交通标志识别系统的设计与实现(附件)
摘要：随着城市化的飞速进展，汽车的广泛普及，机动车数量急剧增长，交通事故频发，公路交通的安全变得更加严重,成熟的智能交通识别系统将能够极大地改善这些问题,而交通标志识别系统则是其中不可或缺的环节。本文详细介绍了交通标志识别系统的关键技术，主要阐释了如何对初始图像进行灰度化，二值化的预处理，以及图像预处理过程中的颜色模型的检测和选择，并且叙述了基于矩形度原理的形状检测和利用Hu不变矩理论的特征提取方式，最终获得7个不变矩特征值，继而运用bp神经网络来识别图像。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 2
1.1 交通标志基础知识 2
1.2 研究意义 2
1.3 研究概况 2
1.4 应用前景 2
2 基于颜色空间的交通标志识别 4
2.1 基于RGB颜色模型的交通标志识别 4
2.2 基于HSV颜色模型的交通标志识别 5
2.3 实验结果分析 7
3 基于形状的交通标志检测 9
3.1 基于空域滤波的增强 9
3.2 形态学处理 9
3.3 连通区域标记 10
3.4 典型的形状特征描述法 11
3.5 基于矩形度和圆形度的形状检测 11
3.6 实验结果分析 12
4 特征提取与模式识别 13
4.1 基于Hu不变矩的特征提取 13
4.2 基于BP神经网络的模式识别 14
4.3 实验结果分析 16
5 总结 17
5.1 系统说明 17
5.2 结果分析 17
致谢 18
参考文献 18
交通标志识别系统的设计与实现
引言
1 绪论
1.1 交通标志基础知识
交通标志，用文字或符号传递引导、限制、警告或指示信息的道路设施，又称道路标志、道路交通标志。在交通标志中一般是以安全、设置醒目、清晰、明亮的交通标志是实施交通管理，保证道路交通安全、
*好棒文|www.hbsrm.com +Q: ^351916072*
顺畅的重要措施。我国于1986年第一次颁布了交通标志设置标准GB57681986，2009年5月发布了GB57682009。道路交通标志分为主标志和辅助标志，其中主标志又分为：警告标志、禁令标志、指示标志、指路标志、旅游区标志、道路施工安全标志六个大类。
（1）警告标志用于警告车辆、行人注意危险地点的。颜色为黄底、黑边、黑图案；形状为等边三角形，顶角向上。
（2）禁令标志用于禁止或限制车辆、行人交通行为。颜色除个别标志外，都为白底、红圈、黑图案，图案压杠；形状分为圆形、八角形和顶角向上的等边三角形。
（3）指示标志用于指示车辆、行人按标志指示的路线和方向行驶或行进。颜色为蓝底、白图案；形状分为圆形、长方形和正方形。
（4）指路标志用于传递道路方向、地点和距离信息。颜色为蓝底、白色图案；形状除地点识别标志、里程碑、分合流标志外，其余为长方形和正方形。
（5）道路施工安全标志用以通告道路施工区及交通阻断、绕行等情况。颜色为蓝底白字，图案部分为黄底黑图案；形状多为长方形。
（6）辅助标志附设在主标志下方，起辅助说明作用。颜色为白底、黑字、黑边框；形状为长方形。
这些标志的颜色与形状信息既能用作研究交通标志在计算机视觉中自动检测和识别的重要特征，也能在实现智能车辆视频导航方面起着基础性的作用。
本文重点处理的对象为三种：黄色为主的三角形的警告标志、红色为主的圆形的禁令标志和蓝色为主的方形的指示标志[1]。
1.2 研究意义
交通标志识别(TSR)在智能交通系统中发挥重要作用,是无人驾驶车辆的必要组成部分。交通标志包含了道路状况的改变、行驶速度及驾驶行为限制等重要信息,因此TSR在驾驶员辅助系统中能够准确判断交通规则、交通路况、行驶方向等重要信息,及时提醒驾驶员,从而保证驾驶安全,减少交通事故、违章等。所以,交通标志智能识别技术有很强的必要性:(1) TSR系统能够为驾驶员提供视力延伸:驾驶员因为身体疲劳、视力不佳、注意力不集中等原因,以及受到光照、天气恶劣等因素干扰,有时不能准确快速获取行驶过程中的交通标志信息;(2)TRS系统能够实时获取真实、准确的交通信息:车载GPS导航系统能自动提示行驶路线以及部分限行规则信息,但是由于GPS系统不能及时跟上道路中标志牌变化,从而经常发生错误的指引。(3) TSR在采集和更新道路地理时,可以节省大量人工[2]。
1.3 研究概况
日本学者最早于上世纪的80年代就取得了许多开拓性性的研究成果，但直到近十年，对交通标志识别的研究才获得了广泛的关注，并且获得了许多突破性的进展，其中，美国的智能车辆道路系统和欧盟的“普罗米修斯”计划的研究。
