论文部分内容阅读
交通标志检测与识别系统是智能交通系统的一个重要领域,随着车辆的普及,交通安全问题日益突出,智能交通系统的研发也炙手可热,交通标志检测与识别系统能有效改善交通安全问题,大大降低交通事故发生率。本文主要针对交通标志检测与识别算法开展研究,采用GTSRB(German Traffic Sign Recognition Benchmark)数据库进行验证,并将算法应用到了部分本地限速标志的检测与识别。本文使用直方图均衡化、高斯滤波对原始图像进行预处理,增强图像并剔除了高斯噪声,在了解多种颜色模型优缺点的基础上,提出了一种基于HSV(Hue,Saturation,Value)颜色模型的自适应阈值分割改进算法,实现交通标志初步检测,并与OTSU自适应阈值分割和迭代法自适应阈值分割对比,在处理时间上节约了将近一半的时间,处理后得到的二值图像更清晰,包含的噪声更少。然后对二值图像进行形态学处理,强化边缘细节,提高了图像的质量。采用了基于轮廓的小面积剔除法,剔除图像中非目标的小区域。然后使用了基于边缘信息和轮廓矩的方法,对目标区域进行再分割。对于交通标志识别,首先通过基于轮廓矩和圆形度的方法,将目标区域分为圆形标志、矩形标志和三角形标志三大类。然后分别将所有候选区图像进行灰度和尺寸归一化处理,并将处理后的所有图像分为训练样本集和测试样本集,提取训练样本的灰度旋转不变等价模式的LBP(Local Binary Pattern)特征向量,分别训练圆形标志SVM(Support Vector Machine)分类器、矩形标志SVM分类器和三角形标志SVM分类器,然后对测试集候选区图像进行基于LBP特征的SVM再分类。通过两级识别与原SVM识别在GTSRB数据库上运行结果进行对比,本文改进的识别算法明显减少了分类时间,并且准确率达到了 98.5%。最后,将本文的交通标志检测与识别系统应用到部分本地限速标志上进行检测和识别,其准确率也达90.1%,实验证明本文提出的交通标志检测与识别算法具有一定适用性。