道路交通标志的检测算法研究
发布时间：2021-05-18 12:40
随着我国道路交通的迅猛发展,众多交通事故频发,辅助驾驶系统和无人驾驶系统应运而生。交通标志的检测与识别作为智能交通系统的重要组成部分,已成为目前交通领域的重点研究课题。概括来说,交通标志的检测与识别系统主要有分割交通标志和识别分类交通标志两部分组成。本文主要完成了下面几个方面的内容:（1）由于现实环境中的道路情况复杂多变,因此获得的交通标志图像需要经过预处理步骤才能较好地被检测与识别。本文采用Gamma校正及直方图均衡化方法来减少光照强度变化的影响达到增强图像的目的;同时采用中值滤波消除交通标志图像中的噪声,用维纳滤波消除图像采集过程中产生的运动模糊;最后对比了RGB、HSV、HSI三种不同色彩模型空间的特点以及相互转化方式。（2）针对道路交通标志检测系统中的检测准确率问题,提出了一种基于颜色特征与支持向量机（SVM,Support Vector Machine）融合的交通标志精检测算法。该检测方法首先采用HSV三个颜色通道实施阈值分割,采用形态学开运算操作消除大部分无关区域,同时对处理后的图像进行填充,并采用连通区域标记的方法把不同物体分开,得到感兴趣区域;然后分别提取粗检测标志图像...
【文章来源】：安徽工程大学安徽省
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究的背景及意义
1.2 国内外研究的动态和现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文研究的主要内容和文章的结构布局
第2章 交通标志检测基础
2.1 交通标志数据集采集及分析
2.2 常用的颜色模型
2.2.1 RGB颜色模型
2.2.2 HSV颜色模型
2.2.3 HSI颜色模型
2.3 交通标志预处理
2.3.1 图像增强处理
2.3.2 图像复原技术
2.4 本章小结
第3章 基于颜色特征和SVM融合的交通标志检测
3.1 基于HSV模型空间的颜色分割
3.1.1 颜色特征空间的选择
3.1.2 基于HSV颜色空间的交通标志粗分割
3.1.3 实验与分析
3.2 疑似区域预处理
3.2.1 形态学处理
3.2.2 二值图像连接操作
3.2.3 实验与分析
3.3 不变矩特征
3.3.1 小波不变矩特征
3.3.2 Legendre矩特征
3.3.3 组合矩特征
3.4 基于SVM的交通标志精检测
3.4.1 支持向量机原理
3.4.2 分类器训练
3.5 组合矩特征+SVM进行形状判别
3.6 本章小结
第4章 基于卷积神经网络的交通标志识别
4.1 卷积神经网络结构
4.1.1 卷积层
4.1.2 激活层
4.1.3 池化层
4.1.4 全连接层
4.2 卷积网络训练方法
4.3 防止过拟合技术
4.3.1 Dropout技术
4.4 基于VGG-16模型的交通标志识别算法
4.4.1 数据预处理
4.4.2 VGG-16网络结构
4.5 实验及分析
4.5.1 模型训练参数
4.5.2 模型训练过程
4.5.3 实验结果
4.6 本章小结
第五章 总结和展望
5.1 本文总结
5.2 展望
参考文献
攻读学位期间撰写的专利
致谢
【参考文献】：
期刊论文
[1]深度模型集成的不良图像分类[J]. 张晨,杜刚,杜雪涛. 北京交通大学学报. 2017(06)
[2]圆形交通标志牌识别系统的仿生设计[J]. 吴磊,张震,程伟伟,张斌. 电子测量与仪器学报. 2017(03)
[3]交通标志检测研究综述[J]. 温斯傲,李志民,郝博闻,倪钰婷,钟玲. 智能计算机与应用. 2016(03)
[4]自然场景中道路交通标志形状的检测与校正[J]. 潘铭星,孙涵. 计算机与现代化. 2016(02)
[5]基于维纳滤波的高斯含噪图像去噪[J]. 张东,覃凤清,曹磊,刘书君. 宜宾学院学报. 2013(12)
[6]基于颜色和形状的道路交通标志检测[J]. 陈维馨,李翠华,汪哲慎. 厦门大学学报(自然科学版). 2007(05)
[7]医学图像处理中滤波技术的研究[J]. 盖立平,王桂莲,陈艳霞,丁晓东,王礼,刘铁利. 医疗卫生装备. 2007(06)
[8]图像处理中GAMMA校正的研究和实现[J]. 彭国福,林正浩. 电子工程师. 2006(02)
[9]基于不变矩和神经网络的交通标志识别方法研究[J]. 王坤明,许忠仁. 计算机应用研究. 2004(03)
[10]基于数学形态学的交通标志自动识别[J]. 蒋刚毅,郑义,郁梅. 汕头大学学报(自然科学版). 1998(01)
博士论文
