【摘要】：交通標志檢測與識別是輔助駕駛系統(tǒng)以及無人駕駛領(lǐng)域的核心技術(shù),在車輛安全預警、車載導航、標志維護等方面具有廣泛的應用價值。然而當下的交通環(huán)境復雜多變,光照與天氣變化、標志遮擋與形變、褪色與模糊等不利因素使得該技術(shù)的研究面臨諸多困難。因此本文總結(jié)了國內(nèi)外相關(guān)技術(shù)的研究成果,通過分析其中的問題并對交通標志檢測與識別方法展開深入研究。本文的主要工作有:(1)在交通標志檢測階段,本文充分利用了交通標志本身的顏色、形狀、梯度和紋理特征,提出了多特征融合的交通標志檢測算法。首先,針對傳統(tǒng)顏色分割方法易受光照影響的問題,根據(jù)圖像亮度直方圖的分布特點,利用單尺度Retinex算法改善非正常光照的圖像質(zhì)量,并在此基礎(chǔ)上提出了融合多個顏色空間的混合分割策略,有效提升了低亮度圖像的顏色分割效果;然后,基于交通標志的形狀特征利用形態(tài)學運算與幾何特征篩選出粗略的候選區(qū)域;最后,為了提升檢測的精度和速度,將候選區(qū)域的局部HOG特征與自適應ULBP特征進行融合,并采用高效的SVM分類器對其進行線性判決,最終實現(xiàn)交通標志的精確檢測。實驗結(jié)果表明,該方法的檢測效果在準確率與實時性方面均有較大提升。(2)在交通標志識別階段,本文采用主流的深度學習算法避免了手工設(shè)計特征的局限性。針對目前卷積神經(jīng)網(wǎng)絡(luò)計算復雜度高、實時性差等問題,提出了輕量級卷積神經(jīng)網(wǎng)絡(luò)的交通標志識別算法。首先,利用深度可分離卷積去除標準卷積的冗余特征表達,降低了模型的計算復雜度;然后,采用線性瓶頸逆殘差結(jié)構(gòu)加深網(wǎng)絡(luò)層次以充分提取圖像特征,同時在此基礎(chǔ)上加入特征校準機制選擇性增強部分有益的特征圖信息;最后,為了提升神經(jīng)網(wǎng)絡(luò)的泛化能力,引入焦點損失函數(shù)減少了樣本數(shù)量不均衡對模型精度的影響,尤其提升了困難樣本的識別能力。實驗結(jié)果表明,該方法的計算復雜度明顯低于AlexNet,并且其分類精度與實時性得到有效提升。(3)本文在TT-100K數(shù)據(jù)集的基礎(chǔ)上制作了更加符合實際應用的低分辨率交通標志數(shù)據(jù)集,并且在QT平臺開發(fā)了算法驗證的系統(tǒng)軟件,該系統(tǒng)可以實現(xiàn)交通標志的實時檢測和識別,具有一定的應用價值。
【學位授予單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U495;TP391.41
【圖文】：

15*15~250*250 3*5~263*248 6*6~167*168 1615*15~250*250 1280*960 640*480~1024*522 50000+ 20000 6610 所有 4000 所有 否 否 是 識別 檢測識別 檢測識別 德國 瑞典 美國 是由清華大學與騰訊實驗室聯(lián)合發(fā)布的大規(guī)模中國的圖像取自于騰訊的街景地圖，覆蓋了中國大陸的 張分辨率為 2048*2048 的圖像，約 3 萬個左右的交通實例的外觀差別較大，并且涵蓋了真實行車環(huán)境的各件（上午、中午、黃昏）、不同的道路場景（農(nóng)村、天氣情況（晴天、陰天、雨天）。如圖 2-2 所示，T通標志的位置坐標和類別，同時也增加了用于圖像分各種真實場景下的交通標志檢測與識別算法。

