CN108319924A - 一种基于融合特征和elm算法的交通标志识别方法 - Google Patents
一种基于融合特征和elm算法的交通标志识别方法 Download PDFInfo
- Publication number
- CN108319924A CN108319924A CN201810124245.3A CN201810124245A CN108319924A CN 108319924 A CN108319924 A CN 108319924A CN 201810124245 A CN201810124245 A CN 201810124245A CN 108319924 A CN108319924 A CN 108319924A
- Authority
- CN
- China
- Prior art keywords
- feature
- wavelet
- traffic sign
- output
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于融合特征和ELM算法的交通标志识别方法,包括如下步骤:对图像进行预处理;提取小波不变矩特征;提取基于Gabor滤波器的纹理特征;训练ELM模型,测试模型,输出分类结果。本发明的优点在于:其采用小波不变矩特征和基于Gabor滤波器的纹理特征融合的融合特征,不仅可以弥补两种特征各自的不足,全面把握图像的全局和局部特征,而且能够描述图像的多方面属性,并且使用PCA小波不变矩进行降维操作,降低了计算复杂度,节省算法的运行时间,最后结合ELM模型,极大地提高识别结果的可靠性和准确性。
Description
技术领域
本发明涉及计算机图像识别技术领域,具体涉及一种基于融合特征和 ELM算法的交通标志识别方法。
背景技术
随着科学的进步和社会的发展,机动车逐渐地成为人们的代步工具。与日俱增的机动车在给人们出行带来便利的同时,也带来了严重的交通拥堵和不断增多的交通事故。传统的交通技术已经难以满足当今经济社会高速发展的要求,智能交通系统受到专家学者的高度重视。建立智能交通系统可以提高交通运输的效率,从而缓解交通阻塞,减少交通事故,降低能源消耗。
交通标志识别(TSR)是未来智能交通系统的重要组成部分,也是无人驾驶和驾驶员辅助系统的重要组成模块。交通标志包含了道路状况的改变、行驶速度及驾驶行为限制等重要信息,因此交通标志识别(TSR)在驾驶员辅助系统中能够准确判断交通规则、交通路况、行驶方向等重要信息,及时提醒驾驶员,从而保证驾驶安全,减少交通事故、违章等。在实际应用TSR的过程中,待识别的交通标志图像是取自高速行驶车辆上的摄像设备,虽然交通标志具有明显的颜色、形状和内部结构特征,但是需要处理大量的数据。因此实际应用中,系统的实时性和准确性要求较高。在自然场景下,道路交通环境的复杂性等因素给交通标志的实时自动检测和识别带来了巨大的挑战。
近年来,研究人员在交通标志的自动识别方面的研究取得了较大的进展,先后提出一些了鲁棒性较强的交通标志识别方法,能够一定程度上解决复杂背景和光照条件影响的问题。但大多采用单特征进行图像识别,而单特征的抗干扰能力差,易受到环境影响。且提取的特征局限于形状特征,忽略了对纹理特征的把握。
发明内容
本发明的目的就是要针对现有技术的不足,提供一种基于融合特征和 ELM算法的交通标志识别方法,其不仅可以弥补各特征的不足,全面把握图像的全局和局部特征,并且能够描述图像的多方面属性,极大地提高识别结果的可靠性和准确性。
为实现上述目的,本发明所涉及的一种基于融合特征和ELM算法的交通标志识别方法,包括如下步骤:
步骤1:对图像进行预处理:所述预处理的方法为:采用直方图均衡化以及中值滤波对图像分别进行增强和去噪处理。
步骤2:提取小波不变矩特征;
步骤2.1:对处理后的样本图像进行二值化操作;
步骤2.2:对二值化的图像进行平移、尺度归一化,计算图像的质心,和中心,使两者重合;
步骤2.3:将图像转入极坐标,在极坐标下计算不变矩特征;
步骤2.4:将极坐标下的交通标志图像转换到笛卡尔坐标系下,得到的笛卡尔坐标系下交通标志图像的不变矩特征;
步骤2.5:求解交通标志的小波不变矩;
步骤2.6:根据小波变换特性,图像被分解为4个频域,选取低频部分,得到小波不变矩特征向量;
