道路交通標志檢測與識別算法的研究.pdf

1、隨著社會經濟的發展，道路交通承載著越來越大的壓力，智能交通系統應運而生，作為智能交通系統重要組成部分的交通標志識別系統(TrafficSignRecognitionSystem，簡稱TSR)也備受關注。交通標志識別系統一般分為檢測和識別兩個部分，主要通過圖像采集設備采集圖像并檢測和識別出其中的交通標志。本文在參閱了大量相關文獻的基礎上，通過多次實驗主要完成了以下幾個方面的工作。
　　 首先是顏色分割。對現存的常用顏色空間中的交通

2、標志檢測方法進行了實現，并且分析了其優缺點。對R、G、B三通道采用非線性Gamma變換降低光照影響之后，在RGB顏色空間和YCbCr顏色空間分別提出了一種顏色增強方法，采用閾值分割提取出與交通標志相關的紅、黃、藍三種分量的二值化圖，對二值化圖進行形態學處理，包括填充孔洞、消除小的干擾區域、根據各區域外接矩形的長寬比消除明顯不符合交通標志的區域。
　　 其次是形狀分析。根據形狀特征把交通標志分為幾個大類，如圓形、三角形、矩形標志等

3、。對顏色分割后的前景區域提取邊緣，對邊緣曲線進行傅立葉變換計算其傅立葉描述子，選取前8個系數作為形狀特征。采用的分類器是支持向量機(SupportVectorMachine，簡稱SVM)，SVM是建立在統計學習理論的VC維理論和結構風險最小化原則基礎上，主要用于解決小樣本、非線性和高維模式識別問題。采用LIBSVM平臺完成了交通標志形狀的分析，此過程同時能夠消除顏色分割過程中產生的非交通標志形狀的干擾區域。
　　 再次是標志識別

4、。對已經確定顏色和形狀的區域，在原圖像上提取出該區域并且將相關顏色之外的部分置為白色，對各個區域進行二值化處理之后采用主成分分析(PrincipalComponentAnalysis，簡稱PCA)提取特征，PCA能夠有效地降低數據的維數，大大減少了實驗過程的計算量，并且它得到的特征一般是最佳描述特征。采用BP神經網絡對交通標志進行識別，需要識別的標志有紅色圓形、黃色三角形、藍色圓形和藍色矩形四個大類，每一類選取道路上常見的幾種標志進行識