基于支持向量机的路面交通标志识别方法研究
发布时间：2021-04-18 20:27
人类历史发展的进程中,工具起着革命性的作用,而交通工具的诞生真正使地球成为了地球村。汽车自被发明之日起到现在经历了阶跃式的发展,人们希望汽车能做到和人类一样的智能化,即在更少的人为干预下,自动判断道路情况。基于此,研究者们进行了车辆和车辆所处道路环境等智能化的研究,此时智能交通系统（Intelligent Traffic Systems,ITS）应运而生。在智能交通系统中路面交通标志的识别是车辆行驶智能化的关键部分。本文对基于支持向量机的路面交通标志识别方法进行了研究。本研究分为两个部分,第一部分是对采集到的路面图像进行图像预处理、图像感兴趣区域的确定和图像边缘检测来得到包含路面交通标志的目标图像。第二个部分包括三个阶段,第一个阶段是对目标图像进行特征提取,首先对Hu不变矩特征提取算法和PHOG特征提取算法进行研究,然后在Hu不变矩和PHOG特征提取方法的基础上提出了 Hu不变矩和低维的PHOG相融合的特征提取方法。最后将融合的特征作为路面交通标志图像的提取特征。第二个阶段是在二分类支持向量机的基础上使用一对一方法构建多分类支持向量机分类器。在构建多分类支持向量机过程中首先对支持向量机...
【文章来源】：大连交通大学辽宁省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图２．３无法打散空间４个点??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??
?大连交通大学工学硕士学位论文????ＶＣ维定义：假设存在一个有ｈ个样本的样本集能被一个函数集中的函数按照所有??可能的ｈ种形式分为两类，则此函数集能够把样本数为ｈ的样本集打散。也就是说，如果??存在ｈ个样本的样本集能够被函数集打散，而不存在ｈ＋１个样本能被打散，则函数集的ＶＣ??维就是ｈｌ４Ｑ］。??下面用一个例子来解释ＶＣ维的概念。假设二维空间中的一个指示函数集Ｉ?（只有??两类输出；；＝｛０，１｝），空间中有ｎ个点（不共线），想要用这个指示函数集分隔空间中??的ｎ个点，则］个点和２个点能被完全分开。对于３个点（不共线）的情况，共会出现??８种分法，如图２．２所示。??ＪＬ，／?＠?？?＾?ｎ?？??＂／?？９?＾??／〇?｜?中？］?？?／??么々Ｘ?４??图２．２打散空间３个点??Ｆｉｇ．?２．２?ｂｒｅａｋ?ｕｐ?ｔｈｉ＊ｅｅ?ｐｏｉｎｔｓ?ｉｎ?ｓｐａｃｅ??Ｉ可以将３个点完全分开，这种完全划分被称为打散。继续让它打散４个点，如图??２．３所示。?????Ｏ?［Ｉ??图２．３无法打散空间４个点??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??图２．３中出现了问题，因为出现了异或的情况，Ｉ无法打散空间４个点，那么二维??空间的指示函数集Ｉ的ＶＣ维就是３。??８??
ｓｌ。很明显，该定理说明在经验风险最??小化原则下，总体的真实风险由两部分构成：??Ｒ｛ｃｄ?＜?Ｒｅｗｐｉｃｄ?＋?＾（．ｎ／?ｈ）?（２．４）??式（２．４）中的７？ｅ；？ｐ（ａ）是经验风险，（Ｄ〇／／〇为置信区间。＂幺＂表示真实风险与经验风险??差距的最大界即推广能力的界。??对于某类特定问题，固定样本数ｎ，如果ＶＣ维越高，即说明学习机器的复杂性越??高，因此，在设计学习机器时，不但要使经验风险最小化，还要使ＶＣ维尽量小［０。使??用推广能力界的概念，就可以寻找解决策略，如图２．４所示。??（（｜＾??图２．４嵌套集合Ｓｆｃ??Ｆｉｇ．?２．４?Ｎｅｓｔｅｄ?ｃｏｌｌｅｃｔｉｏｎ义??定义函数ｅ?Ａ的集合ｓ具有一定的结构，这一结构是由一系列嵌套的函数子集??知＝〇３（ｚ，ｏ〇，ｃｘ?ｅ?Ａｆｃ｝组成的。它们满足Ｓｉ?Ｃ?＆匚…Ｃ?，其中结构中的元素满足下面两个性质。??①每个函数集知的ＶＣ维心是有限的，因此，??②结构的任何元素＆包含一个完全有界函数的集合ＯＳ?＜？（Ｚ，ａ）?Ｓ?ｃｘ?ｅ?Ａｆｃ。??此时选择使最小化经验风险与置信区间之和最小的子集，就可以达到期望风险的最??校这个子集中使经验风险最小的函数就是所要求的函数。这种思想称作结构风险最小??化原则（Ｓｔｒｕｃｔｕｒｅ?Ｒｉｓｋ?Ｍｉｎｉｍｉｚａｔｉｏｎ），简称ＳＲＭ原则【４３】。ＳＲＭ原则定义了给定样本??９??
