车辆视觉道路交通标志检测方法研究
发布时间：2021-11-22 07:47
交通标志检测识别作为智能交通系统的关键技术,在辅助驾驶、无人驾驶方面具有广泛应用场景。但由于道路环境复杂,交通标志检测识别过程中会受到自然条件和内部硬件等因素干扰,使得检测识别算法很难达到商业应用要求。因此,本文对自然场景下的道路交通标志检测识别开展研究,主要工作如下:针对,针对道路交通标志的检测识别方法,提出了一种基于颜色信息与融合特征矩输入支持向量机的交通标志检测方法。本文检测方法首先对比了不同颜色空间的色彩表达能力,运用颜色特征进行图像分割,采用形态学处理消除图像中大部分无关信息,获得识别候选区域;然后提取区域中的小波矩特征和HOG特征,选择串联连接方法得到新的特征;将新的特征信息传输SVM中进行分类训练,对图像道路交通标志的颜色形状进行判别。其次我国缺乏统一交通标志数据集问题,本论文在真实道路条件下采集交通标志数据,通过前期的预处理方法对采集数据进行变换、扩充,其预处理方法包括:采用Gamma校正和直方图均衡化预处理技术,增强图像的内部信息,降低光照影响;同时采用中值滤波,消除图像部分噪声,保障图像边缘信息;本章最后设计了交通标志检测识别系统框架,为之后的工作做了知识铺垫和实验...
【文章来源】：上海应用技术大学上海市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
禁令标志示例图
第6页上海应用技术大学硕士学位论文图1.2指示标志示例图Fig.1.2Illustrationdiagramofindicator（3）警告标志警告标志的主要作用是针对前方交通特殊环境或交通变化等信息进行重点说明，给予行驶人员警告信息。我国警告标志涉及49种。常见的警告标志一般以黄色为底面，警告内容呈现黑色图案，外围形状以等边三角形为主。如图1.3所示。图1.3警告标志示例图Fig.1.3Examplewarningsigns1.3.2常用的交通标志数据集介绍交通标志数据集在图像识别领域中占有重要作用。丰富的交通标志数据集不仅涉及到交通标志、标志背景，还会包含其他诸多因素，如光照、亮度、天气等。在训练数据集过程中，数据集特性表现的越丰富，其训练结果表现出的识别广泛性能越好，识别准确率越高。因此，在提高识别准确率上，不单要依靠算法的整体设计优化，还需要可靠的数据集才能完成。GTSRB数据集其特点在于：数据集的图像全部是从自然场景中采集提取出来，适合单图像，多分类问题识别方法研究；该数据集共由五大类43小标志组成，总共图片超过50000张，图片庞大且逼真。该数据集按照大致1：4的数量可分为测试图像和训练图像。43种类的交通标志如图1.4所示。图1.4GTSRB数据集各种类标志样图Fig.1.4GTSRBSampledatasetsforeachtypeoflogo我国交通标志数据集CSUST（ChineseTrafficSignDetectionBenchmark）是长沙理工大学张建明老师团队制作完成[37]。该数据集已超过15000张，并保持不断更新状
第6页上海应用技术大学硕士学位论文图1.2指示标志示例图Fig.1.2Illustrationdiagramofindicator（3）警告标志警告标志的主要作用是针对前方交通特殊环境或交通变化等信息进行重点说明，给予行驶人员警告信息。我国警告标志涉及49种。常见的警告标志一般以黄色为底面，警告内容呈现黑色图案，外围形状以等边三角形为主。如图1.3所示。图1.3警告标志示例图Fig.1.3Examplewarningsigns1.3.2常用的交通标志数据集介绍交通标志数据集在图像识别领域中占有重要作用。丰富的交通标志数据集不仅涉及到交通标志、标志背景，还会包含其他诸多因素，如光照、亮度、天气等。在训练数据集过程中，数据集特性表现的越丰富，其训练结果表现出的识别广泛性能越好，识别准确率越高。因此，在提高识别准确率上，不单要依靠算法的整体设计优化，还需要可靠的数据集才能完成。GTSRB数据集其特点在于：数据集的图像全部是从自然场景中采集提取出来，适合单图像，多分类问题识别方法研究；该数据集共由五大类43小标志组成，总共图片超过50000张，图片庞大且逼真。该数据集按照大致1：4的数量可分为测试图像和训练图像。43种类的交通标志如图1.4所示。图1.4GTSRB数据集各种类标志样图Fig.1.4GTSRBSampledatasetsforeachtypeoflogo我国交通标志数据集CSUST（ChineseTrafficSignDetectionBenchmark）是长沙理工大学张建明老师团队制作完成[37]。该数据集已超过15000张，并保持不断更新状
