基于深度残差网络的道路标志识别模型构建及分析

道路标志识别是自动驾驶技术的重要依据,自动驾驶技术的高速发展对道路标志识别提出了更高的要求,对道路标志的识别具有重要的理论和应用价值。简单分析了道路标志识别的背景,介绍了卷积神经网络的网络结构和近年来取得较好识别效果的深度残差网络模型(ResNet),并提出了改进的ResNet18网络模型。使用德国道路标志数据集进行训练和测试,并与相关算法进行比较,证明该模型具有较高的识别精度和识别效率。

一种用于道路交通标志识别的颜色—几何模型

交通标志检测是道路交通标志识别系统中的一个关键问题。本研究在分析中国道路交通标志的颜色和几何形状这2种先验特征的基础上,提出了颜色形状对的概念,并据此构造了一种新的交通标志颜色—几何模型。该模型由交通标志的3种基本颜色和5种基本形状构成,充分体现了颜色与几何形状具有唯一确定性关系这一重要特点。因此,基于颜色-几何模型的交通标志检测可以同时实现交通标志的粗分类,将116种中国道路交通标志直接分为7个子类,降低了道路交通标志识别系统的复杂性。仿真实验研究表明,采用该模型的交通标志检测与粗分类的正确率均达到了100%,具有良好的实时性和有效性。

基于网格搜索的PCA-SVM道路交通标志识别

针对现有识别方法对交通标志的识别精度和算法效率不高的问题,提出了一种基于网格搜索的主成分分析-支持向量机(PCA-SVM)道路交通标志识别方法。该方法首先采用主成分分析(PCA)法对交通标志进行降维处理,提取出交通标志的主元特征,然后利用网格搜索法(GS)对支持向量机(SVM)进行参数优化,最后利用参数优化好的支持向量机分类器实现对交通标志的识别。通过实验仿真,并与现有的其他交通标志识别算法进行分析对比,实验结果表明,本文方法在保证较高识别精度的同时,算法效率得到显著提高。

道路交通标志识别的研究现状及展望

十几年来,道路交通标志识别的研究工作已经取得了一定成果,但还存在一些不足之处,主要有:识别对象单一,样本数少;处理方法比较单一,智能方法少;偏重于理论的多,面向应用的少;大多数实验对象都是标准图,针对实景图的少;以灰度图为研究对象的多,针对彩色图的少。机器识别面临的主要难点是:道路交通标志的背景相当复杂,颜色失真极为严重并存在不同程度的几何失真;彩色图像处理的理论和技术尚不成熟。“简化复杂问题、改进传统方法、基于颜色信息、采用智能方法”将是今后的一个重要发展方向。

基于Zernike矩和BP网络的道路交通标志识别方法研究

道路交通标志的背景相当复杂,颜色失真严重并存在不同程度的几何失真现象。不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例缩放不变性,被广泛的应用于图像识别中。在研究了Hu矩和Zerni-ke矩基础上,提出基于Zernike矩与BP网络相结合的道路交通标志识别方法。识别过程分别对图像进行了Hu矩和Zernike矩特征提取、BP网络训练与测试、对形变图像进行分类识别。结果表明:基于Zernike矩和BP网络的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,实现简单、训练速度快、识别率高等特点,且识别准确率优于Hu不变矩目标自动识别。

基于中心投影形状特征的车载移动测量系统交通标志自动识别

针对车载移动测量系统所拍摄图像中的交通标志的自动识别问题,提出了一种基于中心投影特征的交通标志自动识别算法。文中详细研究了基于自适应图像分割和中心投影变换的交通标志图像的形状特征计算方法,利用信息熵解决了中心投影变换的最佳投影个数确定问题。在中心投影特征计算的基础上,利用训练后的概率神经网络实现了交通标志具体含义的自动识别。使用车载移动测量系统所拍摄的实际交通标志图像对本文算法进行了实验,并将中心投影形状特征和不变矩特征及SIFT特征的识别效果进行了对比,实验结果表明基于中心投影特征的识别方法具有最高的识别准确率。

基于颜色规格化的交通标志识别

采用神经网络群构成的分类器解决实景交通标志识别问题时,识别率普遍较低。分析可知,颜色复杂性造成的颜色失真是影响识别率的主要因素。遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的解决方案:先通过颜色规格化方法将交通标志中复杂的颜色信息简化为5种基本颜色,然后再利用两级智能分类器实现分类。采用BP网络实现了颜色规格化;实验表明,这种方法具有很好的鲁棒性。

基于BP网络分类器的交通标志识别

针对中国全部3大类116个交通标志,即禁令标志、指示标志、警告标志,用BP网络实现分类功能.实验中使用了3种测试集,即加高斯噪声、水平扭曲和日本交通标志实景图,对BP网络的分类性能进行了测试.实验结果表明:用BP网络实现交通标志粗分类功能的效果是比较理想的,对交通标志的颜色失真和形状失真均具有较好的容错性和鲁棒性.

