导读:本文包含了特征标志检测边论文开题报告文献综述及选题提纲参考文献，主要关键词:交通标志检测,视觉注意机制,形状检测,嵌入式平台
特征标志检测边论文文献综述
于平平,齐林,马苗立,王震洲,郝芳芳[1]（2019）在《基于视觉注意机制和形状特征的交通标志检测方法》一文中研究指出交通标志的颜色和形状与周围环境存在强烈的反差,利用这一特点,提出了一种基于视觉注意机制和形状特征的交通标志检测方法.首先进行图像预处理,然后采用自底向上的视觉注意模型,提取图像的颜色、亮度、方向等初级特征,将其线性组合得到显着图,得到交通标志的感兴趣域,实现交通标志的粗检测;在此基础上,根据交通标志的几何特征描述进一步检测感兴趣区域中的图形形状,实现交通标志的细检测.最后分别基于软件和嵌入式平台对算法的检测准确性和稳定性进行验证,结果表明,与已有算法相比,所提方法可以很好的克服光照或复杂环境的干扰,显着提高交通标志检测的准确率,具有一定的优越性.(本文来源于《数学的实践与认识》期刊2019年21期）
白金柯,孙彩云[2]（2019）在《基于HSV颜色模型和形状特征的交通标志检测算法研究》一文中研究指出交通标志检测是无人驾驶的重要组成部分,如何快速准确检测出交通标志对无人驾驶有重要的作用。本文提出一种基于HSV颜色模型和形状特征提取共同检测交通标志的算法,通过HSV颜色模型的特定颜色阈值,从实景图中找出感兴趣区域,然后对其进行形状特征判断以确定目标区域。最后进行实际道路环境测试,该算法能在复杂背景中准确地检测出交通标志区域。(本文来源于《河南科技》期刊2019年23期）
丁奇超[3]（2019）在《基于局部特征描述符的平面标志检测及其应用》一文中研究指出增强现实技术是近年来非常火热的技术之一,有着非常良好的前景。基于平面标志物的增强现实技术是其中非常重要的一部分,并且因为它的稳定高效和应用领域广泛,在很多生活场景中都有用武之地。但是它对于速度,稳定性,通用性,多目标能力等方面越来越高的要求,使得它的进一步普及受到了阻碍,也使得该领域目前仍然有着巨大的机遇和挑战。本文提出并实现了一系列与平面标志物检测和跟踪相关的技术,包括一种基于色彩学和旋转不变的局部特征描述符,一种基于局部特征描述符的平面标志物检测算法,一个能同时检测和跟踪多目标的解决方案,一个增强现实应用的跨平台解决方案等。其中基于色彩学和旋转不变的局部特征描述符经过实验在平面标志检测领域比经典的SIFT描述符有更好的效果和速度。而平面标志物检测算法包含一系列子算法,除了用到了本文提出的局部特征描述符,还有基于四叉树的关键点选择,快速近似最近邻匹配,RANSAC,逆向匹配扩充等算法,经过实验本文的平面标志物检测算法比传统的算法更稳定快速。本文最后整合了这些技术,形成了一个完整的算法流程,实现了一个能够在移动端实时运行的平面标志物增强现实应用实例。这一系列的技术有着广阔的应用前景和发展潜力,可用于更多的平面标志物增强现实场景。(本文来源于《浙江大学》期刊2019-06-30）
杨柳[4]（2019）在《基于多尺度特征融合网络的交通标志检测》一文中研究指出随着城市化进程越来越快,城市道路交通问题显得日益突出,对智能交通系统的需求也在不断扩大,而交通标志检测作为智能交通系统中的重要构成部分,已成为国内外研究的热点。智能交通系统能否实际应用,关键在于如何提高交通标志检测算法在自然场景中的性能。针对当前交通标志检测算法大多数是基于形状和颜色特征的,而这些算法在自然场景下存有很大的局限性,特别是在白天、夜晚或者不同天气状况下都有可能造成交通标志的颜色特征发生变化,以及交通标志被遮挡造成目标图像形状特征发生变化而导致的检测率降低。对此,本文围绕着如何提升自然场景下交通标志检测的召回率和准确率展开研究,提出了一种基于多尺度特征融合网络的交通标志检测方法。