1.一种基于DS证据理论的多摄像头融合的路面交通标志识别方法,其特征在于:该方法包括以下步骤:步骤1:将训练集图像分为直行、左转、右转、直行左转、直行右转和不含有指示标志的负样本共六类,并对每张图像进行类别标注;
步骤2:提取样本图像的方向梯度直方图(Histograms ofOriented Gradient,HOG)特征;将样本图像的HOG特征和类别标签导入支持向量机(SVM)中进行样本训练学习,得到训练好的分类器;
步骤3:获取智能车上多个车载摄像头拍摄的车辆前方图像,选取每张图像的下半部分作为待处理图像;将待处理图像转化为灰度图,并进行中值滤波;使用hough变换和直线拟合检测本车道的车道线,将两条车道线之间的区域作为初步感兴趣区域;
步骤4:对车道线间的初步感兴趣区域进行二值化处理,并用形态学开闭运算进行形态学滤波,再对二值图像进行边缘检测;对边缘检测图像中面积最大的闭和轮廓区域进行填充,得到可能包含路面交通标志的感兴趣区域;
步骤5:在原图像上提取上述感兴趣区域的方向梯度直方图特征,将提取的特征送入已训练好的支持向量机分类器中进行分类,获得感兴趣区域的识别结果;
步骤6:根据支持向量机分类器计算得到的每张图像中待识别标志属于每个类别的概率,结合DS证据理论数据融合方法以及最大信任值决策规则,确定最终识别结果。
2.根据权利要求1所述的一种基于DS证据理论的多摄像头融合的路面交通标志识别方法,其特征在于:所述步骤4具体包括:步骤41:对图像的二值化处理采用最大类间方差法(OTSU),最大类间方差法的阈值计算公式为:式中,T为前景和背景的分割阈值,G(T)为前景与背景的类间方差,p1、p2分别为前景和背景像素所占的比例,u1,u2分别为前景和背景区域平均灰度,u为整个初步感兴趣区域的平均灰度,当T使得类间方差最大时,此时的T为最终分割阈值;
步骤42:对二值图像进行形态学滤波操作,用来消除小物体,平滑较大区域的边界并填充目标内部的细小空洞,连接邻近区域;
步骤43:对二值图像进行Canny边缘检测,得到初步感兴趣区域的边缘检测图像;Canny算法采用的是双阈值方法实现边缘提取,其中两个阈值分别为h1和h2,边缘检测将上述otsu算法求得的分割阈值T的值作为Canny边缘检测的高阈值h2,低阈值h1取值为:h1=0.5h2;
步骤44:计算边缘检测图像中所有闭合轮廓的面积,对面积最大的闭和轮廓区域进行填充;设上述最大轮廓的外接矩形的高和宽分别为h,w,将该外接矩形上下各扩展其高的1/
6,即h/6,向左右各扩展其宽的1/6,即w/6,通过上述处理所得到的矩形区域,就是该图像的感兴趣区域。
3.根据权利要求1所述的一种基于DS证据理论的多摄像头融合的路面交通标志识别方法,其特征在于:所述步骤6具体包括:步骤61:利用支持向量机分类器得到每幅图像中待识别标志属于每个类别的概率rij,其中i(i=1,2…,m)表示第i个摄像头,j(j=1,2…,6)表示标志类别,rij表示第i个摄像头将待识别标志识别为类型j的概率;
步骤62:DS证据理论数据融合方法是指Dempster组合规则(Dempster’s combinational rule),也称为证据组合公式,其基本概念如下:设Θ为识别框架,由一完备且互不相容的命题集合组成幂集2Θ,在其上定义基本概率分配函数(Basic ProbabilityAssignment,简称BPA):m(A)∈(0,1),并且满足:(1)
(2)
其中,A代表识别框架中任一命题,m(A)称为A的基本概率赋值,表示证据支持命题A发生的程度;若m(A)≠0,则A称为一个焦元;
设有两个推理系统,它们的概率赋值分别是m1,m2,即m1,m2为识别框架上的两个独立的证据,对于命题A,将这两个证据组合的规则为:其中,K为归一化常数
对于命题A,信任函数定义为: 表示命题A中所有子集B的基本概率分配之和,即对A的总的信任度;当A是单元素命题时,Bel(A)=m(A);
步骤63:将待识别的标志类别S1,S2…S6作为识别框架Θ中的命题,摄像头C1,C2…Ci对标志种类的判断作为证据,各摄像头识别时得到的待识别标志属于每个类别的概率作为基本概率赋值,运用上述的Dempster合成规则将各个证据合并成一个新的证据体,即由合并规则将不同证据体的基本可信度分配合并产生一个总体的可信度分配;
步骤64:根据最大信任值法,计算各命题的信任函数值,选择具有最大信任值的结果作为最终识别结果。