论文部分内容阅读
交通标志识别是智能交通系统(ITS)的重点研究方向之一,该技术可以应用到无人驾驶车辆和驾驶员辅助系统,为自动或半自动驾驶车辆提供有用的道路信息。经过国内外学者几十年的研究,交通标志识别领域的理论和实践体系逐渐形成,并取得了很多突破性的进展。本文主要针对交通标志识别中的检测、特征提取和分类方法进行了研究。在交通标志检测阶段,针对交通标志的颜色和形状特点,本文提出了一种基于颜色分割和局部Hough变换的交通标志检测方法,首先对交通标志图像进行颜色分割,对分割得到的二值图像进行轮廓跟踪提取候选区域,然后依据候选区域的RGB均值对其进行形状预分类,接着运用局部Hough对归一化的候选区域进行形状的检测,最后定位交通标志区域。在进行特征提取时,主要研究了局部核Fisher鉴别分析,分别对基于子模式的核Fisher鉴别分析(Sp-KFDA)口基于模块的核Fisher鉴别分析(MKFDA)进行了分析。结合交通标志信息分布的特点,提出了一种基于自适应加权的模块核Fisher鉴别分析(Aw-MKFDA)进行交通标志识别,通过在K近邻分类器上的比较实验表明,本文提出的Aw-MKFDA方法比Sp-KFDA方法和MKFDA方法具有更高的识别率。通过对分类错误样本的分析,我们发现相似类是导致分类错误的一个重要原因。为了解决由于相似性引起的误分类问题,本文提出了基于相似类划分的两阶段交通标志识别。该方法将交通标志识别过程分为两个阶段：第一阶段用稀疏表示进行相似类的大类识别；第二阶段用稀疏表示进行相似类里的具体类别识别。在稀疏方法用于交通标志识别的过程中,本文提出采用局部字典代替常用的全局字典,解决了交通标志大样本引起的字典过大问题。实验结果表明,本文提出的基于相似类划分的两阶段交通标志识别方法能够有效的提高交通标志的识别率。最后,本文采用无人驾驶平台实时采集的交通标志场景图像进行了综合实验,对本文提出的检测和识别方法进行了验证,并将稀疏表示和局部KFDA的识别方法进行组合,提出了一种基于投票的组合方法。实验结果表明,本文提出的方法获得了比较理想的结果,并且具有一定的稳定性。