基于直方图投影的交通标志特征提取算法

本文提出了一种基于直方图投影的交通标志特征提取方法。通过粗分类对捕获的标志进行筛选,再计算直方图,并分别从水平、垂直方向进行投影,组合特征向量,最后利用神经网络进行识别。该方法极大的减少了特征的维数,消除了大量冗余数据,并增强了神经网络的分类能力。经测试,对于3类常见交通标志,神经网络识别率有大幅提升。     

优化特征提取的多目标交通标志检测方法

为解决自然场景下检测多个交通标志准确率低、特征提取网络复杂等问题,提出一种基于改进Faster R-CNN的交通标志检测算法.将原算法的特征提取网络替换为更深层的密集卷积网络,充分利用跨层密集连接方式,促进层之间信息流和梯度流的传递,实现特征复用;利用瓶颈层和过渡层减少特征维度,降低模型的复杂度.与原算法相比,使用该方...     

基于图像增强和SKNet的交通标志识别

针对现有交通标志识别系统对图像特征提取不充分和复杂情况下难以识别的问题,设计基于图像增强和SKNet的交通标志识别模型HE-SKNet。首先,采用直方图均衡化,对过亮或过暗的交通标志图像进行增强;然后使用自适应调节感受野大小的SKNet网络进行特征提取和分类。GTSRB数据集的实验结果表明,提出的HE-SKNet模型识别准确率达到了98.95%,相比ResNet、ResNeXt、SENet和SKNet准确率平均提高了2.77个百分点,验证了HE-SKNet模型自适应提取不同尺度特征的能力,更适用于过亮或过暗的复杂实际应用场景。     

基于中轴变换的骨架特征提取算法

针对中轴变换算法提取骨架特征时,其结果对边界噪声敏感且易产生毛刺的问题,提出一种基于中轴变换的改进算法。采用Voronoi图计算原始中轴,使用改进的二次误差度量方法去除毛刺。在二维及三维数据集上的实验结果表明,该算法能够提取简洁、准确的骨架,且对边界噪声具有鲁棒性。     

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。     

基于SSD的交通标志检测方法研究

随着经济的发展,交通问题日益显著,而且5G时代也即将到来,无人驾驶也会进入人们的生活,交通标志的检测与识别是实现无人驾驶的重点.因此,使用基于SSD(Single Shot MultiBox Detec-tor)算法来进行交通标志检测,使用的数据集是比利时交通标志数据集,并对其进行数据标注,然后进行模型训练.实验证明,...     

基于微控制器改进SqueezeNet交通标志识别的研究

针对目前交通标志的识别都是基于操作系统之上,无法做到自主可控、稳定可靠的问题,故提出一种基于微控制器卷积神经网络交通标志识别。考虑到微控制器内存及计算速度,研究采用改进SqueezeNet网络模型结构,将PC训练机训练好的各种交通标志权值矩阵文件缩小了50倍,移植到前端Cortex-M核系列开发板上;利用内嵌的CMSIS-NN网络函数库搭建与训练机相同的网络模型结构实现对标志的快速识别。实验结果表明,基于微控制器改进SqueezeNet交通标志识别方法平均识别率达到97.4%以上,识别速度得到了有效的提高, 同时为智慧交通的标志识别提供了一种可选择方案。     

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%。     

基于改进ResNet网络的交通标志识别研究

针对传统ResNet网络存在丢失图像有用信息以及参数冗余等问题,论文提出一种改进ResNet的A-ResNet模型.引入有shortcut连接的残差注意力模块,增强对目标对象的关注度;引入Dropout层,防止过拟合现象,提升识别精度;调整网络架构,加快训练收敛速度及提高识别精度.实验结果表明,A-ResNet模型相比传统ResNet网络实现约2％的top-1精度的提高.     

