论文部分内容阅读
交通标志检测是智能交通的基础,带文字信息的指路标志作为其中特殊的一种,在现实生活中具有重要的意义。由于其出现场景较为复杂,周围存在大量的干扰文字如广告牌、商店招牌等,直接进行文字检测难度较大；因此采用分治策略,将其分为标志的检测和文字识别两部分。本文主要针对第一部分指路标志的检测问题进行研究,采用机器学习方法,通过对目标检测领域大量常用特征的学习和分析,建立了特征提取的通用框架,以线性支持向量机作为分类器,对多种类型特征描述符的分类和检测问题进行比较性研究。对第二部分文字的识别则通过分析常用的文字二值化算法,对其进行初步的讨论。本文的主要工作包括：(1)提出了一个适用于目标检测领域大部分特征描述符提取的通用框架,该框架包括五部分：预处理、图像转换、分块模式设计、局部特征统计和归一化。结合图像颜色、梯度和纹理信息,可得到多种不同类型的特征描述,既包含一些目前常用的经典特征,还包括一些尚未提出的特征。(2)以特征提取框架为基础,利用线性SVM分类器,对多种不同类型组合的特征分别进行了指路标志分类和检测的比较性研究,实验结果表明,对同一类型的信息采用不同的方法进行特征提取,可得到不同的描述能力,本文所提取的特征大部分适用于实际的指路标志检测问题。(3)由于目前尚不存在公用的指路标志数据集,本文通过多种途径获得各种场景的路标图片,建立了带标定的数据集SSTD-1000,并从尺度比例和位置方面对数据集的统计特性进行了分析。(4)针对文字识别部分,分析了目前常用的文字二值化算法,并对所检测到指路标志文字的二值化问题进行了初步的研究。