基于极限学习机的交通标志识别算法研究

《基于极限学习机的交通标志识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10259学号：156141101密级：公开上海应用技术大学硕士学位论文题目：基于极限学习机的交通标志识别算法研究英文题目TrafficSignClassificationAlgorithmBasedonExtremeLearningMachine专业：机械电子工程学院：计算机科学与信息工程学院研究方向：图像处理与模式识别姓名：陈奇指导教师：李文举2018年4月10日基于极限学习机的交通标志识别算法研究摘要最近5年来，道路拥堵的现象在城市交通中变得愈发严重，导致交通事故频繁发生，这些情况已严重威胁到了我国城市的道路交通安全。为应对道路

2、交通安全方面的挑战，基于计算机视觉的智能交通系统(IntelligentTransportationSystems,ITS)已受到广泛关注。交通标志识别技术是ITS系统的关键内容，其通过计算机视觉等相关的技术，识别自然场景中的交通标志。该技术可应用于智能车辆，实现无人驾驶，在保障道路交通安全方面发挥重要作用。由于自然场景中的交通标志存在颜色失真、形变、破损等因素，交通标志识别一直是ITS领域的难点。本文在查阅大量相关的国内外文献的理论基础上，对基于极限学习机的交通标志识别算法进行研究，主要工作如下：提出了一种基于亮度场景分类和改进三分量色差法的

3、交通标志检测算法。该方法将亮度场景分类，RGB空间下的颜色提取和标志的形状轮廓空间特征相结合。首先图像将依据其亮度分布的特点被划分成4种亮度场景，即逆光场景、阴暗场景、明亮场景以及正常场景并采取自适应Gamma变换，减弱对RGB分量的光照影响，实现增强图像。然后采用RGB空间下改进的三分量色差法，提取蓝色、黄色以及红色区域，实现目标区域粗定位。最后根据形状轮廓空间特征精确定位标志。该方法利用了光照情况不同而导致亮度分布不同的特点，综合利用标志的颜色与形状轮廓空间特征。实验结果显示，其满足检测对于实时性以及鲁棒性的要求。提出了一种基于局部特征和E

4、LM(ExtremeLearningMachine,ELM)的交通标志识别算法。首先对待识别的交通标志图像采用高斯滤波和图像增强算法进行预处理，并进行尺寸归一化。然后分别提取交通标志的HOG和LBP特征，并构建联合特征向量作为ELM网络的输入，对ELM网络进行训练。最后将得到的ELM网络用于识别交通标志。实验结果显示，其满足识别对于实时性的要求。关键词：交通标志；检测识别；RGB颜色空间；ELM神经网络TrafficSignClassificationAlgorithmBasedonExtremeLearningMachineAbstractI

5、nrecentyears,seriousurbantrafficjamsandfrequenttrafficaccidentshaveseriouslythreatenedroadtrafficsafetyinChina.Inordertodealwiththechallengesofroadtrafficsafety,intelligenttransportationsystemsbasedoncomputervisionhavereceivedwidespreadattention.Roadtrafficsignrecognitiontec

6、hnologyisakeycontentinintelligenttrafficsystem,detectionandrecognitionoftrafficsignsinnaturalscenesachievedbycomputervisionandrelatedtechnologies.Thistechnologycanbeappliedtointelligentvehiclestoachievedriverlessdrivingandplaysanimportantroleinensuringroadtrafficsafety.Dueto

7、theexistenceofcolordistortion,deformation,breakageandotherfactorsintrafficsignsinnaturalscenes,Trafficsignrecognitionhasalwaysbeenadifficultareainthefieldofintelligenttransportationsystems.Basedonalargenumberofrelevantdomesticandforeignliterature,thispaperstudiesthealgorithm

8、oftrafficsignrecognitionbasedonextremelearningmachine.Themainworkisasfollow