基于支持向量機的路面交通標志識別方法研究
發(fā)布時間：2021-04-18 20:27
人類歷史發(fā)展的進程中,工具起著革命性的作用,而交通工具的誕生真正使地球成為了地球村。汽車自被發(fā)明之日起到現(xiàn)在經(jīng)歷了階躍式的發(fā)展,人們希望汽車能做到和人類一樣的智能化,即在更少的人為干預下,自動判斷道路情況�；诖�,研究者們進行了車輛和車輛所處道路環(huán)境等智能化的研究,此時智能交通系統(tǒng)（Intelligent Traffic Systems,ITS）應運而生。在智能交通系統(tǒng)中路面交通標志的識別是車輛行駛智能化的關(guān)鍵部分。本文對基于支持向量機的路面交通標志識別方法進行了研究。本研究分為兩個部分,第一部分是對采集到的路面圖像進行圖像預處理、圖像感興趣區(qū)域的確定和圖像邊緣檢測來得到包含路面交通標志的目標圖像。第二個部分包括三個階段,第一個階段是對目標圖像進行特征提取,首先對Hu不變矩特征提取算法和PHOG特征提取算法進行研究,然后在Hu不變矩和PHOG特征提取方法的基礎上提出了 Hu不變矩和低維的PHOG相融合的特征提取方法。最后將融合的特征作為路面交通標志圖像的提取特征。第二個階段是在二分類支持向量機的基礎上使用一對一方法構(gòu)建多分類支持向量機分類器。在構(gòu)建多分類支持向量機過程中首先對支持向量機...
【文章來源】：大連交通大學遼寧省
【文章頁數(shù)】：88 頁
【學位級別】：碩士
【部分圖文】：
圖２．３無法打散空間４個點??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??
?大連交通大學工學碩士學位論文????ＶＣ維定義：假設存在一個有ｈ個樣本的樣本集能被一個函數(shù)集中的函數(shù)按照所有??可能的ｈ種形式分為兩類，則此函數(shù)集能夠把樣本數(shù)為ｈ的樣本集打散。也就是說，如果??存在ｈ個樣本的樣本集能夠被函數(shù)集打散，而不存在ｈ＋１個樣本能被打散，則函數(shù)集的ＶＣ??維就是ｈｌ４Ｑ］。??下面用一個例子來解釋ＶＣ維的概念。假設二維空間中的一個指示函數(shù)集Ｉ?（只有??兩類輸出；；＝｛０，１｝），空間中有ｎ個點（不共線），想要用這個指示函數(shù)集分隔空間中??的ｎ個點，則］個點和２個點能被完全分開。對于３個點（不共線）的情況，共會出現(xiàn)??８種分法，如圖２．２所示。??ＪＬ，／?＠?？?＾?ｎ?？??＂／?？９?＾??／〇?｜?中？］?？?／??么々Ｘ?４??圖２．２打散空間３個點??Ｆｉｇ．?２．２?ｂｒｅａｋ?ｕｐ?ｔｈｉ＊ｅｅ?ｐｏｉｎｔｓ?ｉｎ?ｓｐａｃｅ??Ｉ可以將３個點完全分開，這種完全劃分被稱為打散。繼續(xù)讓它打散４個點，如圖??２．３所示。?????Ｏ?［Ｉ??圖２．３無法打散空間４個點??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??圖２．３中出現(xiàn)了問題，因為出現(xiàn)了異或的情況，Ｉ無法打散空間４個點，那么二維??空間的指示函數(shù)集Ｉ的ＶＣ維就是３。??８??
ｓｌ。很明顯，該定理說明在經(jīng)驗風險最??小化原則下，總體的真實風險由兩部分構(gòu)成：??Ｒ｛ｃｄ?＜?Ｒｅｗｐｉｃｄ?＋?＾（．ｎ／?ｈ）?（２．４）??式（２．４）中的７？ｅ；？ｐ（ａ）是經(jīng)驗風險，（Ｄ〇／／〇為置信區(qū)間。＂幺＂表示真實風險與經(jīng)驗風險??差距的最大界即推廣能力的界。??對于某類特定問題，固定樣本數(shù)ｎ，如果ＶＣ維越高，即說明學習機器的復雜性越??高，因此，在設計學習機器時，不但要使經(jīng)驗風險最小化，還要使ＶＣ維盡量�。郏�。使??用推廣能力界的概念，就可以尋找解決策略，如圖２．４所示。??（（｜＾??圖２．４嵌套集合Ｓｆｃ??Ｆｉｇ．?２．４?Ｎｅｓｔｅｄ?ｃｏｌｌｅｃｔｉｏｎ義??定義函數(shù)ｅ?Ａ的集合ｓ具有一定的結(jié)構(gòu)，這一結(jié)構(gòu)是由一系列嵌套的函數(shù)子集??知＝〇３（ｚ，ｏ〇，ｃｘ?ｅ?Ａｆｃ｝組成的。它們滿足Ｓｉ?Ｃ?＆匚…Ｃ?，其中結(jié)構(gòu)中的元素滿足下面兩個性質(zhì)。??①每個函數(shù)集知的ＶＣ維心是有限的，因此，??②結(jié)構(gòu)的任何元素＆包含一個完全有界函數(shù)的集合ＯＳ?＜？（Ｚ，ａ）?Ｓ?ｃｘ?ｅ?Ａｆｃ。??此時選擇使最小化經(jīng)驗風險與置信區(qū)間之和最小的子集，就可以達到期望風險的最??校這個子集中使經(jīng)驗風險最小的函數(shù)就是所要求的函數(shù)。這種思想稱作結(jié)構(gòu)風險最小??化原則（Ｓｔｒｕｃｔｕｒｅ?Ｒｉｓｋ?Ｍｉｎｉｍｉｚａｔｉｏｎ），簡稱ＳＲＭ原則【４３】。ＳＲＭ原則定義了給定樣本??９??