交通标志识别一般包括侦测和匹配两个模块。侦测阶段一般是利用交通标志的色彩或形状特征侦测出可能包含交通标志的区域，然后将感兴趣的区域进行大小规则化，在分类阶段进一步判定交通标志区域的有效性并识别出交通标志的含义
侦测方法可分为基于颜色的侦测和基于形状的侦测两类。基于颜色的侦测方法:颜色信息具有大小和视角不变性，而且有较强的可分离性，故颜色信息对于交通标志的侦测是非常重要的，基于颜色的侦测方法是通过在摄取到的图像中对交通标志典型颜色进行分割，侦测出感兴趣的区域,这类方法之中可以分为三类：1.彩色阈值分割法，2.基于神经网络学习的方法；3.基于视觉模型的方法。基于形状的方法又可以分为基于边缘轮廓方法和基于模板匹配方法。
在侦测到可能包含交通标志的区域的基础上，图像需要再次规格化，并采取其他的一些预处理技术来消除噪声、运动模糊、光照等影响，然后采用模式识别技术进行匹配，大致有以下几类:1.最近邻域方法，是从实例库中检索出与目标实例“距离”最近的源实例，使用这一方法首先要给出实例距离的定义，距离根据需要的不同而采用不同的表达形式；2.径直基函数方法，是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ(‖x‖),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ(‖xc‖)，任意一个满足Φ（x）=Φ(‖x‖)特性的函数Φ都叫做径向量函数，标准的一般使用欧氏距离，尽管其他距离函数也是可以的；3.多层决策树分类法，是以实例为基础的归纳学习算法。它从一组无次序、无规则的元组中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较，并根据不同的属性值从该结点向下分支，叶结点是要学习划分的类。从根到叶结点的一条路径就对应着一条合取规则，整个决策树就对应着一组析取表达式规则；4.神经网络方法，神经网络技术在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性，神经网络的结构由一个输入层、若干个中间隐含层和一个输出层组成，神经网络分析法通过不断学习，能够从未知模式的大量的复杂数据中发现其规律；6.支持向量机分类，支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以求获得最好的推广能力，支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小；7.综合方法。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 2
1.1 交通标志基础知识 2
1.2 研究意义 2
1.3 研究概况 2
1.4 应用前景 2
2 基于颜色空间的交通标志识别 4
2.1 基于RGB颜色模型的交通标志识别 4
2.2 基于HSV颜色模型的交通标志识别 5
2.3 实验结果分析 7
3 基于形状的交通标志检测 9
3.1 基于空域滤波的增强 9
3.2 形态学处理 9
3.3 连通区域标记 10
3.4 典型的形状特征描述法 11
3.5 基于矩形度和圆形度的形状检测 11
3.6 实验结果分析 12
4 特征提取与模式识别 13
4.1 基于Hu不变矩的特征提取 13
4.2 基于BP神经网络的模式识别 14
4.3 实验结果分析 16
5 总结 17
5.1 系统说明 17
5.2 结果分析 17
致谢 18
参考文献 18
交通标志识别系统的设计与实现
引言
1 绪论
1.1 交通标志基础知识
交通标志，用文字或符号传递引导、限制、警告或指示信息的道路设施，又称道路标志、道路交通标志。在交通标志中一般是以安全、设置醒目、清晰、明亮的交通标志是实施交通管理，保证道路交通安全、
*好棒文|www.hbsrm.com +Q: ^351916072*
顺畅的重要措施。我国于1986年第一次颁布了交通标志设置标准GB57681986，2009年5月发布了GB57682009。道路交通标志分为主标志和辅助标志，其中主标志又分为：警告标志、禁令标志、指示标志、指路标志、旅游区标志、道路施工安全标志六个大类。
（1）警告标志用于警告车辆、行人注意危险地点的。颜色为黄底、黑边、黑图案；形状为等边三角形，顶角向上。
（2）禁令标志用于禁止或限制车辆、行人交通行为。颜色除个别标志外，都为白底、红圈、黑图案，图案压杠；形状分为圆形、八角形和顶角向上的等边三角形。
（3）指示标志用于指示车辆、行人按标志指示的路线和方向行驶或行进。颜色为蓝底、白图案；形状分为圆形、长方形和正方形。
