【技术实现步骤摘要】
本专利技术涉及一种计算机视觉与机器学习领域中的图像识别方法,特别是涉及一种基于极限学习机(ELM)和自适应提升(AdaBoost)的交通标志识别方法。
技术介绍
交通标志识别系统是智能交通系统的重要组成部分,同时也是汽车辅助驾驶技术和无人驾驶技术的一个重要模块。由于道路交通环境的复杂性(比如雨雪天气、雾霾天气等)和交通标志的扭曲、遮挡、变形、污损等原因,使得交通标志的实时自动识别变得异常困难,容易出现错检、漏检现象,而现如今自然场景下的交通标志识别技术又尚不成熟,需要进行进一步的深入研究。2008年,Keller等人[1]提出了一种识别算法,针对限速类交通标志,算法首先对2880张训练样本进行训练,然后对1233张测试样本进行识别,最终得到的识别率为92.4%。该算法存在两大问题,一是识别的交通标志种类太少仅仅局限于限速类交通标志,二是识别率低容易出现错检、漏检现象。2010年,Bascón等人[2]对193类共36000幅交通标志进行训练和识别,算法采用的是支持向量机(SVM)技术,识别准确率达到95.5%,但该算法所采用的数据库并没有公开,识别率也不是太高。2011年,Boi等[3]提出了一种基于方向梯度直方图(HOG)特征和SVM的识别算法,该算法分为预处理阶段和训练识别阶段,预处理阶段提取出训练用交通标志数据库的HOG特征和色调直方图特征,训练识别阶段采用SVM进行训练和识别,算法最终的识别率为96.89%,但也 ...
【技术保护点】
一种基于极限学习机和自适应提升的交通标志识别方法,其特征是,包括训练阶段和识别阶段;训练阶段:首先提取出交通标志数据库训练样本集中每一张交通标志的方向梯度直方图HOG特征,然后使用主成分分析PCA方法对提取出的HOG特征进行降维,然后初始化每一个训练样本的权重,接着用加权处理后的特征作为多个极限学习机ELM弱分类器的输入进行训练,计算出每个极限学习机ELM弱分类器的训练误差,由当前弱分类器权重更新训练样本权重进入下一个ELM弱分类器的训练,以此类推可由M个极限学习机ELM弱分类器得到增强后的自适应提升AdaBoost强分类器;识别阶段,同样首先提取出测试样本集的方向梯度直方图HOG特征,然后经主成分分析PCA降维后得到测试样本集的特征矩阵,最后用已经训练好的AdaBoost强分类器对测试图片进行识别,得到识别输出。
【技术特征摘要】
1.一种基于极限学习机和自适应提升的交通标志识别方法,其特征是,包括训练阶段
和识别阶段;
训练阶段:首先提取出交通标志数据库训练样本集中每一张交通标志的方向梯度直方
图HOG特征,然后使用主成分分析PCA方法对提取出的HOG特征进行降维,然后初始化每一个
训练样本的权重,接着用加权处理后的特征作为多个极限学习机ELM弱分类器的输入进行
训练,计算出每个极限学习机ELM弱分类器的训练误差,由当前弱分类器权重更新训练样本
权重进入下一个ELM弱分类器的训练,以此类推可由M个极限学习机ELM弱分类器得到增强
后的自适应...
【专利技术属性】
技术研发人员:徐岩,王权威,韦镇余,马硕,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。