1]基于超像素和孿生卷積神經(jīng)網(wǎng)絡(luò)的無監(jiān)督高分辨率多光譜遙感影像變化檢測(cè)技術(shù)[D]. 趙景晨.浙江大學(xué) 2018
[2]基于SOM神經(jīng)網(wǎng)絡(luò)算法的地圖建筑物聚類[D]. 王真.電子科技大學(xué) 2016
[3]基于SVM的圖像分類與標(biāo)注方法的研究[D]. 高幸.北京交通大學(xué) 2015



本文編號(hào)：3136029