基于压缩感知的交通标志识别
发布时间：2021-05-07 20:17
交通标志识别目前是无人驾驶和汽车辅助系统研究的热点。高质量的交通标志识别可以为驾驶员或者无人车实时、准确地提供交通路况、交通规则等信息,辅助驾驶决策,从而提高行车安全系数,减少或者避免交通事故发生。基于压缩感知的交通标志识别,具有识别率高、鲁棒性强等优势,近几年也受到了越来越多的关注。本文首先对德国交通标志库（GTSRB）中的图像进行预处理,在图像灰度化后,用双线性插值法进行尺寸归一化,用限制对比度自适应直方图均衡化对图像增强。然后对原始图像通过离散小波变换（DWT）进行稀疏变换,测量矩阵选用高斯随机矩阵,选择正交匹配追踪（OMP）算法对图像进行重构,通过对比不同采样率下交通标志图像的重构效果,选出最好的采样率,即通过小部分数据能较好地恢复原始数据。最后用基于稀疏表示的算法对交通标志进行识别,实验结果表明了正交匹配追踪算法,具有较高的识别率和较强的鲁棒性,但是识别率和识别时间需要进一步的改善。实现了基于两阶段的稀疏表示算法,能在训练样本不大的时候能取得很好的实验结果,但是当训练样本增大,计算机会出现内存溢出的问题。为了解决该问题,设计并实现了基于局部冗余字典的两阶段稀疏表示算法,它将冗...
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究的背景及意义
1.2 国内外交通标志识别现状
1.2.1 检测方法研究现状
1.2.2 识别方法研究现状
1.3 本文主要研究内容及章节安排
1.3.1 论文主要研究内容
1.3.2 论文的章节安排
第二章 德国交通标志数据库预处理
2.1 德国交通标志数据库(GTSRB)介绍
2.2 图像灰度化
2.3 图像的尺寸归一化
2.4 图像增强
2.4.1 线性变换
2.4.2 非线性变换
2.4.3 直方图均衡化
2.5 本章小结
第三章 压缩感知算法的实际应用
3.1 压缩感知理论
3.2 压缩感知在交通标志识别中的应用
3.2.1 交通标志的稀疏表示
3.2.2 测量矩阵的设计
3.2.3 MP和OMP算法仿真比较
3.3 交通标志图像的重建及结果分析
3.4 本章小结
第四章 基于稀疏表示的交通标志识别
4.1 目前常用的交通识别方法
4.2 基于稀疏表示的交通标志分类
4.2.1 基于稀疏表示的识别框架
4.2.2 交通标志的识别结果分析
4.3 OMP算法稀疏度的确定
4.4 本章小结
第五章 基于局部字典的两阶段稀疏表示算法
5.1 基于两阶段的稀疏表示算法
5.1.1 实验结果分析
5.1.2 基于两阶段的稀疏表示算法的不足之处
5.2 基于局部字典的两阶段稀疏表示算法
5.2.1 顺序拆分冗余字典
5.2.2 平均拆分冗余字典
5.2.3 算法的时间复杂度的改进
5.2.4 实验结果分析
5.3 本章小结
总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ROI和CNN的交通标志识别研究[J]. 黄娜君,汪慧兰,朱强军,洪名佳. 无线电通信技术. 2018(02)
[2]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG. Science China（Information Sciences）. 2018(01)
[3]A sharp recovery condition for block sparse signals by block orthogonal multi-matching pursuit[J]. CHEN WenGu,GE HuanMin. Science China（Mathematics）. 2017(07)
[4]基于稀疏表示与小波特征的人脸识别分层框架[J]. 翟素兰,曹庆,谢文浩. 计算机工程与应用. 2016(14)
[5]一种快速的基于稀疏表示的人脸识别算法[J]. 龙法宁,杨夏妮. 图学学报. 2014(06)
[6]图像稀疏表示及其在图像处理中的应用[J]. 孙君顶,赵慧慧. 红外技术. 2014(07)
[7]基于字典学习的核稀疏表示人脸识别方法[J]. 朱杰,杨万扣,唐振民. 模式识别与人工智能. 2012(05)
[8]基于稀疏表示的人脸识别方法[J]. 杨荣根,任明武,杨静宇. 计算机科学. 2010(09)
[9]道路场景中交通标志的检测方法[J]. 张宁,何铁军,高朝晖,黄卫. 交通运输工程学报. 2008(06)
硕士论文
