原文传递
基于特征融合和字典学习的交通标志识别
| 论文题名： | 基于特征融合和字典学习的交通标志识别 |
| 关键词： | 交通标志识别;特征融合;字典学习;K-SVD算法 |
| 摘要： | 随着经济的发展，人们生活水平的提高和车辆的日益增多，引发的交通堵塞和生命安全问题也愈发严重，因此智能交通系统的研发应用受到工业界和学术界的高度重视。作为智能交通系统中核心技术之一，交通标志识别一直是研究的热点，然而研究成果还尚未达到成熟，这是由于在真实复杂的场景中，交通标志的识别易受天气状况、运动模糊、外物遮挡、颜色退化、旋转倾斜等因素的影响。因此，交通标志识别依然是一个具有挑战性的课题。 本文的主要研究工作有以下四个方面: (1)由于外界场景各因素的影响，各交通标志图像的尺寸、亮度、形态等差异不一，因此在特征提取之前，需要对其进行预处理操作。本文主要从三个方面进行了处理:①图像进行灰度化以及灰度归一化;②感兴趣区域分割提取;③尺度归一化。 (2)根据交通标志的局部边缘、全局轮廓、纹理等特点，本文深入研究了两种特征算子:HOG和GIST，并对各特征的参数进行了优化。由于单一特征难以全面地对交通标志的特点进行描述，因此本文提出采用多特征融合，但不适当的融合算法会使得融合后特征表示力更差。鉴于广义典型相关分析(GeneralizedCanonical Correlation Analysis，GCCA)已在人脸识别特征融合方面取得不错的效果，本文将其应用于交通标志识别领域中，实验结果表明，HOG与GIST的融合相对于单一特征更有利于分类识别。 (3)从实验中发现，融合特征对于结构相似的交通标志在表达上还是存在一定的冗余性，特别是限速类交通标志。因此，本文提出采用字典学习稀疏编码方式对融合特征进行优化，即使用K-SVD算法进行字典学习，正交匹配追踪(Orthogonal matching pursuit, OMP)算法对其进行稀疏编码。实验结果表明，优化后的特征对结构相似的交通标志更有表达力。 (4)在GTSRB（German Traffic Sign Benchmarks）上，通过对比实验分析了单个特征、融合特征以及融合-稀疏特征的分类识别效果。实验结果表明经过优化后的特征在线性SVM分类器上获得了更好的识别效果。 |
| 作者： | 姚汉利 |
| 专业： | 信号与信息处理 |
| 导师： | 梁栋 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
