变化光照条件下的交通标志快速鲁棒检测

变化光照条件下交通标志检测算法的准确率往往会显著降低。针对此问题,提出了1种新颖的概率图建立方法,并结合最大稳定极值区域特征进行交通标志检测。该方法包括3个处理步骤:①根据不同光照条件对真实场景交通标志样本图像进行明确分类以构建多类颜色直方图,将交通标志输入图像由原始色彩表达转变为概率图(直方图反投影);②通过在概率图上进行 MSER特征提取,获取候选的交通标志区域;③根据候选区域的面积、宽高比等特征快速有效去除非交通标志区域。实验结果表明在弱光照和强光照条件下基于归一化RGB的交通标志检测算法检测准确率分别下降到84.4%和83.0%,基于红蓝图的交通标志检测算法检测准确率分别下降到87.4%和86.3%,提出的算法在变化光照条件下依然可以保持90%以上的检测准确率,对光照变化有较好的鲁棒性。      

基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测

针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数量,生成包含小目标的候选区域,再使用生成网络对候选区域中的模糊小目标进行上采样,生成高分辨率图像,最后使用分类损失函数与回归损失函数对判别网络进行改进。试验结果表明,Faster R-CNN和生成对抗网络相结合的检测算法可以提高远距离小目标交通标志检测性能。     

基于Matlab分析的Gabor滤波技术和SVM在交通标志识别中的应用研究

本文将现代统计学理论中的支持向量机技术与Gabor滤波技术相结合,提出一种基于支持向量机的交通标志识别方法,并使用MATLAB工具设计出一个简单的实验验证平台。整个系统由图像处理、特征提取、SVM分类器3个模块构成。首先对数码相机采集到的图像进行色彩分割处理,将得到的GRAY图进行Gabor滤波处理,将提取到的特征量与数据库中的基准元素通过使用SVM算法进行分类,最终实现了对交通标志的准确识别。     

基于PCA和灰度直方图特征融合的交通标志的分类研究

为了提高交通标志分类问题的正确率,提取有效的特征值才可以获得更高的分类正确率。校核分析交通标志图像特点,在分类研究的背景下提出了特征融合的思路,在主成分分析(PCA)降低维度的基础上,提取灰度直方图的特征,将PCA提取的特征和灰度直方图特征融合,并且将融合数据作为分类的输入特征,通过交通标志数据库进行实验分析,多次改变要降低的维度,然后融合灰度直方图特征进行分类,用MATLAB和GUI工具进行仿真,实例验证结果表明,得出的正确率明显提高,在交通标志的分类中效果显著。     

基于Zernike不变矩与SVM的交通标志的识别

为了解决复杂环境中采集的交通标志出现不同程度的几何失真现象,将不变矩具有的平移、旋转及比例缩放不变性特征用于图像识别中。首先对图像进行预处理,然后分别提取图像的Zernike和Hu不变矩特征,建立了相对应的feature Data数据集,最后将数据集输入支持向量机进行了目标分类。对德国公开的交通标志标准数据库(GTSRB)中的识别图库及实时采集的图像进行了测试。试验结果表明:与Hu不变矩比较,提取图像Zernike不变矩与支持向量机的识别方法对复杂环境中的交通标志识别具有更高的识别率和实时性。     

基于形状模板匹配的交通标志污损检测方法研究

本文通过一种改进的基于RGB空间的颜色增强算法变换RGB空间颜色值并分割图像,锁定道路两边的图像信息并利用其特有的几何形状检测并定位交通标志,提取其内部图形,建立基于边缘梯度特征的交通标志匹配和污损识别算法模型。该算法利用少量样本快速创建不同尺度和角度下的模板,解决了基于机器学习方法下需要大量样本并训练时间过长的问题,同时基于梯度特征进行匹配,解决了基于灰度的模板匹配对光照变化过于敏感的问题。最后,通过采集了大量图像数据,并研发基于服务端和移动端的原型系统进行模型算法的验证,实例实验表明,本文提出的算法具有较高的识别准确率和匹配效率,检测准确率可达到83%,且能满足基于移动端的应用需要。     

