基于三分量色差法和Ostu法的交通标志检测

交通标志检测是交通标志识别的难点。在复杂的交通环境下,采用传统颜色空间的固定阈值分割进行交通标志检测的方法鲁棒性差,难以准确有效地检测出交通标志。提出了一种基于三分量色差法和Ostu法的交通标志检测方法。首先,通过计算图像R、G、B分量的差值来得到红、蓝、黄三种颜色分量,然后利用Ostu法分别对它们进行阈值分割,得到交通标志的检测结果。实验结果表明,该算法的检测准确率和实时性满足实际要求。     

实时交通禁止标志探测应用的研究

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。     

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。     

基于欧氏距离的交通警告标志识别方法研究

提出了一种对含字符的交通警告标志进行检测和识别的方法。根据交通标志颜色的分布范围,以颜色分量为基础进行阈值分割,将图像中大部分不满足颜色要求的区域去掉,借助连通域标记、形状因子来进行交通标志的定位。将定位后的交通标志,通过预处理、字符的旋转矫正和分割,得到人眼可以识别的字符。通过欧氏距离匹配法进行字符的计算机识别,最终可使计算机识别率达到75%左右。     

基于支持向量机和不变矩的交通标志检测

交通标志检测在智能交通系统中的作用是帮助驾驶提高安全性。交通标志都具有特定的颜色和形状,但是现有的检测方法大多使用固定阈值分割等非智能方法,缺乏自适应性和鲁棒性。使用支持向量机分割彩色交通标志图像,再结合形状特征,实现了一种新的智能检测方法;并以蓝色交通指示标志为检测对象,使用所提出的方法进行实验。实验结果表明,该方法鲁棒性好、检测准确率高。     

基于多模型表示的交通标志识别算法设计

通过变换 RGB 空间颜色值并分割图像,利用标记图为特征的形状分类器检测城市环境中的交通标志.为了提高分类准确度,用两种模型表示方法分类交通标志:1)结合二元树复小波变换和二维独立分量分析提取特征,送入最近邻分类器中分类交通标志;2)提取交通标志的内部图形,利用模板匹配进行分类.最后,将两种分类结果融合输出.实验结果表明,所提出算法的整体识别率超过91%,平均处理帧率达到6.6帧/s,系统能够鲁棒、有效和实时地识别交通标志.     

基于多特征协同的交通标志检测

针对交通场景图像中交通标志因颜色失真、形状失真和尺度变化导致漏检严重的问题,提出一种颜色特征、形状特征和尺度特征的多特征协同方法。从交通场景图像计算颜色增强图,利用多阈值分割方法和闭合轮廓曲率直方图链码表达,并对提取的形状轮廓的曲率直方图进行尺度归一化处理,融合颜色特征和归一化后的形状特征构成区域的特征向量,采用支持向量机分类获得检测结果。实验结果表明,该算法在较低时间复杂度下,能有效提高交通标志检测精度。     

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。     

基于归一化RGB与椭圆相似度的圆形交通标志检测

提出一种基于归一化RGB(NRGB)和椭圆相似度的圆形交通标志检测方法。首先将图像的RGB模型转换为NRGB,利用阈值分割得到红、蓝、黄颜色分量,然后根据面积和长宽比去除干扰区域,最后利用椭圆相似度检测感兴趣区域是否为圆型交通标志。实验结果表明,该方法能在复杂背景中准确定位圆形交通标志,获得了较高的检测率和较低的误检率。     

一种移动机器人视觉图像特征提取及分割方法

提出一种基于HSI(Hue-Saturation-Intensity) 颜色分量的颜色特征提取方法．该方法结合HSI 颜色 分量反映物体本质颜色的特点和直方图多阈值分类对图像内容的自适应优点,采用直方图多阈值分类方法量 化各HSI 颜色分量,组合量化后的颜色分量提取图像颜色特征．对该方法提取的视觉图像颜色特征进行聚类, 并对视觉图像进行分割;分割结果验证了本文所提颜色特征提取方法的有效性和可行性．针对颜色分量直方 图数据局部极大值引起的颜色分量过分类问题,提出一种通过修改极大值对之间的数据来去除颜色分量直方 图局部极大值的方法．该方法定量分析颜色分量直方图数据的分布特点,从而确定并修改颜色分量直方图数 据中的局部极大值．实验结果验证了该方法能够有效去除直方图数据局部极大值．     

基于背景像素突变检测的交通标志图像分割

为了提高交通标志图像处理过程的效果与效率,根据交通标志图像色彩饱和度空间的灰度直方图中包含的点灰度与区域灰度信息,提出了一种有效确定交通标志图像全局分割阈值的算法。首先分析了基于交通标志图像色彩饱和度空间灰度直方图的一种倒溯标准差的变化规律;然后在此基础上提出了如何选取全局图像分割阈值的方法,并采集了大量交通标志图像进行实验验证,同时,与另外两种在HIS空间下常用的图像分割方法的分割效果进行了对比;最后对算法中的部分参数与实验结果进行了分析,并指出了下一步的研究方向。该算法是一种有效的交通标志图像阈值选取方法,可推广到图像处理其他方面的应用。     