步骤2.7:将PCA主成分分析应用到小波不变矩中,最终得到2×9维PCA- 小波不变矩特征。
步骤3:提取基于Gabor滤波器的纹理特征;
步骤3.1:构建多方向多尺度的Gabor滤波器;
步骤3.2:对原图像进行滤波,得到40张输出图像;
步骤3.3:对40幅输出图像分别提取灰度均值,方差,平均梯度3个纹理特征参量,得到8*5*3维Gabor滤波纹理特征。
步骤3.4:将上述两种特征进行简单融合,得到138维的融合特征。对所有的样本图像提取上述两种特征,得到特征样本集。
步骤4:训练ELM模型,测试模型,输出分类结果。
进一步地,所述步骤1中,
进一步地,所述步骤2中,所述小波不变矩特征提取的步骤为:
进一步地,所述步骤3中,所述纹理特征的提取步骤为:
更进一步地,所述步骤4中,所述分类结果的输出步骤为:
作为优选项,所述步骤2.3中,所述极坐标下不变矩特征的计算方法为:
设图像的分布函数为连续函数f(x,y),则由x=rcos(θ),y=rsin(θ)将f(x,y) 转换为极坐标下的表达式形式f(r,θ),得到(p+q)阶不变矩表达式:
其中:hp(r)表示变换核的径向分量,ejpθ表示变换核的角度分量。
作为优选项,所述步骤2.5中,所述解交通标志的小波不变矩计算方法为:
采用三次样条小波函数作为基本小波函数,三次样条小波的表达式为:
式中:n=3,a=0.697066,f0=0.409177,
采用三次样条小波函数即式(2)为基本小波函数,替换式(1)中的hp(r) 函数,将小波与不变矩结合得到交通标志的小波不变矩Wm,n,q。
作为优选项,所述步骤2.6中,所述小波不变矩特征向量的计算方法为:
用基本小波函数取代不变矩表达式中变换核的径向分量,得到小波不变矩的表达式为:
式中:为基本小波函数,m为基本小波函数的尺度因子(m=0,1,2,···),n为基本小波函数的平移因子(n=0,1,···,2m+1),q为频率域个数。
作为优选项,所述步骤3.3中,所述灰度均值、方差、平均梯度的提取, Gabor滤波器基函数和坐标旋转公式分别为:
灰度均值:
方差:
平均梯度:
Gabor滤波器基函数表示为:
式中:λ和θk表示正弦波波长和正弦波方向,k表示滤波器方向个数;
坐标旋转公式:
通过坐标旋转公式以及改变参数λ,σx,σy可以满足多方向,多尺度分析特性。
作为优选项,所述步骤4.4中,所述隐层节点的输出矩阵和输出权重的计算方法为:
输入n个不同的训练样本(xi,ti),i=1,2·,··n,,其中xi=(xi1,xi2,···,xin)T∈Rn, ti=(ti1,ti2,···,tim)T∈Rm,则其标准的SLFNs模型为:
式中:n和m分别表示输入和输出层的节点数,g()激活函数,bi为第i个隐层节点的阈值,wi=(wi1,wi2,···,win)T为第i个隐层节点间的权重向量,βi=(βi1,βi2,···,βin)T为第i个隐层节点和输出节点间的权重向量,wi×xi表示wi和 xi的内积;
激活函数表达式为:
若隐含层神经元个数与训练集样本个数相等,则对于任意的w和b,SLFNs 模型能够做到零误差的逼近样本,即:
存在βi,wi和bi满足
上述N个方程可化简为:
Hβ=T (28)
其中:H为隐层节点的输出,β为输出权重,T期望输出;
在ELM模型中,输出节点的个数设置为交通标志训练样本的类别数,假定交通标志共有m类,且第i个训练样本属于第k类,则输出向量oi是一个二进制目标向量,其中第k个元素为1,其他为0。
本发明的优点在于:其采用小波不变矩特征和基于Gabor滤波器的纹理特征融合的融合特征,不仅可以弥补两种特征各自的不足,全面把握图像的全局和局部特征,而且能够描述图像的多方面属性,并且使用PCA小波不变矩进行降维操作,降低了计算复杂度,节省算法的运行时间,最后结合ELM模型,极大地提高识别结果的可靠性和准确性。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述:
如图1,一种基于融合特征和ELM算法的交通标志识别方法,包括如下步骤:
步骤1:对图像进行预处理:所述预处理的方法为:采用直方图均衡化以及中值滤波对图像分别进行增强和去噪处理。
步骤2:提取小波不变矩特征;
步骤2.1:对处理后的样本图像进行二值化操作;
步骤2.2:对二值化的图像进行平移、尺度归一化,计算图像的质心,和中心,使两者重合;
