基于支持向量机的交通标志自动识别研究与实现

摘要

随着科技进步及社会发展，汽车普及引发的城市交通拥挤问题严重影响了社会的平衡，目前已成为现代社会进步的瓶颈之一，解决道路拥挤及交通安全问题已势在必行。智能交通系统(Intelligent Traffic System)作为模式识别、图像处理、数据通信技术于一体的综合系统工程，能够及时提供路况、安全等信息，为解决交通拥挤及安全驾驶提供保障。因此，开展交通标志的自动识别，提高智能交通系统的性能具有很高的科学意义和实际价值。 本文通过分析道路交通标志的颜色和形状信息，对道路交通标志进行一级检测与定位:首先，利用亮度分离的维持色彩图像增强算法在RGB空间对图像增强，很好地解决了由于光照不不均匀引起的颜色失真问题;其次，通过改进的平均值算法实现RGB空间颜色初步分割，并通过将经验阈值与自适应阈值相结合构成的面积阀值滤波法过滤掉小面积干扰区域;再次，通过长宽比约束条件对可能的交通标志区域进行过滤，获取感兴趣区域，最后通过系统实现自动识别判断。本文重点是实现边缘方向特征值和权值的组合，实现SVM的自动形状识别，并在对Hu不变矩和Zernike矩尝试学习的基础上获取Hu不变矩和Zernike矩的组合向量，提高交通标志的识别率。 结果表明:通过对比原始特征值、中心值和平均值的数学手段获取的特征值权值能够提高交通标志形状的识别率;Zernike矩结合改进的Hu矩能够提高支持向量机对交通标志的具体内容的识别率。

目录

声明

摘要

第1章绪论

1．1选题目的及意义

1．2国内外研究现状

1．2．1国外的研究

1．2．2国内的研究

1．3目前技术难点

1．4研究重点

1．5主要工作及结构安排

第2章交通标志基于颜色的分析

2．1交通标志基本介绍

2．2基本去噪处理

2．2．1空间域滤波

2．2．2频域滤波

2．3图像颜色增强

2．3．1频域图像增强

2．3．2空域图像增强

2．3．3 Retinex图像增强

2．4．1交通标志颜色空间选取

2．4．2颜色分割

2．5本章小结

第3章交通标志基于区域的处理

3．1．1膨胀

3．1．2腐蚀

3．1．3开运算和闭运算

3．2二值化的实现

3．3面积阈值法

3．4本章小结

第4章特征值的获取

4．1边缘检测

4．2基于形状的特征值

4．3基于区域的特征值

4．3．1 Hu矩

4．3．2 Zernike矩

4．4本章小结

第5章基于支持向量机的识别

5．1支持向量机基本介绍

5．1．1机器学习、神经网络、统计原理的发展

5．1．2引入支持向量机

5．1．3支持向量机的线性和非线性

5．1．4核函数及参数

5．2基于形状的一级分类

5．2．1建立样本库和识别率定义

5．2．2原始特征值测试

5．2．3特征值权值的分配

5．2．4实景图应用

5．3基于区域的二级分类

5．3．1 Hu特征值改进

5．4本章小结

第6章系统实现

6．1系统功能简介

6．2算法编程介绍

6．3系统功能模块设计

6．4性能评价

6．4．1性能评价因子介绍

6．4．2实验结果评价

6．5本章小结

第7章总结与展望

7．1总结

7．2展望

参考文献

致谢