原文传递
道路交通标志检测与识别算法的研究
| 论文题名： | 道路交通标志检测与识别算法的研究 |
| 关键词： | 交通标志;颜色分割;傅立叶描述子;支持向量机;主成分分析;BP神经网络;识别算法 |
| 摘要： | 随着社会经济的发展，道路交通承载着越来越大的压力，智能交通系统应运而生，作为智能交通系统重要组成部分的交通标志识别系统(TrafficSignRecognitionSystem，简称TSR)也备受关注。交通标志识别系统一般分为检测和识别两个部分，主要通过图像采集设备采集图像并检测和识别出其中的交通标志。本文在参阅了大量相关文献的基础上，通过多次实验主要完成了以下几个方面的工作。 首先是颜色分割。对现存的常用颜色空间中的交通标志检测方法进行了实现，并且分析了其优缺点。对R、G、B三通道采用非线性Gamma变换降低光照影响之后，在RGB颜色空间和YCbCr颜色空间分别提出了一种颜色增强方法，采用阈值分割提取出与交通标志相关的红、黄、蓝三种分量的二值化图，对二值化图进行形态学处理，包括填充孔洞、消除小的干扰区域、根据各区域外接矩形的长宽比消除明显不符合交通标志的区域。 其次是形状分析。根据形状特征把交通标志分为几个大类，如圆形、三角形、矩形标志等。对颜色分割后的前景区域提取边缘，对边缘曲线进行傅立叶变换计算其傅立叶描述子，选取前8个系数作为形状特征。采用的分类器是支持向量机(SupportVectorMachine，简称SVM)，SVM是建立在统计学习理论的VC维理论和结构风险最小化原则基础上，主要用于解决小样本、非线性和高维模式识别问题。采用LIBSVM平台完成了交通标志形状的分析，此过程同时能够消除颜色分割过程中产生的非交通标志形状的干扰区域。 再次是标志识别。对已经确定颜色和形状的区域，在原图像上提取出该区域并且将相关颜色之外的部分置为白色，对各个区域进行二值化处理之后采用主成分分析(PrincipalComponentAnalysis，简称PCA)提取特征，PCA能够有效地降低数据的维数，大大减少了实验过程的计算量，并且它得到的特征一般是最佳描述特征。采用BP神经网络对交通标志进行识别，需要识别的标志有红色圆形、黄色三角形、蓝色圆形和蓝色矩形四个大类，每一类选取道路上常见的几种标志进行识别。 最后采用MATLAB软件编程实现了整个系统。 |
| 作者： | 张潘潘 |
| 专业： | 控制科学与工程 |
| 导师： | 常发亮 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东大学 |
| 学位年度： | 2012 |
| 正文语种： | 中文 |
检索历史
应用推荐
