基于神经网络的交通标志识别的算法研究

论文摘要

图像识别一直是模式识别领域中的重要研究课题之一。本文以交通标志的识别为研究背景,通过对其识别流程的详细分析,将课题分为图像分割、图像预处理、特征提取和分类识别。首先,文章提出了基于RGB模型的交通标志分割方法,该方法提取图像的R、G、B三分量。由于目标背景在三个分量图中灰度差异并不大,因此可以使用R、G、B分量图像互减的方法来提取交通标志图像,并用Otsu法动态选取阈值进行分割。结果表明该算法不仅计算量较少,分割效果较为理想,而且提高了系统的实时性。其次,在总结当前国内外研究成果的基础上,本文提出了一种基于Hu矩的改进不变矩特征提取方法。得到一组更一般化的不变矩度量,其并具有旋转、平移和比例不变性。在文中,我们分别运用改进不变矩法与Hu矩法提取交通标志的特征,进而利用BP神经网络作为分类器进行识别。实验结果表明,与传统Hu矩的方法相比,改进后的不变矩特征识别率更高,对交通标志具有很好的分类能力,同时也证明了通过改进提取的特征,不仅可以达到提高识别精度的目的,而且能够满足在车辆自主导航系统中对交通标志识别的要求。显然,本文提出的基于改进不变矩的交通标志识别算法具有优越性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 图像识别的发展及其应用
• 1.3 国内外研究现状
• 1.3.1 交通标志检测与分割的研究现状
• 1.3.2 交通标志的分类识别的研究现状
• 1.4 识别交通标志存在的问题
• 1.5 课题研究内容及论文组织结构
• 1.5.1 课题研究内容
• 1.5.2 论文组织结构
• 第二章 交通标志识别系统设计
• 2.1 交通标志的基本知识
• 2.2 交通标志识别系统框架
• 2.3 图像的采集
• 2.4 图像的分割
• 2.4.1 图像分割的基本含义
• 2.4.2 图像分割的基本方法
• 2.5 特征提取
• 2.5.1 结构特征
• 2.5.2 统计特征
• 2.6 特征识别
• 2.6.1 目标匹配
• 2.6.2 交通标志分类
• 2.7 本章小结
• 第三章 交通标志的检测和分割
• 3.1 交通标志的检测
• 3.1.1 基于RGB彩色空间的交通标志检测方法
• 3.1.2 另一种基于RGB模型的交通标志检测方法
• 3.2 交通标志的分割
• 3.3 本章小结
• 第四章 不变矩在图像识别中的应用
• 4.1 矩和不变矩
• 4.1.1 几何矩
• 4.1.2 低阶矩的性质
• 4.1.3 代数不变矩
• 4.1.4 边界矩（Chen矩）
• 4.2 不变矩改进算法
• 4.3 实验结果
• 4.4 本章小结
• 第五章 基于BP神经网络的交通标志的识别
• 5.1 识别算法简介
• 5.1.1 统计特征识别方法
• 5.1.2 结构特征识别方法
• 5.1.3 神经网络识别方法
• 5.2 神经网络简介
• 5.2.1 人工神经网络的发展历史
• 5.2.2 神经网络的应用和特点
• 5.2.3 神经网络模型
• 5.2.4 神经网络的学习方法
• 5.2.5 神经网络的学习规则
• 5.2.6 神经网络的结构
• 5.3 BP神经网络
• 5.3.1 基本BP算法
• 5.3.2 误差曲面
• 5.3.3 BP算法存在的问题及其改进
• 5.3.4 Levenberg-Marquard算法
• 5.3.5 神经网络的参数设计
• 5.4 BP神经网络设计及仿真结果
• 5.4.1 BP神经网络的设计
• 5.4.2 仿真实验与结果分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 发表论文和科研情况说明
• 致谢