论文部分内容阅读
社会经济的繁荣极大提高了汽车普及率，随之而来的交通安全以及交通拥堵问题日益严重，因此有效提升汽车安全性能的驾驶员辅助系统(DAS)愈发受到重视。交通标志识别(TSR)作为驾驶员辅助系统的重要组成部分之一，研究价值不言而喻。受客观自然气候多变、道路环境复杂、人为因素的条件影响，快速准确的交通标志识别难点较多，具有一定的挑战性。
本文以大类别集交通标志为研究对象，深入研究交通标志识别算法，创新性地形成两种特征提取方法，构造出基于稀疏表示的分类决策。主要工作体现在以下三个方面:
1.针对交通标志识别中的噪声影响和背景环境干扰问题，给出一种结合图像滤波和剪辑策略的处理技术。经过图像预处理，减少噪声污染，降低冗余背景信息的占比，有效改善了图像质量，提高分类识别精度。
2.通过深入研究Gabor滤波和MB-LBP特征，提出Gabor_MB-LBP特征提取方法，在多尺度、多方向的滤波图像上抽取纹理特征，实现图像频域、空域上的联合分析。在对K-Medoids聚类分析和SIFT特征深入研究的基础上，给出一种K-Medoids_SIFT特征提取方法，较好地表达出交通标志图像的局部区域特征，增强了特征表达能力。本文将Gabor_MB-LBP特征、K-Medoids_SIFT特征、梯度直方图特征(HOG)进行线性融合后，得到高维联合特征。
3.深入分析交通标志特点后，本文提出粗、细分类级联的分类方法。将边界距离特征和支持向量机结合，形成快速准确的粗分类方法，根据粗分类结果提取标志图像的高维联合特征。通过对稀疏表示的研究，联合特征结构表达方式更为紧凑。本文在支持向量机中引入贝叶斯分类决策，形成一种SVM_NB分类器，以提升支持向量机在最优分类面附近的分类能力。联合特征经过由稀疏表示和SVM_NB分类器组成的分类判断，实现交通标志识别的细分类。
本文以大类别集交通标志为研究对象，深入研究交通标志识别算法，创新性地形成两种特征提取方法，构造出基于稀疏表示的分类决策。主要工作体现在以下三个方面:
1.针对交通标志识别中的噪声影响和背景环境干扰问题，给出一种结合图像滤波和剪辑策略的处理技术。经过图像预处理，减少噪声污染，降低冗余背景信息的占比，有效改善了图像质量，提高分类识别精度。
2.通过深入研究Gabor滤波和MB-LBP特征，提出Gabor_MB-LBP特征提取方法，在多尺度、多方向的滤波图像上抽取纹理特征，实现图像频域、空域上的联合分析。在对K-Medoids聚类分析和SIFT特征深入研究的基础上，给出一种K-Medoids_SIFT特征提取方法，较好地表达出交通标志图像的局部区域特征，增强了特征表达能力。本文将Gabor_MB-LBP特征、K-Medoids_SIFT特征、梯度直方图特征(HOG)进行线性融合后，得到高维联合特征。
3.深入分析交通标志特点后，本文提出粗、细分类级联的分类方法。将边界距离特征和支持向量机结合，形成快速准确的粗分类方法，根据粗分类结果提取标志图像的高维联合特征。通过对稀疏表示的研究，联合特征结构表达方式更为紧凑。本文在支持向量机中引入贝叶斯分类决策，形成一种SVM_NB分类器，以提升支持向量机在最优分类面附近的分类能力。联合特征经过由稀疏表示和SVM_NB分类器组成的分类判断，实现交通标志识别的细分类。