论文部分内容阅读
在车辆驾驶中,驾驶疲劳、车速过快或是前方行人和车辆的突然变向常常使得驾驶员不能及时避让而发生交通事故,车速过快也会使得驾驶员注意不到前方交通标志的指示与警告信息而肇事。因此,引入对行车环境中行人、前方车辆以及交通标志的检测与识别的研究对预防交通事故的发生有着重大意义。本文将行车环境中的行人、前方车辆以及交通标志三种交通对象作为课题研究对象。通过研究整理近几年国内外广义目标检测、行人检测、前方车辆检测以及交通标志检测与识别算法的研究现状和发展趋势,将课题研究重心确定为基于可形变部件模型提出一种可同时对上述三种交通对象进行检测的改进模型,并基于经典交通标志识别算法识别前面检测出的交通标志。本文的主要工作有:1、基于经典行人检测数据集Caltech Pedestrian Benchmark(Caltech-USA)和权威交通标志数据集The German Traffic Sign Detection and Recognition Benchmark整理出一个用于本课题研究的数据集。将Caltech-USA部分样本中的行人和车辆重新标定,综合新样本和上述交通标志数据集中用于检测的部分样本作为本课题的检测数据集。利用上述交通标志数据集中用于识别的部分样本作为本课题的识别数据集。2、考虑到交通对象检测模型构造的重要性,本课题深入研究了基于梯度方向直方图的传统可形变部件模型,提出了一种融合了梯度方向直方图、局部二值模式以及LUV空间下颜色聚合向量的新特征,并对可形变部件模型中一些耗时的细节做了改进。在保证整个算法时间性能的情况下,提升了算法的准确度和鲁棒性。3、考虑到在检测到交通标志后,识别其具体类型会更具有实用价值。本课题基于著名交通标志识别模型Multi-Column Deep Neural Network,使用三种图像增强算法对识别集样本进行扩充,提出一个轻量级的卷积神经网络识别交通标志的具体类别。基于本课题数据集的实验结果证明本文所提出算法的高检测率、强鲁棒性和极低的时间复杂度。