基于车载摄像头的路面交通标志识别研究

摘要

随着智能车辆的发展，高级驾驶辅助系统(ADAS)已经成为智能交通系统(ITS)的重要组成部分，其通过感知和理解道路环境帮助驾驶员提前感知危险。在高级驾驶辅助系统中，路面交通标志识别是获取安全和预警信息最基本和最具挑战性的任务之一。目前，交通标志识别研究主要集中在路旁交通标志，本文则围绕如何利用计算机视觉的方法进行路面交通标志识别分别进行了以下工作:
　　(1)本文提出基于HOG和SVM的路面交通标志识别方法。该方法根据车道线和路面交通标志位置关系提取感兴趣区域，然后以梯度方向直方图(HOG)作为标志的特征提取方法，利用SVM分类模型识别标志类型。其中车道线检测采用约束性条件LSD算法，在LSD直线检测算法基础上，引入车道线的角度、亮度、长度约束条件。
　　(2)本文构建一种基于深度学习的路面交通标志识别模型。该模型引入AlexNet网络作为基础网络提取图像全局特征，结合回归思想和锚框机制，对全图各个位置的多个尺度特征预测标志位置和类别，利用非极大值抑制算法消除多余检测框。
　　(3)为了测试基于深度学习的路面交通标志识别算法性能，本文利用基于车道线检测的路面交通标志识别算法进行部分样本收集。两种算法在相同的数据集上进行对比实验，证明了二者都可以识别直行、直行或右转、直行或左转、左转或右转、慢行和右转等7类常见的路面交通标志，且基于深度学习的路面交通标志识别方法具有更高的识别率和鲁棒性，验证了其优越性。

目录

声明

致谢

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 路面交通标志识别国内外研究现状

1．2．2 深度学习目标识别国内外研究现状

1．3 本文研究难点

1．4 论文主要工作及其结构

1．5 本章小结

第二章 目标识别算法概述

2．1 引言

2．2 图像特征提取

2．2．1 HOG特征简介

2．2．2 Hu不变矩特征简介

2．3 分类算法

2．3．1 支持向量机简介

2．3．2 相似性度量

2．4 深度学习概述

2．4．1 深度学习简介

2．4．2 传统神经网络与深度神经网络

2．4．3 深度学习结构

2．5 卷积神经网络算法

2．5．1 卷积神经网络简介

2．5．2 卷积神经网络特征提取

2．6 本章小结

第三章 基于HOG和SVM的路面交通标志识别

3．1 引言

3．2 车道线检测

3．2．I LSD算法简介

3．2．2 基于约束性条件LSD车道线检测

3．2．3 实验结果以及分析

3．3 路面交通标志识别

3．3．1 路面交通标志分割

3．3．2 路面交通标志特征提取和识别

3．3．3 实验结果以及分析

3．4 本章小结

第四章 基于深度学习的路面交通标志识别

4．1 SSD网络模型简介

4．1．1 RPN网络简介

4．1．2 SSD模型结构

4．2 AlexNet网络简介

4．3 基于深度学习的路面交通标志检测

4．3．1 基于深度学习的路面交通标志检测模型

4．3．2 路面交通标志识别流程

4．4 实验结果及分析

4．4．1 建立路面交通标志数据集

4．4．2 评价参数定义

4．4．3 实验结果及分析

4．4．4 难点分析

4．5 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

攻读硕士学位期间的学术活动及成果情况