本文關鍵詞：基于特征提取的交通標志檢測和識別

  更多相關文章： 特征融合 灰度分布 色彩屬性 最小哈希 特征匹配 交通標志檢測和識別

【摘要】：由于其廣泛的實用價值和發(fā)展前景,智能交通系統已成為未來交通的發(fā)展方向。道路交通標志的檢測和識別是道路交通系統中不可缺少的一部分。本文在研究國內外圖像特征抽取和特征匹配經典算法的基礎上,提出了改進算法,并將其應用到道路交通標志檢測和識別算法中。本文的主要工作是:(1)特征USB(Ultrashort binary descriptors)是一種極短的、可快速匹配的二值特征,但是這種基于灰度的特征只考慮了局部區(qū)域內的灰度信息分布,而忽略了顏色等其他局部信息。顏色特征CN(Color Names)是人類賦予現實中色彩的一種語義顏色標簽。本文提出了一種新的二值描述子,其融合了USB二值特征和CN顏色特征。USB特征獲取區(qū)域內的局部灰度信息,實現粗匹配;而后利用CN特征作為補充信息,篩選出錯誤的匹配。該融合描述子在標準數據集上測試,對于旋轉、光照、模糊以及尺度變換等圖像都能獲得令人滿意的精確率和召回率。(2)常用的二值特征匹配算法一般是基于貪婪搜索算法實現的,即通過窮舉的方式在某個集合中找出最優(yōu)解。然而當特征維數較大時,這類算法的時間復雜度將無法滿足實際應用的需要。本文提出了一種基于最小哈希的二值特征匹配方法,該方法把一個在超大集合內查找相似元素的問題轉化為在一個很小集合內查找相似元素的問題,可以減少需要對比的特征對數同時提高匹配的召回率。同時,使用Jaccard距離度量的最小哈希函數能保證原始數據中相似的向量對在哈希變換后依然能夠以很高的概率相似。實驗表明這種匹配方法應用在常用的二值特征上時,可以獲得比KD-Tree更好的匹配精確率和召回率,而且降低了特征匹配的時間復雜度。(3)將本文提出的融合二值特征算法和基于最小哈希的二值特征匹配算法應用到道路交通標志的檢測和識別中。對于檢測到的交通標志興趣區(qū)域,提取每個特征點的融合二值描述子,組成特征向量矩陣。找出交通標志模板庫中每個交通標志對應的特征向量矩陣,用本文提出的特征匹配方法分別計算這兩個矩陣的匹配結果。實驗表明這兩種算法有效地提高了匹配的正確率,同時減少了時間消耗。
【關鍵詞】：特征融合 灰度分布 色彩屬性 最小哈希 特征匹配 交通標志檢測和識別
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-12
• 第一章 緒論12-18
• 1.1 研究背景及意義12
• 1.2 國內外研究現狀12-16
• 1.2.1 交通標志識別系統研究簡介12-13
• 1.2.2 道路交通標志檢測研究簡介13-15
• 1.2.3 道路交通標志分類和識別研究簡介15-16
• 1.3 本文研究內容與章節(jié)安排16-18
• 第二章 圖像特征概述18-29
• 2.1 實值特征18-22
• 2.1.1 SIFT特征18-20
• 2.1.2 SURF特征20-21
• 2.1.3 HOG特征21-22
• 2.2 二值特征22-26
• 2.2.1 BRIEF特征22-23
• 2.2.2 BRISK特征23-25
• 2.2.3 USB特征25-26
• 2.3 圖像特征匹配26-28
• 2.3.1 距離度量算法26
• 2.3.2 相似度度量算法26-27
• 2.3.3 最近鄰法27-28
• 2.4 本章小結28-29
• 第三章 基于局部灰度分布和色彩屬性的二值描述子29-39
• 3.1 引言29
• 3.2 基于灰度和色彩的二值描述子29-31
• 3.2.1 USB描述子抽取29-30
• 3.2.2 CN描述子抽取30
• 3.2.3 灰度特征與色彩特征的融合30-31
• 3.3 融合描述子的距離度量31-33
• 3.4 實驗與分析33-38
• 3.4.1 參數分析33-36
• 3.4.2 對比實驗36-38
• 3.5 本章小結38-39
• 第四章 基于最小哈希的二值特征匹配算法39-47
• 4.1 引言39
• 4.2 特征降維39-40
• 4.3 基于最小哈希的局部敏感哈希40-43
• 4.3.1 局部敏感哈希算法40-41
• 4.3.2 基于最小哈希的局部敏感哈希41
• 4.3.3 相似度分析41-42
• 4.3.4 基于最小哈希的匹配算法流程42-43
• 4.4 實驗與分析43-46
• 4.4.1 比較方法和參數設置43-44
• 4.4.2 實驗對比44-46
• 4.5 本章小結46-47
• 第五章 交通標志的檢測和識別47-61
• 5.1 基于顏色空間的交通標志檢測和定位47-54
• 5.1.1 交通標志的介紹47-49
• 5.1.2 基于HSV顏色空間的目標區(qū)域分割49-50
• 5.1.3 形態(tài)學處理與填充操作50-54
• 5.1.4 目標檢測和定位流程圖54
• 5.2 基于形狀角的交通標志粗分類54-56
• 5.3 基于特征提取的交通標志識別56-60
• 5.3.1 基于融合二值特征的交通標志識別56-58
• 5.3.2 基于最小哈希匹配與融合二值特征的交通標志識別58-60
• 5.4 本章小結60-61
• 第六章 總結與展望61-63
• 6.1 本文工作總結61
• 6.2 未來工作展望61-63
• 參考文獻63-69
• 致謝69-70
• 在學期間的研究成果及發(fā)表的學術論文70

，

本文編號：843937