道路场景中交通标志的检测方法

为在车辆视觉导航中能快速识别道路场景中的交通标志,通过提取标志的特征颜色与识别标志的特征形状来实现交通标志的检测。将道路场景RGB空间图像转换为HSI空间,利用色调与饱和度融合的办法来提取道路场景中标志的特征颜色区域,二值化后排除噪声并通过投影法得到正确的标志区域,实现交通标志的定位。以红色禁令圆形交通标志为例,提出一种改进的Hough变换方法来识别标志域内的几何特征——圆形标记。通过对不同条件下20幅含禁令标志的道路场景图像的检测试验,发现本方法对交通标志颜色提取定位与几何特征图形识别的正确率都达到100%,且平均检测时间为245ms。分析结果表明:该方法能够快速、准确地确定标志区域,同时对禁令标志几何图形识别具有较强的实时性和鲁棒性。     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性，改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题，提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络，通过增加动态加权密集块对各层特征图的权重进行调节，实现深层高语义信息和浅层低语义信息的融合；使用MobileNet 轻量化网络结构，通过可分离卷积操作有效降低网络的计算成本；针对池化操作中图像特征丢失严重问题引入 CBAM模块，利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明，本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度，在保证较高检测精度的同时，能够有效提高检测效率，满足实时检测要求.     

道路标志自动分类方法

为了对道路标志图像进行自动分类,通过图像颜色空间变换,将图像的RGB量值转换为H(色度)S(饱和度)I(亮度)量值,采用Sobel算子进行道路标志图像的边缘检测,利用行扫描法进行区域填充,以获取二值化的道路标志图像区域,提取道路标志二值化图像的不变矩与形状参数作为图像特征值,设计BP神经网络道路标志图像几何形状分类器,以道路标志图像的H、I为特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。融合道路标志图像几何形状和背景颜色的识别算法,并利用道路标志的分类知识和自动分类方法,能有效实现道路标志图像的自动识别。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明:本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。      

基于改进Retinex的钢轨表面缺陷图像增强方法

机器视觉检测系统获取的钢轨图像因其光照不均、对比度低而导致缺陷特征难以识别.对此,提出了一种基于改进Retinex的钢轨图像增强方法.首先,将钢轨图像从RGB颜色空间转换到HSI颜色空间并单独提取亮度分量;然后,以双边滤波代替传统Retinex方法中的高斯卷积进行照射分量估计,同时提取反射分量;最后,通过对反射分量的局部非线性增强以及HSI逆变换,实现钢轨图像增强.实验结果表明:本文方法在提高缺陷与背景对比度的同时能有效减弱光照不均的干扰,钢轨图像增强后的信息熵和对比度指标均优于传统方法.     

低照度边缘增强的语义分割模型研究

为提高对低照度图像的语义分割精度,提出了一种基于RPN的边缘增强语义分割模型(EESN)。在该模型中,首先利用深度残差网络提取图像的高阶语义特征,并通过RPN快速生成待分割目标候选区域;然后,利用设计的融合算法对候选区域进行融合,并剔除重复的候选区域;最后,对融合的目标候选区域做低照度边缘搜索,并利用失真代价较小的局部增强算法对低照度边缘进行特征增强。将EESN用于Pascal VOC12和Cityscapes两个数据集的语义分割中,分别获得了81.2%和67.6%的mIoU,该结果证明了EESN对具有低照度边缘的图像具有较好的分割性能。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.