流行学习在交通标志识别中的应用研究

论文摘要

交通标志识别作为智能交通系统的一个重要研究方面,在道路安全、信息指示等方面的作用越来越凸显。但是目前交通标志识别在数据量、识别率等方面都存在一些不足,而对交通标志进行有效地特征提取成为解决这一问题的一种思路。流行学习方法发掘数据之间的内在联系,提取数据的低维有效特征,从而可以有效地进行数据降维。本文在对流行学习典型算法进行研究的基础上,采用Swiss Roll数据模型对线性降维方法和非线性降维方法进行实验分析比较,指出了以局部线性嵌入(LLE)为代表的流行学习方法在数据降维中的优势。为了将LLE降维方法应用在交通标志识别中,首先采用公用人脸数据库ORL,将LLE方法与典型的数据降维方法PCA和LDA方法进行实验对比,进一步指出了LLE算法在发现图像的低维特征中的优势,并通过实验对其参数的选择进行探讨。然后进一步采用LLE算法对交通标志中的指示标志进行降维识别,验证了其在交通标志识别应用中的可行性。在交通标志识别的应用中,首先设计并给出了交通标志识别的软件框架；其次结合交通标志的颜色形状特征,采用不变矩的方法对交通标志进行检测；然后通过LLE方法对交通标志图像进行低维有效特征提取,采用AdaBoost集成学习算法与BP神经网络相结合的方法来对交通标志进行分类识别。实验表明,流行学习在图像降维方面有一定的优势,可以用于交通标志的识别。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.3 关键技术及其现状
• 1.4 主要工作和章节安排
• 第二章 交通标志识别综述
• 2.1 交通标志基础知识
• 2.2 交通标志的预处理
• 2.3 交通标志的检测
• 2.4 交通标志的分类
• 2.5 本章小结
• 第三章 流行学习算法研究
• 3.1 流行学习的基本概念
• 3.2 线性与非线性降维
• 3.3 流行学习的方法分析
• 3.3.1 多维尺度分析与Isomap算法
• 3.3.2 拉普拉斯特征映射
• 3.4 LLE算法分析
• 3.4.1 LLE算法设计思想
• 3.4.2 LLE算法
• 3.4.3 数据降维试验与分析
• 3.5 本章小结
• 第四章 特征提取方法的应用
• 4.1 主成分分析
• 4.2 基于Fisher准则的LDA方法
• 4.3 BP神经网络与基分类器设计
• 4.3.1 BP神经网络
• 4.3.2 BP神经网络分类器的设计
• 4.4 实验结果及分析
• 4.4.1 人脸识别对比试验
• 4.4.2 交通标志识别对比试验
• 4.5 本章小结
• 第五章 交通标志的识别
• 5.1 交通标志检测与识别系统的框架设计
• 5.2 基于不变矩的交通标志检测
• 5.3 基于AdaBoost算法的交通标志分类
• 5.4 实验结果与分析
• 5.4.1 实验样本集
• 5.4.2 实验结果与分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 进一步研究
• 致谢
• 参考文献
• 附录A