基于BP神经网络的交通标志识别

对神经网络理论和神经网络分类器进行了研究,提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较,得到了识别效率高的模型,并将这一模型应用到所研究的交通标志识别系统,从而对系统作了初步的实现。     

基于不变矩和小波神经网络的交通标志识别研究

研究了用于交通标志识别的小波神经网络模型,并描述了相应的算法,给出实验结果。实验结果表明,采用不变矩提取道路交通标志的特征,再利用训练速度快、优化性能好的小波神经网络作为分类器对交通标志识别具有很好的分类能力,对实现交通标志的精度识别提供了有力的支持。与传统的BP神经网络识别方法相比,小波神经网络的训练速度更快和识别率更高,能够满足在车辆自主导航系统中对交通标志识别的要求。     

一种新的退化交通标志图像的分类算法研究

为了识别退化的交通标志图像,提出了一种新的分类算法。该算法在处理图像的退化问题时,采用模糊—仿射不变距直接提取图像的特征而不需要图像的清晰化处理;在利用模糊—仿射不变距提取图像特征的基础上,采用递归正交最小二乘算法设计了一种新的径向基概率神经网络分类器。仿真结果表明:模糊—仿射不变距是一种有效的处理退化的交通标志图像的方法,所设计的径向基概率神经网络分类器不仅具有精简的结构,而且,具有较好分类和推广性能。     

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。     

基于卷积神经网络的交通标志模糊影像识别

当前方法不能有效的识别交通标志模糊影像,且识别交通标志所用的时间较长,存在识别效果差和识别效率低的问题。提出基于卷积神经网络的交通标志模糊影像识别方法,首先对交通标志模糊图像做亮度均衡化处理,消除交通标志自身因素和天气因素对交通标志识别过程产生的影响。对均衡化处理后的图像进行分割,计算各个图像块的显著度,挑选显著度最高的图像块作为交通标志图像的感兴趣区域。提取感兴区域中存在的HOG特征向量和LBP特征向量,对HOG特征向量和LBP特征向量进行融合,得到交通标志图像的HOG-LBP特征。将HOG-LBP特征输入卷积神经网络中,在卷积神经网络中进行前向计算和反向计算,根据计算结果调整偏差和权值,输出交通标志模糊影像的识别结果,实现交通标志模糊影像的识别。仿真结果表明,所提方法的识别效果好、识别效率高。     

退化交通标志图像的RBPNN分类算法研究

为了识别退化的交通标志图像,采用模糊-仿射联合不变矩直接提取图像的特征,并针对各阶模糊-仿射联合不变矩数量级差异较大问题,提出一种数量级标准化算法,避免了需要较大计算量的图像复原处理过程。同时在深入研究径向基概率神经网络的基础上,采用全局K-均值算法优化其网络结构,并将其用于交通标志图像的分类识别。仿真结果表明,模糊-仿射联合不变矩是一种有效的处理退化交通标志图像的方法,所设计的径向基概率神经网络分类器不仅具有精简的结构而且有较好分类精度和推广性能。     

两种智能交通标志分类器的比较研究

本文介绍了一种可用于交通标志识别的新方法--支持向量机（SVM）算法,并将SVM算法与BP算法在交通标志的粗、细分类中的识别效果进行了对比分析。用中国的116个和日本的23个交通标志标准图分别训练基于SVM算法和基于BP算法的智能分类器,并用中国标志的噪声图、扭曲图和531个日本交通标志实景图作为测试集。在粗分类中,虽然BP算法 法的识别率也能达到90%以上,但SVM算法的识别率几乎可达100%,二者差距明显。在细分类中,SVM算法的识别效果与BP算法相比具有更加明显的优势。实验研究结果表明,SVM算法可以以接近最优的方式解决模式分类问题,同时具有更好的泛化能力,在交通标志识别领域具有良好的研究价值和应用前景。     

