基于車載攝像頭的信號(hào)燈檢測(cè)是無人駕駛汽車的重要技術(shù)之一,也是人工智能在計(jì)算機(jī)視覺方面的重要應(yīng)用。傳統(tǒng)的信號(hào)燈檢測(cè)方法或者使用顏色閾值分割只檢測(cè)信號(hào)燈光斑,或者使用基于滑動(dòng)窗口的物體檢測(cè)算法。只檢測(cè)信號(hào)燈光斑容易受車尾燈等其他燈光的影響造成誤識(shí)別,滑動(dòng)窗口法計(jì)算量過大容易造成算法耗時(shí)嚴(yán)重的問題。而目前較為前沿的基于深度卷積神經(jīng)網(wǎng)絡(luò)的通用物體檢測(cè)算法并不適用于信號(hào)燈這類小物體的檢測(cè)。因此,針對(duì)信號(hào)燈難檢測(cè)、耗時(shí)多的問題,本文綜合考慮了顏色閾值分割算法與深度卷積神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn),提出一種準(zhǔn)確、高效的信號(hào)燈檢測(cè)算法。本文的主要工作包括以下三個(gè)方面:（1）提出一種信號(hào)燈共有特征區(qū)域提取算法。本算法將信號(hào)燈光斑定義為不同種類信號(hào)燈的共有特征區(qū)域。使用顏色閾值分割、膨脹與腐蝕、連通域提取算法提取信號(hào)燈光斑并使用基于幾何約束的連通域過濾算法過濾部分誤識(shí)別的信號(hào)燈光斑。由于信號(hào)燈光斑通常位于信號(hào)燈的上方或下方,因此本算法可以快速定位到信號(hào)燈可能存在的位置。（2）提出一種信號(hào)燈候選區(qū)域生成算法。信號(hào)燈光斑包圍框與信號(hào)燈候選區(qū)域包圍框之間通常具有一定的比例關(guān)系。本算法建立了由光斑包圍框映射到信號(hào)燈候選區(qū)域... 

【文章來源】：西北大學(xué)陜西省 211工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

文獻(xiàn)[2]信號(hào)燈檢測(cè)流程

圖 1.3 Selective Search 算法流程2015 年，任少卿等[11]提出了著名的 Faster RCNN（Faster Region Convolutieural Network）物體檢測(cè)深度神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)使用 Region Proposal Network（RP圖像中提取感興趣區(qū)域。RPN 使用一個(gè)滑動(dòng)窗口在圖像經(jīng)過卷積計(jì)算得到的特

圖 1.4 RCNN 物體檢測(cè)流程RCNN 在目標(biāo)檢測(cè)領(lǐng)域是一個(gè)具有開創(chuàng)意義的算法。但是該方法的實(shí)時(shí)性較差，這主要是因?yàn)樵摲椒▽?duì)每一個(gè)感興趣區(qū)域單獨(dú)計(jì)算一次卷積特征，各個(gè)感興趣區(qū)域之間有很多重疊的地方，這就意味著該方法存在著大量的重復(fù)計(jì)算。為了解決這個(gè)問題，

【參考文獻(xiàn)】：
期刊論文
[1]基于HOG特征的交通信號(hào)燈實(shí)時(shí)識(shí)別算法研究[J]. 周宣汝,袁家政,劉宏哲,楊睿.  計(jì)算機(jī)科學(xué). 2014(07)
[2]基于RGB顏色空間的彩色圖像分割方法[J]. 楊璟,朱雷.  計(jì)算機(jī)與現(xiàn)代化. 2010(08)
[3]基于數(shù)學(xué)形態(tài)濾波的齒輪故障特征提取方法[J]. 章立軍,楊德斌,徐金梧,陳志新.  機(jī)械工程學(xué)報(bào). 2007(02)
[4]蒙特卡羅方法與計(jì)算機(jī)模擬研究[J]. 童繼平,韓正姝.  計(jì)算機(jī)與農(nóng)業(yè). 2000(07)

博士論文
[1]RGB顏色空間及其應(yīng)用研究[D]. 黃國(guó)祥.中南大學(xué) 2002

碩士論文
[1]交通信號(hào)燈檢測(cè)與識(shí)別算法的研究[D]. 黃振威.中南大學(xué) 2012
[2]高速公路中車道檢測(cè)技術(shù)研究[D]. 魯曼.中南大學(xué) 2010
[3]視頻交通燈識(shí)別和陰影消除方法及應(yīng)用研究[D]. 譚乃強(qiáng).湖南大學(xué) 2010



本文編號(hào)：3004721