基于特征与SVM层次结合的交通标志识别研究

本文把自然场景下的图像作为系统识别的研究对象，采用特征提取与SVM分类相结合的方法，能够快速、准确、高效的分类识别出交通标志，并能有效克服形状变换、光照、颜色退化的影响。

基于智能手机的人行横道红绿灯自动识别

鉴于目前绝大部分人行横道红绿灯没有配合声音提示,利用带摄像头的智能手机,通过人行横道红绿灯的自动识别技术将大大提高盲人过马路的安全系数。提出一个融合级联Adaboost与颜色过滤的人行横道红绿灯自动识别算法。该方法首先利用AdaBoost算法对红绿灯位置进行检测;然后在HSI色彩模型的色调子空间进行颜色分析的基础上进行红绿灯的过滤与分类。用采集的418幅实际复杂场景下的图像数据进行实验,结果表明该方法能达到较好的检测效果。

三角形交通标志的智能检测方法

基于交通标志都具有一定的颜色和形状,以红色倒三角形交通标志为例,介绍一种新的智能检测方法。该方法主要由以下4个环节构成。首先是颜色提取,将图像转换到HSI颜色模型的色调子空间,提取特定颜色———红色;其次是边缘检测,使用标准LOG模板在提取出来的红色区域上进行;这样,计算量将大为减少;然后是顶点判别,对边缘上的这些点,采用神经网络分类器进行分类,并分别对三角形的3种不同顶点作标记;最后是三角形的定位,通过一定的匹配准则提取出三角形。对不同场景下的20幅图像进行测试,检测正确率达到了100%。实验结果表明,该方法具有鲁棒性好、速度快、检测准确率高等特点。

基于颜色信息与SVM网络的交通标志检测

交通标志检测过程中,颜色复杂性造成的颜色失真是影响识别率的主要因素。遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的基于颜色规格化的交通标志分类模型,先通过颜色规格化将交通标志中复杂的颜色信息简化为5种基本颜色,再利用两级智能分类器对交通标志进行分类。采用M-SVMs网络实现了颜色规格化,粗分类的识别率达到了100%,细分类的平均识别率也达到了70%。同时这种方法具有很好的鲁棒性。

基于AdaBoost的人行横道红绿灯自动识别算法

鉴于目前绝大部分人行横道红绿灯没有配合声音提示,利用带摄像头的可穿戴计算设备,通过人行横道红绿灯的自动识别技术,可大大提高盲人过马路的安全系数。提出一个融合级联Adaboost与颜色过滤的人行横道红绿灯自动识别算法,该方法首先利用AdaBoost算法对红绿灯进行检测定位,然后在HSI色彩模型的色调子空间进行颜色分析的基础上进行红绿灯的过滤与分类。用采集的418幅实际复杂场景下的图像数据进行实验,结果表明该方法能达到较好的检测效果。

两种智能交通标志分类器的比较研究

本文介绍了一种可用于交通标志识别的新方法——支持向量机(SVM)算法,并将SVM算法与BP算法在交通标志的粗、细分类中的识别效果进行了对比分析。用中国的116个和日本的23个交通标志标准图分别训练基于SVM算法和基于BP算法的智能分类器,并用中国标志的噪声图、扭曲图和531个日本交通标志实景图作为测试集。在粗分类中,虽然BP算法的识别率也能达到90%以上,但SVM算法的识别率几乎可达100%,二者差距明显。在细分类中,SVM算法的识别效果与BP算法相比具有更加明显的优势。实验研究结果表明,SVM算法可以以接近最优的方式解决模式分类问题,同时具有更好的泛化能力,在交通标志识别领域具有良好的研究价值和应用前景。

基于视觉的无人驾驶汽车研究综述

随着汽车的广泛普及,电子和计算机技术的快速发展,无人驾驶已经成为一个前景广阔的领域。感知技术是无人驾驶领域最基础的关键技术之一,各种传感器被应用在无人驾驶汽车上。基于视觉的感知技术,其数据获取容易,信息量大,受到了研究人员的广泛青睐。主要从三个方面探讨视觉在无人驾驶汽车中的研究:一是利用视觉进行定位,二是利用视觉识别道路和交通标志,三是利用视觉实现避撞。最后,对基于视觉的无人驾驶技术进行了总结。