基于残差神经网络的沥青路面裂缝识别分类研究

为提高沥青路面裂缝的识别精度与速度,提出一种基于残差神经网络的沥青路面裂缝自动识别算法。首先建立沥青路面图像集,使用数据清洗算法对综合检测车采集到的裂缝图像进行数据清洗,构建沥青路面裂缝图像样本数据集,并将图像集按8∶2的比例划分为训练集和测试集;接着采用残差神经网络ResNet50对清洗后的数据进行训练,得到网络权重后使用训练好的网络对沥青路面裂缝数据进行预测,评价网络准确性。试验结果表明:沥青路面图像清洗算法的准确率为95%,能良好地实现沥青路面原始图像的清洗;裂缝图像分类的平均准确率达到94%,其中横向裂缝、纵向裂缝、龟裂、块状裂缝的识别准确率分别为96.1%、94.6%、93.6%和94.1%。     

基于双向二维主成分分析的交通标志识别

针对交通标志识别实时性不足,提出了一种基于双向二维的主成分分析[(2D)2PCA]的交通标志识别算法.首先,对交通标志图像进行去噪归一化等预处理.然后,进行水平和垂直方向的投影,通过特征空间降维提高匹配速度.最后,利用最近邻法进行分类.通过在不同数据库下与传统2DPCA方法的对比仿真表明,2种方法随主特征数目增加,识别率都有所提升;样本数量增加时,(2D)2PCA算法的时间增长速度明显小于2DPCA,满足了识别的实时性要求.     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

基于宽浅稠密网络的无人驾驶汽车交通标志牌识别

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在测试集上实现了99.68%的准确率。在标志牌清晰完整和模糊不全两种情况下验证模型识别效果,结果显示,模型未出现误检和漏检情况,在图像信息被破坏的情况下,仍能以最大置信度正确地识别标志牌,识别准确度高、抗干扰能力强,具有良好的鲁棒性及泛化能力。     

基于无人机和迁移学习的涵洞图像识别及GPS定位

为提高涵洞淤堵病害的检测效率，研究了基于无人机采集病害视频、图像资料和迁移学习的卷积神经网络(人工智能)算法对涵洞图像进行分类。将涵洞状况分为：淤堵、部分淤堵和正常3个类别。并把在ImageNet图像数据集上预训练过的人工智能算法(如ResNet-18网络模型)应用至涵洞图像中，以此提高人工智能算法的准确性。结果表明：使用ResNet-18对涵洞分类识别准确率可达到93%,实现了对涵洞状况的有效分类。此外，还提出了一种通过MATLAB调用涵洞状况图像GPS信息得到地理位置定位的方法，帮助二次检测或后期维护人员快速达到病害现场，进行相关的监测维护工作。     

一种基于深度学习的交通标志识别算法

在无人驾驶和驾驶辅助领域,交通标志识别是非常重要的.现实道路中,许多交通标志目标较小且存在相互遮挡的问题,导致标志很难被准确检测.为了解决这一问题,文章利用深度学习网络YOLO v3模型实现对交通标志进行检测.首先,利用数据增强用不同的方式模拟现实天气条件对清华-腾讯交通标志集进行数据集增强,得到更为真实、丰富的标志数...     

基于视觉检测的汽车乘员分类识别研究

采用基于视觉检测的乘员分类识别算法,将副驾驶位上的乘员按照空座、成人、儿童和婴儿4种类型进行分类识别.该算法利用勒让德(Legendre)矩从检测的乘员图像边缘信息中提取出乘员特征,再利用支持向量机方法对乘员进行分类.对600张照片进行了分类识别试验的结果表明,准确率达到99％以上.     