【参考文献】：
期刊论文
[1]基于改进网中网神经网络的交通标志识别[J]. 李超,杨艳. 信息技术. 2019(09)
[2]基于改进深度卷积神经网络的交通标志识别[J]. 马永杰,李雪燕,宋晓凤. 激光与光电子学进展. 2018(12)
[3]基于深度卷积神经网络的车型识别方法[J]. 袁公萍,汤一平,韩旺明,陈麒. 浙江大学学报(工学版). 2018(04)
[4]基于特征融合和字典学习的交通标志识别[J]. 姚汉利,赵金金,鲍文霞. 计算机技术与发展. 2018(01)
[5]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[6]基于改进的卷积神经网络LeNet-5的车型识别方法[J]. 王秀席,王茂宁,张建伟,程鹏. 计算机应用研究. 2018(07)
[7]基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法[J]. 梁敏健,崔啸宇,宋青松,赵祥模. 交通运输工程学报. 2017(03)
[8]基于Lenet-5的卷积神经网络改进算法[J]. 李丹,沈夏炯,张海香,朱永强. 计算机时代. 2016(08)
[9]基于归一化RGB与椭圆相似度的圆形交通标志检测[J]. 薛玉利. 微型机与应用. 2015 (24)
[10]基于曲率尺度空间角点检测的交通标志分离算法[J]. 李厚杰,邱天爽,宋海玉,王培昌,王鹏杰. 光学学报. 2015(01)
博士论文
[1]复杂大背景下交通标志快速鲁棒的检测和识别研究[D]. 刘春生.山东大学 2016
硕士论文
[1]道路前方交通标志识别算法研究[D]. 童英.安徽工程大学 2019
[2]基于深度学习的交通标志检测识别算法研究[D]. 雪刚刚.桂林电子科技大学 2019
[3]基于支持向量机的交通标志识别[D]. 因晓倩.长安大学 2019
[4]基于机器视觉的交通标志检测与识别算法研究[D]. 王岗.中国矿业大学 2019
[5]基于深度学习的无人小车目标识别研究[D]. 宋佳蓉.南京航空航天大学 2019
[6]道路交通标志的检测算法研究[D]. 邓琼.安徽工程大学 2018
[7]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
[8]基于毫米波雷达与机器视觉融合的前方车辆检测研究[D]. 王亚丽.吉林大学 2013
[9]复杂背景下交通标志的颜色分割[D]. 张培.武汉理工大学 2012
本文编号：3511251
【文章来源】：上海应用技术大学上海市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
禁令标志示例图
第6页上海应用技术大学硕士学位论文图1.2指示标志示例图Fig.1.2Illustrationdiagramofindicator（3）警告标志警告标志的主要作用是针对前方交通特殊环境或交通变化等信息进行重点说明，给予行驶人员警告信息。我国警告标志涉及49种。常见的警告标志一般以黄色为底面，警告内容呈现黑色图案，外围形状以等边三角形为主。如图1.3所示。图1.3警告标志示例图Fig.1.3Examplewarningsigns1.3.2常用的交通标志数据集介绍交通标志数据集在图像识别领域中占有重要作用。丰富的交通标志数据集不仅涉及到交通标志、标志背景，还会包含其他诸多因素，如光照、亮度、天气等。在训练数据集过程中，数据集特性表现的越丰富，其训练结果表现出的识别广泛性能越好，识别准确率越高。因此，在提高识别准确率上，不单要依靠算法的整体设计优化，还需要可靠的数据集才能完成。GTSRB数据集其特点在于：数据集的图像全部是从自然场景中采集提取出来，适合单图像，多分类问题识别方法研究；该数据集共由五大类43小标志组成，总共图片超过50000张，图片庞大且逼真。该数据集按照大致1：4的数量可分为测试图像和训练图像。43种类的交通标志如图1.4所示。图1.4GTSRB数据集各种类标志样图Fig.1.4GTSRBSampledatasetsforeachtypeoflogo我国交通标志数据集CSUST（ChineseTrafficSignDetectionBenchmark）是长沙理工大学张建明老师团队制作完成[37]。该数据集已超过15000张，并保持不断更新状