[1]基于SVM的入侵检测系统研究[D]. 孙钢.北京邮电大学 2007
硕士论文
[1]交通标志自动检测与识别算法研究[D]. 卢艳君.武汉科技大学 2015
[2]基于中值滤波和小波变换的图像去噪算法研究[D]. 田流芳.河北大学 2014
[3]基于分块核函数特征的交通标识识别[D]. 齐朗晔.南京理工大学 2013
[4]复杂背景下交通标志的颜色分割[D]. 张培.武汉理工大学 2012
[5]基于多特征的交通标志图像检测研究[D]. 陆屾.南京理工大学 2010
本文编号：3193807
【文章来源】：安徽工程大学安徽省
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究的背景及意义
1.2 国内外研究的动态和现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文研究的主要内容和文章的结构布局
第2章 交通标志检测基础
2.1 交通标志数据集采集及分析
2.2 常用的颜色模型
2.2.1 RGB颜色模型
2.2.2 HSV颜色模型
2.2.3 HSI颜色模型
2.3 交通标志预处理
2.3.1 图像增强处理
2.3.2 图像复原技术
2.4 本章小结
第3章 基于颜色特征和SVM融合的交通标志检测
3.1 基于HSV模型空间的颜色分割
3.1.1 颜色特征空间的选择
3.1.2 基于HSV颜色空间的交通标志粗分割
3.1.3 实验与分析
3.2 疑似区域预处理
3.2.1 形态学处理
3.2.2 二值图像连接操作
3.2.3 实验与分析
3.3 不变矩特征
3.3.1 小波不变矩特征
3.3.2 Legendre矩特征
3.3.3 组合矩特征
3.4 基于SVM的交通标志精检测
3.4.1 支持向量机原理
3.4.2 分类器训练
3.5 组合矩特征+SVM进行形状判别
3.6 本章小结
第4章 基于卷积神经网络的交通标志识别
4.1 卷积神经网络结构
4.1.1 卷积层
4.1.2 激活层
4.1.3 池化层
4.1.4 全连接层
4.2 卷积网络训练方法
4.3 防止过拟合技术
4.3.1 Dropout技术
4.4 基于VGG-16模型的交通标志识别算法
4.4.1 数据预处理
4.4.2 VGG-16网络结构
4.5 实验及分析
4.5.1 模型训练参数
4.5.2 模型训练过程
4.5.3 实验结果
4.6 本章小结
第五章 总结和展望
5.1 本文总结
5.2 展望
参考文献
攻读学位期间撰写的专利
致谢
【参考文献】：
期刊论文
[1]深度模型集成的不良图像分类[J]. 张晨,杜刚,杜雪涛. 北京交通大学学报. 2017(06)
[2]圆形交通标志牌识别系统的仿生设计[J]. 吴磊,张震,程伟伟,张斌. 电子测量与仪器学报. 2017(03)
[3]交通标志检测研究综述[J]. 温斯傲,李志民,郝博闻,倪钰婷,钟玲. 智能计算机与应用. 2016(03)
[4]自然场景中道路交通标志形状的检测与校正[J]. 潘铭星,孙涵. 计算机与现代化. 2016(02)
[5]基于维纳滤波的高斯含噪图像去噪[J]. 张东,覃凤清,曹磊,刘书君. 宜宾学院学报. 2013(12)
[6]基于颜色和形状的道路交通标志检测[J]. 陈维馨,李翠华,汪哲慎. 厦门大学学报(自然科学版). 2007(05)
[7]医学图像处理中滤波技术的研究[J]. 盖立平,王桂莲,陈艳霞,丁晓东,王礼,刘铁利. 医疗卫生装备. 2007(06)
[8]图像处理中GAMMA校正的研究和实现[J]. 彭国福,林正浩. 电子工程师. 2006(02)
[9]基于不变矩和神经网络的交通标志识别方法研究[J]. 王坤明,许忠仁. 计算机应用研究. 2004(03)
[10]基于数学形态学的交通标志自动识别[J]. 蒋刚毅,郑义,郁梅. 汕头大学学报(自然科学版). 1998(01)
博士论文
[1]基于SVM的入侵检测系统研究[D]. 孙钢.北京邮电大学 2007
硕士论文
[1]交通标志自动检测与识别算法研究[D]. 卢艳君.武汉科技大学 2015
[2]基于中值滤波和小波变换的图像去噪算法研究[D]. 田流芳.河北大学 2014
[3]基于分块核函数特征的交通标识识别[D]. 齐朗晔.南京理工大学 2013
[4]复杂背景下交通标志的颜色分割[D]. 张培.武汉理工大学 2012
[5]基于多特征的交通标志图像检测研究[D]. 陆屾.南京理工大学 2010
本文编号：3193807
本文链接：https://www.wllwen.com/kejilunwen/qiche/3193807.html
