行車環(huán)境下多特征融合的交通標(biāo)識檢測與識別研究.pdf

1、隨著社會經(jīng)濟的發(fā)展，車輛與日俱增，智能交通系統(tǒng)的應(yīng)用受到人們的高度重視。作為智能交通系統(tǒng)的核心關(guān)鍵技術(shù)，交通標(biāo)識自動檢測和識別獲得越來越多學(xué)者的關(guān)注和研究，并在駕駛員輔助系統(tǒng)、無人駕駛車輛及道路標(biāo)識的維護(hù)等方面獲得廣泛應(yīng)用。然而，在真實的復(fù)雜場景中，交通標(biāo)識會出現(xiàn)褪色、破損、陰影、遮擋、運動模糊及顏色與形狀相似物體的干擾，面對這些問題，很多學(xué)者進(jìn)行了深入的研究，但是研究成果還遠(yuǎn)未達(dá)到成熟。尤其是在我國人口眾多、私家車日益普及的情況下，交

2、通堵塞和生命安全問題愈發(fā)嚴(yán)重，因此對交通標(biāo)識自動檢測與識別的研究具有非常重要的理論與現(xiàn)實意義。
　　論文圍繞智能交通系統(tǒng)中交通標(biāo)識自動檢測與識別關(guān)鍵技術(shù)，重點研究了行車環(huán)境下由于車輛加速或者攝像頭抖動造成交通標(biāo)識模糊的問題，圖像的底層特征融合、交通標(biāo)識的顏色分割及感興趣區(qū)域提取問題，以及支持向量機、極限學(xué)習(xí)機和其它分類器在交通標(biāo)識檢測與識別中的應(yīng)用問題。論文的具體研究工作及成果如下:
　　(1)針對行車環(huán)境下攝像頭獲取的視覺

3、圖像產(chǎn)生運動模糊的問題，研究了一種基于稀疏表示和Weber定律的圖像盲復(fù)原算法。該方法首先通過沖擊濾波器來預(yù)測模糊圖像的顯著邊緣，并用多尺度策略由粗到細(xì)進(jìn)行模糊核的估計。然后對圖像盲復(fù)原模型進(jìn)行稀疏正則化約束，并結(jié)合反映人類視覺特性的Weber定律對圖像進(jìn)行盲復(fù)原。實驗結(jié)果表明，提出的盲復(fù)原算法能獲得較優(yōu)的性能，在圖像紋理上能取得較好的復(fù)原效果，并且該方法降低了復(fù)原圖像的邊界偽影，符合人的視覺感知特性。
　　(2)針對交通標(biāo)識檢測

4、中樣本類別間的不平衡常常導(dǎo)致分類器的檢測性能弱化的問題，研究了一種基于感興趣區(qū)域和HOG-MBLBP融合特征的交通標(biāo)識檢測方法。根據(jù)交通標(biāo)識鮮亮的顏色特點，采用顏色增強技術(shù)分割并提取出自然背景中交通標(biāo)識所在的感興趣區(qū)域;研究了HOG-MBLBP圖像底層融合特征，并對交通標(biāo)識樣本庫提取該融合特征，利用遺傳算法對SVM交叉驗證進(jìn)行參數(shù)的優(yōu)化選取，以此來訓(xùn)練和提升SVM分類器性能;最后將提取的感興趣區(qū)域圖像的HOG-MBLBP特征送入訓(xùn)練好的

5、SVM多分類器，進(jìn)行進(jìn)一步的精確檢測和定位，剔除誤檢區(qū)域。在自建的SDU_CVPR_A交通標(biāo)識樣本庫及GTS*德國交通標(biāo)識庫上分別進(jìn)行了實驗，結(jié)果驗證了所提方法的優(yōu)越性。
　　(3)為了準(zhǔn)確快速識別出檢測到的交通標(biāo)識，研究了一種基于HOG-MBLBP融合特征和極限學(xué)習(xí)機的交通標(biāo)識識別方法。首先針對中國交通標(biāo)識的特點建立了23類SDU_CVPR_B交通標(biāo)識識別樣本庫，然后對交通標(biāo)識樣本庫分別提取HOG特征、BLBP特征、MBLBP特

6、征以及HOG-MBLBP融合特征，并將提取特征分別輸入ELM分類器、SVM分類器、KNN分類器以及隨機森林分類器進(jìn)行分類訓(xùn)練。通過在自建SDU_CVPR_B交通標(biāo)識識別庫和GTSRB德國交通標(biāo)識識別庫上進(jìn)行的實驗表明，融合特征結(jié)合ELM分類器可以取得較優(yōu)的識別效果。
　　(4)鑒于語義特征BoF模型在圖像分類任務(wù)中的廣泛應(yīng)用，為了更好地表達(dá)圖像，建立底層視覺特征與高層語義特征間的關(guān)系，研究了一種基于融合特征BoF模型的金字塔匹配交

7、通標(biāo)識識別方法。首先利用K均值聚類方法對各種局部不變特征進(jìn)行聚類，根據(jù)聚類中心構(gòu)建各自的詞典，然后進(jìn)行BoF模型的圖像直方圖表示，并采用空間金字塔策略以充分利用局部不變特征的空間結(jié)構(gòu)信息，最后進(jìn)行SVM分類器訓(xùn)練。在自建SDU_CVPR_B交通標(biāo)識庫和GTSRB德國庫上的實驗結(jié)果表明HOG-MBLBP融合特征的分類效果較優(yōu)，且HOG-MBLBP融合特征的BoF模型表示進(jìn)行分類識別的效果優(yōu)于HOG-MBLBP融合特征進(jìn)行ELM分類識別的效