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.     

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法.第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性.通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost +SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测.     

基于链码自分段配准技术的轴类零件光电检测

根据线阵CCD对二维图像进行扫描检测的特点,提出一种基于链码自分段配准技术的轴类零件尺寸检测方法.该方法能自动对轴类零件轮廓曲线进行分段,然后进行测量,最终测出轴类零件每一段的尺寸.采用该技术,能检测出复杂轴类零件的尺寸,具有鲁棒性好、直径测量的检测误差较小的特点.     

基于链码检测的直线段检测方法

直线是图像的重要特征,直线参数是进行图像识别和直线段三维重建的重要基础数据。基于链码检测的直线段的检测方法分为4步：以边缘图像为基础进行链码检测;根据链码估计曲率,检测链码角点,并在角点处拆分链码;通过链码直方图检测直线链码;对直线链码进行直线参数估计,并根据连接准则,进行直线连接。实验证明,该方法可以对直线段进行有效的检测。     

改进YOLOv3的交通标志检测方法研究

针对我国自动驾驶的辅助识别交通标志误差率大、检测速度慢、需人工参与等问题,提出一种基于改进YOLOv3的交通标志检测识别方法。通过改进Darknet53网络结构来减少网络迭代过程中前向推理计算,提升网络迭代速度。引入目标检测的直接评价指标GIoU指导定位任务来提高检测精度。使用[k]-means++聚类算法获取anchor尺寸并匹配到对应的特征层。实验结果表明,提出的方法相较于原始YOLOv3在标准数据集Lisa上的平均精度提升了8%,检测速度达到了76.9 f/s;在自制数据集CQ-data上平均精度可达94.8%,与传统识别以及其他算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有更好的鲁棒性,而且可以识别多种交通标志的类型。     

对Freeman链码分析的角点检测算法

针对传统的基于轮廓曲线的角点检测算法需要计算曲率和选取阈值的不足,提出一种对Freeman链码分析的角点检测算法,首先通过图像边缘检测,轮廓提取得到轮廓的Freeman链码,当链码发生变化时分析其连续前后多个点的链码是否符合一定的规则来判定角点,无需经过传统的角点阈值选取,曲率计算等步骤.实验通过与He&Yung、CPDA、Fast-CPDA和ARCSS角点检测器比较,结果表明本文算法在角点检测时准确率（ACU）最高;在变换实验中,本算法的平均重复率（AR）最高,由此可以得出本算法具有良好的角点检测性能.     

无损链码技术的分析与比较

为了给链码的进一步研究与应用提供建设性意见和参考,文中从两个方面介绍了无损链码技术,一是基于像素的链码技术,主要介绍弗尔曼(Freeman)链码技术;二是基于边界的链码技术,主要介绍顶点链码技术.介绍了6种典型的Freeman链码和6种典型的顶点链码,对各链码的产生、主要思想及特性进行了详细的论述,给出了各链码的综合比较与评价,为链码的应用者与研究者提供便利.     

基于多线索混合的交通标志检测与跟踪

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.     

直线链码与识别

在70年代，Freeman首先提出了直线链码应满足的三个条件。之后，一些学者在这方面做了许多工作,包括进一步明确和形式化证明了这些条件以及根据这些条件提出了识别直线链码的算法。但是，这些工作都没有包括直线链码两端的详细分析和研究，以致在识别直线链码时在两端处形成模糊情形。本文详细分析和讨论了直线链码在两端处的情形，具体给出了直线链码两端应满足的条件，基于此提出了一个改进的直线链码识别算法，它能正确地识别包括两端的直线链码。     

基于聚类算法的入侵检测技术

讨论入侵检测系统的基本技术,探讨基于智能技术的入侵检测方法,提出基于聚类算法的入侵检测系统。从实验结果来看,该入侵检测系统检测率高,误警率低,能有效满足用户的需求。     

