基于多特征融合的警告標志的識別.pdf

1、隨著社會的進步、經(jīng)濟的發(fā)展、汽車的普及，交通事故頻繁發(fā)生，其中絕大多數(shù)是由于人為因素釀成的，而且大部分是由于駕駛者忽視交通標志而引發(fā)的。警告標志作為交通標志的重要組成部分，主要提供警告信息，對駕駛行為具有很強的警示能力。從形狀上來說，警告標志一般都是正三角形，所以實現(xiàn)三角形交通標志的有效識別可以適時地提醒司機前方的路況，幫助司機對車輛進行有效控制，這樣就能提高行車的安全，最大限度地減少損失。設(shè)置警告標志是目前世界各國普遍采取的一種警告控

2、制方式。但由于種種原因，駕駛員在行車過程中并不總能及時、準確地看清警告標志內(nèi)容。因此，警告標志的自動識別對于汽車安全駕駛具有重要意義。
　　由于警告標志常處于室外復雜的環(huán)境下，其識別易受到天氣、光照、傾斜、褪色、相似背景等諸多因素的影響，且在性能上既要保證識別率又要滿足實時性，因此識別算法的設(shè)計難度頗大。本文在總結(jié)國內(nèi)外各種識別方法的基礎(chǔ)上，針對現(xiàn)有識別算法的不足進行了改進和創(chuàng)新，設(shè)計并實現(xiàn)了一種新型的警告標志識別算法。
　

3、　在檢測階段，為避免光照、天氣變化等對圖像顏色信息的影響，本文直接利用警告標志的三角形形狀特征，采用快速輻射對稱的方法，在灰度圖像中檢測警告標志的候選區(qū)域。為了得到更多的邊緣細節(jié)，提出了基于對數(shù)變換的邊緣檢測算子，并且為了去除噪聲對計算量和準確性的影響，提出了一種基于梯度直方圖的去除噪聲的方法。本文提出的算法能夠克服光照等因素的影響，解決了相似背景、標志粘連等問題，避免了Hough變換的耗時，提高了檢測的準確性和可靠性。
　　在識

4、別階段，本文首先提出傅立葉-小波變換方法來提取候選圖像的旋轉(zhuǎn)不變特征，從而去除旋轉(zhuǎn)傾斜對目標識別的影響。然后采用One-Against-One SVM多分類器結(jié)構(gòu)對目標進行識別，為了增加識別率、降低誤識別率，本文提出一個多幀融合的方法，從而判定一個警告標志是否真正地被識別。
　　實驗結(jié)果表明，本文提出的算法能對車載視頻圖像中的警告標志進行準確的定位，并對光照、天氣變化、傾斜有一定的魯棒性，且具有實現(xiàn)簡單、實時性較好等特點，為解決警