基于分类技术的交通标志自动识别研究与实现
来源:宣传处 发布时间:2019-10-07 09:56 浏览次数:

在当今快速发展的社会中,经济实现了快速发展,机动车越来越受欢迎,道路上的车辆也越来越多。这对交通管理构成严峻考验,交通事故发生的概率更大。智能交通系统也出现了更多的困难和挑战。在20世纪80年代,许多发达国家开始研究智能交通系统。智能交通系统可以通过协调处理道路信息,有效缓解交通拥堵,减少交通事故。由于交通标志包含大量的道路信息,如限制信息和控制信息,如高度限制和急转弯,可以识别这些标志,及时给驾驶员提醒,并有效避免交通事故和确保交通安全。自动交通标志识别也已成为智能交通系统不可或缺的一部分。自动交通标志识别不仅促进了社会进步,也促进了汽车行业的未来。

1交通标志的特征表示

1.1基于颜色特征向量提取

图像的颜色特征是图像的基本特征之一,也是最广泛使用的图像视觉特征。与其他图像视觉特征相比,图像的颜色不受图像的大小,角度和方向的影响,并且相对独立,因此提取颜色的特征向量相对容易。颜色特征的提取主要基于相应的不同颜色空间模型。颜色模型包含许多类型,主要介绍以下三种类型的RGB颜色空间,HSI颜色空间和CMY颜色空间。

1.2基于形状特征向量提取

基于形状特征向量提取的想法是将图像中的对象或区域的形状作为图像的特征,其是由图像的一部分或区域划分的特征。形状特征有两种主要类型,即轮廓特征和区域特征。两者之间的区别在于轮廓特征仅使用对象的外边界,而区域特征使用整个形状区域的数据。

1.3基于纹理特征向量提取

基于分类技术的交通标志自动识别研究与实现

纹理特征反映了图像中对象本身的性质。它不依赖于颜色或亮度。它是物体所有表面的共同特征。例如,衣服和鞋子具有相应的纹理。纹理特征包含对象的表面信息。纹理特征找到具有相似纹理的图像,从而可以实现分类效果。已经研究了类似的纹理特征向量提取非常成熟。主要方法有灰度共生矩阵,Gabor,Tamura纹理特征等。

2基于SVM技术的交通标志识别

SVM技术算法的主要功能是找到并建立一个最优决策超平面,使分类器的正确分类更有效,最后将问题转化为二次优化问题,从而为分类提供了良好的泛化能力。问题。通常,SVM的基本思想如下

基于分类技术的交通标志自动识别研究与实现

如果训练点的类别是线性可分的(两种类型),则只需要在原始空间中找到两种类型样本的最优决策超平面。如果训练点的类别是不可分割的(多类),则原始空间映射到高维特征空间,然后在高维特征空间中找到最优决策超平面。通过使用具有特殊属性的不同核函数,SVM使高维空间中的内积运算成为低维空间中的非线性运算,避免了高维空间中的计算问题,降低了复杂度和计算量。

SVM模式分类可分为两种,也就是两模式分类及多模式分类。两模式分类即上面所说的训练点是线性可分的,只需构造一个超平面将训练点划分成两类即可,相对于多模式分类,两模式分类是它的一个特殊情况。多模式分类就是将多类分类问题化解为多个两类问题。每一个两类问题训练点集合都包含原训练集中的所有训练点,其中一类训练点被标记为+1,剩余的训练点被标记为-1,因此一个多模式分类就是多个两模式分类,下面以一个两模式分类来说明其分类原理。

如图1(b)所示,通过两类训练点中离超平面最近的点且平行于最优分类面的超平面Hl、H2上的训练点,满足式(1)的等号成立的条件。Hl、H2上的训练样本就称作样本的支持向量。可见,支持向量本身就是支持了最优分类面的那部分样本。

第一,对线性可分的情形,求最佳(w,b)归结为二次规划问题。利用拉格朗日方法求解,即在约束条件

3实验结果及分析

本次试验采用了交通标志识别领域影响最大的德国数据集GTSRB,以便增强实验的可靠性。下面我们详细介绍以下特征向量的组成第一种方法我们选用对图像进行分块的方法进行特征向量的提取,即将原始图像分割成若干小的图像块,每一幅图像分成相等的块数,然后对每一小块进行特征向量的提取,本文选择效果较好的“颜色+纹理”为特征向量;第二种方法采用网上所提供的德国数据集中的特征向量,例如HOG、Hue特征向量进行实验。

通过查阅资料,对训练参数进行不断调整,以达到最好的分类结果。以下是在不同训练参数和对应的特征向量下的分类识别的准确率,最高的准确率为72.0823%。

如表1所示,使用支持向量机方法对交通标志进行分类,通过对参数的调整能够取得较好的实验效果。Hue和HOG特征的效果较差,但是根据结果能够发现,其SVM的训练还不完全,所以不能完全认为基于局部特征的特征向量优于Hue和HOG,只能说在当前的实验配置下,基于局部特征的特征向量取得了较好的分类效果。

4结语

现如今对于自动交通标志识别的研究非常热门,但效果比较好的算法都是由国外的学者研究出来的,国内对于自动交通标志识别的研究还处于起始阶段。本文主介绍了运用支持向量机技术进行交通标志的分类。在前人研究的基础上,成功将SVM技术应用到交通标志分类上,并通过对训练函数的参数进行不断调整,在德国数据集上进行实验,使得分类正确率达到72%。

上一篇:提高高中物理教学效果的探讨

下一篇:没有了