行车视频中交通标志识别技术研究及其安卓应用开发

《行车视频中交通标志识别技术研究及其安卓应用开发》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、工程硕士学位论文行车视频中交通标志识别技术研究及其安卓应用开发作者姓名韦炳田工程领域电子与通信工程校内指导教师孙季丰教授校外指导教师朱勤伟高级工程师所在学院电子与信息学院论文提交日期2018年4月ResearchofTrafficSignsRecognitionBasedonDrivingVideoanditsAndroidAppDevelopmentADissertationSubmittedfortheDegreeofMasterCandidate：WeiBingtianSupervisor：Prof.Sun

2、JifengSouthChinaUniversityofTechnologyGuangzhou,China分类号：TP391学校代号：10561学号：201521010046华南理工大学硕士学位论文行车视频中交通标志识别技术研究及其安卓应用开发作者姓名：韦炳田指导教师姓名、职称：孙季丰教授申请学位级别：工程硕士学科专业名称：电子与通信工程研究方向：计算机视觉论文提交日期：2018年4月10日论文答辩日期：2018年5月30日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：郑伟诗委员：梁添才金连

3、文孙季丰张鑫摘要智能驾驶是近来热门的话题。在实现智能驾驶前，要解决好车联网、目标检测与识别、障碍物回避、路径规划等多项关键技术。本文运用机器学习和卷积神经网，对智能驾驶系统中交通标志的自动检测和识别进行了研究，主要工作有：1.采用方向梯度直方图（HistogramofGradien，HOG）和支持向量机（SupportVectorMachine，SVM）实现交通标志识别并完成了相应的AndroidAPP的编写和调试。该系统首先对提取到的视频进行预处理；其次利用Canny边缘检测算子对视频每一帧进行边缘检测，使用长

4、宽比、面积比等条件来剔除不满足条件的轮廓，对剩下的轮廓进行切割，并用方向梯度直方图特征描述字对分割后的图像进行编码，然后输入到第一级支持向量机分类器进行二分类，粗识别出交通标志区域；将剩下的感兴趣区域再次使用方向梯度直方图特征描述字进行编码；最后采用第二级支持向量机多分类器进行分类。2.为了提高目标识别的精度，论文第二部分采取基于区域推荐网络（RegionProposalNetworks，RPN）和级联卷积神经网络系统实现交通标志的检测和识别。在该系统中，RPN和级联卷积神经网络分别用于目标检测和目标识别。实验结

5、果表明，以上深度学习系统，在交通标志的识别方面比基于HOG和SVM的系统具有更高的精度。关键字：智能驾驶；交通标志识别；RPN；级联卷积神经网络IAbstractIntelligentdrivingisoneofthehottopicsinrecentyears.Beforetherealizationsofaintelligentdrivingsystem,severalkeytechniques,suchasInternetofVehicles,objectdetectionandrecognition,ob

6、stacleavoidanceandrouteplanning,mustbesolved.Inthisthesis,MachinelearningandConvolutionalNeuralNetworkareusedtostudythetrafficsigndetectionandrecognitionforintelligentdriving.Themaincontentsaregivenasfollows:1.HistogramofGradienandSupportVectorMachineareusedt

7、orealizethetrafficsignsregnitionsystemandthecorrespondingAndroidAPPiswritten.Inthissystem,theextractedvideoispreprocessedfirstly.TheedgedetectionoperatorwasusedtodetecteachframewithCannyedgedetectionoperatorsecondly.Thecontoursthatwerenotsatisfiedwiththecondi

8、tionsoflengthwidthratioandarearatiowereusedtocuttheremainingoutline,andthentheimagewasencodedwiththecharacterofHOG,andthentheimagewascodedafterthesegmentation.ThefirstclassSVMclassifieris