排序方式: 共有12条查询结果,搜索用时 78 毫秒
1.
基于颜色和标志边缘特征的交通标志检测 总被引:1,自引:0,他引:1
首先利用禁令标志明显的红色边界和白色区域分别并行地提取可能的交通标志颜色,然后对其两者融合,其目的是减少漏检率;融合后的影像通过Canny算子提取其边界,再根据边界的圆形度参数判断是否为圆形区域.实验结果显示,本算法能够很好地检测和定位禁令标志. 相似文献
2.
3.
4.
从自然场景中识别出交通标志是智能交通系统中的一个重要问题,本文提出了一种基于颜色和形态学的交通标志识别方法.该方法在HSV彩色空间进行颜色阈值分割,并采用形态学重构提取目标区域.再通过标记法检测目标区域形状,检测出交通标志.最后,利用SIFT算法进行模板匹配,识别出交通标志.实验证明,该方法在识别正确率和运行效率上具有明显优势. 相似文献
5.
利用HOG-LBP自适应融合特征实现禁令交通标志检测 总被引:1,自引:0,他引:1
针对禁令交通标志牌提出了一种基于HOG-LBP自适应融合特征的交通标志检测方法,将标志图片等分为多个不重叠的块,每块内将加权后的HOG和LBP特征进行串行融合作为最终特征,其中每类特征权值由块内梯度幅值决定,融合后的特征采用SVM进行分类器训练,并将训练结果用于交通标志检测.实验结果表明,基于HOG-LBP自适应融合特征的效果优于基于单独HOG、LBP特征和简单HOG-LBP融合特征的效果. 相似文献
6.
7.
利用ASIFT算法实现多视角静态交通标志识别 总被引:1,自引:0,他引:1
针对自然场景图像中交通标志存在多视角难以识别的问题,提出了一种基于ASIFT(affine-scale-in-variant feature transform)算子匹配的交通标志识别算法。利用ASIFT对视角变化的不变性进行特征点匹配,通过统计并比较有效匹配点来决定标志种类。实验表明,该算法对视角较小的交通标志也有较好的效果。 相似文献
8.
交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD(Anchor-free Traffic Sign Detection)。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。 相似文献
9.
10.
城市交通信息系统动态管理模块设计研制* 总被引:4,自引:0,他引:4
本文以北京交通信息系统的开发研制为例,着重阐述了城市交通信息系统中交通动态管理模块的设计与实施。 相似文献