步骤2.3:将图像转入极坐标,在极坐标下计算不变矩特征:所述极坐标下不变矩特征的计算方法为:
设图像的分布函数为连续函数f(x,y),则由x=rcos(θ),y=rsin(θ)将f(x,y) 转换为极坐标下的表达式形式f(r,θ),得到(p+q)阶不变矩表达式:
其中:hp(r)表示变换核的径向分量,ejpθ表示变换核的角度分量。
步骤2.4:将极坐标下的交通标志图像转换到笛卡尔坐标系下,得到的笛卡尔坐标系下交通标志图像的不变矩特征;
步骤2.5:求解交通标志的小波不变矩:所述解交通标志的小波不变矩计算方法为:
采用三次样条小波函数作为基本小波函数,三次样条小波的表达式为:
式中:n=3,a=0.697066,f0=0.409177,
采用三次样条小波函数即式(2)为基本小波函数,替换式(1)中的hp(r) 函数,将小波与不变矩结合得到交通标志的小波不变矩Wm,n,q。
步骤2.6:根据小波变换特性,图像被分解为4个频域,选取低频部分,得到小波不变矩特征向量:所述小波不变矩特征向量的计算方法为:
用基本小波函数取代不变矩表达式中变换核的径向分量,得到小波不变矩的表达式为:
式中:为基本小波函数,m为基本小波函数的尺度因子(m=0,1,2,···),n为基本小波函数的平移因子(n=0,1,···,2m+1),q为频率域个数。
步骤2.7:将PCA主成分分析应用到小波不变矩中,最终得到2×9维PCA- 小波不变矩特征。
步骤3:提取基于Gabor滤波器的纹理特征;
步骤3.1:构建多方向多尺度的Gabor滤波器;
步骤3.2:对原图像进行滤波,得到40张输出图像;
步骤3.3:对40幅输出图像分别提取灰度均值,方差,平均梯度3个纹理特征参量,得到8*5*3维Gabor滤波纹理特征:所述灰度均值、方差、平均梯度的提取,Gabor滤波器基函数和坐标旋转公式分别为:
灰度均值:
方差:
平均梯度:
Gabor滤波器基函数表示为:
式中:λ和θk表示正弦波波长和正弦波方向,k表示滤波器方向个数;
坐标旋转公式:
通过坐标旋转公式以及改变参数λ,σx,σy可以满足多方向,多尺度分析特性。
步骤3.4:将上述两种特征进行简单融合,得到138维的融合特征。对所有的样本图像提取上述两种特征,得到特征样本集。
步骤4:训练ELM模型,测试模型,输出分类结果。
步骤4.1:提取训练样本集和测试样本集的融合特征,并保存为文本文件,其中每一行代表一个样本的特征;
步骤4.2:对提取出的融合特征,设定贡献率阈值,然后在每个样本的头部加上其分类识别期望输出构成训练、识别;
步骤4.3:对于训练样本集,初始化输入权重和隐层偏置,手动设置隐层节点个数;
步骤4.4:计算出测试样本集的隐层节点输出矩阵和输出权重:所述隐层节点的输出矩阵和输出权重的计算方法为:
输入n个不同的训练样本(xi,ti),i=1,2·,··n,,其中xi=(xi1,xi2,···,xin)T∈Rn, ti=(ti1,ti2,···,tim)T∈Rm,则其标准的SLFNs模型为:
式中:n和m分别表示输入和输出层的节点数,g()激活函数,bi为第i个隐层节点的阈值,wi=(wi1,wi2,···,win)T为第i个隐层节点间的权重向量,βi=(βi1,βi2,···,βin)T为第i个隐层节点和输出节点间的权重向量,wi×xi表示wi和xi的内积;
激活函数表达式为:
若隐含层神经元个数与训练集样本个数相等,则对于任意的w和b,SLFNs 模型能够做到零误差的逼近样本,即:
存在βi,wi和bi满足
上述N个方程可化简为:
Hβ=T (43)
其中:H为隐层节点的输出,β为输出权重,T期望输出;
在ELM模型中,输出节点的个数设置为交通标志训练样本的类别数,假定交通标志共有m类,且第i个训练样本属于第k类,则输出向量oi是一个二进制目标向量,其中第k个元素为1,其他为0。
步骤4.5:计算出ELM输出节点的输出向量oi,oi通过取最大值操作得到每一个测试样本的类标。
实施例:
上述技术方案中,交通标志识别方法步骤的详细实施过程:
(1)图像预处理
本发明采用直方图均衡化以及中值滤波对图像分别进行增强和去噪处理。
中值滤波是一种非线性空间滤波器,它以将图像上的模板区域内像素灰度值进行排序为基础,然后使用统计排序结果,计算所有灰度值的中值代替模板区域内所有像素的灰度值。我们以3x3的模板为例对图像进行中值滤波,取第五个最大的灰度值为中值,用该值代替模板内所有像素的灰度值。
