论文部分内容阅读
随着社会经济的发展,车辆与日俱增,智能交通系统的应用受到人们的高度重视。作为智能交通系统的核心关键技术,交通标识自动检测和识别获得越来越多学者的关注和研究,并在驾驶员辅助系统、无人驾驶车辆及道路标识的维护等方面获得广泛应用。然而,在真实的复杂场景中,交通标识会出现褪色、破损、阴影、遮挡、运动模糊及颜色与形状相似物体的干扰,面对这些问题,很多学者进行了深入的研究,但是研究成果还远未达到成熟。尤其是在我国人口众多、私家车日益普及的情况下,交通堵塞和生命安全问题愈发严重,因此对交通标识自动检测与识别的研究具有非常重要的理论与现实意义。论文围绕智能交通系统中交通标识自动检测与识别关键技术,重点研究了行车环境下由于车辆加速或者摄像头抖动造成交通标识模糊的问题,图像的底层特征融合、交通标识的颜色分割及感兴趣区域提取问题,以及支持向量机、极限学习机和其它分类器在交通标识检测与识别中的应用问题。论文的具体研究工作及成果如下:(1)针对行车环境下摄像头获取的视觉图像产生运动模糊的问题,研究了一种基于稀疏表示和Weber定律的图像盲复原算法。该方法首先通过冲击滤波器来预测模糊图像的显著边缘,并用多尺度策略由粗到细进行模糊核的估计。然后对图像盲复原模型进行稀疏正则化约束,并结合反映人类视觉特性的Weber定律对图像进行盲复原。实验结果表明,提出的盲复原算法能获得较优的性能,在图像纹理上能取得较好的复原效果,并且该方法降低了复原图像的边界伪影,符合人的视觉感知特性。(2)针对交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化的问题,研究了一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。根据交通标识鲜亮的颜色特点,采用颜色增强技术分割并提取出自然背景中交通标识所在的感兴趣区域;研究了HOG-MBLBP图像底层融合特征,并对交通标识样本库提取该融合特征,利用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的SDU_CVPR_A交通标识样本库及GTS*德国交通标识库上分别进行了实验,结果验证了所提方法的优越性。(3)为了准确快速识别出检测到的交通标识,研究了一种基于HOG-MBLBP融合特征和极限学习机的交通标识识别方法。首先针对中国交通标识的特点建立了23类SDU_CVPR_B交通标识识别样本库,然后对交通标识样本库分别提取HOG特征、BLBP特征、MBLBP特征以及HOG-MBLBP融合特征,并将提取特征分别输入ELM分类器、SVM分类器、KNN分类器以及随机森林分类器进行分类训练。通过在自建SDU_CVPR_B交通标识识别库和GTSRB德国交通标识识别库上进行的实验表明,融合特征结合ELM分类器可以取得较优的识别效果。(4)鉴于语义特征BoF模型在图像分类任务中的广泛应用,为了更好地表达图像,建立底层视觉特征与高层语义特征间的关系,研究了一种基于融合特征BoF模型的金字塔匹配交通标识识别方法。首先利用K均值聚类方法对各种局部不变特征进行聚类,根据聚类中心构建各自的词典,然后进行BoF模型的图像直方图表示,并采用空间金字塔策略以充分利用局部不变特征的空间结构信息,最后进行SVM分类器训练。在自建SDU_CVPR_B交通标识库和GTSRB德国库上的实验结果表明HOG-MBLBP融合特征的分类效果较优,且HOG-MBLBP融合特征的BoF模型表示进行分类识别的效果优于HOG-MBLBP融合特征进行ELM分类识别的效果。综上所述,本文主要针对行车环境下交通标识图像的检测与识别环节所涉及的一些关键问题进行了探索和研究,旨在提高交通标识检测和识别的准确性与快速性,丰富智能交通系统的理论体系,能够最大程度的解决我国现有的交通问题。