基于卷积神经网络的交通标志检测

针对自动驾驶场景下,提高交通标志检测速度和准确率的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的交通标志检测算法,与传统的图像检测算法相比拥有明显的优势。首先解析影响交通标志检测准确性的因素,并对算法提出了两项改进:使用101层的残差网络作为特征提取的基础网络以获得高精度的特征提取和物体检测,同时优化网络的区域候选框特征提取方式以提高交通标志图像的检测效果。在GTSDB德国交通标志检测基准数据集上的实验结果表明,该算法实现在复杂背景下交通标志的精准检测。     

基于直方图聚类的网络流量异常检测技术研究

基于流量特征的异常检测技术主要是通过网络流量特征属性分布规律映射网络异常行为。为提高检测准确率,降低误报率,文章提出了基于流量特征直方图聚类的异常检测和分类的技术。通过直方图的方法详细描述网段流量特征的时空信息,然后聚类分析各种属性特征的正常模型,最后根据待测流量特征属性与正常模型之间的距离所组成的向量来衡量异常。基于DARPA99数据集的实验表明,该算法具有较高的异常检测和分类准确性。     

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。     

一种基于聚类的异常流量检测算法

通过分析常见异常流量的内在特征,在Chameleon算法的基础上,设计了一种基于聚类的异常流量检测算法。通过对DARPA1998数据集的实验结果表明,该算法能够在没有先验知识的前提下,对影响正常网络性能的异常流量有较高的检测准确率。     

基于链码的道路导向标志检测研究

随着交通智能化和智能车技术的发展,智能车对道路目标的识别成为智能车辆研究的一个重点问题。文中首先对道路图像进行了二值化处理、空间域平滑处理和边缘检测,使道路中如道路边沿、道路标线、导向标志的大致区域得到了初步认定,然后分析了道路导向标志的影像、形状等特征,利用数学形态学方法进行了初步识别,最后研究了基于链码特性的道路导向标志目标检测算法,实现了导向标志目标的初步识别和检测。     

复杂环境下的交通标志检测与识别方法综述

交通标志检测与识别是无人驾驶三大模块中环境感知的研究热点之一,检测和识别交通标志可以向无人车传递道路交通信息,优化行车决策.在暴雨、大雾以及光线昏暗等复杂环境下,拍摄到的图像往往会被遮挡,变得模糊.这不仅影响图像的质量,还会对后期标志的检测与识别带来巨大的困难.简述了交通标志检测与识别方法,对近年来国内外学者解决各类复...     

交通标志识别方法综述

交通标志识别对于车辆安全行驶具有重要作用,特别是针对存在光照变化和遮挡的情况,准确性高、实时性好的交通标志自动识别亟需解决。对交通标志的检测和交通标志的识别分别进行了综述,给出了它们的原理、步骤、特点和性能,以及进行算法研究常用的交通标志数据库。相比于传统的特征检测和识别方法,采用深度学习有助于解决光照变化、部分遮挡等情况下的交通标志识别难题,是今后自动驾驶和无人驾驶性能提升的主要途径。     

基于三尺度嵌套残差结构的交通标志快速检测算法

智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明：提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F\\-1值为91.77%、检测时间为5ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F\\-1值分别为92.41%,93.91%,92.03%,检测时间为5ms.     

基于YOLOv3模型压缩的交通标志实时检测算法

YOLOv3目标检测算法检测精度高,检测速度快,能够实现对交通标志的实时检测。但由于YOLOv3模型要求设备具有较强的运算能力及较大的内存,难以直接部署在车辆等资源受限平台上。针对此问题,提出了一种Strong Tiny-YOLOv3目标检测模型,该模型通过引入FireModule层进行通道变换,在减小模型参数的同时能够加深模型深度。同时,模型在FireModule层之间加入short-cut来增强网络的特征提取能力。实验结果表明,模型在保持较高检测精度的前提下,能够极大减小YOLOv3模型对设备的依赖。与Tiny-YOLOv3模型相比,Strong Tiny-YOLOv3模型的参数量减少了87.3%,实际内存大小减少了77.9%,在GeForce 940MX上的检测速度提高了22.8%,且在GTSDB和CCTSDB交通标志数据集上的检测mAP分别提高了12%和3.8%。