【參考文獻】：
期刊論文
[1]基于支持向量機在線訓練算法的研究[J]. 劉曉舟. 科技風. 2019(01)
[2]基于機器視覺的草莓圖像處理研究[J]. 蘇博妮,化希耀. 首都師范大學學報(自然科學版). 2018(04)
[3]2017年全國機動車和駕駛?cè)吮３指呶辉鲩L[J]. 道路交通管理. 2018(02)
[4]基于MATLAB的灰色拓撲在交通事故預測中的應用[J]. 林登科,陳伯輝,沈斐敏. 交通標準化. 2014(21)
[5]基于數(shù)學形態(tài)學與小波變換的邊緣檢測算法[J]. 許端,董文鋒,潘自凱,戴錦紅,徐怡頻. 計算機應用. 2012(S2)
博士論文
[1]智能車行車環(huán)境視覺感知關(guān)鍵技術(shù)研究[D]. 梁敏健.長安大學 2017
碩士論文
[1]城市道路短時交通流預測方法研究[D]. 周揚棟.江西理工大學 2018
[2]基于機器視覺的車道線檢測和交通標志識別研究[D]. 劉蘭馨.華南理工大學 2018
[3]基于透視形變減弱變換的高效路面標志識別技術(shù)研究[D]. 馮敏.重慶大學 2018
[4]基于極限學習機的風電機組主軸承故障診斷方法研究[D]. 繩菲菲.華北電力大學 2017
[5]基于深度學習的道路車輛檢測方法研究[D]. 倫智梅.大連理工大學 2017
[6]基于車載攝像頭的路面交通標志識別研究[D]. 任洪梅.合肥工業(yè)大學 2017
[7]基于視覺的手勢識別及其應用研究[D]. 付瀟聰.南京理工大學 2017
[8]智能視頻監(jiān)控平臺中區(qū)域目標檢測和聯(lián)合跟蹤的設計與實現(xiàn)[D]. 秦浩.南京郵電大學 2016
[9]基于圖像處理的鐵路軌道異物入侵的自動識別研究[D]. 金炳瑞.蘭州交通大學 2016
[10]基于機器視覺的鐵路扣件缺陷檢測方法研究[D]. 王珍珍.蘭州交通大學 2016
本文編號：3146122
【文章來源】：大連交通大學遼寧省
【文章頁數(shù)】：88 頁
【學位級別】：碩士
【部分圖文】：
圖２．３無法打散空間４個點??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??
?大連交通大學工學碩士學位論文????ＶＣ維定義：假設存在一個有ｈ個樣本的樣本集能被一個函數(shù)集中的函數(shù)按照所有??可能的ｈ種形式分為兩類，則此函數(shù)集能夠把樣本數(shù)為ｈ的樣本集打散。也就是說，如果??存在ｈ個樣本的樣本集能夠被函數(shù)集打散，而不存在ｈ＋１個樣本能被打散，則函數(shù)集的ＶＣ??維就是ｈｌ４Ｑ］。??下面用一個例子來解釋ＶＣ維的概念。假設二維空間中的一個指示函數(shù)集Ｉ?（只有??兩類輸出；；＝｛０，１｝），空間中有ｎ個點（不共線），想要用這個指示函數(shù)集分隔空間中??的ｎ個點，則］個點和２個點能被完全分開。對于３個點（不共線）的情況，共會出現(xiàn)??８種分法，如圖２．２所示。??ＪＬ，／?＠?？?＾?ｎ?？??＂／?？９?＾??／〇?｜?中？］?？?／??么々Ｘ?４??圖２．２打散空間３個點??Ｆｉｇ．?２．２?ｂｒｅａｋ?ｕｐ?ｔｈｉ＊ｅｅ?ｐｏｉｎｔｓ?ｉｎ?ｓｐａｃｅ??Ｉ可以將３個點完全分開，這種完全劃分被稱為打散。繼續(xù)讓它打散４個點，如圖??２．３所示。?????Ｏ?［Ｉ??圖２．３無法打散空間４個點??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??圖２．３中出現(xiàn)了問題，因為出現(xiàn)了異或的情況，Ｉ無法打散空間４個點，那么二維??空間的指示函數(shù)集Ｉ的ＶＣ維就是３。??８??