第6页上海应用技术大学硕士学位论文图1.2指示标志示例图Fig.1.2Illustrationdiagramofindicator（3）警告标志警告标志的主要作用是针对前方交通特殊环境或交通变化等信息进行重点说明，给予行驶人员警告信息。我国警告标志涉及49种。常见的警告标志一般以黄色为底面，警告内容呈现黑色图案，外围形状以等边三角形为主。如图1.3所示。图1.3警告标志示例图Fig.1.3Examplewarningsigns1.3.2常用的交通标志数据集介绍交通标志数据集在图像识别领域中占有重要作用。丰富的交通标志数据集不仅涉及到交通标志、标志背景，还会包含其他诸多因素，如光照、亮度、天气等。在训练数据集过程中，数据集特性表现的越丰富，其训练结果表现出的识别广泛性能越好，识别准确率越高。因此，在提高识别准确率上，不单要依靠算法的整体设计优化，还需要可靠的数据集才能完成。GTSRB数据集其特点在于：数据集的图像全部是从自然场景中采集提取出来，适合单图像，多分类问题识别方法研究；该数据集共由五大类43小标志组成，总共图片超过50000张，图片庞大且逼真。该数据集按照大致1：4的数量可分为测试图像和训练图像。43种类的交通标志如图1.4所示。图1.4GTSRB数据集各种类标志样图Fig.1.4GTSRBSampledatasetsforeachtypeoflogo我国交通标志数据集CSUST（ChineseTrafficSignDetectionBenchmark）是长沙理工大学张建明老师团队制作完成[37]。该数据集已超过15000张，并保持不断更新状
【参考文献】：
期刊论文
[1]基于改进网中网神经网络的交通标志识别[J]. 李超,杨艳. 信息技术. 2019(09)
[2]基于改进深度卷积神经网络的交通标志识别[J]. 马永杰,李雪燕,宋晓凤. 激光与光电子学进展. 2018(12)
[3]基于深度卷积神经网络的车型识别方法[J]. 袁公萍,汤一平,韩旺明,陈麒. 浙江大学学报(工学版). 2018(04)
[4]基于特征融合和字典学习的交通标志识别[J]. 姚汉利,赵金金,鲍文霞. 计算机技术与发展. 2018(01)
[5]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[6]基于改进的卷积神经网络LeNet-5的车型识别方法[J]. 王秀席,王茂宁,张建伟,程鹏. 计算机应用研究. 2018(07)
[7]基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法[J]. 梁敏健,崔啸宇,宋青松,赵祥模. 交通运输工程学报. 2017(03)
[8]基于Lenet-5的卷积神经网络改进算法[J]. 李丹,沈夏炯,张海香,朱永强. 计算机时代. 2016(08)
[9]基于归一化RGB与椭圆相似度的圆形交通标志检测[J]. 薛玉利. 微型机与应用. 2015 (24)
[10]基于曲率尺度空间角点检测的交通标志分离算法[J]. 李厚杰,邱天爽,宋海玉,王培昌,王鹏杰. 光学学报. 2015(01)
博士论文
[1]复杂大背景下交通标志快速鲁棒的检测和识别研究[D]. 刘春生.山东大学 2016
硕士论文
[1]道路前方交通标志识别算法研究[D]. 童英.安徽工程大学 2019
[2]基于深度学习的交通标志检测识别算法研究[D]. 雪刚刚.桂林电子科技大学 2019
[3]基于支持向量机的交通标志识别[D]. 因晓倩.长安大学 2019
[4]基于机器视觉的交通标志检测与识别算法研究[D]. 王岗.中国矿业大学 2019
[5]基于深度学习的无人小车目标识别研究[D]. 宋佳蓉.南京航空航天大学 2019
[6]道路交通标志的检测算法研究[D]. 邓琼.安徽工程大学 2018
[7]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
[8]基于毫米波雷达与机器视觉融合的前方车辆检测研究[D]. 王亚丽.吉林大学 2013
[9]复杂背景下交通标志的颜色分割[D]. 张培.武汉理工大学 2012
本文编号：3511251
本文链接：https://www.wllwen.com/kejilunwen/qiche/3511251.html
