自然場景下退化交通標志檢測算法研究.pdf

1、交通標志識別系統(tǒng)作為智能交通系統(tǒng)的重要組成部分，為駕駛員提供道路場景中交通標志的位置和類別。獲取交通標志所在位置是交通標志識別的前提，準確的檢測結果能大大提高交通標志的識別效率和準確率。在實際交通環(huán)境中，交通標志易受到光照、遮擋、陰影、旋轉、背景色相似等問題的干擾，嚴重影響了交通標志的檢測率，我們稱之為退化交通標志問題。本文針對退化交通標志的特點，分別從圖像增強、分割、特征提取和分類等方面做了深入的研究，具體的工作為:
　　(1)

2、針對場景圖中交通標志易出現(xiàn)的光照不均、陰影、消色等退化問題，提出了一種歸一化RGB閾值增強算法。該算法在RGB顏色空間中采用歸一化的方式來消除光照和陰影的影響，又分別使用兩種不同增強方法增強彩色底交通標志和白色底交通標志（包括消色標志），有利于提高這兩類不同底色交通標志的檢測率。該算法能比較好地解決上述退化問題，有效增強交通標志候選區(qū)域，抑制背景區(qū)域。
　　(2)針對交通標志與背景顏色相似和多個交通標志互相粘連導致的分割問題，采用

3、了基于區(qū)域檢測的最大穩(wěn)定極值區(qū)域(Maximally Stable Extremal Regions，MSER)分割算法，能有效分割出交通標志候選區(qū)域。但其問題是候選區(qū)域多、運算量大，本文對MSER算法參數(shù)和區(qū)域篩選環(huán)節(jié)進行了優(yōu)化，減少了候選區(qū)域，提高了算法效率。
　　(3)針對交通標志局部遮擋的退化問題，基于方向梯度直方圖(Histogram ofOriented Gradient，HOG)特征和線性支持向量機(Support

4、Vector Machine，SVM)的分類器結構，給出了一種新型分類方法。傳統(tǒng)HOG特征和SVM方法基于整個候選區(qū)域進行特征提取和分類，遮擋部分會降低候選區(qū)域的得分。本方法對候選區(qū)域進行16分塊(block)，根據(jù)每個block的得分情況剔除可能為遮擋區(qū)域的block，提高局部遮擋標志的整體得分，從而有效提高了局部遮擋標志的分類準確性。
　　本文主要針對退化交通標志進行研究，設計了一套交通標志檢測流程。通過實驗驗證，設計的交通檢