第九組程序加報告

超201420213005420142021300682014202130053工作量：各占摘要 Trafficsignrecognitionsystemisanimportantpartofinligenttransportationsystemsandadvanceddriverassistancesystemstoimprovetheaccuracyofthetrafficsigndetectionandrecognitionalgorithmandreal-timetowardsthekeyissuesneedtobeaddressedintheactualapplicationprocess.Theaccuracyofthealgorithmisaveryimportantfactorinthestudyoftrafficsignrecognition,wrongrecognitionresultnotonlyfailtoytheroleofadjuvantdriving,butalsoleadtoserioussecuritys.Thereal-timenatureofthealgorithmdeterminestheresearchresultscanbetranslatedintopracticalvalueproducts.Thenumbersofcarsincreasingtrafficaccidentsremainshigh,risingcardrivinginligentrealitythefaceofpressure,tocarryoutreal-timeapplicationsthattargettrafficsigndetectionandrecognitiontechnology,isofgreatsignificancetoincreasethedrivingsafety.Inthispaper,direction-prohibitedtrafficsigndetectionandrecognitionaccuracyandreal-timeissuesasthemainobjectofstudy,fromimagepreprocessingtrafficsigns,detectionandsegmentation,ofthispaperaswellasthemaindutiesincludes:Trafficsigndetection.Inthenatureconditions,thetrafficsignimageshasmoreinterference.Inordertoimprovethedetectionspeed,firstly,redinformationofimagesisextracted,andthenwebinarytheimagesandextracttheskeleton,finallywedetectellipseaccordingtoshapefeaturesoftrafficsign,thustolocatethetrafficsigninimages.Affinerectification.Innaturalimages,trafficsignshavevaryingdegreesofdistortion.Sointhispaperweuseaffinetransformationtocorrecttrafficsignsinellipseshapetocirclesforthepurposeoffurtherrecognition.Featureextraction.Weextract3normalizedmeanvaluesofred,green,blueband,32verticalhistogramsand32horizontalhistogramsofimages,aggregating67-dimensionalfeature.Trafficsignrecognition.WedidsomeresearchesonthetrafficsignrecognitionbasedonBPneuralnetwork,anduseittoimplementfastandaccurateclassification.Experimentsshowthatthismethodisofhighprecisionandinstantaneity.Finallywesummarizethewholepaper,andtheoutlookoftrafficsigndetectionandrecognitionrequiresfurtherstudyandpracticalapplicationprospects.:Directionprohibition;Trafficsign;BPneuralnetwork;Affinerectification;Segmentation;21213年2月份，擁有1.21億輛汽車，汽車數(shù)量的增加不僅加劇了空氣污染，也使得城市的交通環(huán)境急劇惡化，而長時間擁堵導致駕駛員的疲倦、情緒波動、過接聽以及由于大霧等天氣原因造成的對道路交通標志信息的誤判都有可能嚴重的交通安全事故。而且交通擁堵導致能源浪費、污染加重以及下世界各國爭相發(fā)展智能交通系統(tǒng)與先進輔助駕駛也吸引了越越多的學與機構(gòu)研究人工智能技術(shù)與計算機技術(shù)的快速發(fā)展加速了智能

術(shù)研正多新求。切要有更加快速與適應(yīng)性良好的檢測分割技術(shù)與特征提取時，隨著現(xiàn)代科學技術(shù)的發(fā)展，特別是圖像處理技交通標志檢測與識別的研究越來越趨向于實際應(yīng)用而管用種術(shù)如提在雜的實景標的位率分準率如何何使得所采用的技術(shù)以及開發(fā)的系統(tǒng)具有廣泛的適交通標志識別系統(tǒng)作為智能交通系統(tǒng)與先進輔別算法的準確率和實時性是交通標志識別系統(tǒng)實際應(yīng)用進需要解決的關(guān)鍵問題。算法的準確率交通標志識別研究不僅具有較高的學術(shù)價值，還因為其能夠有效地提升駕駛的安全性與汽車的智能第二章介紹基于顏色與形狀特征的交通標志檢BP神經(jīng)網(wǎng)絡(luò)的交通息與橢圓變換算法，其基本流程框圖如圖2-1所圖2-1交通標志檢測

