雾霾天气下交通标志识别方法研究

道路交通标志识别(TSR)作为智能交通系统(ITS)中关键的一部分,受到了研究人员的重视。道路交通标志识别技术可以使人们的交通出行生活更加方便和高效。但是,由于道路交通的复杂性以及天气情况对于交通标志识别的影响,使得这一技术还没有得到广泛应用。可见,道路交通标志的识别有着很高的研究价值。该文以雾霾天气这一因素为前提,针对交通标志的颜色信息和形状信息,展开了对于交通标志的检测和识别的研究。在对图像去雾方面,主要研究了暗通道优先去雾算法;在交通标志检测方面,选择HSV色彩空间模型为检测基础,使用了颜色匹配方式实现图形分割。     

基于inception v3模型的道路交通标志识别研究

道路标志识别是图像识别的一个重要领域。然而由于交通标志种类繁多,图像背景复杂,不同类型标志相似,同类型标志的差异甚小,道路标志识别仍存在很大挑战。传统道路标志识别分类方法主要基于颜色和形状,这些方法需要人工提取分类特征,且精度不高。基于Tensorflow平台Inception-V3模型,利用迁移学习对德国交通标志识别基准(GTSRB)进行识别,极大地提高了道路交通标志识别的精度。     

基于实景图像的道路限速标志检测算法研究

在基于道路图像的交通标志识别系统中,关键步骤之一就是对图像中的交通标志能够快速有效地检测.以分析限速标志为例,根据限速标志的特点在图像中寻找到其所在的位置并提取出相关区域,为图像的识别做好前期准备.为了提取出交通标志,采用了颜色预处理、形态学滤波、二值化后的连通域处理和圆的检测等方法.实验表明,该方法能有效地从实景图像中提取出含有交通标志的区域.     

Hu不变矩特征在道路交通标志识别系统中的应用

在道路交通标志识别系统设计中,交通标志的检测技术是非常关键的部分之一。针对交通标志检测过程中,提出Hu不变矩特征在交通标志检测中的应用,通过Matlab和C＋＋仿真得出结果,根据交通标志Hu不变矩的特点,能够较好地检测出交通标志的特征。     

道路交通标志检测方法研究

针对中国道路交通标志特征, 提出一种基于颜色搜索定位和形状判别的交通标志检测方法： 首先在HSB颜色空间设定阈值分割色彩区域, 对分割后的图像进行色块搜索初步定位出感兴趣区域, 色块搜索缩小搜索范围, 提高检测效率; 然后, 根据交通标志图形边框具有像素颜色一致的特征, 提出构造图形边缘函数的方法对定位出的感兴趣色彩区域进行交通标志形状判别检测. 实验结果表明, 该方法能有效定位交通标志.     

道路交通标志检测方法研究

针对中国道路交通标志特征,提出一种基于颜色搜索定位和形状判别的交通标志检测方法:首先在HSB颜色空间设定阈值分割色彩区域,对分割后的图像进行色块搜索初步定位出感兴趣区域,色块搜索缩小搜索范围,提高检测效率;然后,根据交通标志图形边框具有像素颜色一致的特征,提出构造图形边缘函数的方法对定位出的感兴趣色彩区域进行交通标志形状判别检测.实验结果表明,该方法能有效定位交通标志.     

基于机器视觉的交通标志识别系统设计

以MATLAB的Simulink和计算机视觉工具箱为基础,分析了其在交通标志识别中的应用。交通标志识别系统采用Simulink模块进行搭建。系统由视频输入、检测识别和视频显示模块构成。视频输入模块对采集视频中的视频帧进行颜色空间转换,检测识别模块通过函数编写来实现当前图像与模板库标志对比来识别交通标志。为验证系统的有效性,通过对行车记录仪视频进行实验,实验结果表明,系统可以对交通标志进行有效识别,实时性和鲁棒性较好。     

基于机器视觉的交通标志识别系统设计

以MATLAB的Simulink和计算机视觉工具箱为基础,分析了其在交通标志识别中的应用。交通标志识别系统采用Simulink模块进行搭建。系统由视频输入、检测识别和视频显示模块构成。视频输入模块对采集视频中的视频帧进行颜色空间转换,检测识别模块通过函数编写来实现当前图像与模板库标志对比来识别交通标志。为验证系统的有效性,通过对行车记录仪视频进行实验,实验结果表明,系统可以对交通标志进行有效识别,实时性和鲁棒性较好。     

基于SIFT算法和PyQt的停车位标志识别系统

本研究以停车位标志为研究对象,将SIFT经典算法应用到道路环境路标识别技术中,并基于PyQt库设计了道路标识牌识别系统可视化界面,能够实现道路环境图像读取、路标检测以及识别等功能.利用停车位标志特有的颜色特征,首先在HSV颜色空间对蓝色标识牌区域进行定位和分割,然后通过SIFT算法进行特征提取,并与《道路交通标志和标线》(GB 5768.2—2009)中规定的现有标准停车位路标进行特征匹配分类,得到识别结果.实验结果表明,系统界面交互性强、操作便捷,可以直观展示停车位交通标志的识别过程,识别准确率基本能达到95%左右,准确率较高.     

