基于颜色特征和改进支持向量机算法的交通标志检测与识别

针对交通标志检测与识别精确度不高的问题,提出了一种基于图像HSV颜色空间分割和改进的支持向量机(SVM)算法的交通标志检测与识别方法:通过建立HSV颜色空间分割模型,对交通标志进行初步颜色分割后设置形状阈值,得到图像中精确的交通标志区域;采用基于Hu不变矩的方法提取待识别图像中的特征向量,并导入SVM分类器进行训练分类;利用狼群算法对SVM的核函数参数进行优化选择,最终利用优化后的SVM算法完成对交通标志的含义识别.验证实验结果表明,该检测与识别方法能够有效地检测到交通标志区域并对其分类识别,且具有较高的精确度.

基于深度学习的交通信号灯快速检测与识别

交通信号灯检测与识别技术能够辅助司机做出正确的驾驶决策,减少交通事故的发生,为无人驾驶的实现提供安全保障。针对交通信号灯检测场景复杂多变、目标通常占检测数据集图片的比例极小等技术难点,提出了一种基于深度学习的交通信号灯快速检测与识别算法。整体框架包括如下3部分:基于启发式的图像预分割,用于缩小搜索范围,提升信号灯面板在输入图像中的相对大小和检测精度;基于深度学习的检测与识别,利用卷积神经网络准确地检测与识别信号灯;利用NMS(Non-Maximum Suppression)算法去除上一阶段中重复的检测框。提出的Split-CS-Yolo模型在LISA数据集上取得了96.08%的mAP和2.87%的漏检率,相比Yolo系列的其他方法,其不仅有更高的准确率和更低的漏检率,还将模型大小缩小到原始Yolov2的8.6%,使得检测速度提升了63%。

基于滑动FFT的短波3G-ALE信号检测及参数估计方法

新一代短波3G_ALE(Third Generation Automatic Link Establishment)通信技术,具有低信噪比下链路建立快、业务流量高、信道利用率高等特点,得到广泛应用。研究复杂环境下3G-ALE信号的快速检测、类型识别技术,对短波信号的检测和截获具有十分重要的意义。文章从信号检测的角度出发,针对3G-ALE信号的协议特征,研究使用基于滑动FFT的快速相关检测、高精度频率估计算法,针对3G-ALE不同类型波形进行快速检测、识别以及栽频估计,并结合实际情况在信号处理平台上完成了相关算法的实现,实际信号接收实验表明算法性能良好,实用性较强。