论文部分内容阅读
近年来以私家车为主的机动车辆逐渐成为了人们的主要代步工具,随之而来的是交通系统的巨大负担以及诸多安全问题。交通标志作为重要的道路安全设施,对它的检测与识别是智能交通系统的重要技术环节之一,越来越受到广大研究人员的关注。本文利用深度学习、机器学习以及图像处理等相关技术,有效地进行了以下几个方面的研究工作。传统的交通标志检测与识别方法中往往通过设计复杂的人工特征来完成交通标志的识别分类,识别准确率受限于人工特征的表达能力。基于此,本文提出了一种基于卷积神经网络的交通标志检测与识别方法。该方法首先采用颜色标准化结合显著性算法对图像进行预处理,有效增加交通标志区域与背景区域的对比度。然后使用最大极值稳定区域算法进行候选区域提取,并根据交通标志的形状特性设定几何约束条件对得到的候选区域进行筛选。最后通过多通路卷积神经网络进行特征提取,利用基于朴素贝叶斯的集成分类器完成最终的识别分类。经实验验证,卷积神经网络的应用可以显著提高识别准确率。道路场景中会出现光照强烈变化以及背景复杂的情况,上述方法在这种情况下完成交通标志检测与识别的方式较为低效。基于这个问题,本文提出了一种基于条件随机场的交通标志检测与识别方法。该方法首先对道路场景图像提取颜色先验特征图与颜色概率特征图,然后通过条件随机场将特征图像进行融合,并在融合图像上进行候选区域提取,最后将提取到的候选区域通过多尺度结构的卷积神经网络进行识别分类。实验结果表明该方法提升了检测识别效果。以上方法,其算法结构尤其是在候选区域提取步骤的设计过于复杂,这就带来了算法耗时过长的问题。针对这个问题,本文提出了基于眼动信息引导与全卷积神经网络的交通标志检测与识别方法,通过眼动信息生成的眼动注视图引导全卷积神经网络的训练,然后利用训练好的全卷积神经网络以“端到端”的方式完成交通标志候选区域分割提取,提高了候选区域提取的效率。最终通过卷积神经网络完成候选区域识别。实验表明,算法在保证有效性的同时提升了算法速度。