本文中，我們使用的是基于RGB彩色空間的閾實時應(yīng)用。為了克服光照影響，Yang等人針對紅色三角形標志，將RGB圖像通過如下分割成對應(yīng)1)本文研究基于形態(tài)學變換的細化骨架算法對二紅色位圖進行骨架提取。本文的算法使用的是自帶的形態(tài)學骨架提取函數(shù)。目前已橢圓檢測算法大體上可被分為三類：基于變換的檢測，基于遺傳算法的檢測，本文采用的基于橢圓檢測所有隨機點生成所有可能的長軸和短軸的橢圓，統(tǒng)計并聚類分析

定義平面π上的點變換T：π→π，若直線變成直ABC是ACBC。我們稱系數(shù)為AB、C三點的簡單比，記為=（ABC）由于上述橢圓檢測的算法可以返回多個橢圓的位置，些橢很高我們過計橢圓中AO

yA(xAyA),B(xByB),C(xCyC)y

AC{xC-xA,AC

y}{xC-xB,yC }B (ABC)(x-x)/(x-x)(y-y)/(y-yB

xC-xAxC-

y- yy Ayy

因此有時也可將簡單比定義成：(ABC)=AC/BA。由于仿射變換可由平行射影產(chǎn)生,從直觀上易知,形。交通標志檢測中，根據(jù)交通標志檢測的顏色-幾圖中,交通標志會出現(xiàn)一定的變形，所以在形狀檢測之前可利用仿射變換來完通標志形狀的矯正，圖像，圖b為經(jīng)過仿射變換后的結(jié)果圖。由圖像可以 圖b仿射糾正后圖我們采用67維的特征向量來描述交通標志。首先，交通標志重采樣到32×32大小，計算3個

基于BPBP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差MR

MG1MeanG

MB

對應(yīng)轉(zhuǎn)向類交通標志的7個類別加負樣本。我們ver

1(32

(

(bT

j 不同的中間層節(jié)點數(shù)對BP綜了向交志別關(guān)技，包問題作為主要的研究對象，從交通標志圖像的預處盡管本文對于交通標志檢測與識別的關(guān)鍵環(huán)節(jié)

收集具有代表性的樣本，對于本文的算法嘗試在類型、更大樣本集下的性能作進一步現(xiàn)文章算法，并集成到先進輔助駕駛系統(tǒng)中 ,W.Wu,T.Hsieh,andC.Lai,"Extractingroadsignsusingthecolorinformation,"WorldAcademyofScience,EngineeringandTechnology,2007,pp.282-286.M.LalondeandY.Li“RoadSignRecognitionUsingColorIndexing”Technicalreport,CentrederechercheinformatiquedeMontreal,1995.SurveyoftheStateoftheArtforSub-Project2.4,CRIM/IIT.Sharpe,R.W.(1997).DifferentialGeometry:Cartan'sGeneralizationofKlein'sErlangenProgram.NewYork:Springer.ISBN0-387-94732-9.“ANewEfficientEllipseDetectionMethod”(YonghongXieQiang,QiangJi/2002).Nomizu,Katsumi;Sasaki,S.(1994),AffineDifferentialGeometry(Newed.),CambridgeUniversityPress,ISBN978-0-521-44177-3.H.-M.Yang,C.-L.Liu,K.-H.Liu,andS.-M.TrafficSignRecognitioninDisturbingEnvironments.Proceedingsofthe14thInternationalSymposiumonMethodologiesforInligentSystems(ISMIS2003),MaebashiCity,Japan.2003,2871:252-261

ysisandMathematicalMorphology,Volume2:TheoreticalAdvancesbynSerra,ISBN0-12-637241-1(1988).AnIntroductiontoMorphologicalImageProcessingbyEdwardR.Dougherty,ISBN0-8194-0845-X(1992).DudaRO,HartPE.UseoftheHoughtransfo