论文部分内容阅读
交通标志识别系统是汽车自动驾驶系统的重要子系统,而交通标志检测是标志识别的重要基础和关键技术。目前,交通标志检测算法主要分为基于颜色模型、基于形状特征以及基于机器学习三类方法。基于颜色模型的阈值法是一类简单有效的标志检测方法,但存在标志互连导致标志漏检的问题。基于径向对称变换的标志检测是基于形状特征检测的主流方法之一,受到广泛关注。但现有算法存在变换参数设置困难、计算量大以及检测算法复杂等问题。基于深度学习的标志检测成为当前的研究热点,但是,训练样本量少时,会出现“过拟合”的高风险问题。另外,检测到的部分交通标志存在运动模糊问题,将会严重影响交通标志的识别性能。针对上述问题,本文系统深入地研究了自然环境下交通标志分离、交通标志检测以及交通标志去模糊等交通标志检测领域相关的关键问题。主要研究内容及创新点具体如下:(1)针对标志互连导致检测性能下降以及现有WTSS分离算法存在盲目分离、计算开销大的问题,提出了一种基于分水岭变换的互连标志自适应分离(WTSAS)算法。该算法通过构造区域特征矢量和提出互连标志判决准则,提取了互连标志候选区域:结合形态学膨胀边缘接续处理以及分水岭变换分割,仅对低维的互连标志区域进行分离脊线构筑和标志分离,有效避免了盲目分离问题。实验结果表明,本文提出的WTSAS算法具有互连标志判别和自适应分离能力,提高了标志分离效果和算法执行效率。针对WTSAS可能存在的标志过度分离问题,进一步提出了基于GLCP-CSS角点检测的标志分离新算法。该算法通过引入GLCP-CSS角点检测算法,提取了互连标志候选区域轮廓角点,并结合提出的凹性角点判决准则以及分离点对匹配准则,实现标志间分离点对的提取和标志分离。实验结果表明,新算法克服了标志过度分离问题,在执行效率、分离效果等整体性能优于现有算法。(2)针对基于径向对称变换(FRST)的标志检测方法存在计算开销大、参数人工设置困难以及算法复杂等问题,提出了一种基于FRST的参数自适应禁令标志检测算法。该算法通过提出FRST变换半径参数自适应设置方法,实现低维候选标志区域的径向对称变换,结合构造的标志中心邻域以及阈值判决准则,实现了标志检测。实验结果表明,本文基于FRST的标志检测算法具有变换参数自适应设置能力,且仅对低维的候选标志进行处理,有效降低了算法的复杂度和计算开销。针对基于形状特征和颜色模型以及传统机器学习的标志检测局限性,提出了一种基于伪样本正则化Faster R-CNN深度学习的标志检测新算法。该算法引入了 Faster R-CNN深度学习目标检测技术,针对深度学习训练样本少造成的“过拟合”高风险问题,尝试通过训练数据集提供的标志和无标注的背景样本数据集,提出一种基于数据增强的伪样本正则化方法。实验结果表明,新算法实现了各类标志的检测,降低了“过拟合”风险,有效提高了检测性能。(3)针对交通标志运动模糊问题以及交通标志区域难以有效选择可靠显著性边缘的问题,提出了一种基于样例的交通标志图像去模糊算法。该算法建立了样例数据子集构建策略和基于梯度熵相关系数(GECC)的样例匹配策略,降低了时间开销,并改善了匹配精确性。在运动模糊核估计中,核正则项中通过引入L0.5范数,进一步改善了估计核的稀疏性。理论分析与实验结果验证了本文基于样例的去模糊算法在样例匹配计算开销、样例匹配精确性以及估计核稀疏性方面的有效性,其整体复原性能优于现有先进的去模糊算法。