主要研究工作有如下:(1)基于GPU运算平台,对几种前沿的基于深度学习的目标检测算法进行交通标志检测的研究实验。首先使用Faster R-CNN算法进行交通标志的检测,并使用深度残差网络ResNet对其算法改进,提高了该算法的识别精度。之后采用了R-FCN算法进行交通标志检测的实验研究,再在同一数据集上进行了实验结果的比较,并从中分析了得出此实验结果的原因。(2)构建了一种多尺度卷积神经网络,结合了两种算法来构造整个算法检测系统。首先,在特征提取阶段,采用U-Net架构融合多层特征映射。最后,利用了Denseboxs算法的思想来检测目标,它可以通过整幅图像直接预测边界框和目标类别的置信度。为了减少目标检测时间,并且提高系统检测的准确度。设计了一种改进的Locality-Aware NMS(非极大值抑制,Non-maximum Suppression)算法。该算法有效的降低了算法复杂度,并且降低了系统的误检率。(3)运用了一种新的基于Dice coefficient的损失函数来计算目标置信度的损失,它能够在模型训练过程中对前景和背景样本像素之间建立正确的平衡,有效地提高了交通标志检测尤其小像素目标的检测性能表现。(4)对GTSDB和Tsinghua-Tencent 100K两个基准数据集进行了评估,并与经典算法进行了对比,实验结果表明,本文所提出的交通标志检测系统在准确率、召回率等方面都有较好的表现。(本文来源于《江西理工大学》期刊2019-05-31）
孙露霞,张尤赛,李永顺,张硕[5]（2018）在《基于感兴趣区域和HOG-CTH特征的交通标志检测》一文中研究指出提出了一种基于感兴趣区域和HOG-CTH融合特征的交通标志检测算法。首先在HSV彩色空间进行颜色阈值分割,然后对分割后的二值图像进行一系列形态学处理获得感兴趣区域,最后提取感兴趣区域的HOG-CTH融合特征,并采用支持向量机(Support Vector Machine,SVM)分类器进行交通标志训练与检测。在特征提取阶段首先分别提取图像的梯度方向直方图(Histogram of Oriented Gradient,HOG)特征和统计变换直方图(Census Transform Histogram,CENTRIST/CTH)特征,然后将CTH特征向量细量化,最后组合HOG特征和稀疏化的CTH特征。实验结果表明,该方法具有很好的鲁棒性,能够快速准确地检测出交通标志。(本文来源于《计算机与数字工程》期刊2018年06期）
肖艳秋,杜江恒,闻萌莎,周坤,焦建强[6]（2018）在《基于颜色特征和改进支持向量机算法的交通标志检测与识别》一文中研究指出针对交通标志检测与识别精确度不高的问题,提出了一种基于图像HSV颜色空间分割和改进的支持向量机(SVM)算法的交通标志检测与识别方法:通过建立HSV颜色空间分割模型,对交通标志进行初步颜色分割后设置形状阈值,得到图像中精确的交通标志区域;采用基于Hu不变矩的方法提取待识别图像中的特征向量,并导入SVM分类器进行训练分类;利用狼群算法对SVM的核函数参数进行优化选择,最终利用优化后的SVM算法完成对交通标志的含义识别.验证实验结果表明,该检测与识别方法能够有效地检测到交通标志区域并对其分类识别,且具有较高的精确度.(本文来源于《轻工学报》期刊2018年03期）
