雾霾天气下的交通限速标志识别技术研究正式答辩.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * 背景及意义 论文主要工作 总结与展望 课题背景及意义 论文主要工作 利用改进的暗通道去雾算法得到去雾后的交通道路图像 利用颜色几何特征以及HOG+SVM实现限速标志的检测 利用改进的卷积神经网络实现限速标志的识别分类 论文主要工作 利用改进的暗通道去雾算法得到去雾后的交通道路图像 利用颜色几何特征以及HOG+SVM实现限速标志的检测 利用改进的卷积神经网络实现限速标志的识别分类 暗通道去雾——大气物理散射模型 图像去雾算法主要分为两大类： 简单的图像增强类算法，代表算法是多尺度Retinex算法 根据大气物理散射模型，推算出模型中的未知参数，实现对模型的逆变换，最终得到去雾后的图像，代表算法是何凯明的基于暗通道先验原理的去雾算法。 大气物理散射模型： 暗通道去雾——暗通道原理 暗通道原理： 在雾霾天气下，由于大气光分量的影响，使得图像亮度增加，对比度下降，暗通道值不再趋近于0 由大气物理散射模型可得 透射率趋近于0的点即为最浓的点，雾最浓的点即为暗通道图中亮度最高的点， 推算全局光照强度的步骤如下： 取出暗通道图中亮度最高的前0.1%的点作为雾最浓的点； 在待去雾图像中，找出这些点的像素最高值作为全局光照强度。 暗通道去雾——推算全局光照强度 存在的问题： 暗通道去雾——推算全局光照强度 创新点一：改进的全局光照强度推算过程 取出暗通道图中亮度最高的前0.1%的点作为雾最浓的点； 在待去雾图像中，计算这些点的像素的平均值，得到Aavg； 比较Aavg与所设定的阈值最大全局光照强度Amax，取两者中较小者 作为全局光照强度A 假设透射率和全局大气光值为定值，对大气物理散射模型两边同时取窗口内 最小值和三个颜色通道中的最小值 根据暗通道先验原理，可化简为 得到的透射率利用导向滤波函数进行细化，最终去雾公式为 暗通道去雾——计算透射率图 存在的问题：透射率图的计算需要耗费较长时间，难以满足实时性要求 暗通道去雾——计算透射率图 创新点二：改进的透射率图计算过程 在求解透射率图之前，先对原始待去雾图像下采样为原始大小的1/4，然后推算 出下采样图的透射率图，最后利用双线性插值法将下采样图的透射率图恢复为 原始大小。经实验验证，去雾效果没有明显变化，但处理速度有显著提升。 算法 5幅图像去雾处理时间(ms) 平均处理时间(ms) 未下采样 160.93 153.25 161.65 161.53 159.33 159.34 下采样 67.21 70.43 67.52 62.13 66.68 66.79 (a)雾天图像原图 (b) 未下采样去雾效果图 (c) 下采样去雾效果图 下采样对5幅图像去雾处理时间的影响 暗通道去雾——实验对比结果 原图 MSR 暗通道去雾 本文方法 论文主要工作 利用改进的暗通道去雾算法得到去雾后的交通道路图像 利用颜色几何特征以及HOG+SVM实现限速标志的检测 利用改进的卷积神经网络实现限速标志的识别分类 标志检测——算法流程 粗定位?精确定位 标志检测——样本统计 样本种类 样本数 限速20km/h 85 限速30km/h 79 限速50km/h 81 限速60km/h 30 限速70km/h 68 限速80km/h 63 限速100km/h 60 限速120km/h 57 合计 527 SVM分类器正样本分布表 设定提取HOG特征的参数为：9个直方图通道数、cell大小为4x4像素、block大小为4x4个cell、扫描步长为0.5个block大小，因此每一个训练样本所提取出的HOG特征的维数为9x4x4x3x3=1296维。 标志检测——实验结果 选取线性核函数作为SVM分类器的核函数。 利用查全率(Recall)和查准率(Precision)来评价分类器的性能 测试集 查全率 查准率 标准测试集 98.11%(260/265) 98.86%(260/263) 实际视频测试集 97.62%(82/84) 96.47%(82/85) 不同测试集下SVM分类器查全率及查准率结果 分别采用标准数据测试集以及实际