基于卷积神经网络的铆钉缺陷检测方法研究

针对铆接过程中铆钉内部断裂缺陷难以分类判别问题,利用卷积神经网络和长短期记忆网络设计检测算法。首先,使用平滑滤波法将特征信号中的异常噪声值滤去,同时根据拟合函数对检测信号进行插值,提高特征数据的信息量。其次,利用处理后的故障样本训练网络来实现铆钉缺陷诊断。实验结果表明：该方法总体识别准确率可达99%,能够有效地进行铆钉缺陷诊断。     

交通标志识别研究综述

基于计算机视觉的驾驶员支持系统在智能交通系统的应用中大致有三方面的作用:(1)道路识别;(2)碰撞识别;(3)交通标志识别。前两方面研究较多,并取得许多好的结果;但对交通标志识别的研究相对较少,由于交通标志包含重要的交通信息,利用这些信息可为车辆自动驾驶、车辆的安全驾驶提供计算机辅助决策,从而提高交通的安全性和运输效率。因此对交通标志识别的研究近年来引起了广大学者的浓厚兴趣。文章首先简要地介绍交通标志的有关知识以及交通标志识别研究的主要难点,然后根据交通标志的识别一般分为侦测和分类两个模块的特点,分模块详细地讨论了交通标志识别的研究现状以及应用情况,同时也指出了在当前应用中的一些不足,最后针对这些不足对交通标志识别下一步的研究方向进行了展望。     

基于信息度量的交通标志视认性研究

将信息理论运用于解释交通标志信息的传递过程，建立了交通标志的信息传输模型。运用信息熵方法将驾驶员接受的标志信息进行量化，并以长春市区实际调查数据为依据，运用该方法评价现有交通标志的信息传递质量。结果表明，利用信息度量方法对交通标志视认性进行评价可以有效衡量标志的设计质量，有助于标志设计者从驾驶员认知角度出发，提高交通标志的工效性。也为筛选标志设计方案提供了有效手段。     

基于场景分类及灰度跳变的车牌定位方法

车牌定位是自动车牌识别系统实现的关键。提出一种基于场景分类及灰度跳变的车牌定位算法。该算法对彩色图像进行场景分析,将图像分类为白天场景类或夜晚场景类。这两类场景的字符与背景的灰度跳变值不同,一般白天场景类的灰度跳变值较大,夜晚场景类的灰度跳变值较小。利用不同的灰度跳变值快速提取出几块车牌候选区域,对不同的场景用不同的方法最终选取一块区域。实验结果显示本文提出的方法对图像场景分类准确率达到98.2%,车牌定位的准确率达到98.5%。     

基于卷积神经网络的锚杆锚固质量评估方法

锚杆的锚固质量通常使用声波反射法进行检测，然后使用人工方式对其进行分析和分类，但人工方式不仅具有较强的主观性，而且还费时费力。为解决上述问题，提出一种基于Alexnet卷积神经网络的锚杆锚固质量评估方法。首先，对已经经过人工分类的声波反射信号进行预处理，得到原始样本数据，并将其按一定比例划分为训练集和测试集； 然后，用该样本数据训练卷积神经网络模型并进行分类测试。试验结果表明： 1）该预处理方法极大地提高了最后分类的准确性，样本数据集达到了约90%的准确率； 2）在实际工程应用中，与人工分类结果相比，采用该方法得到的分类结果认可度达到95%。     

面向数字化管理的高速公路交通标志编码方法研究

针对高速公路交通标志存在种类多、数量大，数字化管理过程中涉及设计、管养等诸多环节，目前尚无统一编码方法的问题，在分析高速公路交通标志信息管理现状与相关规范的基础上，形成了由分类码、位置码和属性码组成的编码方案。结合国家与交通行业现行标准为上述3部分编码建立编码规则和编码结构，形成高速公路交通标志编码体系，并采用功能模块化思想，设计了交通标志数字化管理系统，并以实例验证了提出的交通标志编码方法在数字化管理中的可行性，实现了高速公路交通标志数字化编码。该编码方法可为实现高速公路交通标志数字化管理提供关键技术支撑。     

逆光条件下交通标志的可视距离研究

交通标志的视认直接影响行车安全。将眼动仪EMR-8B应用到交通安全研究领域中，从影响交通标志视认性的外部因素出发，以大量的现场行车实验为研究手段，探讨了在不同行车速度下，光线条件对交通标志可视距离的影响。并进行了相关性分析。研究结果表明，交通标志的可视距离随车速的提高而降低；同一实验车速，顺光条件下标志的视认性最佳，其次为夜间反光标志，逆光条件下的标志视认性较差。