基于机器学习的道路标志检测与识别技术-计算机应用技术专业论文.docxVIP

万方数据 万方数据 Dissertation Submitted to Hangzhou Dianzi University for the Degree of Master Technology of Road Sign Detection and Recognition Based on Machine Learning Candidate: Shudan Wang Supervisor: Prof. Xianghua Xu May，2016 杭州电子科技大学 学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研究工作 所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经 发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中 以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研究生在 校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后， 发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大学。学校有权保留送 交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以 允许采用影印、缩印或其它复制手段保存论文。（保密论文在解密后遵守此规定） 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 杭州电 杭州电子科技大学硕士学位论文 摘 要 TSR(Traffic Sign Recognition, TSR)系统主要通过车载成像系统捕获道路场景信息， 并从中识别出交通标志，达到提高驾驶安全的目的。所以，交通标志识别系统在辅助车 辆智能驾驶和提高驾驶安全性方面发挥着重要作用，具有非常现实的研究意义。本文针 对自然场景下光照条件变化、交通标志周围存在与其颜色相似的噪声干扰、局部封闭等 情况对 TSR 系统的识别率造成的影响，以系统的准确率为主要目标，进行了比较深入 的研究，其主要贡献和研究工作包括： 1）针对自然场景中光照条件剧烈变化、交通标志周围存在与其颜色非常相似的背 景干扰等因素 ，给交 通标志检测的 准确率 带来 的影响， 提出一 种基于边缘增 强型 MSER(maximally stable extremal regions)特征的交通标志检测方法。该方法首先采用灰度 世界法对图像进行光照平衡预处理，并对预处理后的图像进行颜色增强和形态学滤波， 明显区分交通标志和环境背景；然后，通过边缘增强型 MSER 特征，定位颜色增强图像 中的标志 ROI(regions of interest)候选区域；最后对这些候选区域使用一种基于霍夫变换 的形状分析方法进行筛选处理。经基于公开的 GTSDB(German Traffic Sign Detection Benchmark)数据集进行的对比实验结果，表明本文方法相较于同类型的检测方法，在准 确率上提升了 20%左右。 2）针对户外场景中拍摄视角、运动模糊以及局部遮挡等因素对交通标志检测准确 率造成的影响，我们根据交通标志外围形状的双边对称性，提出了一种基于相位对称性 的道路标志检测算法。该方法首先根据标志的颜色信息，对图像做红蓝化预处理，区分 标志和环境背景；然后，通过对红蓝化图像做相位对称性检测，高亮突显具有对称性的 局部红蓝化图像区域；最后采用 MSER 特征检测，提取图像中的标志 ROI 候选区域， 并通过经验性几何条件约束，对候选区域做进一步筛除以得到更可靠的标志候选区域。 通过在 GTSDB 数据集上的实验验证，该方法对交通标志的检测率到达 94%。 3）在上述检测方法研究工作的基础上，就交通标志识别的多分类问题，本文基于 GTSRB 数据库深入对比分析了不同维数的 HOG(Histogram of Oriented Gradient)特征在 两种实时分类器——随机森林和支持向量机上的识别性能。同时，为了提升模型训练的 时间性能和分类效率，提出了一种基于 Fisher 准则的特征空间约简方法。实验结果表明， 基于 HOG 特征的随机森林分类器比基于同类型特征的 SVM 分类器的识别率高出了 2.1%。 关键词：交通标志识别，相位对称性，MSER，随机森林，HOG 特征，GTSDB I ABSTRACT The traffic sign recognition (TSR) system can capture the road scene using cameras for the real time detection and categorization,