自然场景下交通标志的检测与分类算法研究

论文摘要

随着社会的发展,汽车逐渐地普及,现有的道路通过能力逐渐难以满足交通量快速增长的需要。交通拥挤加剧,事故频发,公路交通安全和运输效率等问题变得日益突出。在此背景下,欧美发达国家已从修建更多的道路、扩展路网规模逐步转移到采用高新技术改造现有的道路交通系统和管理体系上,即开展了智能交通系统（ITS: Intelligent Transportation System）的研究。ITS是一个集通讯、检测、控制与计算机等技术为一体的综合信息管理系统,实现该系统的一个关键技术是发展具有主动安全技术的智能车辆。发展具有主动安全技术的智能车辆已成为各国政府、研究机构和汽车制造商的一个重要目标。基于计算机视觉的交通标志识别是智能车辆的关键技术和难点之一,它包括自然场景下交通标志的检测与较大类别交通标志的分类理解技术。尽管学者们对这些问题进行了多年的研究,但问题仍然没有得到很好的解决,主要表现为复杂环境下算法的鲁棒性较差。针对这种情况,本论文在交通标志检测、自然场景图像的色彩增强与交通标志分类三方面展开研究。为了快速、准确地从自然场景图像中检测出交通标志,提出了一种基于局部特征的标志检测算法。该算法先将RGB格式的交通标志图像转换到HSV彩色空间,通过固定阈值进行颜色分割,提取出目标区域;然后针对多边形和圆形交通标志,提出一种统一的对称局部特征检测模板来提取目标区域的特征,在此基础上根据交通标志的形状特征设计一组模糊推理规则来判定目标区域的形状,进而从场景图像中检测出交通标志。对晴天、多云与小雨天气状况下共3000幅自然场景图像进行交通标志检测实验,实验结果表明,该算法能够克服标志大小变化、旋转变化和视角变化等的影响,具有良好的鲁棒性,验证了该检测算法的有效性。针对光照变化、天气变化和颜色退化等因素造成的交通标志漏检问题,提出了一种改进的颜色分割算法。该算法先对RGB格式的交通标志图像采用色彩恒常性算法进行彩色增强,然后将其转换到HSV彩色空间进行颜色分割。标志检测实验结果表明,该算法能够有效地克服光照、天气、颜色退化对交通标志颜色的影响,更好地分割出交通标志的特征颜色,从而进一步提高交通标志正确检测率。针对交通标志这类大类别分类问题,提出一种由粗到精的分层决策分类算法。该算法先利用我国交通标志的特征颜色进行分类决策,然后再根据颜色和形状进一步分成子类,这样可简化分类系统设计,提高分类精度。在对子分类系统设计时,提出一种概率神经网络（PNN: Probabilistic Neural Network）优化设计算法。该算法在利用径向Tchebichef不变矩提取交通标志特征的基础上,采用Global K -means聚类算法优化PNN网络结构,然后利用粒子群算法（PSO: Particle Swarm Optimization）优化模式层核函数控制参数矩阵,以提高网络的泛化性能。实验结果表明,该分类系统不仅具有精简的结构,而且可获得较高的分类精度和较好的泛化性能。考虑到交通标志分类始终是有限样本分类问题,在研究基于支持向量机（SVM: Support Vector Machine）的多类别分类理论的基础上,对交通标志分类系统中子类标志设计了C -支持向量分类机和ν支持向量分类机进行分类。交通标志分类实验表明,基于支持向量机的分类器能够获得较高的分类精度和更好的泛化性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的背景及意义
• 1.2 国内外研究现状和进展
• 1.2.1 交通标志检测算法的研究现状
• 1.2.2 交通标志分类算法的研究现状
• 1.3 本文的主要内容和安排
• 第2章 交通标志检测与分类的基础
• 2.1 引言
• 2.2 交通标志的基础知识
• 2.2.1 警告标志
• 2.2.2 禁令标志
• 2.2.3 指示标志
• 2.3 彩色空间与颜色特性分析
• 2.3.1 颜色的基本特性
• 2.3.2 彩色空间模型
• 2.3.3 各种彩色空间下的颜色特性分析
• 2.4 交通标志识别系统的框架设计
• 2.5 本章小结
• 第3章 基于局部特征的交通标志检测算法
• 3.1 引言
• 3.2 HSV 彩色空间的颜色分割
• 3.3 基于局部特征的交通标志检测算法
• 3.3.1 自适应多级中值滤波
• 3.3.2 形态学图像处理
• 3.3.3 交通标志形状的局部特征提取
• 3.3.4 基于模糊规则的形状判别算法
• 3.3.5 交通标志检测算法流程
• 3.4 实验结果与分析
• 3.4.1 实验数据的建立
• 3.4.2 交通标志检测结果与分析
• 3.5 本章小结
• 第4章 色彩恒常性算法在交通标志检测中的应用
• 4.1 引言
• 4.2 彩色图像增强
• 4.2.1 颜色视觉理论
• 4.2.2 彩色图像增强算法
• 4.3 色彩恒常性算法
• 4.3.1 Retinex 原理
• 4.3.2 基于局部空间颜色平均的色彩恒常性算法
• 4.4 色彩恒常性在交通标志检测中的应用
• 4.4.1 基于色彩恒常性的颜色分割
• 4.4.2 交通标志检测实验
• 4.5 本章小结
• 第5章 基于概率神经网络的交通标志分类算法研究
• 5.1 引言
• 5.2 交通标志的特征提取
• 5.2.1 不变矩理论
• 5.2.2 基于Tchebichef 不变矩的特征提取
• 5.3 概率神经网络的优化设计
• 5.3.1 概率神经网络简介
• 5.3.2 Global K-Means 聚类算法
• 5.3.3 粒子群优化算法
• 5.3.4 概率神经网络的两步优化策略
• 5.4 交通标志分类系统设计
• 5.5 实验结果与分析
• 5.5.1 不变矩对比实验
• 5.5.2 交通标志分类实验
• 5.6 本章小结
• 第6章 基于支持向量机的交通标志分类算法研究
• 6.1 引言
• 6.2 统计学习理论
• 6.2.1 机器学习问题的表示
• 6.2.2 经验风险最小化原则及存在问题
• 6.2.3 学习过程的一致性条件
• 6.2.4 函数集的学习性能与VC 维
• 6.2.5 泛化性能的界
• 6.2.6 结构风险最小化
• 6.3 支持向量分类机
• 6.3.1 线性可分情况下的支持向量分类机
• 6.3.2 非线性可分情况下的支持向量分类机
• 6.4 支持向量机多类别分类算法
• 6.4.1 多类支持向量机
• 6.4.2 一对多分类方法
• 6.4.3 一对一分类方法
• 6.4.4 DAGSVM 分类方法
• 6.5 基于SVM 的交通标志分类实验
• 6.6 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的学术论文
• 致谢
• 个人简历