我国交通标志设计的规范性问题研究

道路交通标志是"道路语言"的重要内容,在交通管理中发挥着重要作用。然而现行国标中的交通标志在设计、设置以及认识上却存在着许多不规范的情况,致使交通标志起不到应有的作用,有些标志甚至形同虚设。文章根据对现实生活中交通标志的不规范情况进行收集、分析、研究,增设了新的交通标志,对现行GB5768—1999《道路交通标志和标线》国家标准中部分标志的不规范情况进行了改进。     

一种快速的交通标志检测算法

交通标志识别包括交通标志检测和交通标志分类两个步骤,而决定交通标志识别实时性的关键在于交通标志的检测这一步骤.如何快速检测可能出现的交通标志的区域是实时交通标志识别的关键.本文就目前交通标志检算法普遍存在实时性不足的问题,提出了基于颜色概率模型和BING的快速交通标志检测算法.实验结果表明,本文提出的算法能快速地从待检测图像中筛选出包含交通标志的尽量少的候选窗口,不需要处理传统的滑动窗口方法产生的数万或数十万窗口,进而减少整个交通标志检测的时间,达到实时检测交通标志的要求.     

基于深度学习的道路交通标志多目标实时检测

针对已有道路交通标志检测方法速度慢、受环境影响大、检测效果差等问题,本文提出一种基于Faster-RCNN的道路交通标志多目标实时检测方法。首先,对Faster-RCNN目标检测原理进行深入分析;然后,优化Faster-RCNN网络结构,并选择出合适的预训练模型和网络超参数;最后,在德国交通标志检测数据集(German traffic sign detection dataset, GTSD)上设计多组对比试验,证明了该方法的有效性,单张图片检测时间为0.4 s,准确率达71%以上。在瑞典交通标志检测数据集(Sweden traffic sign detection dataset, STSD)上进行迁移测试,展现了良好的泛化能力,为智能汽车的应用提供了理论依据和技术支持。     

道路交通标志标线标准体系初探

道路交通标志和标线是道路交通管理的基础设施,近几年随着交通的发展,道路标志标线使用率逐渐增加,对交通标志标线规范使用提出了更高的要求。对建国以来我国制定的标志标线相关标准进行梳理分类,并对公安基层工作中常用的设置技术性标准特点和区别进行对比分析,在此基础上,从全面性、层次性和可扩张性方面建议尽快完善我国的标志标线标准体系构建,并提出将体系分为两大部分三个层次的设想。     

基于图像质量的交通标志图像优化算法

本文提出了一种基于图像质量的交通标志优化方法。通过计算图像的颜色质量与形状质量,进行对应不同的优化。该方法考虑标志的质量,改变传统的"捕获—识别"流程为"捕获—优化—识别",降低了因褪色、磨损、扭曲造成的干扰。实验表明,在同样的神经网络下,使用本方法优化,交通标志识别率得到了大幅提高。     

基于切线斜率变化统计的红色圆形交通标志牌检测

从标志牌的颜色和形状特征出发,提出了一种斜率变化统计的方法检测交通标志．该算法首先在RGB色彩空间中提取R通道成分,然后通过对区域边缘点的切线斜率变化进行统计定位出圆形标志．实验结果表明,此方法对红色圆形交通标志牌的识别有很好的效果．     

基于视觉特征和信息传递的高等级公路交通标志设置有效性分析

道路标志在现代道路交通中发挥着重要的作用.本文通过驾驶员对交通标志设置的基本要求,对公路交通标志的设置进行了分析.在基于驾驶员视觉特征和信息传递的条件的分析的基础上,得出了交通标志设置应该满足的要求,为交通标志的设置提供了可靠的建议.     

基于颜色模型和区域特性的交通标志提取方法研究

为了提升交通标志的检测效率,研究了基于RGB归一化交通标志阈值分割算法和基于HSI颜色模型的交通标志阈值分割算法,对比分析了两种分割算法的性能。针对分割后二值图像交通标志虚警率高的问题,研究了标志的区域特性,提出了基于区域特性的交通标志提取阈值处理方法,为进一步提升基于形状特征或基于机器学习的交通标志检测效率奠定了坚实基础。     

基于颜色和形状的道路交通标志检测

提出了一种基于颜色分割和形状分析的交通标志检测方法.首先利用改进后的简单向量滤波器分割感兴趣色彩区域,对不同色彩区域进行相应形状检测.采用拐角特征与几何结构分析相结合的方法检测矩形与三角形标志,提出了一种基于对称性特征的简单编码算法,并应用于圆形检测.实验结果表明,该方法能在多种复杂场景中有效地定位交通标志,对天气变化有一定鲁棒性,为后继的交通标志识别工作奠定了良好基础.     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

基于神经网络的交通标志识别方法

由于交通标志包含重要的交通信息,利用这些信息可以为车辆自动驾驶、安全驾驶提供计算机辅助决策,从而提高交通安全性和运输效率。目前,对交通标志的自动识别是广大学者研究的热门课题之一。采用基于神经网络学习的方法,采用3个多层神经网络和一个控制单元构造一个人工视网膜的方法,对采集到的图像进行粗分类,确定属于哪类交通标志,进而细分类,识别具体含义。