基干幅值谱与神经网络交通标志识别算法探讨.docVIP

基于幅值谱和神经网络的交通标志识别算法研究 　　摘要：在交通标志实时识别过程中，由于参考图像与实测图像不是同时获取的，因此摄像机与被摄交通标志之间的位置难以保证完全相同。于是，所获取的参考交通标志图像与实测交通标志图像之间就可能产生几何失真。几何失真将对于图像识别的结果带来很大的影响。因此，需要寻找一种具有旋转和比例不变性的图像识别方法，以满足实际应用中的需要。针对上述问题，提出了一种基于幅值谱和神经网络的交通标志识别算法。实验结果表明，所提出的识别算法具有很好地识别能力 关键词：交通标志识别；神经网络；幅值谱 中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）27-0156-03 Abstract： in the process of real time recognition of traffic signs， the reference image and real image are not acquired simultaneously， so the position of the camera and the traffic signs are difficult to be guaranteed. Thus， the obtained reference traffic signs and traffic signs can produce geometric distortion. Geometric distortion will have great influence on the result of image recognition. Therefore， it is needed to find a method of image recognition with rotation and scale invariance to meet the needs of practical application. In view of the above problems， a traffic sign recognition algorithm based on amplitude spectrum and neural network is proposed. Experimental results show that the proposed algorithm has good recognition ability. Key words： traffic sign recognition； neural network； amplitude spectrum 道路交通符号识别是利用计算机视觉技术自动地从图像中检测出交通符号并对交通符号进行识别的研究领域。为了安全驾驶和高效运输，交通部门在公路道路上设置了各类重要的交通符号，作为道路交通的有关信息提供给司机。在智能运输系统（ITS）中，如何实现交通符号的自动识别，对于自动驾驶或驾驶辅助系统来说，都是非常重要的 自主导航系统要识别的交通标志图像是车辆在运动过程中通过车载摄像机获取，致使所获取的标志图像与实际交通标志之间可能产生几何失真，这种失真将对图像识别的结果带来很大的影响。因此，需要寻找一种具有平移、旋转及比例变换不变性的图像识别方法，以满足实际应用的需要。针对上述问题，本文提出了一种基于幅值谱和神经网络的交通标志识别算法 1 基于幅值谱和不变矩的图像特征提取 对图象特征提取的算法进行研究分析后得知，常用的图象特片提取算法有四种，分别是灰度共生矩阵征提取算法、主分量分析用于特征提取算法、Hu不变矩特征提取算法、幅值谱二次特征提取算法，在本次实验中使用这四种方法做了结果对比，最终将采用基于幅值谱和不变矩的图像二次特征提取的算法 矩在文字识别或其他图像识别中作为有效的统计特征而被广泛使用。它之所以能被用来表征一幅二维图像是基于帕普里斯（Papoulis）唯一性定理。不变矩法最初由Hu提出，后又被许多学者加以改进，使不变矩特征的描述能力得到不断的提高。Hu矩组是图像中心矩[ηpq]前7个矩的函数，它们分别为： 上述7个Hu不变矩可被用作图像特征向量，Hu矩组反映了图像的本质属性，并且具有平移、旋转、镜像和尺度不变性。此方法的主要缺点是高阶矩对噪声敏感。一般情况下，噪声被认为是高频分量，而图像的低中频区域反映了图像的整体轮廓，所以可以首先对图像进行傅立叶变换，将图像从空域变换到频域，从而得到能量主要集中在低频区域的图像的幅值谱。但是幅值谱不具有旋转和尺度不变性，于是就需要对幅值谱进行二次特征提取。由上文可知，Hu矩组提取出的7个特征具有平移、旋转和尺度不变性，所以选择通