1, )*( (log( ( , )) log( ( , )* ( , ))))Nk i i kk y I x y I x y F x y （3-9）果如圖 3-4 所示，可以明顯看出：MSRCR 算法的色彩保圖像的暗光，而且很好地還原了圖像細節(jié)，但是該算法耗志圖像的實時處理；MSR 算法的增強效果相對柔和，但調(diào)；直方圖均衡和 Gamma 校正用時最短，但同時也引入文選取了單尺度的 Retinex 算法（SSR）對弱光環(huán)境下的取合適的尺度使得增強后的圖像對比度、邊緣細節(jié)以及顏有利于后面的圖像分割。(b) 直方圖均衡 (c) Gamma 校正

利用單尺度的 Retinex 算法對非正常場景下的圖像進行增強。圖3-6 為 SSR 算法對兩種非正常光照圖像的增強效果，可以看出增強后的圖像色彩更加鮮明，輪廓更加清晰。(a) 陰暗場景增強效果 (b) 逆光場景增強效果圖 3-6 非正常光照下 SSR 算法的增強效果Figure 3-6 Enhancement effect of SSR algorithm under abnormal illumination3.2 交通標志圖像分割(Traffic Sign Image Segmentation)顏色作為交通標志最為顯著的屬性，具有良好的尺度、旋轉(zhuǎn)不變性。在自然場景下利用顏色信息實現(xiàn)圖像的初步分割可以迅速去除大面積的冗余區(qū)域，不僅具有較好的實時性，而且不受拍攝距離和角度的影響。因此本文采用顏色分割方法作為候選區(qū)域提取的第一步。3.2.1 RGB 差值法在 RGB 空間中分割交通標志具有明顯的速度優(yōu)勢，但是此空間的三個分量具有較強的相關(guān)性。在不同的光照下，同一交通標志的 RGB 三通道取值差異較大，無法根據(jù)各通道的閾值準確分割。然而，對于特定的色彩，其對應分量的差值基本維持在一定的范圍內(nèi)，因此可以利用 RGB 空間中兩個通道分量的差值判定特定顏色。算法流程如圖 3-7 所示，首先將 R、G、B 三個分量歸一化至[0, 1]區(qū)間，然后利用通道間的差值分割出特定顏色。RGB圖像(r-g)>0.08(r-b)>0.08(r-b)>0.12(g-b)>0.12紅色像素結(jié)束否是否是否是&& && &&藍色像素 黃色像素(b-g)>0.01(b-r)>0.01圖 3-7 RGB 差值法流程圖Figure 3-7 Flow chart of RGB differential methodRGB 差值法計算量小，分割速度快，但是 RGB 空間的三個分量都包含了圖像的亮度信息

【相似文獻】

相關(guān)期刊論文 前10條

1 劉杰;;一種基于多特征融合的自適應目標跟蹤策略[J];大眾科技;2016年11期

2 劉紅;王曄;雷長海;;基于多特征融合的中醫(yī)舌像檢索研究[J];計算機應用研究;2010年02期

3 王益堯;;基于多特征融合問句理解問答系統(tǒng)研究[J];數(shù)據(jù)通信;2018年02期

4 李志欣;李艷紅;張燦龍;;一種多特征融合的場景分類方法[J];小型微型計算機系統(tǒng);2018年05期

5 霍富功;王詩琴;;基于多特征融合的轉(zhuǎn)移粒子濾波紅外小目標跟蹤算法研究[J];信息與電腦(理論版);2018年12期

6 蔣曉玲;章慧;;基于多特征融合的激光醫(yī)學圖像拼接[J];激光雜志;2015年12期

7 王鈺;何紅艷;譚偉;齊文雯;;一種多特征融合的高分辨率遙感圖像道路提取算法[J];遙感信息;2019年01期

8 孫汝星;范榮雙;;基于支持向量機的多特征融合影像云檢測[J];測繪與空間地理信息;2018年06期

9 喬瑞萍;孫賀;董員臣;王方;;基于多特征融合的井蓋檢測系統(tǒng)實現(xiàn)[J];電子技術(shù)應用;2018年06期

10 顧鑫;李U

本文編號：2746993