基于不变矩和小波神经网络的交通标志识别研究.pdf

《基于不变矩和小波神经网络的交通标志识别研究.pdf》由会员分享，可在线阅读，更多相关《基于不变矩和小波神经网络的交通标志识别研究.pdf（2页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、作者简介：吕瑾文（1981-）女，湖北武汉人，湖北工业大学计算机学院公共基础系助教，研究方向为计算机网络应用。基于不变矩和小波神经网络的交通标志识别研究吕瑾文（湖北工业大学 计算机学院，湖北 武汉430068）摘要：研究了用于交通标志识别的小波神经网络模型，并描述了相应的算法，给出实验结果。实验结果表明，采用不变矩提取道路交通标志的特征，再利用训练速度快、优化性能好的小波神经网络作为分类器对交通标志识别具有很好的分类能力，对实现交通标志的精度识别提供了有力的支持。与传统的BP神经网络识别方法相比，小波神经网络的训练速度更快和识别率更高，能够满足在车辆自主导航系统中对交通标志识别的要求。关键词：

2、交通标志识别；神经网络；不变矩中图分类号：TP311.52文献标识码：A文章编号：1672-7800（2009）080112020引言自上世纪80年代以来，各发达国家已基本建成现代化的国家道路交通网，随着社会经济的进一步发展以及城市化的进展，公路交通的安全以及运输效率问题变得日益突出，这些国家己从修建更多的道路、扩展路网规模逐步转移到采用高新技术改造现有的道路交通系统和管理体系上。智能交通系统（Intelligent Transportation system，ITS）是一个集通讯、检测、控制和计算机技术于一体的综合系统，对保障交通系统的运行安全及运输效率，促进国民经济的发展有重要的意义和经济

3、价值。基于图像检测与处理技术的车载视觉系统作为智能交通系统研究的一个重要的分支领域，在智能交通系统的应用中有三方面的作用：（1）道路识别；（2）碰撞识别；（3）交通标志识别。交通标志识别方面研究较少，但它的研究具有重要的意义。1交通标志识别关键技术研究交通标志一般可分为警告、禁令，指示和指路标志等3类，每类交通标志具有不同的特征颜色，本文以这3类交通标志作为研究的重点。交通标志的识别采用的关键技术可归纳为识别框架、预处理技术、模板匹配技术、特征提取与选择技术、神经网络分类等5点。1.1识别框架典型的模式识别系统原理如图1所示。数据采集和预处理的目的是为了得到比较满意的图像。在交通标识识别中，要

4、解决交通标志图像的实时采集和图像的复原问题；特征提取和选择要解决待识别对象的固有的、本质的及重要的特征的量测以及尽量减少特征矢量的维数等问题；分类识别要根据对象的知识以及分类识别的理论和方法，将待识对象进行分类和理解，在交通标志识别中，要解决交通标志的分类和理解问题。图1模式识别系统原理1.2预处理技术交通标志图像的预处理主要涉及两个方面，一是对交通标志特征颜色的分割；二是对交通标志图像质量的提高。这两方面对于交通标志的正确识别具有非常最重要的意义。下面对目前交通标志识别系统所涉及的彩色图像分割技术和图像复原技术加以分析。彩色图像分割技术主要包括彩色空间的选择和分割算法两个方面。在交通标志识别

5、研究中，主要是在RGB、HIS、CIE彩色空间进行。分割算法中常用的包括：阈值分割法、特征空间聚类法、基于区域的方法、基于边缘侦测的方法、模糊集合的方法、神经网络的方法等。在交通标志识别系统中，考虑系统的实时性，一般选择阈值分割法。1.3模板匹配技术模板匹配技术作为图像分析和处理的一项重要手段，在计算机视觉模式识别的众多领域获得广泛的应用，在交通标识的识别中，模板匹配技术也获得了较为成功的应用。模板匹配的基本思想是利用模板叠放在搜索图上平移，模板覆盖下的那块搜索图像称为搜索子图，记为Sij，其中，i，j为子图的左上角像点在S图中的坐标，通过比较模板与搜索子图的匹配度，进行目标的搜索。模板匹配技

6、术主要涉及图像的匹配和搜索策略两个方面。软 件 导 刊Software Guide第8卷%第8期2009年8月Vol.8 No.8Aug.2009第8期样本名称输入（取对数后的不变矩）期望输出禁止通行1.21337.4702 15.2473 13.2169 27.6910 17.1034 1001000000禁止驶车1.34229.4329 17.6724 12.5355 26.3610 21.0342 1000100000禁止左转1.25738.8032 15.8214 12.9194 31.5302 15.1328 1000010000禁止右转1.26347.9400 16.1495 10

