学位论文 > 优秀研究生学位论文题录展示

基于显著图的交通标志检测方法研究

作　者: 秦恩泉
导　师: 张重阳
学　校: 南京理工大学
专　业: 计算机应用技术
关键词: 交通标志检测显著性聚类算法霍夫变换
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 95次
引　用: 0次
阅　读: 论文下载

内容摘要

交通标志检测与识别作为辅助驾驶及智能交通系统的一部分,具有广泛的应用前景。由于场景的复杂性以及交通标志的多样性,目前对交通标志的自动检测和识别水平还不能满足实际的应用需求。本文研究了基于显著图的交通标志检测方法,首先生成融合颜色和边缘特征的交通标志显著图；然后采用聚类的方法检测交通标志的候选区域；最后采用局部霍夫变换的方法精定位交通标志区域,并根据区域的形状去除假目标。交通标志是设置给人看的,因此其设计和安装过程都充分考虑了人的视觉特性。本文首先从视觉注意机制的角度出发,分析了交通标志区别于自然场景的显著特征,然后针对经典的Itti显著性模型实验中出现的不足,采用了改进的交通标志显著图的计算方法。显著性模型中通常采用胜者为王的机制定位目标,检测的区域是以注意焦点为圆心且半径固定的圆,一般要比实际的目标区域大。本文设计了基于聚类的交通标志粗定位方法。首先选取全局阈值去除显著图中特征较弱的区域；然后根据显著特征值和位置关系进行动态聚类；最后根据聚类区域之间的中心距离以及聚类区域内的位置方差进行分裂和合并操作,得到单个交通标志的大致位置。实验结果表明,本文的方法可以在较短时间内检测出交通标志的候选区域。显著性模型的原理决定了其无法精确定位目标的区域,因此本文在粗定位的基础上,采用局部霍夫变换的方法精定位交通标志区域,并根据区域中目标的形状去除虚假目标。椭圆检测是利用其对称性检测不同方向上对称轴的来近似实现的；三角形和矩形检测是通过分析直线的位置、夹角以及交点坐标来实现的。实验结果表明本文提出的交通标志检测方法获得了较好的效果。

全文目录

摘要  3-4
Abstract  4-7
1 绪论  7-11
  1.1 研究背景  7-8
  1.2 国内外研究进展  8-9
  1.3 主要技术难点  9
  1.4 论文结构安排  9-11
2 交通标志检测概述  11-17
  2.1 交通标志简介  11-12
  2.2 基于颜色的方法  12-14
  2.3 基于形状的方法  14-15
  2.4 综合颜色与形状的方法  15
  2.5 基于显著图的交通标志检测  15-16
  2.6 本章小结  16-17
3 交通标志显著图  17-32
  3.1 引言  17-18
  3.2 Itti显著性模型  18-27
    3.2.1 特征提取  19-23
    3.2.2 特征差异图的计算  23-24
    3.2.3 显著图合并  24-25
    3.2.4 实验结果及分析  25-27
  3.3 基于颜色和边缘特征的交通标志显著性  27-30
    3.3.1 特征提取及特征差异图的计算  28-29
    3.3.2 显著图合并  29-30
  3.4 实验结果  30
  3.5 本章小结  30-32
4 基于显著图的交通标志粗定位  32-43
  4.1 现有的显著性区域选取方法  32-34
    4.1.1 胜者为王(Winner-takes-all)机制  32-33
    4.1.2 基于局部熵的交通标志选取  33-34
  4.2 本文方法描述  34-40
    4.2.1 概述  34-37
    4.2.2 一种基于动态聚类的交通标志定位方法  37-40
  4.3 实验结果与分析  40-42
  4.4 本章小结  42-43
5 基于局部Hough变换的交通标志精定位  43-58
  5.1 颜色分割  43-46
    5.1.1 RGB颜色空间分割方法  43-44
    5.1.2 简单向量滤波器  44-46
  5.2 颜色分割后的图像处理  46-49
    5.2.1 图像的去噪及二值化  46-47
    5.2.2 目标区域的形态学处理  47-48
    5.2.3 双向投影实现精定位  48-49
  5.3 交通标志的形状检测  49-55
    5.3.1 形状检测的整体流程  50-51
    5.3.2 圆形交通标志检测  51-53
    5.3.3 三角形交通标志检测  53-54
    5.3.4 矩形交通标志检测  54-55
  5.4 实验结果  55-57
  5.5 本章小结  57-58
6 总结与展望  58-60
  6.1 研究工作总结  58
  6.2 未来的工作和展望  58-60
致谢  60-61
参考文献  61-65

相似论文

K-均值聚类算法的研究与改进,TP311.13
细菌聚类算法及其在图像分割问题中的研究与应用,TP391.41
基于变异粒子群的聚类算法研究,TP18
K-means聚类优化算法的研究,TP311.13
融合粒子群和蛙跳算法的模糊C-均值聚类算法研究,TP18
基于遗传算法和粗糙集的聚类算法研究,TP18
SAR干涉像对优化选取方法研究,P225.2
基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理,TP391.41
单一颜色商标的法律保护问题研究,D923.43
复杂目标视觉注意模型研究,TP391.41
中美立体商标比较研究,DD913
低比特率下基于DWT的视频编解码系统研究与实现,TN919.81
基于GHT的RFID芯片贴装视觉定位技术研究,TN405
一个基于聚类的神经网络样本自学习系统,TP391.6
水下目标的视觉检测与识别,TP391.41
工业应用中的目标检测与精确定位技术,TP391.41
运动与离焦模糊图像的复原,TP391.41
时空融合的视觉选择注意模型及其在MPEG压缩域应用研究,TP391.41
基于图像特征的车型识别,TP391.41
基于红外热图像的架空输电线路故障检测软件开发,TM755