基于感興趣區(qū)域的道路交通標志檢測算法研究.pdf

1、面對多樣化的道路環(huán)境以及日趨復雜的交通安全問題，智能交通系統(tǒng)(Intelligent Transportation System，簡稱ITS)和先進輔助駕駛系統(tǒng)應運而生并得到了廣泛關注。與此同時，交通標志識別系統(tǒng)作為ITS系統(tǒng)中的核心技術和前沿領域，現已逐漸成為國內外眾多科研學者的熱門研究課題。在復雜道路環(huán)境下的交通標志容易受到光照、天氣、顏色退化、形狀失真及動態(tài)模糊等因素的影響，因此有效的道路交通標志檢測方法就成為了研究熱點，本文的主

2、要工作內容包括以下幾點:
　　(1)由于自然場景下的道路環(huán)境復雜多變，因此采集到的交通標志圖像需經過預處理環(huán)節(jié)才能更好地進行檢測與識別。本文采用了Gamma校正以及梯度銳化方法來減少光照強度變化的影響以達到增強圖像的目的;同時也比較了中值濾波與自適應多級中值濾波以及高斯濾波與自適應高斯濾波的噪聲抑制能力;最后對比了RGB、HSV、Lab三種不同顏色空間的閾值分割效果。
　　(2)提出了一種基于感興趣區(qū)域和隨機森林分類器的交通

3、標志檢測方法，該檢測方法首先使用線性SVM分類器對交通標志圖像進行顏色轉換，同時結合形狀模板匹配思想計算其對應尺度和位置上的交通標志匹配分數，并根據其匹配分數與事先設定的閾值進行比較判斷，可獲得最終的候選ROIs區(qū)域;然后提取候選ROIs區(qū)域的PHOG特征描述子，結合結構模型學習策略生成隨機森林分類器以完成干擾ROIs區(qū)域的剔除，提高了目標區(qū)域檢測的準確性;最后在學校周邊不同路段環(huán)境下拍攝到的380張交通標志圖像測試數據庫中進行了三組不

4、同的對比實驗，結果表明基于ROIs區(qū)域和隨機森林分類器方法有著較好的檢測效果。
　　(3)針對傳統(tǒng)的基于ICF特征和Adaboost交通標志檢測算法，召回率過低和誤檢率過高的問題，提出了一種基于積分通道特征和多級分類器的交通標志檢測方法，該檢測方法首先對ICF特征進行自適應譜聚類并結合Adaboost算法學習得到目標的ROIs區(qū)域;然后對所獲得的ROIs區(qū)域進行直方圖均衡化，并利用LLC編碼后的SIFT特征與線性SVM相結合生成四