-
摘要交通标志的检测和识别已经进行了多年研究，倾斜标志对检测和识别工作带来了较大困难，文章采用颜色分割和最大极值稳定区域检测方法来检测倾斜交通标志，寻找出候选区域。建立训练集和测试集，提取样本 HOG 特征，使用支持向量机进行分类训练，得到分类模型。最后通过提取候选区域的HOG 特征，用训练处的模型进行分类，从而识别出标志类型。在一般场景中，模拟实验表明该方法有较高的准确度和较快的检测速度，但在较复杂环境中，准确度有所下降。文章中使用方法针对倾斜交通标志，但对一般场景同样适用。50102
- 上一篇：多元函数极值及其应用
- 下一篇：基于低秩表示的图像分类
毕业论文关键词 颜色分割 最大极值稳定区域 支持向量机 候选区域
Title The detection and recognition of patched trafficsign on road image
Abstract The detection and recognition of traffic sign has been processing for many years.However, the inclination of sign makes the recognition difficult. In thisarticle, color segmentation and maximally stable extremal regions are used torecognize the traffic signs, which helps to find out the candidate region. Thenby building up the training and testing sets and extracting the HOG features andusing the support vector machine to classify, we can obtain the model andclassification. Finally, by extracting the HOG feature of the candidate region,we can classify these samples. In this way, we can recognize the type of sign.In the common situation, this method shows high accuracy and speed. But as thesituation become complicated, the accuracy may be damaged. The method in thisarticle pins on the lean sign, but it can work in most common situation
Keywords color segmentation MSER support vector machine region of interest
目次
1绪论..1
1.1课题背景1
1.3文章主要内容3
2基础知识..4
2.1最大极值稳定区域（MSER）..4
2.1.1MSER定义..4
2.1.2MSER提取..5
2.2HOG特征提取.6
2.2.1HOG特征.6
2.2.2HOG特征提取..7
2.3支持向量机（SVM）..9
2.3.1支持向量分类机9
2.3.2SVM分类过程11
3模拟实验12
3.1交通标志检测.12
3.1.1图像预处理12
3.1.2检测步骤.14
3.1.3检测结果.14
3.2交通标志识别.16
3.2.1数据集制作16
3.2.2SVM分类..17
4结果与分析..18
4.1实验结果.18
4.2结果分析.20
结论..22
致谢..24
参考文献25
图2.1MSER的数学定义..4
图2.2MSER示例图..5
图2.3左侧为灰度图，右侧为二值图像.6
图 2.4 单元格和块区域的关系...7
图 2.5 梯度方向分块8
图 2.6 HOG特征示意图 9
图 2.7 线性可分例子. 10
图 2.8 非线性分类..11
图 3.1 原图像..13
图 3.2 输入的四种灰度图像.13
图 3.3 图像检测流程图. 14
图 3.4 MSER检测结果 15
图 3.5 MSER最终候选区域15
图 3.6 交通标志类别. 16
图 3.7 限速20 训练集... 16
图 3.8 HOG单元格和块区域..17
图 3.9 SVM训练流程图.. 17
图 4.1 实验流程图..18
图 4.2 实验结果示意图. 19
图 4.3 实验结果示意图. 19
图 4.4 实验结果示意图. 20
图 4.5 漏检标志分析. 21
表 4.1 实验结果数据统计表.19
1 绪论1.1 课题背景随着科技的发展和人们生活水平的不断提高，人们出行主要依赖汽车等交通工具，但是由于路况等原因，交通事故频发。为了辅助驾驶，提出了交通标示自动检测识别系统，在不利条件或者司机漏看交通标志时给司机提供警示。近年来，自动驾驶一直广受人们关注，自动驾驶的实现将极大改善现有交通情况，较少交通事故的发生。而自动驾驶的实现离不开交通标志的自动检测，交通标志自动识别系统的发展将加速自动驾驶的进程。在场景图像中，输入图像的颜色信息是对照明条件和气候的变化十分敏感的，而且由于在行车过程中位置和角度的不同，会导致观测到的交通标志发生不同程度的形变，在加上由于人为或自然原因导致的标志倾斜，这对交通标志的检测识别带来了较大困难。在城市复杂的环境中，包含大量形状和颜色信息与交通标志相似的非标志目标，这会增加大量的候选标志，增加识别时间和错误识别数量，容易导致非标志目标被识别为交通标志，也会导致标志由于倾斜而被忽略，这种情况下，自动驾驶将很难实现。所以，在城市复杂的环境中实现倾斜交通标志的检测识别尤为重要。本文就倾斜交通标志为基础，进行实验研究，进行倾斜交通标志的检测和识别。1.2 国内外研究现状对于交通标志的检测，由于不同的条件，系统有许多需要考虑的问题，如移动车辆的模糊图像，交通标志的位置发生改变，多个标志相互重叠，交通标志由于长时间暴晒而褪色，交通标志被树木或者海报等自然或人为物体遮挡， 还有和交通标志有类似形状和颜色的物体，这是一个很大的难点。图像检测就是试图寻找一致匹配到给定特征集的图像区域。在分割步骤给定区域中可能增长，缩小，合并，分割，增加或破坏。有两种基于区域的典型分割算法：区域增长和拆分合并。区域增长是最简单和大众化的算法之一，它从一个开始节点或种子像素开始选择，然后，区域通过添加一致的邻接像素点增加，根据确定的匹配标准，一步步增加区域的大小。典型拆分合并技术包括两个基础步骤，如果区域不符合一致标准那么将区域分成四个部分并且每个区域用相同的方法检测直到每个区域都包含均匀像素。第二步，根据另外的标准将所有有相同属性的邻接区域合并。有许多特征被系统用来从自然场景图像中检测和识别交通标志。系统主要包括检测部分和识别部分。检测部分较多使用图像分割。当处理灰度图像时，检索主要基于形状，并且可能是相当昂贵的计算。进行交通标志的检测，传统有三类方法，一类是基于形状检测，如霍夫变化，霍夫圆检测，边角检测和形状匹配，