基于机器学习的交通标志识别方法研究

摘要

经济与科技发展的日新月异，时刻改变着人们的衣食住行，汽车行业的瞬息万变使人们对车辆本身性能和质量的要求不断提高。道路上车辆数目的与日俱增给人们出行带来极大方便的同时也使交通安全、环境污染等问题日益严重，辅助驾驶技术和无人驾驶技术冈此成为国内外专家学者和科技公司的研究热点。交通标志包含大量的道路信息，不仅能够分担驾驶员的驾驶压力，降低道路交通的负载，而且可以防止出现交通安全问题，避免人身安全与财产损失。因此，快速可靠的交通标志识别系统成为辅助驾驶与无人驾驶系统中至关重要的组成部分，然而真实环境中道路场景复杂多变，现有的交通标志检测与识别方法在实时性和准确性上仍具有提升空问。本文针对交通标志识别展开研究，主要工作内容如下： 针对图像模糊不清、受不良光照等因素影响产生的质量问题，利用YCrCb颜色空间，在局部范围内，调整图像的灰度直方图，达到提高图像亮度的目的，有效地降低了不良光照带来的影响，使标志区域颜色更加鲜明。 针对交通标志检测问题，利用RGB与HSV颜色空间，采用图像掩膜的方法分割出蓝、红、黄颜色区域，然后采用形态学处理的方法滤除不良目标影响，改善标志轮廓信息，结合标志的几何形状提取出可能存在交通标志的感兴趣区域。 计算感兴趣区域的HOG特征，选择GTSRB数据集作为样本集，并对数据作增强处理，改善样本分布不均匀现象，利用SVM分类器对感兴趣区域中是否存在交通标志作出检测。在GTSDB测试集和自建数据集中分别对算法进行验证，检测准确率分别达到96.29%和95.54%，平均每张图片的检测时间为0.36s。 针对交通标志的识别问题，基于传统的LeNet-5卷积神经网络结构，进一步改进它的结构，对模型中的参数和算法进行调整优化，得到改进的用于交通标志识别的卷积神经网络模型。分别在GTSRB测试集和自建数据集中进行试验，识别准确率分别达到98.20%和98.76%，平均每个标志的识别时间为4.01ms，相比其他算法，实时性和准确性方面均有所提高，但距离实际应用仍具有提升空间。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 交通标志检测研究现状

1.2.2 交通标志识别研究现状

1.3 交通标志识别的研究难点

1.4 论文主要内容和结构

2 交通标志识别系统设计

2.1 交通标志基本知识

2.2 交通标志识别的关键技术

2.2.1 图像预处理方法

2.2.2 交通标志检测方法

2.2.3 交通标志识别方法

2.3 交通标志识别系统框架

2.4 本章小结

3 图像预处理

3.1 彩色图像增强

3.1.1 颜色模型分析

3.1.2 基于YCrCb颜色模型的彩色图像增强

3.2 颜色阈值分割

3.2.1 HSV颜色模型分析

3.2.2 颜色阈值分割

3.3 形态学处理

3.4 感兴趣区域的定位

3.5 本章小结

4 交通标志检测算法

4.1 HOG特征与支持向量机SVM

4.1.1 HOG特征概述

4.1.2 SVM 概述

4.2 基于HOG特征与SVM的交通标志检测算法

4.2.1 数据集介绍

4.2.2 数据集增强

4.2.3 SVM分类器训练

4.3 实验结果与分析

4.4 本章小结

5 交通标志识别算法

5.1 卷积神经网络概述

5.2 卷积神经网络的训练

5.3 基于CNN的交通标志识别算法

5.4 实验结果与分析

5.5 本章小结

6 总结与展望

6.1 结论

6.2 展望

致谢

参考文献