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。     

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。     

基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值。通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法(k-means clustering algorithm)二聚类处理图像,采用制作的切割模板切割图像感兴趣区域(ROI),提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别。经实验对比证明,采用所提方法的提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1s,干扰下识别时间最高仅为15.1s,验证了该方法可以快速且准确识别各个类型的交通标志。     

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。     

基于卷积神经网络中层特征学习的交通标志图像识别

为解决目前方法不能有效对交通标志进行检测定位,定位交通标志效率低下,存在误检漏检的问题,提出基于卷积神经网络中层特征学习的交通标志图像识别。计算图像的显著度并输出感兴趣区域;提取底层图像特征,构建优化目标函数并训练视觉词典,使用PCA方法提取交通标志图像特征并与视觉词典进行卷积,通过空间金字塔池化提取多层次特征;使用SoftMax分类器进行分类。结果表明：该方法的召回率为96%,准确率为97%,取得良好效果,小标志的召回率为94.5%,准确率为95.5%,有利于远距离交通标志识别,标志的平均定位时间为0.006 s,实时性强。     

基于图像不变特征深度学习的交通标志分类

针对自然场景下所采集的交通标志存在各种形变,且手工设计提取交通标志不变特征方法需要处理技巧的问题,提出一种自动学习提取交通标志不变特征的道路交通标志分类方法.首先基于慢特征分析的深度学习框架自动学习得到每个阶段的特征映射矩阵;然后基于各阶段特征映射矩阵提取交通标志图像第一阶段特征和第二阶段特征,并将其联合输出作为交通标志的特征;最后使用支持向量机进行交通标志分类.实验结果表明,该方法具有良好的泛化能力,能有效地应用于交通标志分类,所提取的特征具有一定的平移不变和旋转不变性.     

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.     

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。     

形状标记图和Gabor小波的交通标志识别

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.     

基于多尺度特征提取与特征融合的交通标志检测

基于卷积神经网络的交通标志检测算法在对现实中复杂的交通场景图像进行交通标志检测时,难以同时解决定位和分类两项任务,并且目标检测领域相关算法所使用的公开数据集提供的图像和交通标志的种类不能满足现实交通场景中复杂的情况。建立一个新的道路交通标志数据集,在YOLOv4算法的基础上针对现实交通场景图像的复杂性和图像中交通标志尺寸差异较大的特点,设计多尺寸特征提取模块和增强特征融合模块,提高算法同时定位和分类交通标志的能力。在此基础上,对算法中不同的模块设置不同的参数进行对照实验,得到一组表现最优的参数,用于检测现实交通场景图片中的交通标志。在道路交通标志数据集上的实验结果表明,该算法相比基于卷积神经网络的同类型任务目标检测算法具有更高的检测精度,平均精度均值达到83.63%。     

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。     

Design of a visual perception model with edge-adaptive Gabor filter and support vector machine for traffic sign detection

Traffic sign detection is a useful application for driving assistance systems, and it is necessary to accurately detect traffic signs before they can be identified. Sometimes, however, it is difficult to detect traffic sign, which may be obscured by other objects or affected by illumination or lightning reflections. Most previous work on this topic has been based on region of interest analysis using the color information of traffic signs. Although this provides a simple way to segment signs, this approach is weak when a sign is affected by illumination or its own color information is distorted. To overcome this, this paper introduces a robust traffic detection framework for cluttered scenes or complex city views that does not use color information. Moreover, the proposed method can detect traffic sign in the night. We establish an edge-adaptive Gabor function, which is derived from human visual perception. It is an enhanced version of the original Gabor filter, and filters out unnecessary information to provide robust recognition. It decomposes the directional information of objects and reflects specific shapes of traffic signs. Once the extracted feature is obtained, a support vector machine detects the traffic sign. Applying scale-space theory, it is possible to resolve the scaling problem of the objects that we want to find. Our system shows robust performance in traffic sign detection, and experiments on real-world scenes confirmed its properties.     

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.     

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。     

三角形交通标志的智能检测方法

基于交通标志都具有一定的颜色和形状，以红色倒三角形交通标志为例，介绍一种新的智能检测方法。该方法主要由以下4个环节构成。首先是颜色提取，将图像转换到HSI颜色模型的色调子空间，提取特定颜色——红色；其次是边缘检测，使用标准LOG模板在提取出来的红色区域上进行；这样，计算量将大为减少；然后是顶点判别，对边缘上的这些点，采用神经网络分类器进行分类，并分别对三角形的3种不同顶点作标记；最后是三角形的定位，通过一定的匹配准则提取出三角形。对不同场景下的20幅图像进行测试，检测正确率达到了100％。实验结果表明，该方法具有鲁棒性好、速度快、检测准确率高等特点。     

多特征融合的圆形交通标志检测

结合圆形交通标志的颜色特征和形状特征,提出一种多特征融合的圆形交通标志检测算法。首先采用彩色分割和非彩色分解技术分离出圆形交通标志,并去除部分背景区域。然后应用链码形式存储边缘,采用边缘长度、圆形度、展弦比等特征进一步去除背景区域。最后采用非线性最小二乘曲线拟合技术准确提取圆形交通标志。多种天气和光照情况下的圆形交通标志检测实验验证了算法的有效性。     

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.     

综合颜色和形状的圆形交通标志检测方法

快速、可靠的交通标志检测是对其进行准确识别的前提,以颜色分割为基础,提出了一种基于曲线拟合的圆形交通标志检测算法。首先利用交通标志的颜色特征预分割出潜在的交通标志区域,然后针对圆形交通标志轮廓具有圆形这一关键特征,通过边缘检测并采用非线性最小二乘技术准确的确定出图像中的圆形交通标志区域。实验结果表明了算法的有效性。