[1]交通标志检测和识别算法研究[D]. 叶阳阳.北京交通大学 2015
[2]基于计算机视觉的交通标志检测与识别研究[D]. 李芬芬.广东工业大学 2014
[3]基于形状特征的交通标志识别系统[D]. 李文强.沈阳工业大学 2014
[4]自然环境下道路交通标志的检测与识别研究[D]. 邓雄伟.南京理工大学 2014
[5]一种基于模板匹配的交通标志识别方法[D]. 王洋.吉林大学 2013
[6]基于颜色和形状特征的交通标志检测[D]. 周广波.大连理工大学 2013
本文编号：3173997
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究的背景及意义
1.2 国内外交通标志识别现状
1.2.1 检测方法研究现状
1.2.2 识别方法研究现状
1.3 本文主要研究内容及章节安排
1.3.1 论文主要研究内容
1.3.2 论文的章节安排
第二章 德国交通标志数据库预处理
2.1 德国交通标志数据库(GTSRB)介绍
2.2 图像灰度化
2.3 图像的尺寸归一化
2.4 图像增强
2.4.1 线性变换
2.4.2 非线性变换
2.4.3 直方图均衡化
2.5 本章小结
第三章 压缩感知算法的实际应用
3.1 压缩感知理论
3.2 压缩感知在交通标志识别中的应用
3.2.1 交通标志的稀疏表示
3.2.2 测量矩阵的设计
3.2.3 MP和OMP算法仿真比较
3.3 交通标志图像的重建及结果分析
3.4 本章小结
第四章 基于稀疏表示的交通标志识别
4.1 目前常用的交通识别方法
4.2 基于稀疏表示的交通标志分类
4.2.1 基于稀疏表示的识别框架
4.2.2 交通标志的识别结果分析
4.3 OMP算法稀疏度的确定
4.4 本章小结
第五章 基于局部字典的两阶段稀疏表示算法
5.1 基于两阶段的稀疏表示算法
5.1.1 实验结果分析
5.1.2 基于两阶段的稀疏表示算法的不足之处
5.2 基于局部字典的两阶段稀疏表示算法
5.2.1 顺序拆分冗余字典
5.2.2 平均拆分冗余字典
5.2.3 算法的时间复杂度的改进
5.2.4 实验结果分析
5.3 本章小结
总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ROI和CNN的交通标志识别研究[J]. 黄娜君,汪慧兰,朱强军,洪名佳. 无线电通信技术. 2018(02)
[2]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG. Science China（Information Sciences）. 2018(01)
[3]A sharp recovery condition for block sparse signals by block orthogonal multi-matching pursuit[J]. CHEN WenGu,GE HuanMin. Science China（Mathematics）. 2017(07)
[4]基于稀疏表示与小波特征的人脸识别分层框架[J]. 翟素兰,曹庆,谢文浩. 计算机工程与应用. 2016(14)
[5]一种快速的基于稀疏表示的人脸识别算法[J]. 龙法宁,杨夏妮. 图学学报. 2014(06)
[6]图像稀疏表示及其在图像处理中的应用[J]. 孙君顶,赵慧慧. 红外技术. 2014(07)
[7]基于字典学习的核稀疏表示人脸识别方法[J]. 朱杰,杨万扣,唐振民. 模式识别与人工智能. 2012(05)
[8]基于稀疏表示的人脸识别方法[J]. 杨荣根,任明武,杨静宇. 计算机科学. 2010(09)
[9]道路场景中交通标志的检测方法[J]. 张宁,何铁军,高朝晖,黄卫. 交通运输工程学报. 2008(06)
硕士论文
[1]交通标志检测和识别算法研究[D]. 叶阳阳.北京交通大学 2015
[2]基于计算机视觉的交通标志检测与识别研究[D]. 李芬芬.广东工业大学 2014
[3]基于形状特征的交通标志识别系统[D]. 李文强.沈阳工业大学 2014
[4]自然环境下道路交通标志的检测与识别研究[D]. 邓雄伟.南京理工大学 2014
[5]一种基于模板匹配的交通标志识别方法[D]. 王洋.吉林大学 2013
[6]基于颜色和形状特征的交通标志检测[D]. 周广波.大连理工大学 2013
本文编号：3173997
本文链接：https://www.wllwen.com/kejilunwen/qiche/3173997.html
