基于颜色信息与SVM网络的交通标志检测

交通标志检测过程中,颜色复杂性造成的颜色失真是影响识别率的主要因素.遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的基于颜色规格化的交通标志分类模型,先通过颜色规格化将交通标志中复杂的颜色信息简化为5种基本颜色,再利用两级智能分类器对交通标志进行分类.采用M-SVMs网络实现了颜色规格化,粗分类的识别率达到了100%,细分类的平均识别率也达到了70%.同时这种方法具有很好的鲁棒性.     

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。     

基于颜色规格化的交通标志识别

采用神经网络群构成的分类器解决实景交通标志识别问题时,识别率普遍较低.分析可知,颜色复杂性造成的颜色失真是影响识别率的主要因素.遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的解决方案:先通过颜色规格化方法将交通标志中复杂的颜色信息简化为5种基本颜色,然后再利用两级智能分类器实现分类.采用BP网络实现了颜色规格化;实验表明,这种方法具有很好的鲁棒性.     

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。     

基于视觉注意机制的交通标志检测

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。     

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。     

融入频域信息聚焦特征的显著性目标检测算法

由于视觉注意预测能够快速、准确地定位图像中的显著区域,因此将视觉注意中的频域信息融入显著性目标检测中,从而有效地在复杂场景中检测显著性目标。首先,采用改进的频域检测方法对图像进行视觉注意预测,将该频域信息融入Focusness特征中计算得到频域信息聚焦特征,并将此特征与颜色特征进行融合得到前景显著图。然后,对RBD背景进行优化,得到背景显著图。最后,对前景显著图、背景显著图进行融合。在ESSCD,DUT-OMON两个具有挑战性的数据集上进行了大量实验,并采用PR_Curve,F-Measure,MAE对结果进行了评估,结果表明,所提出的方法要优于6种对比方法(HFT,PQFT,HDCT,UFO,DSR和RBD),并且能够处理复杂场景的图像。     

基于对数Gabor的超复数视觉显著性检测算法

为在没有先验知识的情况下准确获取图像显著性目标,提出一种基于对数Gabor滤波器和超复数傅里叶变换的视觉显著性检测算法。利用对数Gabor滤波器模仿人类视觉感受野,对输入图像进行预处理,提取颜色、纹理方向等特征。根据所得特征构造各尺度下的超复数图像,并求其傅里叶变换相位谱,将多尺度超复数相位谱反变换后进行归一化,从而获得视觉显著图。实验结果表明,该算法与传统的算法相比具有更高的准确率,应用于复杂场景下的交通标志检测能取得较好的检测效果。     

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。     

An image detection technique based on morphological edge detection and background differencing for real-time traffic analysis

The real-time vehicle detection from a traffic scene is the major process in image processing based traffic data collection and analysis techniques. The most common algorithm used for real-time vehicle detection is based on background differencing and thresholding operations. The efficiency of this method of image detection is heavily dependent on the background updating and threshold selection techniques. In this paper, a new background updating and a dynamic threshold selection technique is presented. An alternative image detection technique used in image processing is based on edge detection techniques. However, an edge detector extracts the edges of the objects of a scene irrespective of whether it belongs to the background details or the objects. Therefore, to separate these two, extra information is required. We have developed a new image detection method based on background differencing and edge detection techniques, which separates the objects from their backgrounds and works well under various lighting and weather conditions. This image detection technique together with other techniques for calculating traffic parameters e.g. counting number of vehicles, works in real-time on an 80386-based microcomputer operating at a clock speed of 33 MHz.     

基于数字图像处理的交通信息检测

本文提出了一种基于数字图像处理的交通流量参数的检测方法，通过CMOS传感摄像头对交通道路摄取的车辆和交通场景来有效地检测交通参数，其中主要用到基于DSP的数字图像处理方法来对摄像头获取的图像进行获取、分析、分割及特征提取等。本方法可以完成单车道的城市交通要道的车辆计数和车辆速度检测等交通信息。该方法具有良好的实用性和可靠性，可用于现场采集交通信息以便调控交通道路状况。     

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。     

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.     

Traffic lights detection and recognition based on multi-feature fusion

Many traffic accidents occurred at intersections are caused by drivers who miss or ignore the traffic signals. In this paper, we present a method dealing with automatic detection of traffic lights that integrates both image processing and support vector machine techniques. Firstly, based on the color characteristics of traffic lights, the paper proposes a method of traffic light segmentation in RGB and HSV color space. And then, according to the geometric features and backplane color information of traffic lights, we design an algorithm to remove false targets in images. Moreover, in order to solve traffic lights diffusion problem, we apply a strategy that we first map the candidate regions onto the original image, then using Otsu algorithm re-extract the target region. Finally, HOG features are extracted from the target regions, and recognized by the trained SVM classifier. Experimental results show that the proposed method has relatively high detection rate and recognition accuracy in different natural scenarios, and is able to meet real-time requirements.     

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。