论文部分内容阅读
交通标识识别在智能汽车和汽车主动安全领域具有广泛的应用前景,同时它作为自然场景中日标识别的一项代表性课题也具有重要的学术意义。由于交通标识种类繁多、背景复杂多样,以及光照、污染、变形、遮挡、实时性等多方面因素,使得研制一款实用的交通标识识别系统面临很多现实的困难。本文重点研究了基于分块核函数特征的交通标识识别方法,并对常用的分块方法做了研究和改进。本文提出了基于形状预分类的交通标识识别流程。实验涉及的交通标识主要有圆形、三角形和菱形三种形状。首先对待识别图像进行预处理,然后基于形状特征进行预分类,最后在相同形状的样本内识别交通标识的类别。交通标识的预分类采用了Hough变换,同时根据交通标识图像的特点,在形状判别流程和参数选取上进行了分析讨论和实验。特征提取是交通标识识别的一个重要阶段。本文重点研究了分块核函数的特征提取方法,针对交通标识提出了线性加权和子模式组合两种分块核函数特征。实验表明,在训练样本数相同的情况下本文使用的子模式组合分块核函数特征比KFDA特征和线性加权分块核函数特征的分类效果更有优势。同时,本文对两种分块方法中的分块策略进行了分析和改进。其中线性加权分块核函数方法分析比较了相邻分块和滑动分块两个策略;子模式组合分块核函数方法分析比较了相邻分块、交叠边缘分块和滑动分块三个策略。在最近邻分类器上的分类结果证实了本文改进的分块核函数特征提取方法的有效性。HOG特征描述了图像的边缘特征,而分块核函数特征描述了图像的统计特征,本文研究了结合这两个特征进行交通标识识别的方法。提出了采用类似投票的组合方法,通过构造分类信息查询表判别交通标识所属的类别。本文还分析比较了k近邻分类器和SVM分类器在提取的HOG特征和分块核函数特征上的识别效果。在43类交通标识上的分类结果表明,本文提取的分块核函数特征以及改进的分块策略在k近邻和SVM分类中取得了较好的分类性能。