摘要：
据有关数据统计,全国道路交通事故中死亡率达到18.2%,因此交通安全问题已经成为我们日常生活中最常见的问题。而解决交通事故问题的有效途径之一就是准确有效的识别道路交通标志,目前,人工智能技术在智能交通系统(ITS)领域的不断提高,给道路交通标志智能识别带来了希望,特别是在道路辅助驾驶系统(ADAS)方面,对自动检测和识别交通标志的能力要求越来越高。ADAS的研究重点是视觉,而视觉的前提是感知,即对道路场景的感知。而在真实道路场景中检测这些标志存在着巨大的挑战,例如光照的强弱、标识牌的模糊程度以及其它障碍物的覆盖遮挡等天气因素和场景因素都会影响检测和识别效果和准确度。本文主要研究禁令、警告和指向三种交通标志,针对该问题本文提出一个整体的检测和识别的框架,主要工作如下:1.检测阶段,根据HSV颜色空间和RGB颜色空间的特性,本文提出了一种基于RGB颜色阈值分割法,同时为了解决覆盖遮挡和模糊性问题,本文在颜色分割基础之上提出了一种基于最小二乘法的形状拟合判定算法,利用该算法来确定感兴区域(ROI),实验表明检测准确性效果得到大大提高。2.分类识别阶段,本文提出了利用SVM和CNN进行两级分类的思想,根据SVM多分类思想,在基于颜色和形状基础之上,将不同种类别的交通标志归纳为6个子类进行粗分类。首先比较分析HOG特征和LBP特征算法特性,选择合适的特征提取方法。将6种不同类型的交通标志训练出各自的分类器,该分类器作为粗分类器对候选区域进行简单分类,准确度达到95%。3.在二级分类思想中,文本提出并设计一个浅层的卷积神经网络作为二级细分类器。在粗分类基础之上利用该网络对交通标志具体内容进行识别。即SVM分类后的结果经过灰度化和归一化之后输入该网络进行细分类识别出结果,实验表明在实时性和准确上都有很好的实时性和准确度。
展开
