自然環(huán)境下道路交通標志的檢測與識別.pdf

1、據(jù)相關機構統(tǒng)計全世界每年有130萬人左右因為道路交通事故而喪失珍貴的生命，其中與駕駛員自身因素相關的酒后或疲勞駕駛、超速行駛等成為了這些交通安全事故的主要誘因。交通事故不僅會造成巨大的經(jīng)濟損失，更重要的是會無情地奪取人類寶貴的生命，因此道路交通安全問題已不再是某個國家面臨的問題，而是需要全世界各國共同解決的。為了有效提高道路交通安全和運輸效率，降低事故發(fā)生頻率，保障人們的人身財產安全，智能交通系統(tǒng)應運而生。交通標志識別系統(tǒng)是智能交通系統(tǒng)

2、諸多先進技術領域中的一個重要分支，在無人駕駛車輛、智能機器人、輔助駕駛系統(tǒng)、輔助道路標志規(guī)劃、導盲機器人等方面都具有廣闊的發(fā)展和應用前景。因此對于交通標志識別系統(tǒng)相關技術的研究和探索非常具有學術意義和實用價值。
　　本文以城市道路中常見的指示、禁令以及警告標志為研究對象，針對大場景自然環(huán)境下的道路交通標志的檢測與識別問題展開研究和討論，主要從高分辨率大場景下的快速交通標志檢測、多類別交通標志的魯棒識別和交通標志識別系統(tǒng)平臺的設計與

3、搭建這三個方面作了深入研究和探索。
　　在交通標志檢測方面，為解決傳統(tǒng)的基于機器學習的交通標志檢測方法需要對每一個待檢測子窗口進行處理而導致算法實時性欠佳的問題，提出了顏色增強下的MSER提取標志候選區(qū)域結合線性SVM的快速交通標志檢測方法。該方法根據(jù)標志的顏色進行顏色增強，對增強圖像提取MSER得到交通標志感興趣區(qū)域，然后在大場景高分辨率圖像的多尺度滑動遍歷檢測搜索過程中僅對包含交通標志候選區(qū)域的滑動窗口進行HOG特征的提取和S

4、VM分類判別，而對非標志候選區(qū)域的滑動窗口則不進行特征提取和分類判別。實驗結果表明:改進的MSER+HOG+SVM方法在獲得了較高的檢測準確率以及較低的誤檢率的前提下，運算速度上有較大提升，且魯棒性較好。
　　在多類別交通標志識別方面，提出了融合全局特征和局部特征的多特征交通標志分類識別方法，有效地提升了識別度。該方法首先分別提取能夠描述標志圖像內部紋理信息的LBP特征、表示標志圖像形狀信息的HOG特征以及描述圖像粗略輪廓信息的全

5、局Gist特征，然后采用線性組合方式，實現(xiàn)特征融合互補，并通過主成分分析方法進行數(shù)據(jù)降維，最后采用支持向量機分類器進行交通標志訓練與識別。實驗結果表明:相對于提取單一特征的交通標志識別方法，基于多特征融合的算法獲得了更高的識別精確度，同時也滿足實時性要求。
　　最后，本文以輪式機器人為主要硬件基礎，利用Microsoft Visual Studio2010結合OpenCV開源視覺庫設計了基于MFC對話框的交通標志識別系統(tǒng)應用程序以