7、.5394 26.5512 18.1425 1000001000禁止直行1.19458.9300 14.1954 11.3872 24.1230 17.0014 1000000100禁止左、右转弯1.37559.2532 15.2034 12.5372 19.8999 15.0937 1000000010禁止直、左转1.4563 10.6512 17.0307 13.5859 23.1349 18.3924 1000000001十字交叉1.4322 10.3321 16.3523 14.6532 29.4530 17.0437 0101000000T型交叉1.31039.9801 15.271

8、4 11.0703 28.1233 16.1530 0100100000Y型交叉1.30029.1230 16.2314 10.3825 30.0543 19.1432 0100010000环型交叉1.5602 10.4721 15.3218 14.0538 29.8754 20.3532 0100001000向左急弯路1.38079.3671 14.9273 15.0723 29.1237 21.0942 0100000100向右急弯路1.38249.4722 14.7238 12.9234 28.5327 19.2503 0100000010连续弯路1.20037.9325 13.8235

9、 12.3458 25.8325 18.5273 0100000001直行1.31458.1208 14.8029 11.9024 24.0209 20.8092 0011000000向左转弯1.43579.8430 15.6732 11.8213 23.3824 21.7238 0010100000向右转弯1.3793 10.2103 14.1533 10.8715 29.7234 19.8743 0010010000靠右行驶1.4532 10.4573 17.0292 9.8734 30.1597 21.4530 0010001000靠左行驶1.29239.3822 16.2430 11.

10、2538 29.5302 20.9534 0010000100环岛行驶1.39828.5637 17.0913 10.0497 28.0204 19.3872 0010000010单向行驶1.45209.1235 14.9138 12.0893 24.6953 18.0483 0010000001向左转弯1.38729.7723 16.1745 14.0304 28.6533 16.9599表1训练样本及期望输出1.4特征提取与选择技术在模式识别中，经常面临的一个问题是如何在提取特征时，选取比较好的特征进行度量并输入分类器。迄今为止，已经有很多文献对这个问题进行了分析研究，但是还没有提出统一的

11、解决方法。特征提取是模式识别领域的一个比较关键的问题，因为后面的分类器是直接用所选取的特征进行分类的。特征选取的好坏对于一个模式识别系统的识别效果有重要的影响。虽然特征的选取没有一定的方法，但是它有一些指导特征选取的原则。如前所述，所要提取的特征应当是具有可区别性、可靠性、独立性好的少量特征。2基于小波神经网络的交通标志识别研究基于上述小波神经网络算法和特征提取算法，本文提出交通标志识别算法的流程图如图2所示。图2交通标志识别算法流程实验选取3类交通标志中的21种交通标志图像，用不变矩处理作为小波神经网络的输入向量，即网络的输入节点数确定为6。输出节点数为10，前面3位代表所属的类别（即标志、

12、警告标志或指示标志），后7位代表第几种标志，学习样本按照如下方式选取，将各种标志旋转0、15、30、45、60、90得到621幅图像，缩小0.5倍、放大2倍得到221幅图像，既旋转又缩放得到1221幅图像，与原来21幅图像加在一起共计273幅图像作为样本，表1为样本旋转30并放大2倍得到的训练样本及期望输出。选取0.05，=0.95，收敛指标=0.09，隐层单元数通过网络进行试训后确定，咀咒选择小波神经网络拓扑结构为61310，经过4000次迭代学习，小波神经网络达到收敛精度要求。而采用BP神经网络，需要6000次学习才能达到精度要求。表2为小波神经网络与BP神经网络的识别精度对比。3结束语小

13、波神经网络刚提出来的时候，是用于函数逼近的。到目前为止，它在很多方面都有应用。小波神经网络结合了神经网络和小波分析的一些优点，在很多方面都有比一般神经网络更好的特点。到目前为止，小波神经网络在图像压缩、系统辨识、材料损伤、动态建模、信号表示与分类、错误诊断与分析、非平稳序列预测与分析等各个方面都有应用。参考文献：1朱双东，陆晓峰道路交通标志识别的研究现状及展望J.计算机工程与科学，2006（12）.2顾聚兴.采用神经网络算法的机器视觉成像器J.红外，2004（1）.3初秀民，严新平，毛喆.道路标志自动分类方法J交通运输工程学报，2006（4）4王永明.基于Hu不变矩扩展的交通标志识别J.曲靖师范学院学报，2004（6）.（责任编辑：卓光）测试标志图像数小波神经网络BP神经网络正确识别数正确识别率正确识别数正确识别率27325894.524790.5表2小波神经网络与BP神经网络识别精度对比吕瑾文：基于不变矩和小波神经网络的交通标志识别研究113