基于感興趣區(qū)域的道路交通標(biāo)志檢測(cè)算法研究.pdf

1、面對(duì)多樣化的道路環(huán)境以及日趨復(fù)雜的交通安全問題，智能交通系統(tǒng)(Intelligent Transportation System，簡(jiǎn)稱ITS)和先進(jìn)輔助駕駛系統(tǒng)應(yīng)運(yùn)而生并得到了廣泛關(guān)注。與此同時(shí)，交通標(biāo)志識(shí)別系統(tǒng)作為ITS系統(tǒng)中的核心技術(shù)和前沿領(lǐng)域，現(xiàn)已逐漸成為國(guó)內(nèi)外眾多科研學(xué)者的熱門研究課題。在復(fù)雜道路環(huán)境下的交通標(biāo)志容易受到光照、天氣、顏色退化、形狀失真及動(dòng)態(tài)模糊等因素的影響，因此有效的道路交通標(biāo)志檢測(cè)方法就成為了研究熱點(diǎn)，本文的主

2、要工作內(nèi)容包括以下幾點(diǎn):
　　(1)由于自然場(chǎng)景下的道路環(huán)境復(fù)雜多變，因此采集到的交通標(biāo)志圖像需經(jīng)過預(yù)處理環(huán)節(jié)才能更好地進(jìn)行檢測(cè)與識(shí)別。本文采用了Gamma校正以及梯度銳化方法來減少光照強(qiáng)度變化的影響以達(dá)到增強(qiáng)圖像的目的;同時(shí)也比較了中值濾波與自適應(yīng)多級(jí)中值濾波以及高斯濾波與自適應(yīng)高斯濾波的噪聲抑制能力;最后對(duì)比了RGB、HSV、Lab三種不同顏色空間的閾值分割效果。
　　(2)提出了一種基于感興趣區(qū)域和隨機(jī)森林分類器的交通

3、標(biāo)志檢測(cè)方法，該檢測(cè)方法首先使用線性SVM分類器對(duì)交通標(biāo)志圖像進(jìn)行顏色轉(zhuǎn)換，同時(shí)結(jié)合形狀模板匹配思想計(jì)算其對(duì)應(yīng)尺度和位置上的交通標(biāo)志匹配分?jǐn)?shù)，并根據(jù)其匹配分?jǐn)?shù)與事先設(shè)定的閾值進(jìn)行比較判斷，可獲得最終的候選ROIs區(qū)域;然后提取候選ROIs區(qū)域的PHOG特征描述子，結(jié)合結(jié)構(gòu)模型學(xué)習(xí)策略生成隨機(jī)森林分類器以完成干擾ROIs區(qū)域的剔除，提高了目標(biāo)區(qū)域檢測(cè)的準(zhǔn)確性;最后在學(xué)校周邊不同路段環(huán)境下拍攝到的380張交通標(biāo)志圖像測(cè)試數(shù)據(jù)庫(kù)中進(jìn)行了三組不

4、同的對(duì)比實(shí)驗(yàn)，結(jié)果表明基于ROIs區(qū)域和隨機(jī)森林分類器方法有著較好的檢測(cè)效果。
　　(3)針對(duì)傳統(tǒng)的基于ICF特征和Adaboost交通標(biāo)志檢測(cè)算法，召回率過低和誤檢率過高的問題，提出了一種基于積分通道特征和多級(jí)分類器的交通標(biāo)志檢測(cè)方法，該檢測(cè)方法首先對(duì)ICF特征進(jìn)行自適應(yīng)譜聚類并結(jié)合Adaboost算法學(xué)習(xí)得到目標(biāo)的ROIs區(qū)域;然后對(duì)所獲得的ROIs區(qū)域進(jìn)行直方圖均衡化，并利用LLC編碼后的SIFT特征與線性SVM相結(jié)合生成四