交通標(biāo)志的識別分類研究及平臺實現(xiàn).pdf

1、為了讓交通更加快捷、安全，交通系統(tǒng)正在經(jīng)歷一場智能化變革，而作為智能交通系統(tǒng)(Intelligent Transportation System，ITS)的核心，交通標(biāo)志識別系統(tǒng)則被眾多研究機(jī)構(gòu)重點關(guān)注。該系統(tǒng)具有廣泛的應(yīng)用前景，在無人駕駛等高科技領(lǐng)域有著不可替代的作用。
　　本文的研究主要集中在交通標(biāo)志的識別方面，共分為四個部分:特征提取、數(shù)據(jù)降維、SVM訓(xùn)練、樣本優(yōu)化。本文提出了基于RkNN的樣本優(yōu)化方法，使SVM在處理大樣本

2、時能表現(xiàn)出更好的實時性，而正確識別率基本保持不變。首先對樣本庫進(jìn)行了樣本初選，去除了識別系統(tǒng)在實際環(huán)境中不會遇到的樣本，例如灰暗到人眼亦無法識別的交通標(biāo)志，隨后根據(jù)交通標(biāo)志的特點，選取了HOG、LBP及Haar這三種具有代表性的識別特征。在將這三種特征送入SVM分類器之前，分別對其進(jìn)行了PCA、LDA兩種方式的數(shù)據(jù)降維，實驗結(jié)果表明，HOG特征與PCA降維的組合方式具有較好的識別效果。但是在實驗過程中發(fā)現(xiàn)在面對大樣本時，SVM訓(xùn)練、識別

3、的實時性不夠好。本文在研究了SVM分類器的特點之后提出了基于RkNN的樣本優(yōu)化方法，可以在數(shù)量龐大的樣本庫中篩選出數(shù)量較少的關(guān)鍵樣本，只利用這些關(guān)鍵樣本點就能達(dá)到原來的識別效果，而SVM訓(xùn)練、識別時間顯著縮短。例如當(dāng)RkNN中k=1、邊界點判定閾值khreshold=1時，識別正確率下降0.535％，但是SVM訓(xùn)練時間降為原來的32.42％，預(yù)測時間降為原來的48.63％，整個系統(tǒng)的實時性得到了提高。最后利用MFC及MATLAB構(gòu)建了交