基于多特征的交通标志图像检测研究

论文摘要

随着当今社会现代化进程的高速推进与经济的快速发展,城市交通拥挤与堵塞现象已日趋严重。在这种情况下,智能交通系统（Intelligent Transportation System,简称ITS）应运而生并且受到广泛关注,交通标志识别系统（Road Sign Recognition,简称RSR）作为智能交通系统ITS的重要组成部分也已成为研究的热点。本论文主要在自然场景下交通标志图像预处理、交通标志检测与交通标志分类三方面展开研究。文中首先采用RGB差值阈值算法和HSV空间彩色阈值算法实现颜色分割,并给出了自然场景下,交通标志颜色分割的算法建议；接着,本文对交通标志检测中基于形状特征的检测做了详尽分析,通过交通标志边缘检测试验,选出最优边缘检测算法,针对圆形交通标志的检测,采用改进的Hough变换圆形检测算法加以实现；针对三角形交通标志,则提出结合对称性的模板匹配和基于模糊规则的两种三角形检测算法；通过交通标志检测试验,发现使用综合多特征检测比使用单一特征检测能得到更好的效果。交通标志分类方面,阐述了特征提取和统计学习分类理论,通过支持向量机的方法实现了交通标志的三层分类与判别。本文用Visual C++6.0编程,实现了上述算法,并对以上算法有效性进行了分析。实验表明：算法有较好的检测、识别性能,结果令人较满意,当然,算法本身及程序还存在诸多不足,有待进一步改进和研究分析。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 交通标识检测的研究现状
• 1.2.2 交通标识分类判别的研究现状
• 1.3 存在问题
• 1.4 本文研究的主要内容
• 1.5 论文的组织和结构
• 2 交通标识识别技术理论与系统构架
• 2.1 引言
• 2.2 交通标志的基本知识
• 2.2.1 交通标志的分类
• 2.3 交通标志识别的关键技术
• 2.3.1 图像预处理技术
• 2.3.2 图像检测技术
• 2.3.3 模式识别技术
• 2.4 自然场景下的交通标志图像
• 2.5 交通标志识别的系统构架
• 2.6 本章小结
• 3 图像预处理
• 3.1 引言
• 3.2 图像增强技术
• 3.2.1 Gamma矫正
• 3.2.2 HSI空间直方图均衡化方法
• 3.3 图像滤波技术
• 3.3.1 中值滤波
• 3.3.2 自适应多级中值滤波
• 3.3.3 Symmetric Neatest Neighbor（SNN）滤波
• 3.3.4 滤波方法比较
• 3.4 本章小结
• 4 基于多特征的交通标志图像检测与颜色分割
• 4.1 引言
• 4.2 基于多特征的图像检测
• 4.2.1 交通标志检测算法流程
• 4.2.2 交通标志检测流程
• 4.3 彩色空间与相互转换
• 4.3.1 彩色空间模型
• 4.3.2 RGB彩色空间
• 4.3.3 HSV彩色空间
• 4.4 交通标志图像彩色分割
• 4.4.1 彩色图像分割概述
• 4.4.2 基于RGB分量差值的交通标志的颜色分割
• 4.4.3 HSV彩色空间的颜色分割
• 4.4.4 性能比较与算法选择
• 4.5 本章小结
• 5 交通标志图像形状检测
• 5.1 引言
• 5.2 边缘检测
• 5.2.1 边缘检测算子比较
• 5.2.2 边缘检测效果分析
• 5.3 形状分析算法研究
• 5.3.1 基于Hough变换的圆型交通标志检测
• 5.3.2 结合对称性的三角形交通标志检测
• 5.3.3 基于模糊规则的三角形检测算法
• 5.4 交通标志检测结果与分析
• 5.5 本章小结
• 6 交通标志图像的特征提取与分类识别
• 6.1 引言
• 6.2 交通标志的特征提取
• 6.3 模式识别理论
• 6.3.1 模式识别系统
• 6.3.2 图像模式识别
• 6.4 基于支持向量机的交通标志分类算法
• 6.4.1 统计学习理论
• 6.4.2 支持向量机
• 6.4.3 基于支持向量机的交通标志识别
• 6.5 本章小结
• 7 结论及展望
• 7.1 本文的主要工作
• 7.2 进一步工作的方向
• 致谢
• 参考文献