基于分类技术的交通标志自动识别的研究与实现.doc
基于分类技术的交通标志自动识别的研究与实现2700字
摘要:自动交通标志识别是智能交通系统不可缺少的一部分。因为随着车辆的增加，人工智能的智能交通系统的实现是必要的，智能交通系统主要是通过获取外界环境信息来做出相应的判断和反应。文章采用梯度直方图方法作为交通标志的视觉特征向量，并采用支持向量机完成模型的训练和识别，在德高
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
数据集GTSRB上正确率为72.08%。
关键词:智能交通系统;支持向量机技术;卷积神经络;特征向量;分类技术 文献标识码:A
中图分类号:TP311 文章编号:1009-2374(2016)04-0007-02 DOI:10.13535/j.cnki.11-4406/n.2016.04.004
在飞速发展的当今社会，经济取得了飞速的发展，机动车辆越来越普及，道路上的车辆也越来越多，这对交通管理提出了严峻的考验，发生交通事故的概率更大，司机也面临着更多的困难和挑战，因此智能交通系统也就应运而生了。20世纪80年代，许多发达国家就开始研究智能交通系统了，智能交通系统通过对道路信息的协调处理能够有效地缓解交通阻塞和减少交通事故的发生。由于交通标志包含了大量的道路信息，例如限制高度、急转弯等限制信息和控制信息，能够对这些标志进行识别并及时给司机以提醒，并能够有效避免交通事故发生和确保交通安全性，所以自动交通标志识别也成为了智能交通系统中不可缺少的一个部分。自动交通标志识别不仅能够推动社会的进步，而且也能够推动未来汽车事业的发展。
1 交通标志的特征表示
1.1 基于颜色特征向量提取
图像的颜色特征是图像的基本特征之一，也是应用得最多的图像视觉特征。与其他的图像视觉特征相比，图像的颜色不受图像大小、角度以及方向的影响，相对较独立，所以提取颜色的特征向量也相对较容易。颜色特征的提取主要是依据对应不同颜色空间模型而有所差异。颜色模型包含许多种类，主要介绍以下三类:RGB颜色空间、HSI颜色空间、CMY颜色空间。
1.2 基于形状特征向量提取
基于形状特征向量提取的思想就是将图像中物体或区域的形状作为图像的特征，这个特征是图像中的一部分或区域划分出来的特征。形状特征主要包含两种，分别为轮廓特征和区域特征。两者的区别就是轮廓特征只用到物体的外边界，而区域特征需要用到整
个形状区域的数据。
1.3 基于纹理特征向量提取
纹理特征反映的是图像中事物本身的本质，它不依赖于颜色或亮度，是所有物体表面所共有特征，比如衣服、鞋等都有对应的纹理，纹理特征包含了物体的表面信息，可以通过纹理特征找到和其相似纹理的图像，从而可以达到分类的效果，类似的基于纹理特征向量提取也已经研究得很成熟了，主要运用的方法有灰度共生矩阵、Gabor、Tamura纹理特征等。
2 基于SVM技术的交通标志识别
SVM技术算法的主要功能就是:找到并建立一个最优决策超平面，使分类器的正确分类的效率更高，最终将问题转化为一个二次优化的问题，从而对分类问题提供良好的泛化能力。总的来说，SVM的基本思想如下:
如果训练点的类别是线性可分的(两类)，那么只需要在原空间中找到两类样本的最优决策超平面，如果训练点的类别是不可分的(多类)，那就将其原始的空间映射到高维的特征空间，然后再在该高维的特征空间中寻找最优决策超平面。SVM通过运用不同的具有特殊性质的核函数，使高维数空间中的内积运算变成了低维数空间中的非线性运算，避免了高维空间中的计算问题，减少了复杂度和计算量。
SVM模式分类可分为两种，也就是两模式分类及多模式分类。两模式分类即上面所说的训练点是线性可分的，只需要构造一个超平面将训练点划分成两类即可，相对于多模式分类，两模式分类是它的一个特殊情况。多模式分类就是将多类分类问题化解为多个两类问题。每一个两类问题训练点集合都包含原训练集中的所有训练点，其中一类训练点被标记为+1，剩余的训练点被标记为-1，因此一个多模式分类就是多个两模式分类，下面以一个两模式分类来说明其分类原理。
如图1(b)所示，通过两类训练点中离超平面最近的点且平行于最优分类面的超平面Hl、H2上的训练点，满足式(1)的等号成立的条件。Hl、H2上的训练样本就称作样本的支持向量。可见，支持向量本身就是支持了最优分类面的那部分样本。
第一，对线性可分的情形，求最佳(w，b)归结为二次规划问题。利用拉格朗日方法求解，即在约束条件:
3 实验结果及分析
本次试验采用了交通标志识别领域影响最大的德国数据集
GTSRB，以便增强实验的可靠性。下面我们详细介绍以下特征向量的组成:第一种方法我们选用对图像进行分块的方法进行特征向量的提取，即将原始图像分割成若干小的图像块，每一幅图像分成相等的块数，然后对每一小块进行特征向量的提取，本文选择效果较好的颜色+纹理为特征向量;第二种方法采用上所提供的德国数据集中的特征向量，例如HOG、Hue特征向量进行实验。
通过查阅资料，对训练参数进行不断调整，以达到最好的分类结果。以下是在不同训练参数和对应的特征向量下的分类识别的准确率，最高的准确率为72.0823%。如表1所示，使用支持向量机方法对交通标志进行分类，通过对参数的调整能够取得较好的实验效果。Hue和HOG特征的效果较差，但是根据结果能够发现，其SVM的训练还不完全，所以不能完全认为基于局部特征的特征向量优于Hue和HOG，只能说在当前的实验配置下，基于局部特征的特征向量取得了较好的分类效果。
4 结语
现如今对于自动交通标志识别的研究非常热门，但效果比较好的算法都是由国外的学者研究出来的，国内对于自动交通标志识别的研究还处于起始阶段。本文主要介绍了运用支持向量机技术进行交通标志的分类。在前人研究的基础上，成功将SVM技术应用到交通标志分类上，并通过对训练函数的参数进行不断调整，在德国数据集上进行实验，使得分类正确率达到72%。
浙公网安备 33021202002483