行車(chē)環(huán)境下多特征融合的交通標(biāo)識(shí)檢測(cè)與識(shí)別研究.pdf

1、隨著社會(huì)經(jīng)濟(jì)的發(fā)展，車(chē)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(shí)自動(dòng)檢測(cè)和識(shí)別獲得越來(lái)越多學(xué)者的關(guān)注和研究，并在駕駛員輔助系統(tǒng)、無(wú)人駕駛車(chē)輛及道路標(biāo)識(shí)的維護(hù)等方面獲得廣泛應(yīng)用。然而，在真實(shí)的復(fù)雜場(chǎng)景中，交通標(biāo)識(shí)會(huì)出現(xiàn)褪色、破損、陰影、遮擋、運(yùn)動(dòng)模糊及顏色與形狀相似物體的干擾，面對(duì)這些問(wèn)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(guó)人口眾多、私家車(chē)日益普及的情況下，交

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

3、圖像產(chǎn)生運(yùn)動(dòng)模糊的問(wèn)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(guò)沖擊濾波器來(lái)預(yù)測(cè)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(jì)。然后對(duì)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(lèi)視覺(jué)特性的Weber定律對(duì)圖像進(jìn)行盲復(fù)原。實(shí)驗(yàn)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(jué)感知特性。
　　(2)針對(duì)交通標(biāo)識(shí)檢測(cè)

4、中樣本類(lèi)別間的不平衡常常導(dǎo)致分類(lèi)器的檢測(cè)性能弱化的問(wèn)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(shí)檢測(cè)方法。根據(jù)交通標(biāo)識(shí)鮮亮的顏色特點(diǎn)，采用顏色增強(qiáng)技術(shù)分割并提取出自然背景中交通標(biāo)識(shí)所在的感興趣區(qū)域;研究了HOG-MBLBP圖像底層融合特征，并對(duì)交通標(biāo)識(shí)樣本庫(kù)提取該融合特征，利用遺傳算法對(duì)SVM交叉驗(yàn)證進(jìn)行參數(shù)的優(yōu)化選取，以此來(lái)訓(xùn)練和提升SVM分類(lèi)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(lèi)器，進(jìn)行進(jìn)一步的精確檢測(cè)和定位，剔除誤檢區(qū)域。在自建的SDU_CVPR_A交通標(biāo)識(shí)樣本庫(kù)及GTS*德國(guó)交通標(biāo)識(shí)庫(kù)上分別進(jìn)行了實(shí)驗(yàn)，結(jié)果驗(yàn)證了所提方法的優(yōu)越性。
　　(3)為了準(zhǔn)確快速識(shí)別出檢測(cè)到的交通標(biāo)識(shí)，研究了一種基于HOG-MBLBP融合特征和極限學(xué)習(xí)機(jī)的交通標(biāo)識(shí)識(shí)別方法。首先針對(duì)中國(guó)交通標(biāo)識(shí)的特點(diǎn)建立了23類(lèi)SDU_CVPR_B交通標(biāo)識(shí)識(shí)別樣本庫(kù)，然后對(duì)交通標(biāo)識(shí)樣本庫(kù)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(lèi)器、SVM分類(lèi)器、KNN分類(lèi)器以及隨機(jī)森林分類(lèi)器進(jìn)行分類(lèi)訓(xùn)練。通過(guò)在自建SDU_CVPR_B交通標(biāo)識(shí)識(shí)別庫(kù)和GTSRB德國(guó)交通標(biāo)識(shí)識(shí)別庫(kù)上進(jìn)行的實(shí)驗(yàn)表明，融合特征結(jié)合ELM分類(lèi)器可以取得較優(yōu)的識(shí)別效果。
　　(4)鑒于語(yǔ)義特征BoF模型在圖像分類(lèi)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(jué)特征與高層語(yǔ)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(shí)識(shí)別方法。首先利用K均值聚類(lèi)方法對(duì)各種局部不變特征進(jìn)行聚類(lèi)，根據(jù)聚類(lèi)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(lèi)器訓(xùn)練。在自建SDU_CVPR_B交通標(biāo)識(shí)庫(kù)和GTSRB德國(guó)庫(kù)上的實(shí)驗(yàn)結(jié)果表明HOG-MBLBP融合特征的分類(lèi)效果較優(yōu)，且HOG-MBLBP融合特征的BoF模型表示進(jìn)行分類(lèi)識(shí)別的效果優(yōu)于HOG-MBLBP融合特征進(jìn)行ELM分類(lèi)識(shí)別的效