本文關(guān)鍵詞：基于無人駕駛平臺(tái)的交通燈及數(shù)字檢測與識(shí)別系統(tǒng)

  更多相關(guān)文章： 交通燈檢測 數(shù)字燈識(shí)別 卷積神經(jīng)網(wǎng)絡(luò) HOG特征 無人駕駛平臺(tái)

【摘要】：隨著科技進(jìn)步和汽車產(chǎn)業(yè)的發(fā)展,汽車智能化水平越來越高,關(guān)于汽車輔助駕駛和無人駕駛系統(tǒng)的研究逐漸成為國內(nèi)外研究熱點(diǎn)。交通信號(hào)燈檢測和識(shí)別技術(shù)作為輔助駕駛和無人駕駛系統(tǒng)的重要組成,吸引了很多研究人員的關(guān)注。目前,關(guān)于交通信號(hào)燈檢測與識(shí)別技術(shù)的研究主要集中在機(jī)動(dòng)車信號(hào)燈(圓燈)和方向指示信號(hào)燈(箭頭燈)上,而針對(duì)交通信號(hào)倒計(jì)時(shí)(以下簡稱數(shù)字燈)的研究較少。本文基于無人駕駛平臺(tái),設(shè)計(jì)并實(shí)現(xiàn)的交通燈及數(shù)字檢測與識(shí)別系統(tǒng)具有同時(shí)檢測和識(shí)別圓燈、箭頭燈和數(shù)字燈的功能,為無人車提供更加豐富的決策信息。自然場景下,交通信號(hào)燈在圖像中的成像結(jié)果受光照影響較大,如何準(zhǔn)確定位交通信號(hào)燈位置是檢測過程的關(guān)鍵和難點(diǎn)。針對(duì)交通燈及數(shù)字的特點(diǎn),提出了基于顯著性特征的檢測方法以及數(shù)字分割方法。該方法首先在低分辨率圖像上生成顏色、亮度和邊緣特征圖,并融合成顯著圖;然后提取圖像中的顯著性區(qū)域,利用幾何和顏色特征過濾噪聲;最后,利用投影分析的方法將候選區(qū)域中的雙數(shù)字區(qū)域分割為兩個(gè)單數(shù)字區(qū)域,得到只包含單個(gè)數(shù)字燈、圓燈和箭頭燈的候選識(shí)別區(qū)域。實(shí)驗(yàn)結(jié)果表明,本文提出的檢測方法獲得了比較理想的效果。在交通燈及數(shù)字的識(shí)別階段,針對(duì)交通燈及數(shù)字的多種特征,提出一種兩級(jí)分類方法,該方法設(shè)計(jì)了專用的結(jié)構(gòu)分類器用于第一級(jí)的目標(biāo)分類,目的是為了能夠快速可靠的識(shí)別圖像中清晰的目標(biāo);設(shè)計(jì)了基于CNN特征和HOG特征的SVM分類器用于第二級(jí)的目標(biāo)分類,目的是為了提高整體識(shí)別的識(shí)別率和魯棒性。在基于結(jié)構(gòu)特征的第一級(jí)分類中,針對(duì)數(shù)字燈、箭頭燈和圓燈的不同特點(diǎn),設(shè)計(jì)了兩組結(jié)構(gòu)特征。數(shù)字燈的識(shí)別是依據(jù)七段碼的顯示特點(diǎn)在數(shù)字區(qū)域中設(shè)定九個(gè)子區(qū)域,通過統(tǒng)計(jì)各子區(qū)域的亮暗情況生成一個(gè)九位的二進(jìn)制編碼,然后根據(jù)此編碼得出數(shù)字結(jié)果。箭頭和圓形燈的識(shí)別是利用水平和垂直投影對(duì)目標(biāo)結(jié)構(gòu)進(jìn)行描述,然后利用KNN分類器分類。實(shí)驗(yàn)結(jié)果表明,本文提出的這兩組結(jié)構(gòu)特征對(duì)圖像清晰的目標(biāo)能夠獲得比較好的識(shí)別準(zhǔn)確率,并且計(jì)算速度較快。在第二級(jí)分類中,結(jié)合更為魯棒的CNN特征與具有良好幾何、光學(xué)不變性的HOG特征,形成了更高維度的特征。首先提取LeNet-5神經(jīng)網(wǎng)絡(luò)模型中ip1層特征作為CNN特征;然后提取交通燈及數(shù)字區(qū)域HOG特征,并將CNN特征歸一化后與HOG特征融合得到融合特征;最后采用SVM分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,該方法相比于CNN分類和只使用HOG特征的方法,雖然時(shí)間復(fù)雜度較高,但是識(shí)別率也更高。最后,本文對(duì)無人駕駛平臺(tái)進(jìn)行了介紹,并將本文系統(tǒng)應(yīng)用到該無人駕駛平臺(tái)上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)根據(jù)不同天氣和燈顏色分析了交通燈及數(shù)字的檢測結(jié)果,根據(jù)不同燈類型分析了識(shí)別結(jié)果,并對(duì)系統(tǒng)總體性能和效率進(jìn)行了評(píng)估。最終系統(tǒng)總體獲得了 96.3%的召回率和98.1%的準(zhǔn)確率。
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 鮑蕾;陸建江;李陽;史艷偉;;基于全局和局部信息融合的圖像顯著性檢測[J];模式識(shí)別與人工智能;2015年03期

2 Guo Mu;Zhang Xinyu;Li Deyi;Zhang Tianlei;An Lifeng;;Traffic light detection and recognition for autonomous vehicles[J];The Journal of China Universities of Posts and Telecommunications;2015年01期

3 徐丹;唐振民;徐威;;融合顏色屬性和空間信息的顯著性物體檢測[J];中國圖象圖形學(xué)報(bào);2014年04期

4 彭金栓;徐磊;邵毅明;;汽車主動(dòng)安全技術(shù)現(xiàn)狀及發(fā)展趨勢[J];公路與汽運(yùn);2014年01期

，

本文編號(hào)：1268213