本文關鍵詞：基于圖論的交通標志檢測研究

  更多相關文章： 交通標志檢測 圖論 流行排序 支持向量機

【摘要】：交通標志檢測是智能交通領域的一個重要分支,也是自動駕駛和輔助駕駛技術的一個重要模塊。隨著城市化進程的加快,道路擁擠問題日益加劇,現如今交通標志檢測更成為國內外研究的熱點之一。如何提高交通標志檢測系統(tǒng)在室外復雜環(huán)境下的檢測能力是智能交通系統(tǒng)實用化的關鍵。本文正是圍繞著交通標志檢測這一技術進行研究,提出了一種基于圖論的交通標志檢測方法。 現存在的交通標志檢測系統(tǒng)主要利用形狀和顏色信息,這些方法在復雜場景中仍存在局限性,如天氣狀況導致交通標志顏色的改變,交通路標不完整或被遮擋都可能導致檢測率下降。如何有效提高復雜背景下交通標志的檢測率和準確率即是本文研究的關鍵所在。具體工作如下： 1.在分析國內外現有交通標志檢測算法的基礎上提出了一種基于圖論的交通標志檢測算法,該算法通過檢測顯著性區(qū)域作為交通標志候選區(qū),利用圖論的知識對候選區(qū)內的節(jié)點進行排序最終生成待處理灰度圖。 2.本文改進了一種基于圖論的排序算法,該算法是在流行排序的基礎上融合了顏色,顯著性以及節(jié)點的上下文關系等信息,在處理復雜背景下由于模糊,光照,旋轉,以及尺度變換等引起的問題時具有良好的辨識度和魯棒性。 3.提出了一種多閾值分割算法,通過多閾值分割階段有效地解決復雜背景下模糊,光照,及背景與交通標志融合等問題。 4.設計了基于形狀判別的交通標志切割及融合方法,通過判斷多閾值分割階段得到的區(qū)域塊形狀,從而排除特定形狀下的干擾區(qū)域。通過切割階段可以將兩個連接的交通標志區(qū)域分開。而融合階段可以將由于遮擋等問題分離開的交通標志進行融合。最終準確地分割出交通標志候選區(qū)。 5.在研究現有分類算法的基礎上,從算法和理論的實現角度重點考察研究了SVM(Support Vector Machine)的強大分類能力,以及SVM在交通標志檢測分類方面的應用。以HOG(Histogram of Oriented Gradient)特征作為輸入特征,通過對比試驗,驗證了算法的可行性,證明本文提出的基于圖論的交通標志檢測算法,對交通標志的光照、旋轉和尺度變化具有較強的魯棒性。
【關鍵詞】：交通標志檢測 圖論 流行排序 支持向量機
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：O157.5;TP18
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-9
• 序言9-12
• 1 引言12-19
• 1.1 論文研究的背景及意義12-13
• 1.2 交通標志檢測的研究現狀13-16
• 1.3 復雜背景下交通標志檢測的難點16
• 1.4 本文主要內容和安排16-19
• 1.4.1 主要研究內容17
• 1.4.2 論文各章安排17-19
• 2 基于圖論的區(qū)域檢測19-26
• 2.1 圖論的基礎研究19-21
• 2.1.1 圖的定義19-20
• 2.1.2 有向圖和無向圖20-21
• 2.1.3 圖的邊和結點關系21
• 2.1.4 有權圖21
• 2.2 圖的矩陣表示21-23
• 2.2.1 關聯(lián)矩陣22
• 2.2.2 鄰接矩陣22-23
• 2.3 基于圖論的圖像處理技術的優(yōu)勢23-24
• 2.4 基于圖論的顯著性區(qū)域檢測24-25
• 2.5 本章小結25-26
• 3 基于圖論的交通標志檢測系統(tǒng)26-44
• 3.1 直方圖均衡化26-28
• 3.2 圖論定義28-30
• 3.3 交通標志顯著性區(qū)域30-31
• 3.4 基于指定顏色及顯著性的排序算法31-36
• 3.5 交通標志區(qū)域分割36-43
• 3.5.1 多閾值分割36-39
• 3.5.2 基于形狀的區(qū)域融合和切割39-43
• 3.6 本章小結43-44
• 4 基于方向梯度直方圖和SVM結合的交通標志識別44-56
• 4.1 統(tǒng)計學習理論和支持向量機44-50
• 4.1.1 統(tǒng)計學習理論44-46
• 4.1.2 支持向量機46-50
• 4.2 HOG特征簡介50-54
• 4.2.1 HOG主要思想及優(yōu)點50-51
• 4.2.2 HOG特征提取算法的實現過程51-54
• 4.3 HOG+SVM分類器54-55
• 4.4 本章小結55-56
• 5 實驗結論56-65
• 5.156-64
• 5.1.1 實驗數據庫56-58
• 5.1.2 參數設定58-59
• 5.1.3 交通標志檢測實驗59
• 5.1.4 與現有先進的交通標志檢測算法比較59-61
• 5.1.5 檢測結果61
• 5.1.6 識別結果61-62
• 5.1.7 處理時間62
• 5.1.8 實驗結論62-64
• 5.2 本章小結64-65
• 6 結論與展望65-68
• 6.1 工作總結65-66
• 6.2 展望66-68
• 參考文獻68-72
• 作者簡歷72-74
• 學位論文數據集74

【參考文獻】

中國期刊全文數據庫 前8條

1 孫光民;王晶;于光宇;李罡;許磊;;自然背景中交通標志的檢測與識別[J];北京工業(yè)大學學報;2010年10期

2 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學學報;2011年01期

3 鄭芳平;王偉智;;基于小波變換和RBF神經網絡的交通標志識別[J];福州大學學報(自然科學版);2007年03期

4 李倫波;馬廣富;;自然場景下交通標志檢測與分類算法研究[J];哈爾濱工業(yè)大學學報;2009年11期

5 孫忠貴,王玲;數字圖像直方圖均衡化的自適應校正研究[J];計算機時代;2004年11期

6 李新;禹翼;;基于SIFT算法的交通標志識別[J];制造業(yè)自動化;2012年05期

7 王楠;劉威;陳雪;袁淮;劉積仁;;基于多線索混合的交通標志檢測與跟蹤[J];控制與決策;2010年08期

8 張夏宜;劉富強;李志鵬;;車載視覺導航系統(tǒng)中的交通標志識別技術[J];上海汽車;2009年01期

，

本文編號：819243