基于图论的交通标志检测研究

发布时间：2017-09-09 08:02

  本文关键词：基于图论的交通标志检测研究

  更多相关文章： 交通标志检测 图论 流行排序 支持向量机

【摘要】：交通标志检测是智能交通领域的一个重要分支,也是自动驾驶和辅助驾驶技术的一个重要模块。随着城市化进程的加快,道路拥挤问题日益加剧,现如今交通标志检测更成为国内外研究的热点之一。如何提高交通标志检测系统在室外复杂环境下的检测能力是智能交通系统实用化的关键。本文正是围绕着交通标志检测这一技术进行研究,提出了一种基于图论的交通标志检测方法。 现存在的交通标志检测系统主要利用形状和颜色信息,这些方法在复杂场景中仍存在局限性,如天气状况导致交通标志颜色的改变,交通路标不完整或被遮挡都可能导致检测率下降。如何有效提高复杂背景下交通标志的检测率和准确率即是本文研究的关键所在。具体工作如下： 1.在分析国内外现有交通标志检测算法的基础上提出了一种基于图论的交通标志检测算法,该算法通过检测显著性区域作为交通标志候选区,利用图论的知识对候选区内的节点进行排序最终生成待处理灰度图。 2.本文改进了一种基于图论的排序算法,该算法是在流行排序的基础上融合了颜色,显著性以及节点的上下文关系等信息,在处理复杂背景下由于模糊,光照,旋转,以及尺度变换等引起的问题时具有良好的辨识度和鲁棒性。 3.提出了一种多阈值分割算法,通过多阈值分割阶段有效地解决复杂背景下模糊,光照,及背景与交通标志融合等问题。 4.设计了基于形状判别的交通标志切割及融合方法,通过判断多阈值分割阶段得到的区域块形状,从而排除特定形状下的干扰区域。通过切割阶段可以将两个连接的交通标志区域分开。而融合阶段可以将由于遮挡等问题分离开的交通标志进行融合。最终准确地分割出交通标志候选区。 5.在研究现有分类算法的基础上,从算法和理论的实现角度重点考察研究了SVM(Support Vector Machine)的强大分类能力,以及SVM在交通标志检测分类方面的应用。以HOG(Histogram of Oriented Gradient)特征作为输入特征,通过对比试验,验证了算法的可行性,证明本文提出的基于图论的交通标志检测算法,对交通标志的光照、旋转和尺度变化具有较强的鲁棒性。
【关键词】：交通标志检测 图论 流行排序 支持向量机
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O157.5;TP18
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-9
• 序言9-12
• 1 引言12-19
• 1.1 论文研究的背景及意义12-13
• 1.2 交通标志检测的研究现状13-16
• 1.3 复杂背景下交通标志检测的难点16
• 1.4 本文主要内容和安排16-19
• 1.4.1 主要研究内容17
• 1.4.2 论文各章安排17-19
• 2 基于图论的区域检测19-26
• 2.1 图论的基础研究19-21
• 2.1.1 图的定义19-20
• 2.1.2 有向图和无向图20-21
• 2.1.3 图的边和结点关系21
• 2.1.4 有权图21
• 2.2 图的矩阵表示21-23
• 2.2.1 关联矩阵22
• 2.2.2 邻接矩阵22-23
• 2.3 基于图论的图像处理技术的优势23-24
• 2.4 基于图论的显著性区域检测24-25
• 2.5 本章小结25-26
• 3 基于图论的交通标志检测系统26-44
• 3.1 直方图均衡化26-28
• 3.2 图论定义28-30
• 3.3 交通标志显著性区域30-31
• 3.4 基于指定颜色及显著性的排序算法31-36
• 3.5 交通标志区域分割36-43
• 3.5.1 多阈值分割36-39
• 3.5.2 基于形状的区域融合和切割39-43
• 3.6 本章小结43-44
• 4 基于方向梯度直方图和SVM结合的交通标志识别44-56
• 4.1 统计学习理论和支持向量机44-50
• 4.1.1 统计学习理论44-46
• 4.1.2 支持向量机46-50
• 4.2 HOG特征简介50-54
• 4.2.1 HOG主要思想及优点50-51
• 4.2.2 HOG特征提取算法的实现过程51-54
• 4.3 HOG+SVM分类器54-55
• 4.4 本章小结55-56
• 5 实验结论56-65
• 5.156-64
• 5.1.1 实验数据库56-58
• 5.1.2 参数设定58-59
• 5.1.3 交通标志检测实验59
• 5.1.4 与现有先进的交通标志检测算法比较59-61
• 5.1.5 检测结果61
• 5.1.6 识别结果61-62
• 5.1.7 处理时间62
• 5.1.8 实验结论62-64
• 5.2 本章小结64-65
• 6 结论与展望65-68
• 6.1 工作总结65-66
• 6.2 展望66-68
• 参考文献68-72
• 作者简历72-74
• 学位论文数据集74

【参考文献】

中国期刊全文数据库 前8条

1 孙光民;王晶;于光宇;李罡;许磊;;自然背景中交通标志的检测与识别[J];北京工业大学学报;2010年10期

2 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期

3 郑芳平;王伟智;;基于小波变换和RBF神经网络的交通标志识别[J];福州大学学报(自然科学版);2007年03期

4 李伦波;马广富;;自然场景下交通标志检测与分类算法研究[J];哈尔滨工业大学学报;2009年11期

5 孙忠贵,王玲;数字图像直方图均衡化的自适应校正研究[J];计算机时代;2004年11期

6 李新;禹翼;;基于SIFT算法的交通标志识别[J];制造业自动化;2012年05期

7 王楠;刘威;陈雪;袁淮;刘积仁;;基于多线索混合的交通标志检测与跟踪[J];控制与决策;2010年08期

8 张夏宜;刘富强;李志鹏;;车载视觉导航系统中的交通标志识别技术[J];上海汽车;2009年01期

，

本文编号：819243