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DSP的道路图像分割方法

在众多灰度阈值分割方法中,大津法运算最快,效果也比较理想。为满足车道线提取的实时性要求,选择大津法作为阈值分割的基础,但大津法一般适用于对灰度直方图为双峰的图像进行阈值分割,且对噪声信号十分敏感,对灰度直方图呈现三峰以上的图像会产生错误的分割。因此首先采用均值滤波的方法消除道路图像中的噪声,为降低DSP的运算量,只选取图像中的下半部分作为阈值分割对象,同时,为了尽量避免图像灰度直方图出现三峰或者三峰以上的灰度直方图,通过大量试验,白天时将阈值范围设定为100~200,在此灰度等级范围内,道路图像的灰度直方图基本为双峰状态,分割效果比较理想。     

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。     

一种新型交通标志自动识别系统

道路交通标志自动识别系统是智能交通系统的重要组成部分,本文介绍了一种基于MATLAB的交通标志自动识别方法。摄像机采集道路交通标志图像,输入图像预处理模块后进入计算机,计算机用matlab基于直方图均衡化对图像作预处理改善图像的像质。然后以颜色为依据通过阈值分割的方法提取颜色特征的目标区域。之后通过孤立点和面积去噪去掉一些不必要的干扰提取目标区域。腐蚀,最后与模板库交通标志对比基于特征模板进行识别。     

基于改进级联卷积神经网络的交通标志识别

自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法。首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层。其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度。最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以ResNet101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值。     

基于多特征融合的高速路车辆多目标跟踪算法研究

针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。     

基于DS证据理论的不同光照条件下道路边界识别

为提高在不同光照条件下道路识别算法的适应性,采用从局部区域提取方向、道路边界梯度和灰度等3个特征的方法,该特征的提取几乎不受不同光照导致的道路图像全局灰度变化和阴影等噪声的干扰。共选取了14种特征单元,将道路的方向特征准确融入到局部梯度和局部灰度值中。通过应用DS证据理论,将道路边界3个特征和有效统计单元所占比例进行有效信息融合,使得目标函数可以准确拟合曲线的总体质量。在大量实验样本和光强信息的基础上,设定不同光照条件下的道路边界检验阈值选取范围,提高了识别的实时性。实验结果表明,该方法可以适应各种不同光照条件下的道路边界识别,且具有良好的准确性和实时性。     

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。     

Front Vehicle Identification Under Different Lighting Conditions

选取车辆底部水平方向特征和车辆左右两侧垂直方向特征,提取出受全局灰度影响较小的局部灰度特征、局部梯度特征和局部波动特征.应用加权证据理论将车辆水平和垂直方向的特征分别进行信息融合,并根据光强的不同调整各特征的权重.为提高识别的实时性,将人工鱼群算法应用于识别中,并增添了车辆识别模块以增强人工鱼的引导能力.根据人工鱼群的搜索结果,再通过对称性特征进行进一步判定,实现前方车辆的准确定位.实验结果表明本方法可在不同光照条件下对前方车辆进行识别并准确定位,具有良好的适应性、准确性和实时性.     

利用图像超分辨率提升交通标志分类精度研究

为了解决利用卷积神经网络进行交通标志分类时精度低的问题，通过将图像超分辨率网络与分类网络相连接，提出一种超分级联网络结构。首先使用改进的双重注意力机制超分辨率网络作为级联网络的子网络；然后训练图像分类网络，用于对超分辨率处理后的图像进行分类；最后利用分类准确率衡量超分辨率重构对图像分类任务的有效性。模拟和真实交通标志数据集验证结果表明，经过超分辨率处理的图像在分类模型中均取得了更高的分类准确率，证明了超分辨率技术对于交通标志图像分类准确率的提高具有促进作用。     

基于融合特征稀疏编码模型的车辆品牌识别方法

提出了一种基于融合特征稀疏编码模型的车辆品牌识别方法,该方法首先提取车脸图像的方向梯度直方图特征作为融合特征稀疏编码模型的一级特征向量,然后将车脸图像的一级特征向量作为过完备字典中训练样本集的线性组合,并构建非负性约束稀疏编码模型,最后采用重构误差最小原则对车辆品牌进行识别。基于东南大学的车脸数据库进行了试验,结果表明,基于融合特征稀疏编码模型的车辆品牌识别方法优于HOG+SVM、传统稀疏表示和字典学习稀疏表示的车辆品牌识别方法,其平均识别率达到96.16%。理论分析和试验结果表明,基于融合特征稀疏编码模型的车辆品牌识别方法具有较强的鲁棒性和适用性。     

