自然場景下交通標志圖像識別方法研究.pdf

1、隨著社會進步和經(jīng)濟的發(fā)展,我國的公路交通行業(yè)得到了持續(xù)、快速地發(fā)展。高度發(fā)達的現(xiàn)代交通為人類的生活帶來了便利,但同時交通安全、交通擁擠等問題也變得越來越嚴重。為了解決這些問題,智能交通系統(tǒng)ITS(IntelligentTraffic System)這一研究領(lǐng)域應(yīng)運而生。道路交通標志識別系統(tǒng)TSR(Traffic SignsRecognition)作為智能交通系統(tǒng)研究方向,已成為國內(nèi)外學者研究的熱點之一,它通過安裝在機動車輛上的攝像機攝取

2、自然場景圖像,并將圖像送至系統(tǒng)的圖像處理模塊進行圖像理解、交通標志檢測與識別,最后將識別結(jié)果告知駕駛員,以達到增強道路交通安全、降低交通擁擠的目的。
　　 道路交通標志中,警告標志、禁令標志和指示標志是三種最重要、也是最常見的交通標志,它們均具有特定的顏色和形狀用以區(qū)分其他物體,以達到提醒駕駛員或行人的目的。十幾年以來,道路交通標志識別研究有了很好的進展,并取得了一定的研究成果,但因背景復雜性以及光照等各種影響因素的存在,導致了

3、它比非自然場景下的目標識別更具有挑戰(zhàn)性,其影響因素主要表現(xiàn)在以下方面:光照條件時常變換且不可控、車輛震動導致攝取的圖像模糊、交通標志被損壞、被污染或被遮擋、交通標志顏色褪色、雨霧等惡劣天氣的存在,以及投影失真、尺度變換、傾斜、相同顏色背景等。
　　 從交通標志的顏色信息和形狀特征出發(fā),研究一種交通標志的智能檢測算法。該算法主要包括基于HSV(Hue-Saturation-Values)顏色空間的交通標志圖像分割和基于顏色與形狀的

4、交通標志檢測兩部分。首先將RGB(Red-Green-Blue)圖像轉(zhuǎn)換至受光照影響較小的HSV顏色空間,通過提取不同顏色的閾值范圍來定位目標區(qū)域；再根據(jù)目標區(qū)域的幾何形狀來劃分警告、禁令和指示三種不同類別的交通標志,完成交通標志圖像的檢測。針對自然場景下影響交通標志檢測效果的不利因素,研究了基于多尺度Retinex的交通標志圖像增強和仿射變換的三角形交通標志校正算法,以及規(guī)范化圓形交通標志和矩形交通標志的算法。實驗結(jié)果表明,該智能檢測

5、算法能克服光照、圖像模糊、雨霧天氣、尺度變換等多種不利因素帶來的影響,具有較高的魯棒性,驗證了算法的有效性。
　　 支持向量機是一種新的自學習算法,它建立在統(tǒng)計學習理論和結(jié)構(gòu)風險最小原理之上,在小樣本的模式識別(分類)中具有很好的優(yōu)勢。交通標志的分類和識別總是在有限個樣本中進行的,本文基于支持向量機對已檢測出的交通標志圖像進行識別研究。挖掘能代表不同交通標志特征的數(shù)據(jù):Hu不變矩和Zernike不變矩,并比較C-SVM和v-SV