论文部分内容阅读
随着经济的发展,人们生活水平的提高和车辆的日益增多,引发的交通堵塞和生命安全问题也愈发严重,因此智能交通系统的研发应用受到工业界和学术界的高度重视。作为智能交通系统中核心技术之一,交通标志识别一直是研究的热点,然而研究成果还尚未达到成熟,这是由于在真实复杂的场景中,交通标志的识别易受天气状况、运动模糊、外物遮挡、颜色退化、旋转倾斜等因素的影响。因此,交通标志识别依然是一个具有挑战性的课题。本文的主要研究工作有以下四个方面:(1)由于外界场景各因素的影响,各交通标志图像的尺寸、亮度、形态等差异不一,因此在特征提取之前,需要对其进行预处理操作。本文主要从三个方面进行了处理:①图像进行灰度化以及灰度归一化;②感兴趣区域分割提取;③尺度归一化。(2)根据交通标志的局部边缘、全局轮廓、纹理等特点,本文深入研究了两种特征算子:HOG和GIST,并对各特征的参数进行了优化。由于单一特征难以全面地对交通标志的特点进行描述,因此本文提出采用多特征融合,但不适当的融合算法会使得融合后特征表示力更差。鉴于广义典型相关分析(Generalized Canonical Correlation Analysis,GCCA)已在人脸识别特征融合方面取得不错的效果,本文将其应用于交通标志识别领域中,实验结果表明,HOG与GIST的融合相对于单一特征更有利于分类识别。(3)从实验中发现,融合特征对于结构相似的交通标志在表达上还是存在一定的冗余性,特别是限速类交通标志。因此,本文提出采用字典学习稀疏编码方式对融合特征进行优化,即使用K-SVD算法进行字典学习,正交匹配追踪(Orthogonal matching pursuit,OMP)算法对其进行稀疏编码。实验结果表明,优化后的特征对结构相似的交通标志更有表达力。(4)在GTSRB(German Traffic Sign Benchmarks)上,通过对比实验分析了单个特征、融合特征以及融合-稀疏特征的分类识别效果。实验结果表明经过优化后的特征在线性SVM分类器上获得了更好的识别效果。