自然場景下道路交通標志檢測與識別的研究.pdf

1、隨著當今社會城鎮(zhèn)化進程的快速推進以及私家車的比例直線上升，道路交通問題已經成為一個社會問題。在信息時代，利用智能交通系統(tǒng)（Intelligent Transportation System，ITS）來解決交通問題已經成為未來的發(fā)展趨勢。交通標志自動識別系統(tǒng)（Traffic Sign Recognition System,TSR）是ITS的重要分支領域，通過實時確定交通標志的類別與內容，可以有效避免惡劣天氣、疲勞駕駛等引起的交通事故；因此

2、，它的研究具有重要的理論意義和廣闊的應用前景。
　　本文主要研究自然場景中道路交通標志的檢測算法與識別算法，具體如下：
　?。?）針對標志圖像中存在運動模糊的問題，研究了模糊圖像復原方法。本文主要將勻速直線運動及近似勻速直線運動造成的動態(tài)模糊圖像作為研究對象。首先得到勻速直線運動的點擴散函數(shù)，然后根據退化模型恢復出原圖像。接著分析和實驗對比了維納濾波等幾種模糊圖像復原方法，最后討論了如何減少噪聲影響的方法。
　?。?）

3、針對由于光照強度的變化、拍攝時間不同等因素造成的圖像亮度過低和對比度不明顯等問題，本文提出了直方圖均衡化和Gabor濾波結合的標志增強算法和基于“參考白”技術的光照補償算法。
　?。?）針對道路交通標志識別系統(tǒng)中的檢測實時性和檢測精確度問題，提出了一種改進的基于顏色增強法與支持向量機（SVM）融合的交通標志檢測算法。首先使用改進的顏色增強算法初步檢測并切割出候選標志區(qū)域；然后使用HOG特征訓練SVM分類器，對候選標志進行精確檢測并

4、判斷其形狀。
　?。?）針對交通標志的識別問題，對現(xiàn)有的分類方法在識別速度和精度上做了比較，采用具有訓練耗時少等優(yōu)點的概率神經網絡（probabilistic neural network，PNN）。識別過程依然采用HOG特征作為訓練特征；為避免出現(xiàn)維度災難，提高識別速度，采用主成分分析(Principal Component Analysis，PCA)法對訓練樣本進行降維。
　　本文的主要工作是在現(xiàn)有的交通標志檢測算法的基