基于MSER和遗传优化SVM的交通标志识别的研究

发布时间：2021-12-23 02:57

　　随着社会经济水平的不断发展,交通问题变得日益严重,其中交通安全问题尤为重要。为此,“智慧交通”应运而生。“智慧交通”中的辅助驾驶或者是自动驾驶是重要的组成部分,而其中,对于路边交通标志的自动检测和识别就是一项关键性技术。为此,本文将研究一种自然环境下可以有效进行交通标志识别的算法。本文提出的交通标志识别算法首先将待检测图像进行预处理,通过图像均衡化、锐化、归一化等操作,来降低光线、噪声对检测识别阶段的干扰,提升识别准确率。运用MERS最大稳定极值区域算法对预处理后的图像进行兴趣区域的提取分割,用分块HOG梯度方向直方图对兴趣区域进行特征提取,使用GTSDB交通标志图像数据库中的训练集,通过SVM支持向量机进行训练学习,获得交通标志的SVM分类器。为了进一步优化识别性能,深入分析了影响SVM的性能的核函数类型和与之对应的惩罚参数C,核函数参数g,创新提出了一种基于自适应交叉变异的改进遗传优化最优参数搜索算法,获得了近似最优的惩罚参数C和核函数参数g,通过MATLAB对遗传优化后的SVM分类器进行交通标志识别算法进行仿真分析,并获得了较好的识别率。 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景和研究意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文主要研究内容
    1.4 本文主要章节
2 交通标志图像的预处理
    2.1 交通标志概述
    2.2 图像增强处理
        2.2.1 Gamma校正
        2.2.2 图像均衡化
        2.2.3 图像锐化
    2.3 图像归一化处理
    2.4 图像去噪处理
    2.5 本章总结
3 基于MSER的交通标志提取算法的研究与分析
    3.1 引言
    3.2 常见交通标志分割算法简介
        3.2.1 基于RGB颜色空间的阈值分割
        3.2.2 基于RGB差值的阈值分割
        3.2.3 基于HSI颜色空间的阈值分割
        3.2.4 基于YCbCr颜色空间的阈值分割
        3.2.5 基于Ohta颜色空间的阈值分割
    3.3 MSER最大稳定极值区域算法
        3.3.1 MSER最大稳定极值区域基本原理
        3.3.2 基于MSER的交通标志分割算法
    3.4 实验与分析
    3.5 本章总结
4 基于HOG和SVM的交通标志识别算法
    4.1 引言
    4.2 基于HOG算子的交通标志特征提取
        4.2.1 HOG算子基本原理
        4.2.2 HOG算子实现步骤
        4.2.3 基于分块HOG的特征提取
    4.3 基于人工神经网络的交通标志识别算法分析
        4.3.1 BP神经网络
        4.3.2 PNN神经网络
        4.3.3 GRNN神经网络
        4.3.4 DeepLearning神经网络
    4.4 支持向量机
        4.4.1 SVM基本原理
        4.4.2 基于HOG特征提取和SVM的交通标志识别算法
        4.4.3 SVM库函数调用方式
    4.5 实验与分析
        4.5.1 测试样本来源
        4.5.2 交通标志识别仿真实验
        4.5.3 交通标志识别结论对比
    4.6 本章总结
5 基于HOG和遗传优化SVM交通标志识别算法的研究
    5.1 引言
    5.2 遗传优化SVM的研究和实现
        5.2.1 支持向量机的参数优化
        5.2.2 传统遗传优化算法
        5.2.3 自适应遗传优化算法
        5.2.4 自适应遗传优化适应度函数的建立
        5.2.5 基于自适应遗传优化SVM的识别算法
    5.3 实验结论与对比分析
    5.4 本章总结
6 总结与展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3547638