论文部分内容阅读
随着社会的进步和经济的高速发展,国内人均汽车拥有量逐年递增,极大地满足了人们的出行需求。然而,持续增长的汽车数量给城市道路交通带来了巨大的压力,随之也增加了交通安全事故发生的风险。此外,驾驶员对交通标志的误读或者没有察觉也是导致交通事故的重要原因。为了降低交通事故的发生率,并提高交通的安全系数,智能交通系统(IntelligentTrafficSystem,ITS)应运而生。而交通标志检测作为ITS的重要组成部分也得到了极大的重视,其在驾驶辅助系统和无人车中能够将道路信息反馈给驾驶员或无人车来避免交通安全事故的发生,具有广阔的发展和应用前景。因此,对于交通标志的检测的研究具有非常重要的意义和实用价值。 本文对复杂环境下的交通标志检测提出了两种方法,分别为基于颜色和形状的交通标志检测方法以及基于深度学习的交通标志检测方法。基于颜色和形状的交通标志检测方法主要针对圆形、三角形和矩形的交通标志,该方法需要对图像进行预处理来获得可视化较高的图像,以达到颜色分割的要求。图像预处理包括图像滤波、去雾算法的研究和去除光照不均的影响。对图像进行预处理之后,本文通过RGB差值法对图像分割出感兴趣区域,并将其放入候选区进行初步筛选,即对候选区感兴趣区域的二值图像进行形态学处理等步骤并且去掉不满足交通标志形状特征的二值图像,然后再对剩余图像进行形状检测,最终定位交通标志。本文中该算法的最高检测率为87.73%。 基于深度学习的交通标志检测方法是在经典卷积神经网络结构的基础上,设计出一个具有交通标志检测功能的卷积神经网络。通过预训练CIFAR-10数据集学习大量的图像底层特征,同时,为了更好地优化网络结构,对其局部修改并导入交通标志数据集进行迁移学习,最终训练得到具有检测交通标志功能的卷积神经网络。本文中该算法的最高检测率为97.48%,与传统方法相比已经达到一个较高的水平。