作者 |伍晓晖 田启川
泉源 |《盘算机工程与应用》2020,56 (10):20-26
形状检测最常见的方法是使用某种形式的霍夫变换 [4] 。
作者 |伍晓晖 田启川
泉源 |《盘算机工程与应用》2020,56 (10):20-26
形状检测最常见的方法是使用某种形式的霍夫变换 [4]。偏向梯度直方图( Histogram of Oriented Gridients,HOG)是检测形状的可接受选择之一 [5] ,其表现梯度图像的偏向。在 HOG 中,基本思想是将图像划分为单元格并在该单元格内累积边缘偏向的直方图。最后,生成特征以通过组合直方图条目来形貌工具。
HOG 变换法具有旋转缩放稳定性的优点,但运算量太大。Paulo等人 [6]首先通过将 Harris 角点检测器应用于感兴趣的区域,然后在该区域的 6 个预界说控制区域中搜索角落的存在来检测三角形和矩形符号。Gavrila 使用基于距离变换的模板匹配举行形状检测 [7] ,首先找到原始图像中的边缘,其次建设距离变换(Distance Transform, DT)图像,最后将模板与 DT 图像匹配。
许少秋等人使用边缘信息来检测形状 [8] ,首先使用离散曲线演变方法滤除边缘噪声,然后剖析边缘曲线而且移除与边缘无关的部门,最后用正切函数形貌形状与模板举行匹配。算法具有较强的鲁棒性,但盘算历程较为繁琐。谷明琴等人针对车辆行驶情况中难以检测的交通标志 [9] ,盘算边缘转向角这样尺度稳定性的形状特征,用无参数形状检测子来检测图像中的圆形、三角形和矩形等,检测率到达 95% 以上。
当检测出交通标志之后,再提取交通标志的特征对交通标志举行分类识别。交通标志分类的方法比力多,现在主流的方法主要有基于模板匹配、机械学习和深度学习的方法。
交通标志检测方法
[1] Benallal M, Meunier J.Real-time color segmentation of road signs[C]//Canadian Conference on Electrical and Computer Engineering, 2003: 1823-1826.
基于颜色的交通标志检测
其中, L Attr 是吸引项,需要一个预测框靠近其指定目的,L RepGT 是排挤项,直接处罚预测框移动到其他地面真实物体, L RepBox 是排挤项,要求每个预测框远离具有差别指定目的的其他预测框。
具有 Repulsion Loss 的检测器不仅显著提高了遮挡情况下的检测精度,也使得检测结 果 对 非 极 大 值 抑 制(Non - Maximum Suppression,NMS)阈值的敏感性降低。
[3] 申中鸿,付梦印,杨毅,等 . 基于配景像素突变检测的交通标志图像支解[J].盘算机应用研究,2012,
基于模板匹配的方法的识别效果易受到图像扭曲、遮挡、损坏等影响,难以兼顾盘算量和鲁棒性的要求,因此基于机械学习的交通标志识别是一种比力盛行的方法。现在的算法主要是接纳“人工提取特征+机械学习”,即提取一些能够表现或形貌交通标志信息的特征,再联合机械学习算法举行识别。
常用的人工提取特征有 尺 度 不 变 特 征 变 换(Scale Invariant Feature Transform, SIFT)、 ORB (Oriented Fast and Rotated BRIEF)特征、 Gabor 小波特征和偏向梯度直方图(HOG)特征。常用的机械学习分类器有支持向量机(SVM)、 BP (BackPropagation)神经网络、极限学习机(Extreme Learning Machine, ELM )和最近邻算法( K-Nearest Neighbor, KNN )。
本文对交通标志检测与识别方法举行了详细的先容和分析,由于人工提取特征具有一定的主观性且难以选择,随着大规模交通标志数据库的泛起和盘算机硬件性能的提升,深度学习有着越来越显着的优势。深度学习通过学习训练大量带有标签的交通标志数据库,可以自发学习分类交通标志,在庞大配景情况下检测识别。
本文关键词：hq体育官网,hq体育app官网入口,hq体育官方网站
本文来源：hq体育官网-www.hnzshbkj.com
