超网络道路限速标志识别

限速标志识别系统是智能交通系统的一个重要组成部分,它能有效地辅助司机安全驾驶.针对限速标志的数字字符识别问题,提出一种基于超网络模型的模式识别方法.首先介绍了超网络计算模型及其分类原理;然后采用颜色分割和形状分析相结合的方法对限速标志进行定位,并提取出限速数字字符特征;最后以限速字符的特征向量为训练样本对超网络模型进行演化学习.本文使用超网络模型对限速标志20、40、60、80 km/h进行识别.实验结果表明,基于超网络模型的道路限速标志识别系统最快只需3次迭代便可以完成对样本的学习,识别率为96.15%.和其它传统模式识别方法相比,该模型具有学习时间短、识别率高的优点,为解决现实应用中的道路限速标志识别问题提供了可能.

ALPSO-SVM道路限速标志识别

提出了一种基于支持向量机(Support Vector Machine,SVM)的道路限速标志识别方法。为了提高算法对限速标志的识别精度,采用了一种可在进化过程中通过调整学习参数来协调粒子全局与局部搜索能力的自适应学习粒子群算法(Adaptive Learning Particle Swarm Optimization,ALPSO)对支持向量机的相关参数进行优化。实验结果表明,提出的ALPSO-SVM方法在识别性能上优于传统的SVM,在算法收敛性能上优于标准PSO-SVM。

基于字典学习的稀疏表示限速标志识别方法

限速标志识别是模式识别领域中一个重要的研究课题。目前,利用稀疏表示识别图像是一个流行的方法。为了提高限速标志图像的识别率,通过对在线字典学习(ODL)算法的研究,将在线字典学习算法和稀疏表示的识别方法相结合,提出了一种基于在线字典学习的分类稀疏表示限速标志图像识别算法。将该方法与直接求解稀疏表示的方法和分类求解稀疏表示的方法作对比,实验结果表明:该方法能够取得很好的识别效果,证明了该方法的有效性和可行性。

基于LeNet-5卷积神经网络和颜色特征的限速标志识别

限速标志识别是智能驾驶的重要组成部分,文中分析了现有方法存在的问题,为了提高神经网络在中国限速标志上的泛用性和准确率,针对限速标志的检测部分,提出了一种基于颜色空间的新型筛选方法;针对限速标志的识别部分,在现有LeNet-5架构的基础上对神经网络进行了改进,并将德国交通标志数据集(GTSRB)和清华交通标志数据集(TT100K)中限速标志数据融合,经过数据扩增后制作成新的数据集送入神经网络来训练模型。通过多次超参数优化,采用swish激活函数,在测试集上得到的最优识别准确率为99.62%,且模型抗干扰能力强,具有较强的实用性能。

复杂环境下限速标志识别关键技术研究

作为智能汽车视觉系统的重要组成部分,同时作为自动目标检测与识别技术的一个典型应用,限速标志检测与识别技术越来越多地受到关注。由于对实时性能有很高的要求,限速标志在复杂环境下识别的许多关键技术仍在积极探索中。本文主要研究了复杂环境下所采集图像的预处理,双向融合的识别机制,基于BP神经网络的识别方法等关键技术。

一种基于网络的实时限速牌识别算法

针对现有关于车载限速牌识别算法所存在的检测速度慢、准确率低、无法应用于嵌入式系统等问题,提出了一种基于网络的实时限速牌识别算法。该算法基于SSD_MobileNet_v1网络框架进行改进,对原来的网络进行架构裁剪以去除冗余结构;同时引入了特征金字塔网络结构,并使用focal loss作为网络训练的分类损失。实验表明,提出的识别算法准确率可达88.11%,虽然略低于目前主流目标检测算法的检测精度,但是网络的每秒帧率(Frame per Second,FPS)可以达到35.13,拥有较快的检测速度,而权重文件只有24 MB。因此,与其他算法相比,该算法不仅适合小型的嵌入式人工智能(Artifical Intelligence,AI)设备,而且更贴近真实车载场景下的识别。