在低对比度的图像中,待识别的交通标志区域像素灰度值与背景像素灰度值差别不大,这对于我们对目标进行分割十分不利。而高对比度的图像中直方图的灰度分量覆盖于很宽的灰度范围,而且在每个灰度级的分布都比较均匀。因此通过直方图均衡化增强图像,使一幅图像的像素占据尽可能多的灰度级,并且在每个灰度级分布均匀,通过这样的方式使得图像的对比度增高,灰度细节更为丰富。
(2)提取小波不变矩特征
小波变换和不变矩具有各自的优缺点,小波不变矩的思想是将两者的优点完美结合,并弥补双方的缺陷。如何将小波变换与不变矩结合,是获得小波不变矩的关键,本发明采用基本小波函数取代不变矩表达式中变换核的径向分量,得到小波不变矩。
设图像的分布函数为连续函数f(x,y),则由x=rcos(θ),y=rsin(θ)将 f(x,y)转换为极坐标下的表达式形式f(r,θ),得到(p+q)阶不变矩表达式
其中,hp(r)表示变换核的径向分量,ejpθ表示变换核的角度分量。
选取合适的小波基函数是准确提取小波不变矩特征的关键。三次样条小波函数的边缘检测及定位能力非常突出,现已广泛应用于边缘检测领域。该函数的形式接近于Zernike不变矩,可以提取局部特征信息,具有有限次平滑性、对称性、紧支集、全正性、递推性等特点。因此,发明采用三次样条小波函数作为基本小波函数。三次样条小波的表达式为:
式中:n=3,a=0.697066,f0=0.409177,
用基本小波函数取代不变矩表达式中变换核的径向分量,得到小波不变矩的表达式为:
式中:为基本小波函数,m为基本小波函数的尺度因子(m=0,1,2,···),n为基本小波函数的平移因子(n=0,1,···,2m+1),q为频率域个数。
本发明中,提取小波不变矩的步骤如下:
1)对处理后的样本图像进行二值化操作;
2)对二值化的图像进行平移、尺度归一化:计算图像的质心,和中心,使两者重合。求取交通标志图像上与中心最近的距离以a=200/(2D)的比例因子对图像进行缩放。
3)将图像转入极坐标,在极坐标下应用式(1)计算不变矩特征。
4)将极坐标下的交通标志图像转换到笛卡尔坐标系下,得到的笛卡尔坐标系下交通标志图像的不变矩特征。
5)求解交通标志的小波不变矩,采用三次样条小波函数即式(2)为基本小波函数,替换式(1)中的hp(r)函数,将小波与不变矩结合得到交通标志的小波不变矩Wm,n,q。
6)根据小波变换特性,图像被分解为4个频域,选取低频部分,得到小波不变矩特征向量。即每个交通标志用一个6*9矩阵表示,共54个特征值。
7)由于上述方法的小波不变矩特征含有大量冗余信息,为了降低计算复杂度,节省算法运行时间,本发明将PCA主成分分析应用到小波不变矩中,以达到降维的目的,最终得到2*9维PCA-小波不变矩特征。
(3)提取基于Gabor滤波器的纹理特征
纹理作为一种视觉特征,能够体现图像中的同质现象,包含物体表面结构组织排列的重要属性。既包括图像的灰度统计信息,又反映其空间分布和结构信息。本发明选择具有代表意义的灰度均值,方差,平均梯度作为纹理特征参量。定义如下:
灰度均值:
方差:
平均梯度:
Gabor滤波器具有小波特性,能够充分描述图像纹理信息,不仅可以描述不同方向上的像素分布信息,使特征点定位更加精准,还可以描述不同尺度上的像素分布信息,通过调整尺度,提取全局或者局部特征。Gabor滤波器基函数表示为:
式中:λ和θk表示正弦波波长和正弦波方向,k表示滤波器方向个数。
坐标旋转公式:
通过坐标旋转公式以及改变参数λ,σx,σy可以满足多方向,多尺度分析特性。
本发明中,提取基于Gabor滤波器的纹理特征的步骤如下:
1)构建多方向多尺度的Gabor滤波器。根据交通标志特性,本文选取8 个方向(0,π/8,π/4,3π/8,π/2,5π/8,π/8,3π/4),5个尺度(5个比例缩放: 1,3/2,2,3,5)对灰度图像进行Gabor滤波。
2)对原图像进行滤波,得到40张输出图像。
3)根据式(4)~式(6)对40幅输出图像分别提取灰度均值,方差,平均梯度3个纹理特征参量,得到8*5*3维Gabor滤波纹理特征。
4)将上述两种特征进行简单融合,得到138维的融合特征。对所有的样本图像提取上述两种特征,得到实验所需的特征样本集。
(4)训练ELM模型,测试模型,输出分类结果。
