论文部分内容阅读
交通管理及交通安全问题正受到人们越来越多的关注。在此背景下,智能交通系统的概念应运而生。交通标志的智能检测作为智能交通系统的一部分,在公路路产管理系统智能化信息采集任务中承担着重要的角色。真实交通场景复杂多变,光照条件、天气条件、局部遮挡、背景色相似干扰、阴影干扰等问题给交通标志检测与识别系统的研究带来诸多挑战,因此能够鲁棒地对交通标志进行智能检测是研究者们一直追求的目标。针对上述复杂情况,本文对雾天拍摄的有雾交通标志从图像去雾、交通标志快速定位及交通标志的语义识别三个方面展开研究。(1)提出了一种基于归一化割的图像去雾算法。针对雾天拍摄的有雾图像,提出了一种基于归一化割的图像去雾算法。在原有经典暗原色先验去雾基础上,结合图割理论,采用归一化割框架对其改进,实验结果表明,本文算法消除了原有方法的光晕效果,能够获得较为清晰的图像质量。将本文算法应用于车载式路产信息采集系统,能够提高雾天路产信息采集户外作业的检测精度。(2)提出了一种基于图像HOG特征与Fisher分类器结合的粗分类检测算法。采用HOG特征对Fisher分类器进行训练,提出了一种基于图像HOG特征与Fisher分类器结合的交通标志粗分类定位算法。在粗分类定位阶段,不要求查准率,但要尽可能地保证100%的查全率,保证图像中的交通标志都能够被检测到。选择GTSRB数据集作为训练和测试样本集,测试结果表明本文算法对各类场景具有良好的性能,对拍摄角度、行驶车速、不良光照等多种不利条件具有一定的鲁棒性。(3)提出了一种基于图像HOG特征与SVM分类器结合的细分类分级检测算法。针对候选疑似ROI,提出了一种基于图像HOG特征与SVM分类器结合的交通标志细分类分级识别算法。在细分类识别阶段,分为两级识别分类过程,一级识别能够把非标志的ROI去除,实现交通标志检测较高的查准率;二级识别能够给出交通标志的语义输出。实验表明,细分类识别算法具有较高的查全率和查准率,采用二级细化分类的方法进行识别,相比较一级分类器模型具有更高的准确率。