陈晓辉[7]（2018）在《雾霾天气下基于多特征融合的交通标志检测算法研究》一文中研究指出交通标志的检测作为智能交通系统研究的一个重要分支,早已成为国内外研究的热点之一。交通标志的检测一般结合交通标志的颜色特征及形状特征,从自然场景中把交通标志准确的提取出来,通过交通标志识别系统识别出检测到的交通标志。因此,交通标志的检测在自动驾驶、交通标志维护、规范交通行为、确保安全驾驶等方面具有重要的意义。然而,真实的交通场景复杂多变,由于交通标志通常处于室外复杂的环境条件下,在交通标志检测的过程中容易受环境光照、天气条件、方向旋转等问题的干扰,尤其是近年来随着工业化进程的加快,大气污染问题日趋严重,雾霾天气日益增多,而雾霾天气下获取到的图像对比度低、可视性差,给交通标志的检测造成了严重的问题。针对以上问题,本文从雾霾天气下的图像复原、交通标志检测两方面着手,针对雾霾天气下的交通标志检测做深入研究。首先,本文研究雾霾天气下的图像复原问题,提出一种基于暗通道先验的改进图像去雾算法。通过对大气散射模型与常见基于大气散射模型的图像去雾算法的学习研究,结合雾霾天气下待检测图像特征,提出一种通过对透射率细化的快速图像去雾算法,既保证待检测图像清晰度不受雾霾天气的影响,提高交通标志检测的准确率,又满足智能交通系统等实际应用中高实时性的要求。其次,本文对交通标志检测问题进行深入研究,分别就雾霾天气下基于颜色特征、形状特征、方向梯度直方图特征的交通标志检测算法展开研究。雾霾天气下基于颜色的交通标志检测算法虽然经过图像去雾的预处理后,其检测准确率相较传统的基于颜色的交通标志检测算法有了一定的提高,但由于易受光照条件等的影响,对智能交通系统的稳定性造成一定的干扰。雾霾天气下基于形状特征的交通标志检测算法虽然可以避免光照条件等的影响,但对于发生形变或严重遮挡的交通标志而言,其检测准确率大大降低,此外,其算法复杂度相对较高,无法满足智能交通系统高实时性的要求。雾霾天气下基于方向梯度直方图特征的交通标志检测算法不仅降低了光照条件的制约、提高了交通检测的准确率,而且在一定程度上降低了交通标志检测算法的复杂性,但对智能交通系统高效的发挥效能还存在一定的制约。最后,本文提出雾霾天气下基于多特征融合的交通标志检测算法,通过对待检测图像进行图像去雾的预处理后,分别提取图像的方向梯度直方图HOG特征与局部二值模式LBP特征,再对此进行加权融合进行检测输出检测结果。经过多特征融合后的交通标志检测算法不仅能够抗击光照条件、雾霾天气等的影响,提高了交通标志检测的准确率,降低了误检率与漏检率,而且其算法复杂度相对较低,不会制约智能交通系统更好的发挥效能,具有较高的实时性。(本文来源于《兰州交通大学》期刊2018-04-01）
陈亦欣,叶锋,肖锋,李庆楠[8]（2016）在《基于HSV空间和形状特征的交通标志检测识别研究》一文中研究指出基于交通标志的颜色和几何形状特征,采用MATLAB工具设计了一种交通标志检测识别方法。该方法由基于HSV空间的颜色抽取、基于仿射变换的几何形状校正及判定、基于Gabor滤波的特征向量提取和基于SVM的分类识别4部分组成。仿真结果表明,该方法减小了投影失真,有效实现了交通标志的检测与分类,且准确率较高。(本文来源于《江汉大学学报(自然科学版)》期刊2016年02期）
王淑丹,徐向华[9]（2016）在《基于边缘增强型MSER特征的道路标志检测》一文中研究指出针对自然场景下道路标志检测所面临的一些问题,提出了一种基于边缘增强型MSER特征的标志检测方法。首先采用灰度世界法对图像做光照平衡处理,并对处理后的图像进行颜色增强,区分标志和环境背景;然后基于边缘增强型MSER特征,提取标志候选区域;最后对这些候选区域使用基于霍夫变换的形状分析方法进行筛选处理。通过在GTSDB数据集上的实验验证,该方法对光照条件、局部遮挡、旋转尺度变化等情况均具有较好的鲁棒性。(本文来源于《计算机时代》期刊2016年06期）