ELM模型学习过程中只需要设置网络的隐层节点个数一个参数,其输入层与隐藏层之间的权值向量参数以及隐藏层上的偏置向量参数不需要通过迭代反复调整,ELM模型可以产生唯一的最优解。
假如输入n个不同的训练样本(xi,ti),i=1,2,···,n,其中xi=(xi1,xi2,···,xin)T∈Rn, ti=(ti1,ti2,···,tim)T∈Rm,则其标准的SLFNs模型为
式中n和m分别表示输入和输出层的节点数,g()激活函数,bi为第i个隐层节点的阈值,wi=(wi1,wi2,···,win)T为第i个隐层节点间的权重向量,βi=(βi1,βi2,···,βin)T为第i个隐层节点和输出节点间的权重向量,wi×xi表示wi和xi的内积。
激活函数表达式为
若隐含层神经元个数与训练集样本个数相等,则对于任意的w和b,SLFNs 模型能够做到零误差的逼近样本,即
存在βi,wi和bi满足
上述N个方程可化简为
Hβ=T (58)
其中,H为隐层节点的输出,β为输出权重,T期望输出。
在ELM模型中,输出节点的个数设置为交通标志训练样本的类别数。假定交通标志共有m类,且第i个训练样本属于第k类,则输出向量oi是一个二进制目标向量,其中第k个元素为1,其他的为0。然后,测试样本的类标可以通过对输出节点的输出向量oi取最大值得到,如果oi的第k个元素为最大,则说明测试样本属于第k类。
ELM模型训练阶段,首先提取包含常见10类交通标志的训练样本集的融合特征,将特征保存为文本文件,其中每一行表示一个训练样本的特征,每行的第一个元素是分类识别的期望输出,也就是10类交通标志的类标 [0,1,2,3,4,5,6,7,8,9],剩余的是每个样本的融合特征,并且融合特征在训练前要进行预处理使元素归一化到区间[-1,1];然后每个训练样本的融合特征特征组成特征矩阵X,而Y矩阵代表每个训练样本的期望输出[0,1,2,3,4,5,6,7,8,9],X 和Y组成的特征矩阵[Y,X]作为ELM的输入,经过ELM训练后可以得到用于识别的训练模型。在识别阶段,和训练阶段一样,先提取每一张交通标志的融合特征,与其期望输出组成的特征矩阵Z作为训练好的模型的输入,识别输出向量经过最大值操作后的输出就代表此交通标志的类别。具体步骤如下:
1)提取训练样本集和测试样本集的融合特征,并保存为文本文件,其中每一行代表一个样本的特征;
2)对提取出的融合特征,设定贡献率阈值大小为0.99,然后在每个样本的头部加上其分类识别期望输出构成训练、识别的输入[Y,X]和Z;
3)对于训练样本集,初始化输入权重wi和隐层偏置bi,手动设置隐层节点个数由式(14)计算出隐层节点的输出矩阵H,然后由式(13)推到计算出输出权重β;
4)根据步骤3)中计算出的wi和bi,计算出测试样本集的隐层节点输出矩阵H和输出权重β;
5)计算出ELM输出节点的输出向量oi,oi通过取最大值操作得到每一个测试样本的类标。
最后,应当指出,以上实施例仅是本发明较有代表性的例子。显然,本发明不限于上述实施例,还可以有许多变形。凡依据本发明的方法实质对以上实施例所做的任何简单修改、等同变化及修饰,均应认为属于本发明的保护范围。
Claims (10)
1.一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:包括如下步骤:
步骤1:对图像进行预处理;
步骤2:提取小波不变矩特征;
步骤3:提取基于Gabor滤波器的纹理特征;
步骤4:训练ELM模型,测试模型,输出分类结果。
2.根据权利要求1所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤1中,所述预处理的方法为:采用直方图均衡化以及中值滤波对图像分别进行增强和去噪处理。
3.根据权利要求1所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤2中,所述小波不变矩特征提取的步骤为:
步骤2.1:对处理后的样本图像进行二值化操作;
步骤2.2:对二值化的图像进行平移、尺度归一化,计算图像的质心,和中心,使两者重合;
步骤2.3:将图像转入极坐标,在极坐标下计算不变矩特征;
步骤2.4:将极坐标下的交通标志图像转换到笛卡尔坐标系下,得到的笛卡尔坐标系下交通标志图像的不变矩特征;
