大类别集交通标志识别算法研究

摘要

交通标志自动识别在智能交通系统中发挥着重要作用，是无人驾驶车辆的必要组成部分，用于辅助驾驶系统则能为驾驶员提供交通路况、交通规则、行驶方向等信息，从而提高驾驶安全，减少交通事故。自然场景中的交通标志识别易受天气状况、光照条件、运动模糊、障碍物遮挡、旋转倾斜等因素的影响，这为快速准确的交通标志识别带来相当大的挑战。
　　交通标志由若干大类别和大类别之下的子类别组成。大类别之间外观差异较大而大类别内的小类别之间相似度高。为提高交通标志识别的精度和速度，本文提出了一种由粗到细逐级分类的策略:首先采用单个特征（改进的梯度方向直方图特征）和支持向量机将待识别标志快速分类至大类别，之后提取交通标志的局部二值模式、Gabor小波和dense-SIFT三种局部特征并进行特征融合，送入支持向量机和随机森林的组合分类器实现交通标志的分类。
　　本文的主要工作有以下几个方面:
　　1.基于灰度图像的梯度方向直方图特征难以对纹理相似但颜色不同的交通标志进行有效区分，本文通过提取彩色交通标志图像多个通道的梯度方向直方图特征对其进行了改进，改进后的特征融入了颜色信息，显著提高了分类性能。
　　2.由于单一特征难以全面描述交通标志的特点，本文深入研究了三种局部特征描述子:局部二值模式、Gabor小波和dense-SIFT，并将三种特征进行了融合，融合后的特征增强了对交通标志的区分能力。
　　3.本文深入研究了支持向量机和随机森林两种分类器，为了更加有效区分外观相似的交通标志，对支持向量机和随机森林进行了决策融合，提高了系统的分类正确率。
　　在国际通用的交通标志识别数据库(GTSRB)上测试了本文算法的性能，实验结果表明，本文算法满足交通标志识别系统对准确性、鲁棒性和实时性的要求。

目录

声明

致谢

摘要

1 引言

1．1 研究背景及意义

1．2 国内外研究现状

1．3 交通标志识别的基本流程与关键技术

1．4 本文的主要内容和安排

2 大类别集交通标志识别算法设计

2．1 交通标志的特点分析

2．2 交通标志识别的难点分析

2．3 GTSRB数据库介绍

2．4 现有交通标志识别算法优缺点分析

2．5 本文算法的整体结构与基本思路

2．6 小结

3 基于彩色多通道HOG特征和SVM的交通标志粗分类

3．1 预处理

3．2 交通标志的彩色多通道HOG特征提取

3．2．1 梯度方向直方图特征

3．2．2 交通标志的彩色多通道HOG特征提取

3．3 基于支持向量机的粗分类

3．4 实验结果与分析

3．4．1 软硬件环境介绍

3．4．2 彩色多通道HOG特征参数设置

3．4．2 支持向量机核函数的选择

3．4．3 颜色模型的选择

3．4．5 实验结果分析

3．5 小结

4 基于多特征与多分类器融合的交通标志细分类

4．1 预处理

4．1．1 灰度归一化

4．1．2 警告标志倾斜校正

4．1．3 禁令标志ROI分割

4．2 交通标志的多特征提取

4．2．1 LBP特征提取

4．2．2 dense-SIFT特征提取

4．2．2 Gabor小波特征提取

4．2．4 多特征融合

4．3 基于多分类器融合的细分类

4．3．1 随机森林基本原理

4．3．2 分类器融合

4．4 实验结果与分析

4．4．1 单一特征与多特征的分类性能对比

4．4．2 单一分类器与多分类器的分类性能对比

4．4．3 实验结果分析与对比

4．5 小结

5 总结和展望

5．1 本文总结

5．2 工作展望

参考文献

作者简历

学位论文数据集