基于机器视觉的交通标志检测与识别算法研究

摘要

交通标志检测与识别是辅助驾驶系统以及无人驾驶领域的核心技术，在车辆安全预警、车载导航、标志维护等方面具有广泛的应用价值。然而当下的交通环境复杂多变，光照与天气变化、标志遮挡与形变、褪色与模糊等不利因素使得该技术的研究面临诸多困难。因此本文总结了国内外相关技术的研究成果，通过分析其中的问题并对交通标志检测与识别方法展开深入研究。本文的主要工作有： （1）在交通标志检测阶段，本文充分利用了交通标志本身的颜色、形状、梯度和纹理特征，提出了多特征融合的交通标志检测算法。首先，针对传统颜色分割方法易受光照影响的问题，根据图像亮度直方图的分布特点，利用单尺度Retinex算法改善非正常光照的图像质量，并在此基础上提出了融合多个颜色空间的混合分割策略，有效提升了低亮度图像的颜色分割效果；然后，基于交通标志的形状特征利用形态学运算与几何特征筛选出粗略的候选区域；最后，为了提升检测的精度和速度，将候选区域的局部HOG特征与自适应ULBP特征进行融合，并采用高效的SVM分类器对其进行线性判决，最终实现交通标志的精确检测。实验结果表明，该方法的检测效果在准确率与实时性方面均有较大提升。 （2）在交通标志识别阶段，本文采用主流的深度学习算法避免了手工设计特征的局限性。针对目前卷积神经网络计算复杂度高、实时性差等问题，提出了轻量级卷积神经网络的交通标志识别算法。首先，利用深度可分离卷积去除标准卷积的冗余特征表达，降低了模型的计算复杂度；然后，采用线性瓶颈逆残差结构加深网络层次以充分提取图像特征，同时在此基础上加入特征校准机制选择性增强部分有益的特征图信息；最后，为了提升神经网络的泛化能力，引入焦点损失函数减少了样本数量不均衡对模型精度的影响，尤其提升了困难样本的识别能力。实验结果表明，该方法的计算复杂度明显低于AlexNet，并且其分类精度与实时性得到有效提升。 （3）本文在TT-100K数据集的基础上制作了更加符合实际应用的低分辨率交通标志数据集，并且在QT平台开发了算法验证的系统软件，该系统可以实现交通标志的实时检测和识别，具有一定的应用价值。

目录

声明

致谢

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 当前存在的问题

1.4 研究内容与章节安排

2 交通标志检测与识别理论基础

2.1.1 交通标志基础知识

2.1.2 国内外数据集分析

2.2 交通标志检测方法

2.2.1 颜色检测方法

2.2.2 形状检测方法

2.2.3 滑动窗口的检测方法

2.3 交通标志识别方法

2.3.1 模板匹配的识别方法

2.3.2 机器学习的识别方法

2.3.3 深度学习的识别方法

2.4 本文研究路线

2.5 本章小结

3 基于多特征融合的交通标志检测

3.1 交通标志图像预处理

3.1.1 经典增强算法分析

3.1.2 Retinex算法理论

3.1.3 基于SSR算法暗光图像增强

3.2 交通标志图像分割

3.2.1 RGB差值法

3.2.2 SVF分割法

3.2.3 HSV分割法

3.2.4 多空间混合分割法

3.3 基于形状特征的候选区域筛选

3.3.1 形态学处理

3.3.2 几何特征筛选

3.4 基于多特征融合的候选区域识别

3.4.1 局部HOG特征提取

3.4.2 自适应ULBP特征提取

3.4.3 局部HOG特征与自适应ULBP特征融合

3.4.4 SVM分类器

3.4.5 交通标志检测算法完整流程

3.5 本章小结

4 基于轻量级卷积神经网络的交通标志识别

4.1.1 卷积神经网络

4.1.2 反向传播算法

4.2 经典网络模型分析

4.2.1 AlexNet

4.2.2 ResNet

4.2.3 MobileNet

4.3 交通标志识别网络设计

4.3.1 深度可分离卷积

4.3.2 线性瓶颈逆残差结构

4.3.3 焦点损失函数

4.3.4 轻量级交通标志识别网络

4.4 本章小结

5 实验与分析

5.1 软硬件平台

5.2 交通标志数据集

5.2.1 数据标注

5.2.2 数据扩增

5.3.1 数据准备

5.3.2 检测实验

5.4.1 数据准备

5.4.2 识别实验

5.5 交通标志检测与识别系统

5.5.1 系统总体设计

5.5.2 系统功能测试

5.6 本章小结

6 总结与展望

6.1总结

6.2展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集