基于支持向量机的多特征交通标志识别的研究与实现

摘要

随着人们生活生平的提高，汽车逐渐普及，越来越成为人们喜爱的交通工具。随之而来的交通安全问题也备受关注，交通事故的发生率每年都有所增加，尽管有交通法规的约束以及道路交通标志的提醒和警告，似乎还是不能够做到时刻警醒驾驶员注意交通安全。随着近年来辅助驾驶、无人驾驶以及道路交通标志自动检测等概念的提出，使得交通标志识别(Traffic Sign Recognition，TSR)的研究具有极其重要的现实意义和实际应用价值。
　　交通标志识别主要涉及两大方面:交通标志检测以及交通标志具体内容的识别。鉴于交通标志明显的颜色特征和形状特性，检测阶段主要以颜色作为主要依据对图像进行维持色彩的增强，利用颜色的灰度值计算的双阈值对图像进行二值化，然后采用经验阈值与自适应阈值相结合的面积阈值筛选方法对分割出的感兴趣区域进行进一步甄选，其中面积比较大的符合比例要求的区域对其进行区域分割，并判断识别，以确定其内部是否包含交通标志。分类识别阶段，则采用支持向量机的训练学习机制来进行。第一步，先进行形状的区分，通过边缘方向直方图进行边缘轮廓的特征提取，进而利用SVM进行分类;第二步，针对交通标志内部区域信息进行Hu不变距和Zernike矩的描述，再次通过训练的支持向量机分类器进行判别，从而确定交通标志的准确信息。在支持向量机的形状分类过程中，针对边缘的提取对样本进行处理以及根据边缘轮廓特征值进行加权判别，找出每个形状的决定性特征，进行权值的分配，从而提高识别率;在区域信息的识别过程中将由低阶矩构造出来的Hu不变矩和Zernike构造的高阶矩结合起来描述图像的细节，从而达到比较理想的识别效果。
　　实验结果表明，通过对决定性特征的选取和分配权值，在很大程度上提高了支持向量机的识别率和分类准确性，从而间接的提供了内部区域信息判别的准确率。Hu不变矩和Zernike矩的相结合也对交通标志信息的识别提供了很好的支持，提高了SVM二级内容的识别率。实验结果表明，本文算法具有很好的准确性和鲁棒性。

目录

声明

摘要

第1章 绪论

1．1 交通标志识别的应用价值及研究意义

1．1．1 道路交通标志状况监测

1．1．2 智能辅助驾驶系统

1．2 交通标志识别的研究现状

1．2．1 国外的研究

1．2．2 国内的研究

1．3 交通标志识别中的困难和问题

1．4 本文的研究重点

1．5 论文的整体结构内容

第2章 图像处理技术和支持向量机

2．1 图像预处理技术

2．1．1 去嗓处理

2．1．2 图像增强

2．1．3 形态学图像处理

2．2 统计学习和支持向量机

2．2．1 统计学习理论知识

2．2．2 支持向量机介绍

2．2．3 支持向量机分类

2．3 本章小结

第3章 交通标志的检测分割

3．1 交通标志的分析

3．2 基于颜色的检测

3．2．1 HSI颜色空间

3．2．2 HSV颜色空间

3．2．3 RGB颜色空间

3．3 基于形状的边缘检测和分析

3．4 双阈值区域筛选

3．4．1 图像阈值分割

3．4．2 区域筛选

3．5 本章小结

第4章 交通标志的多特征提取

4．1 图像的特征提取及描述

4．2 EDH和不变矩的特征提取

4．2．1 EDH特征提取

4．2．2 Hu不变矩特征提取

4．2．3 Zernike矩特征提取

4．3 本章小结

第5章 基于支持向量机的二级分类识别

5．1 交通标志样本的选取

5．2 支持向量机SVM的一级形状分类

5．2．1 SVM核函数和参数的选取

5．2．2 训练样本的特征提取

5．2．3 特征权重的分配和寻优

5．3 支持向量机SVM的二级多特征分类

5．4 本章小结

第6章 系统实现及测试结果

6．1 交通标志识别系统的总体结构

6．2 性能及实验结果分析

6．2．1 性能评价因子的选取

6．2．2 实验及结果分析

6．3 本章小结

第7章 总结与展望

7．1 本文的主要工作总结

7．2 存在的问题和不足

7．3 展望

参考文献

致谢