原文传递
道路交通标志牌的检测与识别方法研究
| 论文题名： | 道路交通标志牌的检测与识别方法研究 |
| 关键词： | 道路交通标志牌;目标检测;目标识别 |
| 摘要： | 道路交通标志牌的检测与识别一直是辅助驾驶、智慧交通等领域的重点研究项目，点燃了国内外诸多学者的科研热情。交通标志牌类型丰富，大致可分为符号型与文本型两种交通标志牌。目前，大多数方法都集中于符号型交通标志牌的研究，针对文本型的研究较少，然而，文本型交通标志牌包含丰富的文字，能够提供更加重要的行车环境信息。因此，构建一种高自动化、高精确度的文本型交通标志牌检测与识别方法具有重要意义。本文应用传统分类算法和深度学习网络分别对符号型、文本型交通标志牌展开研究，具体内容如下： 首先，复杂天气下图像增强算法研究。针对雾霾、阴雨等天气采集的场景图像模糊导致交通标志牌分类困难的问题，本文提出基于HSV颜色空间的多尺度Retinex增强改进算法，主要对V（亮度）通道进行增强和S（饱和度）通道线性拉伸处理，解决了传统多尺度Retinex对所有通道增强时出现的颜色失真、光晕等问题。实验表明，所提算法有效改善了图像模糊、噪声，使图像内容清晰可见。 其次，符号型交通标志牌分类算法研究。针对交通标志牌种类多、形状丰富导致分类方法实时性差的问题，文本应用HOG-SVM分类算法，通过引入PCA主成分分析对提取的高维HOG特征进行降维处理，降维后分类精确度提高的同时又加快了分类时间。实验表明，应用HOG-PCA-SVM分类算法在本实验采集的数据集中，交通标志牌整体分类精确度较高，满足实际应用。 最后，文本型交通标志牌检测与识别算法研究。检测文本型交通标志牌前，先结合符号型交通标志牌分类算法，有效去除场景中非目标文本（商标、广告牌或车牌等）。针对交通标志牌文本区域跨度较长、文本字体大小不一的问题，本文提出一种改进的EAST文本检测网络，应用ResNet-50较深层次的残差网络作为EAST的特征提取层，获取更加丰富的文本信息。实验表明，改进后网络对较小或较长的文本检测性能明显提高，交通标志牌文本检测精确度达94.91%。进一步，应用CRNN文本识别网络对检测的文本区域进行识别，在实验采集的数据集中，交通标志牌文本识别精确度达95.53%。实验表明，两种算法相结合具有较高的精确度和鲁棒性。因此，本文所提算法在辅助驾驶、自动驾驶等领域具有实际应用价值。 |
| 作者： | 李佳南 |
| 专业： | 电子与通信工程 |
| 导师： | 王保柱;孙祎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河北科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
