学位论文 > 优秀研究生学位论文题录展示

自然场景下的交通标志识别算法研究

作　者: 张航
导　师: 罗大庸
学　校: 中南大学
专　业: 交通信息工程及控制
关键词: 交通标志识别粒子群优化算法图像盲复原 Tchebichef不变距概率神经网络
分类号: U491.52
类　型: 博士论文
年　份: 2006年
下　载: 1002次
引　用: 14次
阅　读: 论文下载

内容摘要

随着城市化的进展，汽车的普及，机动车数量、出行人数的大量增加，路网通过能力难以满足交通量快速增长的需要，交通拥挤加剧，交通事故频发，公路交通的安全以及运输效率问题变得日益突出，智能交通系统(Intelligent Transportation System，ITS)被认为是解决这些问题的基本手段，ITS是一个集通讯、检测、控制和计算机技术于一体的综合系统，对保障交通系统的运行安全及运输效率，促进国民经济的发展有重要的意义和经济价值。目前，智能交通系统在我国发展迅速，且已正式列入“十一五”发展规划，驾驶安全问题、城市交通堵塞问题、运输效率问题都有望通过对车辆信息化和智能化的改造获得改善，基于图像检测与处理技术的交通标志识别系统作为智能交通系统的一个重要的子系统，已逐渐成为目前智能交通系统国内外研究的热点。目前，已有的各种交通标志识别算法，各具特色，在某些特定场合发挥一定的功效，不过也存在一些缺陷，因此，采用新的技术和理论，克服这些不足，提高算法的实时性和精度，对算法的实际应用具有重要的意义，同时，它作为模式识别领域的一个典型问题，也必将推动模式识别的理论和技术的进一步发展。交通标志识别是通过安装在交通工具上的摄像机摄取户外自然场景中交通标志图像，输入计算机进行处理完成的，由于户外环境存在多种复杂因素的影响，它比一般的非自然场景下的目标识别更具挑战性，交通标志识别的主要难点有两点：1)是比较满意图像的实时获取；2)是上百种标志库的匹配和理解。本学位论文结合中国的实际，针对这两个难点，在交通标志的侦测算法、交通标志图像的盲复原算法以及交通标志的分类算法等三方面作了一些有益的工作，学位论文的主要工作和成果可以概括为以下五个方面： 1、在综述交通标志侦测算法、交通标志预处理算法以及交通标志分类算法的国内外研究现状的基础上，结合模式识别的基础理论和技术，提出了一种能并行处理、多层结构的交通标志识别框架，该框架具有结构简单、易于实现、实时性强的特点。 2、针对目前交通标志侦测算法的不足，深入研究了模板匹配技术在交通标志侦测中的应用，综合改进的粒子群优化搜索算法、结合

全文目录

摘要  4-6
ABSTRACT  6-9
目录  9-12
主要缩略词  12-13
第一章绪论  13-25
  1.1 本文的研究动机  13-15
  1.2 文献回顾  15-23
    1.2.1 交通标志侦测算法的研究现状  16-20
    1.2.2 交通标志预处理算法的研究现状  20-21
    1.2.3 交通标志分类算法的研究现状  21-23
  1.3 本文主要工作  23-24
  1.4 本文结构及内容安排  24-25
第二章交通标志识别的技术理论  25-46
  2.1 交通标志的基本知识  25-28
  2.2 交通标志识别的关键技术  28-42
  2.3 交通标志识别的系统框架  42-45
  2.4 结论  45-46
第三章结合粒子群优化算法的交通标志侦测算法研究  46-65
  3.1 引言  46
  3.2 改进的粒子群优化搜索算法  46-50
  3.3 交通标志匹配算法及改进  50-55
    3.3.1 结合对称性的交通标志匹配算法  50-53
    3.3.2 基于改进Hausdorff距离的交通标志匹配算法  53-55
  3.4 结合对称性以及改进 Hausdorff距离的粒子群侦测算法  55-58
  3.5 仿真实验结果及分析  58-64
  3.6 结论  64-65
第四章图像盲复原技术及在交通标志识别中的应用  65-90
  4.1 引言  65-66
  4.2 图像盲复原算法简介  66-75
    4.2.1 图像盲复原算法现状  67-73
    4.2.2 图像盲复原算法研究方向  73-75
  4.3 结合人类视觉特点的全变差图像盲复原算法  75-83
    4.3.1 结合人类视觉特点的图像盲复原问题的描述  75-76
    4.3.2 结合人类视觉特点的固定点全变差图像盲复原算法  76-78
    4.3.3 结合人类视觉特点的小生境遗传全变差图像盲复原算法  78-83
  4.4 仿真实验结果及分析  83-86
  4.5 图像盲复原算法在交通标志识别中的应用  86-88
  4.6 结论  88-90
第五章基于概率神经网络的交通标志分类算法研究  90-110
  5.1 引言  90
  5.2 不变距理论  90-94
  5.3 基于 Tchebichef不变距的特征提取方法  94-96
  5.4 基于概率神经网络的交通标志分类算法  96-103
    5.4.1 概率神经网络简介  96-98
    5.4.2 改进的概率神经网络  98-101
    5.4.3 基于改进的概率神经网络分类算法设计  101-103
  5.5 仿真实验结果及分析  103-106
    5.5.1 不变距对比实验  103-104
    5.5.2 交通标志分类算法对比实验  104-106
  5.6 结论  106-110
第六章结束语  110-114
  6.1 本文开展的工作  110-111
  6.2 后续的研究工作  111-112
  6.3 展望  112-114
参考文献  114-132
致谢  132-133
攻读博士学位期间发表和完成的学术论文情况  133-135
攻读博士学位期间参与科研情况  135-136
攻读博士学位期间获奖情况  136

自然场景下的交通标志识别算法研究

内容摘要

全文目录

相似论文