端對端的交通標志識別算法研究.pdf

1、伴隨著汽車保有量的快速增長，智能化的駕駛輔助系統(tǒng)獲得了廣泛關(guān)注。交通標志識別作為智能交通系統(tǒng)(Intelligent Transportationsystem，ITS)的一個重要組成部分，在上個世紀70年代即開始了相關(guān)研究。基于視覺內(nèi)容的交通標志識別研究雖然經(jīng)歷了近半個世紀，但該問題仍然沒有被很好的解決，特別是面向?qū)嶋H應(yīng)用的真實自然場景的交通標志檢測與識別成為模式識別領(lǐng)域的難點之一。由于受復(fù)雜的道路狀況、背景干擾、天氣和光照等因素影響，

2、以及交通標志的種類繁多且類別間相似度高，都為檢測和識別帶來了極大的挑戰(zhàn)。本文深入分析了自然場景下影響交通標志識別的兩個關(guān)鍵因素:特征和分類器，綜合考慮了交通標志的檢測和識別性能，設(shè)計了端到端的多類別交通標志識別系統(tǒng)，并且在自然場景數(shù)據(jù)庫中對其進行了驗證。本文的主要貢獻如下:
　　一、提出了融合顏色信息的交通標志多特征描述方法。由于顏色信息對于交通標志的辨別具有重要的指導(dǎo)作用，本文在交通標志的紋理特征描述中融合了顏色信息，針對檢測和

3、識別的任務(wù)設(shè)計不同的特征表示方式，實驗表明融合顏色信息的特征描述提高了檢測和識別的準確率。
　　二、提出一種Hardtraining的訓(xùn)練方式，將分類錯誤的樣本不斷加入訓(xùn)練集進行訓(xùn)練，獲得分層Boosting分類器。實驗表明，該步驟在保證召回率的基礎(chǔ)上極大的提高了檢測精度。同時，對漏檢區(qū)域進行區(qū)域擴展，并使用基于紋理特征的級聯(lián)分類器進行區(qū)域再檢測，使得檢測的整體召回率有較大的提高。
　　三、提出了基于顏色HOG，顏色LBP的