交通標志定位和識別算法研究.pdf

1、隨著無人駕駛技術和輔助駕駛技術研究的不斷深入,交通標志自動定位和識別技術也成為人們研究的一個熱點。交通標志自動定位和識別算法需要實時而且能夠精確的定位、并識別出交通標志,所以算法對魯棒性、準確性、實時性要求很高。本論文第三章論述了交通標志定位算法,算法的原理是結合基于色彩空間的交通標志粗定位和基于區(qū)域形狀精確定位,從而定位出交通標志。常用的粗定位的方法是基于RGB色彩空間的交通標志粗定位,但并不能很好解決光線變化以及顏色失真帶來的問題。

2、本文針對標志定位的實時性、魯棒性、準確性設計了兩種算法分別是:
　　(1)基于L*a*b色彩空間的聚類分割最早是應用于醫(yī)學圖像分割,本論文首次將其應用在交通標志圖像分割上面,取得了很好的效果,算法分割準確率高,提取的交通標志完整,而且對于環(huán)境中光線變化以及交通標志顏色失真具有很強的魯棒性。但聚類分割需要的時間較長。實驗證明這種算法魯棒性、準確性很高,但實時性相對較低。
　　(2)基于YCbCr色彩空間的交通標志的粗定位,也是

3、本論文獨創(chuàng)的一種高效率的定位方法。利用YCbCr色彩空間的在圖像分割上的優(yōu)點,結合交通標志自身的顏色特點,能夠快速、準確的分割出交通標志區(qū)域,算法簡單可行、準確率高、計算量小,而且對光線變以及交通標志顏色失真等因素具有很強的魯棒性。
　　實驗證明這種算法魯棒性、準確性比普通方法要出很多,稍低于基于L*a*b*的方法,但實時性很高,滿足作為交通標志定位識別算法的要求。基于區(qū)域形狀的交通標志精確定位是對粗定位后的圖像中保留的區(qū)域進行形

4、狀分析,利用圓形、三角形、矩形的幾何特征,找出圖像圓形區(qū)域、矩形區(qū)域、三角形區(qū)域,從而定位出待識別交通標志,并將其裁剪出來,提取特征,接著進行下一步交通標志識別。交通標志識別論述了兩種方法,第一種基于相關系數的zernike矩特征匹配,計算待識別交通標志的zernike矩,組成特征向量,再計算與各個標志模板之間zernike矩特征向量相應的相關系數,從而識別出交通標志。這種識別算法的優(yōu)點是算法簡單,不需要大量訓練樣本,當待識別樣本質量較

5、好時,識別率較高。不足之處是,當庫中用于比較的模板過多時,實時性較低;當待識別樣本質量較差時,識別準確率不高。第二種方法是基于BP神經網絡的識別。待識別交通標志經過預處理和標準化后,以圖像的像素作為特征,輸入預先訓練好的神經網絡中進行識別。本文使用200幅交通標志作為訓練樣本對BP神經網絡進行訓練。訓練好的神經網絡具有較高的準確性、實時性。上面使用的方法是使用整個交通標志作為識別對象,而當識別的面積越大,所包含的干擾信息也就越多,準確率