基于BP神经网络的探地雷达图像特征判识与提取研究

在隧道质量检测中,钢拱架的探地雷达反射图像具有双曲线特征。为了研究双曲线图像特征的智能判识,提出一种基于BP神经网络的判识方法对图像中的双曲线特征进行自动识别。通过现场实测获取探地雷达原始检测图像,继而对原始检测图像进行平滑去噪、二值化与细化等数字预处理;通过引入动量附加项对算法进行优化,构建了具有一个隐层的三层神经网络结构;采用图像窗口的方式对神经网络结构进行训练和判识测试,并利用训练成功的神经网络结构对雷达图像中的双曲线特征进行智能判识;基于判识重构后的双曲线灰度图像,利用MATLAB对灰度图像的颜色直方图特征进行提取。分析结果表明,通过这种方法对探地雷达图像中的双曲线特征进行智能判识与特征提取是可行的,研究工作能为探地雷达图像典型特征的智能判识与提取提供相关参考。     

基于多特征的纹理特征提取方法研究与应用

纹理是图像的1种重要视觉特征,常用于识别和区分图像。纹理特征的提取则是其应用需首先解决的问题。通过总结分析目前较为常用的纹理特征提取方法,基于灰度共生矩阵(GLCM )算法、局部二值模式(LBP)算法和小波变换(DWT )算法的特点,提出基于多特征的纹理特征提取算法,即将各算法提取的特征进行融合。融合中使用权重对参数进行配置。论文设计了1种图像检索实验,通过图像检索实验比较了各算法提取的特征对纹理的描述能力。结果表明,对于Co rel图像库,笔者提出的多特征的纹理特征提取算法检索的平均查准率相对于GLCM 算法提高了20%,相对于LBP算法提高了9%,相对于DWT算法提高了10%,相对于徐少平等人提出的特征融合方法提高了15%。证实了文中所提出的算法能够兼顾各算法的优点,并具有较好的旋转不变性和尺度不变性。其不足之处是需要同时提取GLCM 算法,LBP算法,DWT 算法下的纹理特征,计算所需时间是后3种算法时间之和,使算法的实用性受到了一定的限制。      

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%。     

基于联合特征和压缩字典学习的车辆类型识别算法

本文中针对车型识别中计算时间长、识别精度低的问题,提出基于联合特征和压缩字典学习的车型识别算法。首先,利用SIFT算法提取车辆原始图像的纹理特征和车辆图像边缘的形状特征,并将其串联,生成更具差别性的联合特征;然后,构建特征字典并进行字典学习,在此过程中,将特征字典分成大小相同的数据块,利用非常稀疏随机投影矩阵,降低样本数据块的维度,通过稀疏编码和字典更新两个阶段,生成最终压缩特征字典;最后,建立稀疏表示分类模型,通过计算待测目标在字典中的最小重构误差,实现车型识别。实验结果表明,该算法能有效提高车型识别准确率和实时性。     

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。     

基于车辆动力学响应特征的越野地面分类方法

利用车辆动力学响应进行地面分类是越野智能汽车的关键技术之一。本文中提出了结合地面不平整度特征和力学特征进行越野地面分类的方法，对沙地、土路、水泥路和雪地进行分类。本方法中选取等效地面轮廓和车身垂向加速度作为地面不平整度特征，选取行驶阻力和轮速波动作为力学特征，设计了基于LSTM模型的越野地面分类器，对自行采集的车辆越野行驶数据集进行训练与测试，结果表明，分类正确率达到95.5%；最后，使用HMM模型实现了分类后处理，解决了分类结果在连续数据上跳变的问题，使该算法在连续越野数据上的地面分类正确率从88.44%提高到90.13%。     

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GF-1卫星遥感数据的苏化高速公路植被变化研究

基于GF-1遥感卫星影像,采用光谱锐化方法及灰度直方图进行图像融合与镶嵌,选用生境质量指数和植被覆盖度指数作为生境质量变化的指示因子,定量研究苏化高速公路2018年～2020年土地覆盖和植被NDVI数据。结果表明：(1)GS变换融合方法和灰度直方图法可较好地处理图像数据;(2)2018年～2020年苏化高速公路12个重要工点中,土地利用类型的明显变化主要发生在2019年,7个工点生境质量指数有所减小,施工在原有的建设用地基础上扩大了面积,草地占比大的工点生境指数可达到95.64,耕地占比大的弃土场工点生境指数可低至43.62。