步骤2.5:求解交通标志的小波不变矩;
步骤2.6:根据小波变换特性,图像被分解为4个频域,选取低频部分,得到小波不变矩特征向量;
步骤2.7:将PCA主成分分析应用到小波不变矩中,最终得到2×9维PCA-小波不变矩特征。
4.根据权利要求1所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤3中,所述纹理特征的提取步骤为:
步骤3.1:构建多方向多尺度的Gabor滤波器;
步骤3.2:对原图像进行滤波,得到40张输出图像;
步骤3.3:对40幅输出图像分别提取灰度均值,方差,平均梯度3个纹理特征参量,得到8*5*3维Gabor滤波纹理特征。
步骤3.4:将上述两种特征进行简单融合,得到138维的融合特征。对所有的样本图像提取上述两种特征,得到特征样本集。
5.根据权利要求1~4中任意一项所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤4中,所述分类结果的输出步骤为:
步骤4.1:提取训练样本集和测试样本集的融合特征,并保存为文本文件,其中每一行代表一个样本的特征;
步骤4.2:对提取出的融合特征,设定贡献率阈值,然后在每个样本的头部加上其分类识别期望输出构成训练、识别;
步骤4.3:对于训练样本集,初始化输入权重和隐层偏置,手动设置隐层节点个数;
步骤4.4:计算出测试样本集的隐层节点输出矩阵和输出权重;
步骤4.5:计算出ELM输出节点的输出向量oi,oi通过取最大值操作得到每一个测试样本的类标。
6.根据权利要求3所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤2.3中,所述极坐标下不变矩特征的计算方法为:
设图像的分布函数为连续函数f(x,y),则由x=rcos(θ),y=rsin(θ)将f(x,y)转换为极坐标下的表达式形式f(r,θ),得到(p+q)阶不变矩表达式:
其中:hp(r)表示变换核的径向分量,ejpθ表示变换核的角度分量。
7.根据权利要求3所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤2.5中,所述解交通标志的小波不变矩计算方法为:
采用三次样条小波函数作为基本小波函数,三次样条小波的表达式为:
式中:n=3,a=0.697066,f0=0.409177,
采用三次样条小波函数即式(2)为基本小波函数,替换式(1)中的hp(r)函数,将小波与不变矩结合得到交通标志的小波不变矩Wm,n,q。
8.根据权利要求6或7所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤2.6中,所述小波不变矩特征向量的计算方法为:
用基本小波函数取代不变矩表达式中变换核的径向分量,得到小波不变矩的表达式为:
式中:为基本小波函数,m为基本小波函数的尺度因子(m=0,1,2,…),n为基本小波函数的平移因子(n=0,1,…,2m+1),q为频率域个数。
9.根据权利要求4所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤3.3中,所述灰度均值、方差、平均梯度的提取,Gabor滤波器基函数和坐标旋转公式分别为:
灰度均值:
方差:
平均梯度:
Gabor滤波器基函数表示为:
式中:λ和θk表示正弦波波长和正弦波方向,k表示滤波器方向个数;
坐标旋转公式:
通过坐标旋转公式以及改变参数λ,σx,σy可以满足多方向,多尺度分析特性。
10.根据权利要求5所述的一种基于融合特征和ELM算法的交通标志识别方法,其特征在于:所述步骤4.4中,所述隐层节点的输出矩阵和输出权重的计算方法为:
输入n个不同的训练样本(xi,ti),i=1,2,…n,,其中xi=(xi1,xi2,…,xin)T∈Rn,ti=(ti1,ti2,…,tim)T∈Rm,则其标准的SLFNs模型为:
式中:n和m分别表示输入和输出层的节点数,g()激活函数,bi为第i个隐层节点的阈值,wi=(wi1,wi2,…,win)T为第i个隐层节点间的权重向量,βi=(βi1,βi2,…,βin)T为第i个隐层节点和输出节点间的权重向量,wi×xi表示wi和xi的内积;
激活函数表达式为:
