复杂环境下的道路交通标志检测方法研究

发布时间：2020-09-30 02:09

　　随着社会的进步和经济的高速发展,国内人均汽车拥有量逐年递增,极大地满足了人们的出行需求。然而,持续增长的汽车数量给城市道路交通带来了巨大的压力,随之也增加了交通安全事故发生的风险。此外,驾驶员对交通标志的误读或者没有察觉也是导致交通事故的重要原因。为了降低交通事故的发生率,并提高交通的安全系数,智能交通系统(Intelligent Traffic System,ITS)应运而生。而交通标志检测作为ITS的重要组成部分也得到了极大的重视,其在驾驶辅助系统和无人车中能够将道路信息反馈给驾驶员或无人车来避免交通安全事故的发生,具有广阔的发展和应用前景。因此,对于交通标志的检测的研究具有非常重要的意义和实用价值。本文对复杂环境下的交通标志检测提出了两种方法,分别为基于颜色和形状的交通标志检测方法以及基于深度学习的交通标志检测方法。基于颜色和形状的交通标志检测方法主要针对圆形、三角形和矩形的交通标志,该方法需要对图像进行预处理来获得可视化较高的图像,以达到颜色分割的要求。图像预处理包括图像滤波、去雾算法的研究和去除光照不均的影响。对图像进行预处理之后,本文通过RGB差值法对图像分割出感兴趣区域,并将其放入候选区进行初步筛选,即对候选区感兴趣区域的二值图像进行形态学处理等步骤并且去掉不满足交通标志形状特征的二值图像,然后再对剩余图像进行形状检测,最终定位交通标志。本文中该算法的最高检测率为87.73%。基于深度学习的交通标志检测方法是在经典卷积神经网络结构的基础上,设计出一个具有交通标志检测功能的卷积神经网络。通过预训练CIFAR-10数据集学习大量的图像底层特征,同时,为了更好地优化网络结构,对其局部修改并导入交通标志数据集进行迁移学习,最终训练得到具有检测交通标志功能的卷积神经网络。本文中该算法的最高检测率为97.48%,与传统方法相比已经达到一个较高的水平。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U495
【部分图文】：

示意图,示意图,图像,硕士学位论文

长安大学硕士学位论文定的，即物体的色彩不受光照非均匀性的影响，具有一致性。根据 Retinex 理论，它会将一幅给定的图像 S ( x , y )分解成两幅不同的图像：反射体图像 R ( x , y )和入射光图像 L ( x , y )。可以表示为：S= ( x , y ) R ( x , y ) L ( x , y)（2.4其原理示意图如图 2.3 所示：

交通标志,标志检测,图像比,通道

13(b)处理图图 2.4 Retinex 处理后图可以看到，Retinex理论的去雾效果明显，经过处理的图像比原利，细节丢失较少，能够突出交通标志牌的颜色本质，算法处标志检测系统的一部分，突出的交通标志颜色的本质也更能础。通道先验理论的去雾道先验理论的去雾是由何凯明博士[21]提出的，该算法的科学带来了重要的启示意义。暗通道先验理论在大多数情况下对

色感,感光灵敏度,颜色空间,细胞的

种影响是交通标志图像预处理必不可少的环节。为色彩空间模型之间进行转换以及对其亮通道的处理空间模型。彩空间空间中，每种颜色能通过R 、G 、B三个通道的值立方体，图中RGB原色值位于三个坐标轴线上，黑体中原点的对角点上。在该模型中，连接原点（0度级从小变大的过程，在这条线中，R 、G 、B 三体内部所有的点表示各种不同的颜色，且每个点都起见，假定所有的灰度值都归一化，则图 2.6 所示，G 和B的所有值都假定在范围[0,1]]之间。

【参考文献】