图 4。12 系统效果示例六 27

表 3。1 5 个类别的纠错输出编码矩阵 16

表 4。1 Viola-Jones 检测器效果分析 19

表 4。2 识别方法效果比较 24

表 4。3 系统评价 24

本科毕业设计 第 1 页

1 引言

1。1 研究背景及意义

近年来，社会高度发展智能运输系统(Intelligent Transportation System, ITS)，利用信息通 信和计算机等技术来提高交通运输效率，增加交通运输的安全性，预防并解决交通过程中类 似于碰撞，车辆堵塞等问题。在 ITS 系统中有一个车辆安全和辅助驾驶的主题，具有十分重 要的价值和实际意义。在交通运输过程中，交通标示起到管理和警示路面交通状况的重要作 用，及时检测识别出交通标示可以提高交通运输的安全性。另一方面，随着车辆数量和交通 事故的日益增长，交通标示的自动检测和识别愈发重要，同时也遇到了一些困难和问题，比 如光照条件、天气条件的变化会对交通标志的识别造成影响，交通事故、时间等问题导致交 通标志的倾斜、褪色，车辆行驶快速时造成的运动模糊，遮挡导致的交通标志识别困难等。 现实中，由于没能及时修剪覆盖在交通标示上的树木枝叶，以及拍摄角度的选取不好等 原因，得到的交通环境场景图中就存在交通标示被遮掩的情况。遮掩交通标示的检测和识别 困难在于信息缺失，并且信息缺损的方式十分随机，往往就是因为被掩盖住了一小部分重要 部位而导致无法正确检测和识别。我们的课题便是研究一个交通标志检测和识别系统，来自

动检测和识别那些被遮挡的交通标示。

1。2 国内外研究现状

1。2。1 检测方法发展现状

1。2。2 识别方法发展现状

1。3 本文研究内容与结构

本科毕业设计 第 3 页

本文研究的内容是遮掩交通标志的检测和识别。整个检测和识别系统将利用 Viola-Jones 检测器结合 Hog 特征来寻找 ROI，之后利用 ECOC 框架结合 SVM 做分类。本文余下内容主 要分为三个部分：

第一个部分将给出构建系统所需要的理论知识，包括 Hog 特征，Viola-Jones 检测器，SVM 模型，和 ECOC 框架。

第二个部分给出实验设置和实验结果。 第三个部分则是总结和展望。

第 4  页 本科毕业设计

2 检测方法

2。1Hog 特征

方向梯度直方图(Histograms of Oriented Gradients)，即 Hog 特征，是计算机视觉和图像处 理领域中一种用来检测物体的特征描述子。Hog 特征由 Navneet Dalal 和 Bill Triggs 在 2005 年 CVPR 的一篇文章中首次提出，其基本思想是目标物体的局部外观和形状可以由局部方向梯 度强度分布很好描述[15]。这是因为人眼区分不同物体的方式之一便是寻找物体之间的边缘信 息，而这类信息主要是方向梯度，Hog 特征的本质便是边缘方向梯度的统计信息。论文网

Hog 特征是一种局部区域特征描述子，因为只有区域较小时，通过统计原理得到的方向 梯度直方图对这个区域才有表达能力。如果区域很大，那么完全不同的两幅图像可能具有很 相似的方向梯度直方图。Hog 特征的提取是通过将整个图像窗口划分成小的连通区域，这些 小区域叫做单元(cell)，计算每个单元的各像素的方向梯度，将各单元的所有像素的方向梯度 按角度大小和范数大小组合起来得到描述该单元的方向梯度直方图。为了提高对光照、阴影 等因素的鲁棒性，需要对梯度做对比归一化处理：将相邻的若干个单元组合成更大的块 (block)，该块的 Hog 特征由这若干个单元的 Hog 特征向量串联后再归一化得到的。而整个图 像窗口的 Hog 特征向量便是由所有块(block)的 Hog 特征向量串联而成的。注意，一个单元往 往包含在几个不同的块中，所以一个单元的 Hog 特征会以不同的结果出现在每一个块中，最 后多次出现在描述整个图像窗口的 Hog 特征向量中。