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。     

一种改进的基于特征点求解的骨架提取算法

基于特征点求解和Reeb图思想,实现了一种新的骨架提取算法。首先求取模型特征点集,以特征点为计算依据,根据三角网格中每个顶点与特征点的不同对应关系得到网格分支点,聚合成一系列骨架点,依据骨架点携带的拓扑信息,连接拓扑相邻的骨架点得到模型骨架。采用了改进的特征点提取算法,其时间复杂度由O（n^3）提高到了O（n^2log（n））,实验表明算法能够快速提取骨架,针对一般模型的骨架提取效果令人满意。     

交通标志识别特征提取研究综述

交通标志识别(TSR)是智能交通系统(ITS)的一个重要研究方向,而特征提取是交 通标志识别研究中的重点。聚焦交通标志识别的特征提取,综述了常见的人工特征(颜色直方图、 尺度不变特征变换特征、局部二值模式特征、方向梯度直方图特征、Haar-like 特征、Gabor 小 波特征、Canny 特征等)和深度特征(提取自 AlexNet,VGG16,Inception 等),并在同一数据集 (GTSRB)上提取多种特征,采用相同分类器,通过相同评价指标体系进行定量比较与分析,并 以图表方式,针对不同特征和不同交通标志类别,进行直观的性能比较研究,以期为交通标志 识别时特征向量的选择和深入研究提供参考。     

基于改进R-FCN的交通标志检测

为在交通标志检测过程中同时满足精度和速度的需求,建立一种改进的基于区域全卷积网络（R-FCN）的交通标志检测模型。通过K-means聚类算法对数据集进行分析,选择合适的锚点框。对特征提取网络ResNet101进行结构简化,只使用前25层来提取特征,以缩短检测时间。在模型中引入可变形卷积和可变形位置敏感RoI池化层,以提高模型对交通标志的感应能力。模型训练过程中使用在线困难样本挖掘策略从而减少简单样本数量。在交通标志检测数据集GTSDB上的实验结果表明,该模型对交通标志位置信息较敏感,AP₅₀和AP₇₅指标分别达到97.8%和94.7%,检测时间缩至48 ms,检测精度与速度优于Faster R-CNN、R-FCN等模型。     

基于改进残差网络的交通标志识别算法

针对模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对ResNet网络结构进行改进,提出基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。     

改进YOLOV3实时交通标志检测算法

交通标志检测是智能驾驶任务中的重要一环.为了满足检测精度和实时检测的要求,基于YOLOV3提出一种改进的实时交通标志检测算法.采用跨阶段局部网络作为特征提取模块,优化梯度信息,减少推理计算量;同时以路径聚合网络替代特征金字塔网络,在解决多尺度特征融合的同时,保留了更加准确的目标空间信息,提高目标检测精度;并且引入完备交...     

基于改进YOLOv3的复杂环境下交通标志检测

针对深度学习算法中目标检测网络模型在复杂环境下识别交通标志的难点,对YOLOv3模型迁移学习算法的基本特点展开研究,构建并划分了复杂环境下中国交通标志数据集,并通过引入特征尺度的概念进一步改进YOLOv3算法,使数据集能够更好地处理各种复杂环境带来的影响。通过对比实验,证明改进后的YOLOv3算法对复杂环境下交通标志检测的效果明显优于标准YOLOv3算法及SSD算法,获得了更高的检测精度和更短的检测时间。     

基于改进WLD的纹理特征提取方法

在纹理分类应用背景下,原始韦伯局部描述符( WLD)对纹理模式区分能力有限。针对该问题,提出一种基于正负梯度改进的WLD( WLD-PNG)。利用局部窗内像素点间灰度变化的正负梯度构建纹理特征描述符,通过分离计算正负梯度的差分激励算子,保留灰度等级变化的正负性信息,以增强纹理模式的可区分性,运用均匀局部二值模式( uLBP)提取灰度等级变化的空间分布结构信息,并提高纹理模式的识别能力,使用均匀量化和编码技术将差分激励算子与uLBP结合,从而描述图像的纹理特征。在Brodatz和KTH-TIPS2-a纹理库上进行对比实验,结果表明,与原始WLD,uLBP,WLD+uLBP及已有改进的WLD等方法相比,WLD-PNG在提高纹理分类性能的同时,具有较好的稳健性和较低的计算复杂度。