论文部分内容阅读
随着道路基础设施的大量建设,传统的道路管理方法和技术已经越来越不能满足道路管理的要求。道路管理部门也在不断的探索和寻求更高效的管理技术和方法。同时,伴随着我国低空域的开放以及无人机的发展,利用无人机航拍道路及其道路附属设施,对其进行识别检测为道路管理部门提供了一种新的解决方案。基于无人机航拍影像的目标识别检测是人工智能研究的一个重要领域,目标识别检测主要是通过计算机视觉技术和图像处理技术,对图像进行分析、处理、理解,完成对图像的检测和分类。而将该技术应用到道路管理部门,那么对于该技术在应用上也是一个非常大的进步,因此,探索无人机航拍影像的的图像识别检测技术是具有非常大的意义。本文针对道路管理部门的需求,研究了基于航拍影像的道路和交通标志牌的检测。首先分析了道路检测和交通标志检测目前的研究现状,以及道路检测和交通标志检测的难点和存在的问题。然后研究了道路交通目标检测的相关理论,具体对比分析了四种图像分割方法的优缺点,另外概述了交通标志的特点,针对它的颜色和形状的特征,介绍了颜色特征描述方法,以及形状匹配的方法,还介绍了目标检测的常用图像局部特征优缺点和机器学习理论及其分类算法。然后具体研究了航拍影像的道路检测,针对航拍影像不能很好的按图像结构特征分割边界的问题,由于传统的GraphCuts算法没有考虑到高分辨率航拍影像不同区域对比度不同的特点,提出了一种改进GraphCuts平滑项的图割算法,通过对航拍影像进行实验证明该算法具有较好的有效性和鲁棒性。另外为了证明本文算法具有较好的普适性,对非航拍影像进行检测,实验证明本文算法效果也较好。其次研究了航拍影像的交通标志检测,针对云台摄影视角的变化和设备抖动带来的模糊以及交通标志牌本身的颜色退化、阴影等问题,在ROI粗提取阶段提出了一种改进的RGB空间颜色特征增强算法,有效的增强ROI区域并抑制背景区域,然后进行阈值分割,实验结果表明该改进算法有效的提取了目标区域。对上一步的处理结果,采用形态学处理和形状匹配获得ROI,然后通过机器学习方法对上述ROI进行验证以降低误检和漏检,本文采用SVM训练分类器,用训练好的分类器通过对航拍影像的多目标、轻雾、复杂背景真实场景进行测试,实验结果表明经过该算法具有较好的准确率。同时为了证明本文算法具有较好的普适性,也对非航空影像下的颜色失真、形状不足、光线模糊的场景进行测试,实验结果表明本文算法效果也较好。最后对本文的研究进行了总结并指出了不足,对下一步工作进行了展望。