在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于K-means对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squ...在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于K-means对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割ROI并提取HOG特征;然后,利用卷积神经网络(Convolutional NeuralNetwork,CNN)对HOG特征进行过滤、降维,并通过Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与BP网络、SVM及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.展开更多
文摘在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于K-means对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割ROI并提取HOG特征;然后,利用卷积神经网络(Convolutional NeuralNetwork,CNN)对HOG特征进行过滤、降维,并通过Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与BP网络、SVM及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.