应用卷积神经网络与RPN的交通标志识别

在智能交通系统中要求交通标志识别具有良好的鲁棒性、实时性,并且实际交通环境中可能因路标模糊、光照强弱、尺度大小、复杂背景等因素的问题,导致交通标志识别准确率很低。针对上述问题,提出了利用深度学习方法设计卷积神经网络,并通过卷积和池采样的多层处理,结合目标检测方法中的RPN网络结构,以提取图像的候选区域,从而对候选区域进行特征提取,最后利用全连接网络实现对特征图进行回归处理,获取检测目标的位置及识别。实验结果表明,该方法能有效地提高检测精度和计算效率,降低错误率,对于光照、旋转等不良因素下交通标志检测具有较好的稳定性和准确性,有效地提高了交通标志识别效率,具有良好的泛化能力和适应性,且满足一定的实时性的要求。     

基于改进空间金字塔池化卷积神经网络的交通标志识别

针对雾天、光照、遮挡和大倾角等因素导致的交通标志识别准确率低、泛化性差等问题,提出一种基于神经网络的轻量级交通标志识别方法。首先,利用图像归一化、仿射变换和限制对比度自适应直方图均衡化（CLAHE）方法进行图像预处理,以提高图像质量;其次,基于卷积神经网络（CNN）,融合空间金字塔结构和批量归一化（BN）方法构建改进空间金字塔池化卷积神经网络（SPPN-CNN）模型,并利用Softmax分类器实现交通标志分类;最后,选用德国交通标志识别数据集（GTSRB）,对比不同图像预处理方法、模型参数和模型结构的训练效果,并验证和测试所提模型。实验结果表明,SPPN-CNN模型的识别精度达到98.04%,损失小于0.1,在低配GPU条件下识别速率大于3 000 frame/s,验证了模型精度高、泛化性强、实时性好的特点。     

基于改进空间金字塔池化卷积神经网络的交通标志识别

针对雾天、光照、遮挡和大倾角等因素导致的交通标志识别准确率低、泛化性差等问题，提出一种基于神经网络的轻量级交通标志识别方法。首先，利用图像归一化、仿射变换和限制对比度自适应直方图均衡化（CLAHE）方法进行图像预处理，以提高图像质量；其次，基于卷积神经网络（CNN），融合空间金字塔结构和批量归一化（BN）方法构建改进空间金字塔池化卷积神经网络（SPPN-CNN）模型，并利用Softmax分类器实现交通标志分类；最后，选用德国交通标志识别数据集（GTSRB），对比不同图像预处理方法、模型参数和模型结构的训练效果，并验证和测试所提模型。实验结果表明，SPPN-CNN模型的识别精度达到98.04%，损失小于0.1，在低配GPU条件下识别速率大于3 000 frame/s，验证了模型精度高、泛化性强、实时性好的特点。     

基于天空分割的单幅交通标志图像去雾算法

针对现有去雾算法应用于交通标志图像时容易产生信息丢失、色彩失真等问题,导致去雾后图像质量较低,不能很好地满足交通标志识别系统（TSRS）的实际应用需求,提出一种基于天空分割的单幅交通标志图像去雾算法。根据大津算法结合图像灰度特征得到自适应阈值实现天空区域和非天空区域的准确分割;非天空区域采取改进的暗通道先验算法去雾,引入自适应中值滤波和快速双边滤波联合的方法优化透射率,天空区域则采取直方图均衡化算法去雾;通过融合得到无雾图像;引入高斯滤波对严重降质图像进行去雾后清晰化处理。实验结果表明,去雾后图像在峰值信噪比等多个客观评价指标上的综合表现优于其他几种去雾方法,所提算法在保证较低的时间复杂度的同时,能有效地保留图像信息,还原出清晰的真实图像,满足TSRS的实际应用需求。     

基于梯度与形态学的低质量车牌定位

针对低质量车牌的定位问题,提出一种水平梯度信息和数学形态学操作相结合的定位方法。利用自适应梯度图阈值分割算法分割出车牌部分的梯度信息;通过形态学和区域合并操作得到连通的候选区域;结合车牌自身特点进行区域搜索,粗定位出车牌;用扫描线法去除边框,实现车牌的精确定位。实验结果表明,该方法对光线昏暗、噪声严重、车牌区域污损、倾斜等条件下的车牌定位具有较强的鲁棒性,能满足实际交通场景中的车牌定位需求。     

基于图像聚类的交通标志CNN快速识别算法

为了提高交通标志图像识别的准确性和实时性,提出一种基于图像聚类的交通标志CNN快速识别算法。利用图像聚类算法对原始数据集进行样本优化;采用多种图像预处理操作使样本整体质量进一步提升;构造了深度为9的CNN结构,通过多次训练得到最终的网络模型,将待识别的图像输入到CNN模型来实现自动识别。在德国交通标志数据集（German traffic sign recognition benchmark, GTSRB）和比利时交通标志数据集（Belgium traffic sign dataset, BTSD）上证明了算法的有效性,单张图片的识别速度只需0.2 s,识别精度高达98.5%以上。本算法具有识别速度快、准确率高的特点,可为智能驾驶的可靠性和安全性提供理论依据和技术支持。     

改进的雾霾天气交通标志图像去雾算法

现有去雾算法直接应用于交通图像时容易出现过渡区域明显、偏色严重,不能满足后续交通标志检测系统的应用要求,为此提出一种改进的基于暗原色先验的单幅交通图像去雾算法。首先利用改进的均值漂移算法对交通图像进行天空区域分割,并对分割后的天空区域采用直方图均值化算法去雾,对非天空区域使用基于快速双边滤波的暗原色先验算法去雾,最后通过图像融合得到最终去雾图像。实验结果表明,相比其他几种典型去雾算法,所提算法对交通标志图像天空区域的过渡区域和色彩失真现象有所改善,且具有较快的处理速度,通过定量分析可知去雾效果较好,能够满足后续交通标志检测系统的应用要求。     

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。