视觉感知结合学习的道路交通标线检测与识别方法

发布时间：2017-07-21 03:19

  本文关键词：视觉感知结合学习的道路交通标线检测与识别方法

  更多相关文章： 道路交通标线 视觉注意机制 显著性检测模型 Real Ada Boost

【摘要】：在中国每年大约有超过200,000人死于车祸,多达90%的事故是由司机的失误引起的[1]。自动驾驶有助于减少人类因素造成的交通事故。在结构化道路中如何按照道路交通法规正确行驶是自动驾驶技术的挑战之一,而按照交通法规正确行驶的前提就是进行道路交通标线的检测,例如:如何检测直行指示标线和转弯指示标线、掉头和禁止掉头标线,车道线等线型目标以及禁止停车等几何线型目标等。现有的基于道路模型、基于视觉注意机制和基于学习的目标检测和识别方法存在检测精度不高、鲁棒性差等不足;并且传统的道路检测主要针对车道线和路侧交通标志的检测,鲜少有针对路面交通标线的检测和识别。基于此,论文首先分析道路交通标线及显著性相关原理。其次在充分利用道路交通标线多种特征的基础上,提出基于视觉注意机制的道路交通标线检测方法对道路交通标线进行检测;针对样本的不平衡权重分布以及训练集的异常值问题,本文提出视觉感知结合学习的道路交通标线识别方法对道路交通标线进行识别。最后在结构化道路环境下,基于本文数据集论文对算法进行测试及验证。论文的研究内容及主要创新成果包括以下几个方面:(1)提出一种基于视觉注意机制的道路交通标线检测方法。首先,在利用颜色特征向量和轮廓特征向量建立空间上下文显著特征的基础上,建立一种基于上下文信息的道路交通标线层次显著性检测模型;其次,采用余弦相似性度量的方法融合多层显著性特征,得到道路交通标线的显著图;最后,利用滑动窗口和非极大值抑制的方法对道路交通标线进行粗定位。(2)提出一种视觉感知结合学习的道路交通标线识别方法。在分析多分类Real AdaBoost算法的基础上,针对样本的不平衡权重分布以及训练集的异常值问题,本文提出一种异常值鲁棒的MR_AdaBoost算法,并结合HOG特征训练分类器。通过分类器论文完成测试图像的道路交通标线识别。(3)在结构化道路环境下进行算法测试及验证。论文采用国际公开的评价指标DET、ROC、MAE和PR曲线对算法的性能进行评估。算法测试结果表明,论文算法与几种主流的显著性检测算法相比,基于视觉注意机制的道路交通标线检测算法在MAE和PR曲线方面具有较好的表现。视觉感知结合学习的道路交通标线识别方法在多分类结果中达到90%以上的识别精度,并且具有较高的真阳性率和较低的假阳性率。
【关键词】：道路交通标线 视觉注意机制 显著性检测模型 Real Ada Boost
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U463.6
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 论文研究背景10-11
• 1.2 论文研究意义11-12
• 1.3 国内外研究现状12-15
• 1.3.1 基于模型的车道线检测方法12-13
• 1.3.2 基于视觉注意机制的车道线检测方法13-14
• 1.3.3 基于学习的道路交通标线分类方法14-15
• 1.4 论文主要内容及章节安排15-17
• 第二章 道路交通标线及显著性相关原理分析17-26
• 2.1 道路交通标线定义与分类17-21
• 2.1.1 指示标线18-19
• 2.1.2 禁止标线19-20
• 2.1.3 警告标线20-21
• 2.2 显著性相关原理分析21-25
• 2.2.1 显著性特征21-22
• 2.2.2 马尔可夫链22-23
• 2.2.3 相似性度量23-25
• 2.3 本章小结25-26
• 第三章 基于视觉注意机制的道路交通标线检测方法26-43
• 3.1 视觉特征提取27-32
• 3.1.1 色彩空间转换27-30
• 3.1.2 特征提取30-32
• 3.2 基于上下文信息的道路交通标线层次显著性检测模型32-38
• 3.2.1 上下文特征融合32-33
• 3.2.2 图表示33-34
• 3.2.3 基于先验信息的显著度图34-35
• 3.2.4 基于马尔可夫链的层次显著性检测模型35-37
• 3.2.5 基于相似性度量的层次显著性融合算法37-38
• 3.3 显著道路交通标线粗定位38-40
• 3.3.1 非极大值抑制39
• 3.3.2 道路交通标线粗定位39-40
• 3.4 算法测试及实验结果40-42
• 3.5 本章小结42-43
• 第四章 视觉感知结合学习的道路交通标线识别方法43-58
• 4.1 分类器的选择43-46
• 4.1.1 支持向量机SVM分类器43-44
• 4.1.2 Boosting分类器44-46
• 4.2 视觉感知结合学习的道路交通标线识别46-56
• 4.2.1 方向梯度直方图46-49
• 4.2.2 多分类Real AdaBoost算法49-51
• 4.2.3 MR_AdaBoost分类器51-54
• 4.2.4 基于MR_AdaBoost的道路交通标线识别方法54-56
• 4.3 算法测试及实验结果56
• 4.4 本章小结56-58
• 第五章 结构化道路环境下的算法测试及验证58-70
• 5.1 结构化道路概念58-59
• 5.2 结构化道路环境下交通标线检测59-64
• 5.2.1 数据集59-60
• 5.2.2 评价标准60
• 5.2.3 算法性能分析60-63
• 5.2.4 运行时间63-64
• 5.2.5 结论64
• 5.3 结构化道路环境下交通标线识别64-69
• 5.3.1 评价标准64-65
• 5.3.2 分类器性能分析65-66
• 5.3.3 算法性能分析66-68
• 5.3.4 运行时间68-69
• 5.4 本章小结69-70
• 总结与展望70-72
• 参考文献72-76
• 攻读硕士学位期间取得的研究成果76-77
• 致谢77

【参考文献】

中国期刊全文数据库 前9条

1 李鹏宇;梁春美;;物联网智能车辆识别系统设计[J];通讯世界;2016年01期

2 郝运河;张浩峰;於敏杰;易磊;;基于K-means特征的复杂环境下道路识别算法[J];计算机应用研究;2016年02期

3 吴毅华;梁华为;王智灵;梅涛;辛煜;黄如林;;基于激光雷达回波信号的自适应阈值车道线检测[J];机器人;2015年04期

4 陈雷;陈启军;;上下文场景识别模型的稀疏贝叶斯判别学习方法[J];控制与决策;2012年09期

5 付忠良;;关于Real AdaBoost算法的分析与改进[J];电子科技大学学报;2012年04期

6 王静;王海亮;向茂生;韦立登;刘忠胜;;基于非极大值抑制的圆目标亚像素中心定位[J];仪器仪表学报;2012年07期

7 曲永宇;刘清;郭建明;周生辉;;基于HOG和颜色特征的行人检测[J];武汉理工大学学报;2011年04期

8 刘富强;张姗姗;朱文红;李志鹏;;一种基于视觉的车道线检测与跟踪算法[J];同济大学学报(自然科学版);2010年02期

9 雷涛;樊养余;王小鹏;王履程;;基于形态学结构元素建模的车道线检测算法[J];计算机应用;2009年02期

，

本文编号：571234