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。     

基于多分类器融合的图像真伪鉴别方法

针对数字图像的真伪鉴别问题,通过在小波域上构造的滤波器,提取反映相机本身物理特性的某种特定噪声,将其作为判断图像真伪的关键特征。在待测图像中选取出可疑区域,将其噪声特征通过广义高斯分类器以及BP神经网络分类器进行判断和融合,从而实现图像的真伪鉴别。实验结果表明,该方法对多种不同伪造方式的数字图像均具有较高的识别正确率。     

一种用于交通标识分类的形状识别算法

交通标识分类是交通标识识别系统的基础环节,而交通标识形状识别是交通标识分类的核心部分.对交通标识进行了研究,将交通标识分为禁令标识、警告标识和指示标识3大类分别进行分析,提出了一种利用边缘走势统计特征反映目标形状特征的新算法,并将其与BP神经网络相结合用于交通标识形状的识别.首先利用颜色信息实现交通标识区域分割,随后记...     

基于图像局部奇异值向量和BP神经网络分类器的道路导航方法

提出以道路图像矩阵的局部奇异值向量作为特征输入,以BP神经网络作为分类器的道路导航方法.首先将图像分割成若干子图像,然后分别对子图像进行奇异值分解,提取子图像的代数特征向量.子图像的特征奇异值组成整个图像的局部奇异值向量,作为分类器的输入.再利用BP神经网络分类器对道路图像进行训练及识别.实验中处理了三类道路图像(偏左、偏右、正确方向),每类用20 幅图像作为训练样本,30幅用作测试.结果表明,这 种道路导航方法的识别率达到了100%.􀁳 􀁨 􀁱     

基于多尺度卷积神经网络的交通标志识别

基于多纵卷积神经网络的交通标志识别算法识别率较高,但识别和训练时间较长,实用性较差。为此,构造一种基于多尺度卷积神经网络的道路交通标志识别模型。通过改进单尺度卷积神经网络中特征提取的基网络,将网络不同层级所产生的特征融合为多尺度特征并提供给分类器,以提高低层特征的利用率。在GTSRB数据集上的实验结果表明,该模型准确识别率达到99.25%,与多纵卷积神经网络模型相比,其在保证高精度的同时,识别和训练时间的降幅均超过90%,更适用于真实路况下交通标志的精准检测。     

基于改进卷积神经网络的交通标志识别方法

针对传统卷积神经网络时间成本高的不足,对卷积神经网络进行了改进,减少其卷积核的数量,增加池化方式.为解决真实场景中自动驾驶系统和辅助驾驶系统中的道路交通标志识别问题,将改进的卷积神经网络运用到道路交通标志识别当中,以达到在较短时间内识别出交通标志的目的.以图形数据集GTRSB实景交通标志图像数据作为样本,用改进的卷积神经网络对实景交通标志进行识别,其识别总体准确率达到98.38%.实验结果表明,本方法可以在保持较高识别准确率的同时减少其识别的时间.     

车辆类型识别技术的研究

汽车类型自动识别在现代交通管理和监控中有着广阔的应用前景，本文提出一种用于汽车类型识别的BP神经网络分类器的设计问题。在车辆图像预处理和特征提取的基础上进行基于前向三层神经网络的自动识别和分类。     

基于BP神经网络的隐写分析分类器设计

设计并实现了基于BP神经网络的隐写分析分类器。首先对图像库中的图像进行格式变换,并使用扩展修改方向和钻石编码两种隐写方法进行不同嵌入率的隐写嵌入,然后计算载体图像和载密图像中平面域、DCT域和小波域的一些属性值作为特征。利用Matlab的模式识别工具箱搭建BP神经网络,用已知类别的图像特征训练分类器并进行分类测试。实验结果表明,多域综合特征可以实现良好的分类效果,能以较高的准确率识别出载体图像和载密图像。     

交通标志识别方法设计

针对交通标志识别系统要求实时性高,处理的信息量大以及受多种情况干扰等问题,提出了一分块图象特征与BP神经网络相结合的识别方法。对33幅图象加入不同干扰后得到132幅图象,实验表明该特征提取方法具有良好的灰度畸变、旋转、平移以及尺度不变性,取得了良好的识别效果。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

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.