【参考文献】：
期刊论文
[1]基于支持向量机在线训练算法的研究[J]. 刘晓舟. 科技风. 2019(01)
[2]基于机器视觉的草莓图像处理研究[J]. 苏博妮,化希耀. 首都师范大学学报(自然科学版). 2018(04)
[3]2017年全国机动车和驾驶人保持高位增长[J]. 道路交通管理. 2018(02)
[4]基于MATLAB的灰色拓扑在交通事故预测中的应用[J]. 林登科,陈伯辉,沈斐敏. 交通标准化. 2014(21)
[5]基于数学形态学与小波变换的边缘检测算法[J]. 许端,董文锋,潘自凯,戴锦红,徐怡频. 计算机应用. 2012(S2)
博士论文
[1]智能车行车环境视觉感知关键技术研究[D]. 梁敏健.长安大学 2017
硕士论文
[1]城市道路短时交通流预测方法研究[D]. 周扬栋.江西理工大学 2018
[2]基于机器视觉的车道线检测和交通标志识别研究[D]. 刘兰馨.华南理工大学 2018
[3]基于透视形变减弱变换的高效路面标志识别技术研究[D]. 冯敏.重庆大学 2018
[4]基于极限学习机的风电机组主轴承故障诊断方法研究[D]. 绳菲菲.华北电力大学 2017
[5]基于深度学习的道路车辆检测方法研究[D]. 伦智梅.大连理工大学 2017
[6]基于车载摄像头的路面交通标志识别研究[D]. 任洪梅.合肥工业大学 2017
[7]基于视觉的手势识别及其应用研究[D]. 付潇聪.南京理工大学 2017
[8]智能视频监控平台中区域目标检测和联合跟踪的设计与实现[D]. 秦浩.南京邮电大学 2016
[9]基于图像处理的铁路轨道异物入侵的自动识别研究[D]. 金炳瑞.兰州交通大学 2016
[10]基于机器视觉的铁路扣件缺陷检测方法研究[D]. 王珍珍.兰州交通大学 2016
本文编号：3146122
【文章来源】：大连交通大学辽宁省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图２．３无法打散空间４个点??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??
?大连交通大学工学硕士学位论文????ＶＣ维定义：假设存在一个有ｈ个样本的样本集能被一个函数集中的函数按照所有??可能的ｈ种形式分为两类，则此函数集能够把样本数为ｈ的样本集打散。也就是说，如果??存在ｈ个样本的样本集能够被函数集打散，而不存在ｈ＋１个样本能被打散，则函数集的ＶＣ??维就是ｈｌ４Ｑ］。??下面用一个例子来解释ＶＣ维的概念。假设二维空间中的一个指示函数集Ｉ?（只有??两类输出；；＝｛０，１｝），空间中有ｎ个点（不共线），想要用这个指示函数集分隔空间中??的ｎ个点，则］个点和２个点能被完全分开。对于３个点（不共线）的情况，共会出现??８种分法，如图２．２所示。??ＪＬ，／?＠?？?＾?ｎ?？??＂／?？９?＾??／〇?｜?中？］?？?／??么々Ｘ?４??图２．２打散空间３个点??Ｆｉｇ．?２．２?ｂｒｅａｋ?ｕｐ?ｔｈｉ＊ｅｅ?ｐｏｉｎｔｓ?ｉｎ?ｓｐａｃｅ??Ｉ可以将３个点完全分开，这种完全划分被称为打散。继续让它打散４个点，如图??２．３所示。?????Ｏ?［Ｉ??图２．３无法打散空间４个点??Ｆｉｇ．?２．３?ｃａｎ＇ｔ?ｂｒｅａｋ?ｕｐ?ｓｐａｃｅ?４?ｐｏｉｎｔｓ??图２．３中出现了问题，因为出现了异或的情况，Ｉ无法打散空间４个点，那么二维??空间的指示函数集Ｉ的ＶＣ维就是３。??８??