（4）指路标志用于传递道路方向、地点和距离信息。颜色为蓝底、白色图案；形状除地点识别标志、里程碑、分合流标志外，其余为长方形和正方形。
（5）道路施工安全标志用以通告道路施工区及交通阻断、绕行等情况。颜色为蓝底白字，图案部分为黄底黑图案；形状多为长方形。
（6）辅助标志附设在主标志下方，起辅助说明作用。颜色为白底、黑字、黑边框；形状为长方形。
这些标志的颜色与形状信息既能用作研究交通标志在计算机视觉中自动检测和识别的重要特征，也能在实现智能车辆视频导航方面起着基础性的作用。
本文重点处理的对象为三种：黄色为主的三角形的警告标志、红色为主的圆形的禁令标志和蓝色为主的方形的指示标志[1]。
1.2 研究意义
交通标志识别(TSR)在智能交通系统中发挥重要作用,是无人驾驶车辆的必要组成部分。交通标志包含了道路状况的改变、行驶速度及驾驶行为限制等重要信息,因此TSR在驾驶员辅助系统中能够准确判断交通规则、交通路况、行驶方向等重要信息,及时提醒驾驶员,从而保证驾驶安全,减少交通事故、违章等。所以,交通标志智能识别技术有很强的必要性:(1) TSR系统能够为驾驶员提供视力延伸:驾驶员因为身体疲劳、视力不佳、注意力不集中等原因,以及受到光照、天气恶劣等因素干扰,有时不能准确快速获取行驶过程中的交通标志信息;(2)TRS系统能够实时获取真实、准确的交通信息:车载GPS导航系统能自动提示行驶路线以及部分限行规则信息,但是由于GPS系统不能及时跟上道路中标志牌变化,从而经常发生错误的指引。(3) TSR在采集和更新道路地理时,可以节省大量人工[2]。
1.3 研究概况
日本学者最早于上世纪的80年代就取得了许多开拓性性的研究成果，但直到近十年，对交通标志识别的研究才获得了广泛的关注，并且获得了许多突破性的进展，其中，美国的智能车辆道路系统和欧盟的“普罗米修斯”计划的研究。
交通标志识别一般包括侦测和匹配两个模块。侦测阶段一般是利用交通标志的色彩或形状特征侦测出可能包含交通标志的区域，然后将感兴趣的区域进行大小规则化，在分类阶段进一步判定交通标志区域的有效性并识别出交通标志的含义
侦测方法可分为基于颜色的侦测和基于形状的侦测两类。基于颜色的侦测方法:颜色信息具有大小和视角不变性，而且有较强的可分离性，故颜色信息对于交通标志的侦测是非常重要的，基于颜色的侦测方法是通过在摄取到的图像中对交通标志典型颜色进行分割，侦测出感兴趣的区域,这类方法之中可以分为三类：1.彩色阈值分割法，2.基于神经网络学习的方法；3.基于视觉模型的方法。基于形状的方法又可以分为基于边缘轮廓方法和基于模板匹配方法。
在侦测到可能包含交通标志的区域的基础上，图像需要再次规格化，并采取其他的一些预处理技术来消除噪声、运动模糊、光照等影响，然后采用模式识别技术进行匹配，大致有以下几类:1.最近邻域方法，是从实例库中检索出与目标实例“距离”最近的源实例，使用这一方法首先要给出实例距离的定义，距离根据需要的不同而采用不同的表达形式；2.径直基函数方法，是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ(‖x‖),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ(‖xc‖)，任意一个满足Φ（x）=Φ(‖x‖)特性的函数Φ都叫做径向量函数，标准的一般使用欧氏距离，尽管其他距离函数也是可以的；3.多层决策树分类法，是以实例为基础的归纳学习算法。它从一组无次序、无规则的元组中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较，并根据不同的属性值从该结点向下分支，叶结点是要学习划分的类。从根到叶结点的一条路径就对应着一条合取规则，整个决策树就对应着一组析取表达式规则；4.神经网络方法，神经网络技术在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性，神经网络的结构由一个输入层、若干个中间隐含层和一个输出层组成，神经网络分析法通过不断学习，能够从未知模式的大量的复杂数据中发现其规律；6.支持向量机分类，支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以求获得最好的推广能力，支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小；7.综合方法。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/722.html