ｓｌ。很明顯，該定理說明在經(jīng)驗風險最??小化原則下，總體的真實風險由兩部分構(gòu)成：??Ｒ｛ｃｄ?＜?Ｒｅｗｐｉｃｄ?＋?＾（．ｎ／?ｈ）?（２．４）??式（２．４）中的７？ｅ；？ｐ（ａ）是經(jīng)驗風險，（Ｄ〇／／〇為置信區(qū)間。＂幺＂表示真實風險與經(jīng)驗風險??差距的最大界即推廣能力的界。??對于某類特定問題，固定樣本數(shù)ｎ，如果ＶＣ維越高，即說明學習機器的復雜性越??高，因此，在設計學習機器時，不但要使經(jīng)驗風險最小化，還要使ＶＣ維盡量�。郏�。使??用推廣能力界的概念，就可以尋找解決策略，如圖２．４所示。??（（｜＾??圖２．４嵌套集合Ｓｆｃ??Ｆｉｇ．?２．４?Ｎｅｓｔｅｄ?ｃｏｌｌｅｃｔｉｏｎ義??定義函數(shù)ｅ?Ａ的集合ｓ具有一定的結(jié)構(gòu)，這一結(jié)構(gòu)是由一系列嵌套的函數(shù)子集??知＝〇３（ｚ，ｏ〇，ｃｘ?ｅ?Ａｆｃ｝組成的。它們滿足Ｓｉ?Ｃ?＆匚…Ｃ?，其中結(jié)構(gòu)中的元素滿足下面兩個性質(zhì)。??①每個函數(shù)集知的ＶＣ維心是有限的，因此，??②結(jié)構(gòu)的任何元素＆包含一個完全有界函數(shù)的集合ＯＳ?＜？（Ｚ，ａ）?Ｓ?ｃｘ?ｅ?Ａｆｃ。??此時選擇使最小化經(jīng)驗風險與置信區(qū)間之和最小的子集，就可以達到期望風險的最??校這個子集中使經(jīng)驗風險最小的函數(shù)就是所要求的函數(shù)。這種思想稱作結(jié)構(gòu)風險最小??化原則（Ｓｔｒｕｃｔｕｒｅ?Ｒｉｓｋ?Ｍｉｎｉｍｉｚａｔｉｏｎ），簡稱ＳＲＭ原則【４３】。ＳＲＭ原則定義了給定樣本??９??
【參考文獻】：
期刊論文
[1]基于支持向量機在線訓練算法的研究[J]. 劉曉舟. 科技風. 2019(01)
[2]基于機器視覺的草莓圖像處理研究[J]. 蘇博妮,化希耀. 首都師范大學學報(自然科學版). 2018(04)
[3]2017年全國機動車和駕駛?cè)吮３指呶辉鲩L[J]. 道路交通管理. 2018(02)
[4]基于MATLAB的灰色拓撲在交通事故預測中的應用[J]. 林登科,陳伯輝,沈斐敏. 交通標準化. 2014(21)
[5]基于數(shù)學形態(tài)學與小波變換的邊緣檢測算法[J]. 許端,董文鋒,潘自凱,戴錦紅,徐怡頻. 計算機應用. 2012(S2)
博士論文
[1]智能車行車環(huán)境視覺感知關(guān)鍵技術(shù)研究[D]. 梁敏健.長安大學 2017
碩士論文
[1]城市道路短時交通流預測方法研究[D]. 周揚棟.江西理工大學 2018
[2]基于機器視覺的車道線檢測和交通標志識別研究[D]. 劉蘭馨.華南理工大學 2018
[3]基于透視形變減弱變換的高效路面標志識別技術(shù)研究[D]. 馮敏.重慶大學 2018
[4]基于極限學習機的風電機組主軸承故障診斷方法研究[D]. 繩菲菲.華北電力大學 2017
[5]基于深度學習的道路車輛檢測方法研究[D]. 倫智梅.大連理工大學 2017
[6]基于車載攝像頭的路面交通標志識別研究[D]. 任洪梅.合肥工業(yè)大學 2017
[7]基于視覺的手勢識別及其應用研究[D]. 付瀟聰.南京理工大學 2017
[8]智能視頻監(jiān)控平臺中區(qū)域目標檢測和聯(lián)合跟蹤的設計與實現(xiàn)[D]. 秦浩.南京郵電大學 2016
[9]基于圖像處理的鐵路軌道異物入侵的自動識別研究[D]. 金炳瑞.蘭州交通大學 2016
[10]基于機器視覺的鐵路扣件缺陷檢測方法研究[D]. 王珍珍.蘭州交通大學 2016
本文編號：3146122
本文鏈接：http://www.sikaile.net/kejilunwen/daoluqiaoliang/3146122.html
