共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
针对车辆行驶环境中难以检测的交通标志,提出了一种检测和识别方法.首先分割交通标志的特征颜色区域,并扩展感兴趣区域,提取区域边缘.然后用直线分割和杂点去除粗略划分边缘,根据直线间顶点处的曲率关系,计算转向角并分类顶点的类型,用无参数形状检测子来检测图像中的圆形、三角形和矩形等.将检测到的候选区域送入形状分类器中,分类形状并排除杂质的干扰,最后通过二元树复小波变换和二维独立分量分析相结合来识别交通标志类型.实验结果表明提出的方法对交通标志被遮挡、光照不均匀、颜色部分失真的情况下,检测率和识别率均较高,并且可以达到实时处理的效果. 相似文献
3.
交通标志的有效检测是交通标志识别系统中的关键步骤;提出一种基于颜色和形状的交通标志检测新方法,首先由最小欧式距离的聚类分析方法以及特征量与聚类中心的向量积提取夹角正弦方法,构造两级颜色特征分类器并通过训练实现优化分割,然后对滤波后图像边界跟踪,利用新的链码方法实现区域的拐角点提取,最后由几何特征判定区域的形状进行定位,实现交通标志的检测;实验结果表明,该方法在不同气候条件下的平均检测率达92.96%,优于同类方法且具有较高的鲁棒性。 相似文献
4.
5.
交通标志识别为智能车辆行驶提供了有价值的道路环境信息.提出一种结合形状标记图和Gabor波的交通标志识别方法,交通标志识别过程如下:1)变换图像的RGB像素值来增强交通标志主特征颜色(红,蓝,黄)区域并进行分割,用形态学操作消除噪声点的影响;2)提取感兴趣区域的标记图作为其形状特征,用Euclidean距离来对其进行初分类;3)对交通标志感兴趣区域的灰度图像进行Gabor小波变换,获得其不同角度和尺度的小波图像,用二维独立分量分析法提取其主特征,并送入线性支持向量机来判断感兴趣区域所属的交通标志类型.实验结果表明,提出的算法能够稳定、有效地检测和识别智能车辆行驶环境中的多类交通标志. 相似文献
6.
根据人类视觉感知理论,将自底向上和自顶向下的注意机制相结合,融入到交通标志检测中,提出一种基于视觉注意机制的交通标志检测方法。根据2种注意模型提取颜色、形状、亮度等多种特征,生成显著图,利用WTA网络找到感兴趣区域,即交通标志区域。实验结果表明,该方法能在复杂背景图像中准确定位交通标志。 相似文献
7.
交通标志的检测在智能汽车驾驶的系统中是一个十分重要的环节。在该文中,介绍一种有效的方法,在视频或图像中检测到交通禁止标志的存在,提取出确定包括标志的图像区域,为进一步的分类识别算法提供可靠的数据源。由于交通标志通常在各地都拥有醒目的图形和颜色,该文中首先利用颜色和形状的经验模型对一帧图像进行预处理,分析出可能存在交通标志的感兴趣区域,作为候选(Candidate)。再对这一候选区域进行判断是否是交通标志,此处利用了图像的HOG特征,和SVM分类器。实验结果表明,这一方法有效地避免了光照条件、轻微遮挡等因素的干扰,准确的检测到图像中的交通标志所处的位置。 相似文献
8.
9.
基于多线索混合的交通标志检测与跟踪 总被引:2,自引:0,他引:2
提出一种基于多特征融合的交通标志检测、识别和跟踪算法.在检测阶段,先利用颜色信息提取出感兴趣的区域:然后利用角点、几何特征等信息检测出交通标志.在识别阶段,首先根据颜色和形状的对应关系进行粗分类;然后针对每一类标志建立一个二叉树结构的支持向量机多分类器用于识别其具体含义.为了减少误识别率,在跟踪阶段采用Lucas-Kanade的特征点跟踪算法跟踪交通标志.实验结果表明,该方法具有很好的鲁棒性. 相似文献