论文部分内容阅读
基于视觉的驾驶员辅助系统是智能车辆研究领域中的一个主要课题。而交通标志检测与识别系统是基于视觉的驾驶员辅助系统的重要组成部分,交通标志检测与识别系统为驾驶员提供重要的警告、禁令和指示等信息,为驾驶员的安全行驶提供可靠保障。 交通标志检测识别系统可以被分为两个相对独立又紧密联系的两部分:(1)交通标志检测;(2)交通标志识别。而准确的交通标志检测是后续交通标志识别的前提和基础,由于实际道路场景光照的剧烈变化以及必然存在的不确定性、不同的天气条件、阴影遮挡等,使得准确的交通标志检测成为一个难点。因此,本文针对交通标志检测算法进行了研究,主要研究内容包括以下几个方面: 1.对基于颜色信息的交通标志粗分割进行了详细的介绍,讨论了几种常用基于不同颜色空间进行阈值分割的方法。在此基础上提出了一种对光照变化更鲁棒的交通标志粗分割方法,即采用多直方图反投影(Multiple Color-histogramBack-projection)的方法,通过对不同光照条件进行明确分类,建立对应的概率图,使得最终的粗分割结果对光照的变化有更好的适应性。 2.针对变化光照条件下目前交通标志检测算法的检测准确率往往会显著降低的问题,提出了一种新颖的快速鲁棒的交通标志检测算法,该算法采用多类颜色直方图反投影来建立概率图,结合最大稳定极值区域(Maximally StableExtremal Regions)特征的提取来检测交通标志,实验结果表明该算法在变化的光照条件下能够获得较高的检测准确率。 3.采用机器学习的方法进行交通标志检测,并针对难以获取足够多的用于训练分类器的训练样本问题,进行了基于Co-training学习的交通标志检测算法研究。首先,通过对多直方图反投影建立的概率图阈值化,进行交通标志候选区域的提取,以实现交通标志的粗分割。考虑到交通标志在真实场景的多样性,通过选择具有冗余性的MB-LBP(Multi-Block Local Binary Pattern)特征和HOG(Histograms of Oriented Gradients)特征作为一组特征描述符,以强化特征描述符对于交通标志与背景的区分能力。结合Adaboost分类器和SVM分类器作为一对互相监督的分类器,利用Co-training算法框架获取新的训练样本,由于新的训练样本的增加,使得基于分类器的交通标志检测算法性能得到了很大的提高。