本文關(guān)鍵詞：交通標(biāo)志檢測與識別算法研究

  更多相關(guān)文章： 交通標(biāo)志檢測與識別 邊緣顏色對 特征篩選器 KPCA SVM

【摘要】：智能交通系統(tǒng)(Intelligent Transportation System, ITS)對于人類社會的發(fā)展具有重要的意義。交通標(biāo)志識別系統(tǒng)(Traffic Signs Recognition, TSR)是ITS的一個重要分支,得到了廣泛的重視。交通標(biāo)志識別系統(tǒng)主要用于對道路上的交通標(biāo)志牌進行檢測與識別,并把識別出的內(nèi)容傳達給駕駛員,甚至是根據(jù)識別內(nèi)容直接對車輛進行操控。交通標(biāo)志識別系統(tǒng)對輔助駕駛員駕駛、保障道路交通的安全以及實現(xiàn)無人駕駛等方面都具有重要的意義,對其進行研究具有重要的現(xiàn)實意義。本文針對交通標(biāo)志識別系統(tǒng)的算法進行研究,主要涵蓋兩個方面：交通標(biāo)志檢測算法和交通標(biāo)志識別算法。提出了一種基于邊緣顏色對和二級特征篩選器的交通標(biāo)志檢測算法。首先對圖像進行HSI顏色空間中的彩色邊緣提取,其次利用交通標(biāo)志具有固定的顏色搭配的特征對提取出的邊緣進行處理,去除掉不符合交通標(biāo)志顏色搭配的邊緣,然后對保留下來的邊緣進行形態(tài)學(xué)處理,形成閉合的區(qū)域,最后構(gòu)造一個二級特征篩選器,利用交通標(biāo)志特定的幾何特征對閉合區(qū)域進行篩選,最終提取出交通標(biāo)志。實驗結(jié)果表明,本文提出的交通標(biāo)志檢測算法具有較好的準(zhǔn)確性,有效解決了交通標(biāo)志褪色問題和相似物干擾問題。提出了一種基于KPCA和SVM的交通標(biāo)志識別算法。首先對交通標(biāo)志進行HOG特征提取,其次利用KPCA對提取出的HOG特征進行降維,然后應(yīng)用SVM技術(shù)設(shè)計分類器,最后用訓(xùn)練好的SVM分類器對交通標(biāo)志進行分類。實驗結(jié)果表明,本文提出的利用KPCA進行特征降維,大幅減少了計算量,提高了分類識別的效率。
【關(guān)鍵詞】：交通標(biāo)志檢測與識別 邊緣顏色對 特征篩選器 KPCA SVM
【學(xué)位授予單位】：上海應(yīng)用技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495;TP391.41
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-14
• 1.1 課題背景和意義9
• 1.2 交通標(biāo)志識別系統(tǒng)組成9-10
• 1.3 交通標(biāo)志識別技術(shù)難點10
• 1.4 交通標(biāo)志檢測算法研究現(xiàn)狀10-11
• 1.5 交通標(biāo)志識別算法研究現(xiàn)狀11-12
• 1.6 本文主要工作12
• 1.7 本文組織結(jié)構(gòu)12-14
• 第2章 交通標(biāo)志檢測基礎(chǔ)14-24
• 2.1 道路交通標(biāo)志14-17
• 2.2 常用的顏色模型17-19
• 2.2.1 RGB顏色模型17
• 2.2.2 HSI顏色模型17-18
• 2.2.3 HSV顏色模型18-19
• 2.3 交通標(biāo)志預(yù)處理19-23
• 2.3.1 去噪處理20-21
• 2.3.2 對比度增強21-23
• 2.4 本章小結(jié)23-24
• 第3章 基于邊緣顏色對和特征篩選器的交通標(biāo)志檢測24-32
• 3.1 算法基本思路與整體結(jié)構(gòu)24
• 3.2 邊緣檢測算法24-26
• 3.2.1 Canny邊緣檢測24-25
• 3.2.2 彩色邊緣檢測25-26
• 3.3 邊緣顏色對26-27
• 3.3.1 邊緣顏色對概念26-27
• 3.3.2 交通標(biāo)志的邊緣顏色對集合27
• 3.4 二級特征篩選器構(gòu)建27-28
• 3.4.1 面積特征篩選器27-28
• 3.4.2 對稱特征篩選器28
• 3.5 算法各部分實現(xiàn)方法28-30
• 3.6 實驗結(jié)果與分析30-31
• 3.7 本章小結(jié)31-32
• 第4章 基于KPCA和SVM的交通標(biāo)志識別32-53
• 4.1 算法基本思路32
• 4.2 HOG特征提取32-35
• 4.3 HOG特征降維處理35-40
• 4.3.1 基于PCA的降維處理35-37
• 4.3.2 基于KPCA的降維處理37-40
• 4.3.3 KPCA和PCA的降維效果對比分析40
• 4.4 SVM分類器40-49
• 4.4.1 SVM分類思想41-42
• 4.4.2 SVM理論基礎(chǔ)42-49
• 4.5 基于KPCA和SVM交通標(biāo)志識別算法的實現(xiàn)49-52
• 4.5.1 數(shù)據(jù)集介紹49-50
• 4.5.2 實現(xiàn)過程50-52
• 4.5.3 實驗結(jié)果與分析52
• 4.6 本章小結(jié)52-53
• 第5章 總結(jié)與展望53-54
• 5.1 工作總結(jié)53
• 5.2 研究展望53-54
• 參考文獻54-58
• 致謝58-59
• 攻讀學(xué)位期間所開展的科研項目和發(fā)表的學(xué)術(shù)論文59

，

本文編號：722157