基于感兴趣区域和HOG-MBLBP特征的交通标识检测

被引：13

作者：

刘成云

常发亮

陈振学

机构：

[1] 山东大学控制科学与工程学院

来源：

电子与信息学报 | 2016年 / 38卷 / 05期

基金：

高等学校博士学科点专项科研基金;

关键词：

交通标识检测; 感兴趣区域; HOG描述子; LBP描述子; 支持向量机(SVM);

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化,为了克服这一问题,该文提出一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。首先采用颜色增强技术分割提取出自然背景中交通标识所在的感兴趣区域;然后对标识样本库提取HOG-MBLBP融合特征,并用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的中国交通标识样本库上进行了实验,结果表明所提方法能达到99.2%的分类准确度,混淆矩阵结果也表明了该方法的优越性。

引用

页码：1092 / 1098

页数：7

共 12 条

[1]

Traffic sign segmentation and classification using statistical learning methods.[J].J.M. Lillo-Castellano;I. Mora-Jiménez;C. Figuera-Pozuelo;J.L. Rojo-Álvarez.Neurocomputing.2015,

[2] Traffic sign detection via interest region extraction [J].

Salti, Samuele ;

Petrelli, Alioscia ;

Tombari, Federico ;

Fioraio, Nicola ;

Di Stefano, Luigi .

PATTERN RECOGNITION, 2015, 48 (04) :1039-1049

[3]

Real-time traffic sign recognition in three stages.[J].Fatin Zaklouta;Bogdan Stanciulescu.Robotics and Autonomous Systems.2012,

[4]

Real-time traffic sign recognition from video by class-specific discriminative features.[J].Andrzej Ruta;Yongmin Li;Xiaohui Liu.Pattern Recognition.2009, 1

[5] SUPPORT-VECTOR NETWORKS [J].