【摘要】:SVM属于有监督的机器学习方法,能够将结构风险最小化,因而是一种良好的分类器。SVM分类器在图像识别和检索、运动检测、光学字符识别和手写字符识别等方面具有明显的优势,因此选用基于SVM的分类器对交通标志牌进行识别。图2-23 基于SVM的识别再根据检测效果图得到从原图中截取出相应的交通标志图,如图2-24所示。
支持向量机(SVM)是一种在内核特征空间中训练的线性分类器,其建立以结构风险最小和统计学理论为基础。SVM属于有监督的机器学习方法,能够将结构风险最小化,因而是一种良好的分类器。SVM分类器在图像识别和检索、运动检测、光学字符识别和手写字符识别等方面具有明显的优势,因此选用基于SVM的分类器对交通标志牌进行识别。
使用前一节交通检测中所下载的实验样本库,针对每个标志牌收集正样本和负样本,采用HOG特征进行训练,再利用训练得到的SVM分类模型,进行分类识别。检测效果图如图2-23所示。
图2-23 基于SVM的识别
再根据检测效果图得到从原图中截取出相应的交通标志图,如图2-24所示。同时,根据训练得到SVM分类器,识别得出各交通标志图的语义信息,如图2-25所示。
通过实验分析,对于在交通标志检测效果比较好的图片来说,其识别效果相对有效准确。但对于检测效果不好的图片来说,效果就相对不太理想。要想得到好的效果,还得加强交通标志牌检测的精准度。(www.daowen.com)
图2-24 识别得到的交通标志图
图2-25 识别得到的交通标志图
交通标志识别效果取决于检测效果,为了提高识别的准确度,还需把各个样本的数目扩大一些,让样本包括各种情况下的标志牌,这样才能把识别的效果提升上去。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。
有关视频图像处理与性能优化的文章