ｓｌ。很明显，该定理说明在经验风险最??小化原则下，总体的真实风险由两部分构成：??Ｒ｛ｃｄ?＜?Ｒｅｗｐｉｃｄ?＋?＾（．ｎ／?ｈ）?（２．４）??式（２．４）中的７？ｅ；？ｐ（ａ）是经验风险，（Ｄ〇／／〇为置信区间。＂幺＂表示真实风险与经验风险??差距的最大界即推广能力的界。??对于某类特定问题，固定样本数ｎ，如果ＶＣ维越高，即说明学习机器的复杂性越??高，因此，在设计学习机器时，不但要使经验风险最小化，还要使ＶＣ维尽量小［０。使??用推广能力界的概念，就可以寻找解决策略，如图２．４所示。??（（｜＾??图２．４嵌套集合Ｓｆｃ??Ｆｉｇ．?２．４?Ｎｅｓｔｅｄ?ｃｏｌｌｅｃｔｉｏｎ义??定义函数ｅ?Ａ的集合ｓ具有一定的结构，这一结构是由一系列嵌套的函数子集??知＝〇３（ｚ，ｏ〇，ｃｘ?ｅ?Ａｆｃ｝组成的。它们满足Ｓｉ?Ｃ?＆匚…Ｃ?，其中结构中的元素满足下面两个性质。??①每个函数集知的ＶＣ维心是有限的，因此，??②结构的任何元素＆包含一个完全有界函数的集合ＯＳ?＜？（Ｚ，ａ）?Ｓ?ｃｘ?ｅ?Ａｆｃ。??此时选择使最小化经验风险与置信区间之和最小的子集，就可以达到期望风险的最??校这个子集中使经验风险最小的函数就是所要求的函数。这种思想称作结构风险最小??化原则（Ｓｔｒｕｃｔｕｒｅ?Ｒｉｓｋ?Ｍｉｎｉｍｉｚａｔｉｏｎ），简称ＳＲＭ原则【４３】。ＳＲＭ原则定义了给定样本??９??
【参考文献】：
期刊论文
[1]基于支持向量机在线训练算法的研究[J]. 刘晓舟. 科技风. 2019(01)
[2]基于机器视觉的草莓图像处理研究[J]. 苏博妮,化希耀. 首都师范大学学报(自然科学版). 2018(04)
[3]2017年全国机动车和驾驶人保持高位增长[J]. 道路交通管理. 2018(02)
[4]基于MATLAB的灰色拓扑在交通事故预测中的应用[J]. 林登科,陈伯辉,沈斐敏. 交通标准化. 2014(21)
[5]基于数学形态学与小波变换的边缘检测算法[J]. 许端,董文锋,潘自凯,戴锦红,徐怡频. 计算机应用. 2012(S2)
博士论文
[1]智能车行车环境视觉感知关键技术研究[D]. 梁敏健.长安大学 2017
硕士论文
[1]城市道路短时交通流预测方法研究[D]. 周扬栋.江西理工大学 2018
[2]基于机器视觉的车道线检测和交通标志识别研究[D]. 刘兰馨.华南理工大学 2018
[3]基于透视形变减弱变换的高效路面标志识别技术研究[D]. 冯敏.重庆大学 2018
[4]基于极限学习机的风电机组主轴承故障诊断方法研究[D]. 绳菲菲.华北电力大学 2017
[5]基于深度学习的道路车辆检测方法研究[D]. 伦智梅.大连理工大学 2017
[6]基于车载摄像头的路面交通标志识别研究[D]. 任洪梅.合肥工业大学 2017
[7]基于视觉的手势识别及其应用研究[D]. 付潇聪.南京理工大学 2017
[8]智能视频监控平台中区域目标检测和联合跟踪的设计与实现[D]. 秦浩.南京邮电大学 2016
[9]基于图像处理的铁路轨道异物入侵的自动识别研究[D]. 金炳瑞.兰州交通大学 2016
[10]基于机器视觉的铁路扣件缺陷检测方法研究[D]. 王珍珍.兰州交通大学 2016
本文编号：3146122
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3146122.html