若隐含层神经元个数与训练集样本个数相等,则对于任意的w和b,SLFNs模型能够做到零误差的逼近样本,即:
存在βi,wi和bi满足
上述N个方程可化简为:
Hβ=T (13)
其中:H为隐层节点的输出,β为输出权重,T期望输出;
在ELM模型中,输出节点的个数设置为交通标志训练样本的类别数,假定交通标志共有m类,且第i个训练样本属于第k类,则输出向量oi是一个二进制目标向量,其中第k个元素为1,其他为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810124245.3A CN108319924A (zh) | 2018-02-07 | 2018-02-07 | 一种基于融合特征和elm算法的交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810124245.3A CN108319924A (zh) | 2018-02-07 | 2018-02-07 | 一种基于融合特征和elm算法的交通标志识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319924A true CN108319924A (zh) | 2018-07-24 |
Family
ID=62903840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810124245.3A Pending CN108319924A (zh) | 2018-02-07 | 2018-02-07 | 一种基于融合特征和elm算法的交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319924A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135512A (zh) * | 2019-05-21 | 2019-08-16 | 武汉轻工大学 | 图片的识别方法、设备、存储介质及装置 |
CN110348396A (zh) * | 2019-07-15 | 2019-10-18 | 南京信息工程大学 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
CN111220882A (zh) * | 2019-12-31 | 2020-06-02 | 国网辽宁省电力有限公司电力科学研究院 | 一种gis光学局放图谱的特征量提取方法 |
CN112819007A (zh) * | 2021-01-07 | 2021-05-18 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
-
2018
- 2018-02-07 CN CN201810124245.3A patent/CN108319924A/zh active Pending
Non-Patent Citations (2)
Title |
---|
徐岩等: "一种改进的交通标志图像识别算法", 《激光与光电子学进展》 * |
甘露等: "基于融合特征和BP网络的交通标志识别方法", 《计算机工程与设计》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135512A (zh) * | 2019-05-21 | 2019-08-16 | 武汉轻工大学 | 图片的识别方法、设备、存储介质及装置 |
CN110348396A (zh) * | 2019-07-15 | 2019-10-18 | 南京信息工程大学 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
CN110348396B (zh) * | 2019-07-15 | 2022-02-11 | 南京信息工程大学 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
CN111220882A (zh) * | 2019-12-31 | 2020-06-02 | 国网辽宁省电力有限公司电力科学研究院 | 一种gis光学局放图谱的特征量提取方法 |