蔡会祥[10]（2016）在《基于多特征融合的交通标志检测与识别》一文中研究指出道路交通标志是用于向驾驶员传递路况及交通规则的道路设施,利用不同的颜色、形状、图案的组合来表达不同的信息,具有显着的颜色、形状和尺度特征。本文充分利用交通标志的上述特征,研究自然场景下交通标志自动检测与识别方法。本文提出了一种多特征融合的交通标志检测与识别方法,利用交通标志的多种特征来协同实现交通标志的检测与识别,具有良好的准确性和鲁棒性。在交通标志检测阶段,根据交通标志的特定的颜色(红、蓝)特征,采用颜色不变量特征,建立相应颜色的混合高斯颜色概率模型。通过该模型计算图片中每个像素点属于交通标志某特定颜色的概率,从而得到相应的颜色概率图。再将概率图转为灰度图,这样得到的灰度图中,较明亮的区域即为特定颜色相关的区域。再利用最大稳定性极值区域算法(Maximally Stable Extremal Regions,MSER)寻找灰度图中的灰度稳定性区域,如果图片中有交通标志,那么极大可能位于这些稳定区域中,然后利用交通标志的尺度特征筛选这些稳定区域,得到最终的候选检测区域。然后根据交通标志的形状特征,利用方向梯度直方图(HOG)特征训练支持向量机(SVM)分类器,利用该分类器对候选检测区域进行分类检测,判断该区域是否存在交通标志,从而得到交通标志位置。在交通标志识别阶段,结合交通标志检测的结果,对于待分类识别的交通标志,其形状、颜色、所属的大类(警告、禁令、指示)等信息是已知的,因而在识别阶段,主要的是识别交通标志内部的图案差异。本文利用交通标志的灰度图片作为训练样本,利用限制对比度自适应直方图均衡算法(Contrast Limited Adaptive Histgram Equalization,CLAHE)对训练样本进行处理,消除光照对图片的影响,根据交通标志各大类的图案特点,训练不同的识别网络,从而得到较好的识别效果。本文采用的算法经过实验验证表明是比较可行且有效的,在检测和识别方面都具有不错的效果。(本文来源于《电子科技大学》期刊2016-04-28）
特征标志检测边论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
交通标志检测是无人驾驶的重要组成部分,如何快速准确检测出交通标志对无人驾驶有重要的作用。本文提出一种基于HSV颜色模型和形状特征提取共同检测交通标志的算法,通过HSV颜色模型的特定颜色阈值,从实景图中找出感兴趣区域,然后对其进行形状特征判断以确定目标区域。最后进行实际道路环境测试,该算法能在复杂背景中准确地检测出交通标志区域。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
特征标志检测边论文参考文献
[1].于平平,齐林,马苗立,王震洲,郝芳芳.基于视觉注意机制和形状特征的交通标志检测方法[J].数学的实践与认识.2019
[2].白金柯,孙彩云.基于HSV颜色模型和形状特征的交通标志检测算法研究[J].河南科技.2019
[3].丁奇超.基于局部特征描述符的平面标志检测及其应用[D].浙江大学.2019
[4].杨柳.基于多尺度特征融合网络的交通标志检测[D].江西理工大学.2019
[5].孙露霞,张尤赛,李永顺,张硕.基于感兴趣区域和HOG-CTH特征的交通标志检测[J].计算机与数字工程.2018
[6].肖艳秋,杜江恒,闻萌莎,周坤,焦建强.基于颜色特征和改进支持向量机算法的交通标志检测与识别[J].轻工学报.2018
[7].陈晓辉.雾霾天气下基于多特征融合的交通标志检测算法研究[D].兰州交通大学.2018
[8].陈亦欣,叶锋,肖锋,李庆楠.基于HSV空间和形状特征的交通标志检测识别研究[J].江汉大学学报(自然科学版).2016
[9].王淑丹,徐向华.基于边缘增强型MSER特征的道路标志检测[J].计算机时代.2016
[10].蔡会祥.基于多特征融合的交通标志检测与识别[D].电子科技大学.2016