基于无参数形状检测子和DT-CWT的交通标志识别

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.     

快速鲁棒的交通标志检测方法

如何从实景中有效地提取出交通标志是交通标志识别系统的关键,在分析中国道路限速交通标志的颜色和几何形状两种先验特征的基础上,以一种新的颜色滤波方法为基础,获得红色像素在Lab颜色空间中聚类范围的椭圆模型,提取出图像中的红色区域,得到二值化图像,然后采用基于梯度信息的Hough变换圆检测方法获得二值化图像中的圆和椭圆区域,从而实现一种将交通标志先验特征与机器学习算法相融合的智能检测方法。     

具有Harris角点的RANSAC交通标志检测算法

考虑到交通标志具有颜色与形状这两个特征,提出了一种具有Harris角点特征的随机抽样一致性(RANSAC)算法来对交通标志进行检测.通过对含交通标志图像进行颜色特征提取后利用Canny算子对边缘进行检测,再利用Harris角点检测算子来提取初步检测后图像的角点,最后通过RANSAC算法与检测模型进行匹配进行检测,得出结果.仿真实验表明:该算法在检测率上达到了84%,也基本满足了实时性的要求.     

基于颜色分量补偿的交通标志图像预处理

为提高图像预处理的效果,提出了一种基于颜色信息的颜色分量补偿预处理方法。该方法首先将实景图像分成RGB三个分量,根据要提取的交通标志颜色选择处理分量。接着对选择分量进行阈值处理实现候选标志与背景的粗分割。然后用阈值化的色彩分量替代原图中的对应分量重构为一幅新的彩色图像。最后通过颜色提取对重构图像进行处理以提取候选标志区域。实验表明,采用该方法进行交通标志的预处理,提高了交通标志检测时标志定位和形状检测步骤的准确度和速度,为交通标志预处理提供了一种可行的解决方案。     

基于SVM和模糊免疫网络的交通标志图像识别

提出了一种检测和识别交通标志的方法.该方法根据交通标志的颜色和形状,利用支持向量机的非线性分类能力将其图像区域从实景图像中检测和提取出来,然后利用具有多样性、较强容噪能力的模糊免疫网络来识别.使用不同环境下的实景图像进行实验,结果证明本方法具有平移、旋转、缩放、拉伸不变性和较强的容噪能力.     

道路交通标志检测分类方法的研究

研究了道路交通标志检测分类问题,针对颜色定位检测交通标志的缺陷,提出了一种基于形状边缘定位和颜色判别的交通标志检测分类方法。首先将原图像从RGB色彩空间转换到HSV,在饱和度S通道上用Canny算子检测边缘,计算边缘的形状参数(圆形度、矩形度以及推广得到的正三角形度)以判定边缘形状,定位出标志的位置;然后采用修正的HSV色彩空间分割模型判别标志颜色以进行分类,分类过程中筛除了非标志区域。实验证明,该方法具有良好的检测分类效果。     

基于聚类与链码技术的交通标志检测

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。     

快速交通标志检测预处理方法

为简化场景图处理的计算量,针对场景图复杂的颜色信息,提出了一种快速的交通标志检测预处理方法——颜色标准化。将颜色信息复杂的场景图映射成简单的由8种标准颜色组成的图像,并提取5种与交通标志相关的感兴趣颜色,滤除冗余区域后得到标准颜色的交通标志。该方法大幅度简化了场景图颜色信息的复杂性,节省了RGB-HSI模型转换的计算时间。实验表明,该预处理方法具有很好的鲁棒性,快速准确地实现了交通标志检测。     

一种多通道融合的交通标志检测方法

针对单纯利用RGB或HIS空间不能很好地检测出交通标志这一问题,提出一种多通道融合的交通标志检测方法。将图像转换至HIS空间,使用迭代的Otsu算法对饱和度进行阈值分割,以色相和饱和度信息为基础,结合RGB通道的颜色特征进行颜色聚类。利用水平和垂直投影获得交通标志的外接矩形,利用曲线拟合的最小二乘法定位交通标志并对其进行分类。研究结果表明,该方法可以准确地从背景图像中提取出交通标志,有效地解决存在亮度变化、噪声干扰、方位倾斜等情况的交通标志检测问题。     

基于HSI空间颜色三角形的边缘检测方法

利用像素点的颜色坐标H、S、I构建像素的颜色三角形,计算该三角形的面积和边长.根据面积以及边长的差值确定该像素点是否为彩色图像的边缘点.这种边缘检测方法在一定程度上合理地考虑了个各颜色分量的相关性,将向量空间的计算以自然的方式转换成了标量的计算,在思想上是一种不同于其他算法的新算法.实验证明,与传统的方法相比较,该方法能快速有效地检测出图像的边缘.     

基于聚类与Hough变换的交通标志检测方法

交通标志检测是进行交通标志识别系统的关键技术,提出一种基于图像的颜色和形状进行交通标志检测的方法.首先对图像进行灰度拉伸和噪声滤出的预处理,然后利用改进的K-means聚类算法对彩色图像进行颜色分割,最后采用基于Hough变换的形状检测技术对交通标志中的特殊形状进行定位,从而实现交通标志的检测.实验结果显示,该方法在各种复杂背景条件下检测出结果的平均正确率达到93.0%,优于同条件的算法且具有较高的实时性.     

户外交通标志检测和形状识别

提出了一种新的识别户外不同交通标志形状的算法。为了减少数字噪声的影响和分离提取独立的交通标志形状,基于颜色分割输出的外边缘可通过离散曲线演变进行简化和分解。正切空间中弧线的相似程度决定离散曲线演变的程度。形状的识别是通过模板匹配来实现的,待识别形状与模板之间的最小几何差异决定形状的类别。实验结果表明本算法是平移、旋转和尺度恒定的,能够在复杂的交通场景中进行可靠的形状识别。     

基于彩色图像的指示标志检测

智能交通系统是近年来国内外广泛关注的研究课题,在基于计算机视觉系统的交通标志识别中,关键步骤之一是如何快速有效地检测并提取交通标志。该文提出了基于色彩的指示标志检测与提取的快速有效方法。它包括：对实景图像进行色调不变的彩色增强,彩色聚类,形态滤波,模板匹配,特征点判别等步骤。最后,由搜索到的特征点从增强后的彩色图像中抽取指示标志。实验显示该方法能快速有效地从实景图像中检测指示标志。     

淮河流域防洪防污智能调度系统的设计

淮河流域是我国洪涝灾害发生最为频繁、历史上多灾多难的地区之一。近年来,随着淮河沿岸工农业生产的发展和人口密度的急剧增加,该流域的水污染问题已发展到直接危及沿淮两岸人民生存的地步。在过去的淮河治理中,对于如何充分有效地综合利用水利工程项目研究得很少,缺乏较大规模的综合性的联合优化调度系统,没有能够充分发挥水利工程的防洪防污作用。为此,本系统针对淮河流域讨论将气象预报、洪水预报、防洪调度和防污调度集成为一体的智能调度系统,其设计方案可为其它流域的治理提供借鉴经验。     

基于卷积神经网络与集成学习的交通标志识别

为提高复杂情况（如遮挡、透视畸变等）下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。