CN112819007A (zh) * | 2021-01-07 | 2021-05-18 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN112819007B (zh) * | 2021-01-07 | 2023-08-01 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Weighted feature pyramid networks for object detection | |
Cao et al. | Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance | |
CN108319924A (zh) | 一种基于融合特征和elm算法的交通标志识别方法 | |
CN107729801A (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN107437100A (zh) | 一种基于跨模态关联学习的图像位置预测方法 | |
CN108764063A (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
CN106683046A (zh) | 用于警用无人机侦察取证的图像实时拼接方法 | |
CN107808129A (zh) | 一种基于单个卷积神经网络的面部多特征点定位方法 | |
CN107578091A (zh) | 一种基于轻量级深度网络的行人车辆实时检测方法 | |
CN107103616A (zh) | 一种目标跟踪方法及系统 | |
Kim et al. | Infrared variation optimized deep convolutional neural network for robust automatic ground target recognition | |
Wang et al. | License plate recognition system | |
CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 | |
Wei et al. | Detection of lane line based on Robert operator | |
Zheng et al. | Feature enhancement for multi-scale object detection | |
CN109284752A (zh) | 一种车辆的快速检测方法 | |
Sun et al. | The recognition framework of deep kernel learning for enclosed remote sensing objects | |
Huo et al. | Traffic sign recognition based on resnet-20 and deep mutual learning | |
Song et al. | Multisize plate detection algorithm based on improved Mask RCNN | |
Zhang et al. | Research on vehicle object detection method based on convolutional neural network | |
CN113792785A (zh) | 一种基于wgan-gp和yolo的船体附着物快速识别方法 | |
Fazheng et al. | Research on location of chinese handwritten signature based on efficientdet | |
Huang et al. | Under water object detection based on convolution neural network | |
Guo et al. | Face illumination normalization based on generative adversarial network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |