本文探讨了计算机视觉在无人驾驶中的应用，特别是交通路标检测与识别。通过色彩和形状特征进行初步检测，然后利用HOG特征与SVM分类器进行识别，达到88.9725%的平均准确率。实验表明，这种方法能有效提高无人驾驶车辆的行驶安全性和效率。
摘要：随着无人驾驶技术和车辆辅助系统在汽车行业的广泛应用，以无人驾驶为背景的技术研究备受关注。本文聚焦于计算机视觉在无人驾驶技术中的应用，具体研究了交通路标的检测与识别。
在交通路标检测方面，本文设计了一个综合的检测与识别系统。该系统使用色彩阈值和交通路标形状进行检测，并利用HOG+SVM算法进行分类。通过对23429个交通路标样本进行训练，得到了一个准确率达到88.9725%的分类模型。该系统能够检测和识别20个禁止型和指示型的交通路标.
本文的研究成果在无人驾驶技术中具有重要意义。通过利用计算机视觉技术，特别是交通路标的检测与识别，无人驾驶车辆可以更好地理解和适应道路环境，进一步提高行驶的安全性和效率。
关键词：无人驾驶技术，计算机视觉，交通路标检测，交通路标识别，HOG，SVM
Abstract
With the wide application of driverless technology and vehicle auxiliary system in the automobile industry, the research on driverless technology as the background has attracted much attention. This paper focuses on the application of computer vision in driverless technology, and specifically studies the detection and identification of traffic road signs.
In the traffic road sign detection, this paper designs a comprehensive detection and identification system. This system uses color threshold and traffic landmark shape for detection and classification using the HOG + SVM algorithm. By training on 23,429 traffic landmark samples, we obtained a classification model with an accuracy of 88.9725%. The system is able to detect and identify 20 prohibited and indicated traffic road signs.
The research results of this paper are of great significance in the driverless technology. Through the use of computer vision technology, especially the detection and identification of traffic road signs, driverless vehicles can better understand and adapt to the road environment, and further improve the safety and efficiency of driving.
Key words: driverless technology, computer vision, traffic road sign detection, traffic road sign identification, HOG, SVM
目 录
交通路标检测在智能交通系统和自动驾驶领域具有重要的作用。准确识别和检测交通路标对于车辆导航、交通管理和行驶安全至关重要。在过去几年中，机器学习和深度学习方法在交通路标检测中取得了显著的进展。
交通路标检测是计算机视觉领域的重要研究方向，其目标是通过图像处理和模式识别技术来准确识别和检测道路上的交通标志。近年来，随着机器学习和深度学习[1]的快速发展，交通路标检测取得了显著的进展。以下是一些当前的研究现状：
1. 传统机器学习[2]方法：在早期的研究中，使用传统的机器学习方法，如支持向量机（SVM）、随机森林（Random Forest）等，结合手工设计的特征来进行交通路标检测。这些方法在一些简单场景下取得了一定的成功，但在复杂场景下的性能有限。
2. 深度学习方法：近年来，深度学习方法在交通路标检测中取得了突破性的进展。卷积神经网络（CNN）被广泛应用于交通路标检测任务。通过端到端的学习，CNN可以自动从原始图像数据中学习到有用的特征表示，并实现准确的路标检测。一些经典的CNN[3]架构，如LeNet、AlexNet、VGGNet、ResNet等，被应用于交通路标检测，并取得了优异的性能。
3. 数据集：为了推动交通路标检测算法的研究，一些公开的交通路标数据集被创建和共享。例如，German Traffic Sign Recognition Benchmark（GTSRB）数据集、Belgium Traffic Sign Dataset（BTSD）等。这些数据集包含了大量的交通路标图像和对应的标签，用于训练和评估算法的性能。
4. 目标检测算法：除了传统的分类方法，目标检测算法也被应用于交通路标检测。Faster R-CNN、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等目标检测算法在交通路标检测任务中取得了良好的性能。这些算法能够准确地定位和识别图像中的交通路标。
总体而言，近年来，机器学习和深度学习方法在交通路标检测中取得了显著的进展。深度学习方法具有较强的特征学习能力和鲁棒性，能够在不同场景和复杂背景下实现准确的交通路标检测。
1.3本文的主要工作
基于传统的机器学习的方法，本文首先通过色彩与形状特征进行检测交通路标轮廓，然后对训练样本进行HOG特征特征提取，再使用SVM分类器得到分类模型，接着与数据库中的特征进行交通路标检测识别，最后把本模型与基于Yolov5s交通路标检测模型进行对比，分析优劣势。
1.4 环境配置介绍
本次实验使用的Python2.7进行的实验，所包含的库有四个：Numpy, Opencv, skimage, sklearn，集成IDE选用的Pycharm Edition。
2 基于形状特征的交通路标检测
2.1 引言
交通路标检测即对交通路标进行特征提取，经过对交通路标分析可知，在同一个国家内所有的交通路标具有相似的特征：相同颜色的背景，规矩的边框（三角形，矩形，圆形），于是本文主要用形状对交通路标进行检测。
2.2 数据集介绍
本次实验使用的是GTRSB数据集，GTSRB（German Traffic Sign Recognition Benchmark）数据集是一个广泛用于交通标志识别研究的数据集。该数据集由德国图像理解团队于2011年创建，并在计算机视觉领域广泛使用。GTSRB数据集包含了超过50,000张交通标志图像，涵盖了43个不同的交通标志类别。这些图像是在德国公路上采集的，包括了各种交通标志的不同形状、颜色和背景条件。GTSRB数据集提供了训练集和测试集，分别包含了39,209张和12,630张图像。每个图像都有一个对应的标签，表示该图像所属的交通标志类别。本文中取了20类圆形交通路标进行实验，20类交通路标中有8类指示路标和12类禁止路标，且每类路标的训练样本有100-2300个，下图为“限速三十”交通路标的训练样本图案中的一部分。
图1 GTSRB数据集样本图
GTSRB数据集的图像分辨率为30x30像素，这是为了模拟实际应用中交通标志的低分辨率情况。此外，数据集还提供了一些附加信息，如交通标志的边界框位置和图像的时间戳。
2.3 基于凸包法以及霍夫圆变换的[4]交通路标定位
通过对数据集的分析，可以得知，交通路标形状主要分为：圆形，三角形，矩形，本文只针对圆形类交通路标进行检测与识别，因此可以将不符合上述特征的数据集中地数据进行过滤，从而减少识别过程中的工作量。本节首先使用凸包寻找的方法提取对象的边界特征，然后使用霍夫圆变换以此来确定路标的圆形特征。
2.3.1 凸包寻找
在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点{X1 , X2 ... Xn}的组合构造。
(1) Graham's Scan法
Graham's Scan法又叫Graham扫描法，是一种常用于计算凸包的算法，由数学大师葛立恒在1972年发明的，其基本原理如下：
1. 寻找最低点：首先，在给定的点集中找到纵坐标最低的点。如果存在多个点具有相同的最低纵坐标，那么选择横坐标最左侧的点作为最低点。
2. 极角排序：以最低点为基准，计算其他点相对于最低点的极角。可以使用反正切函数或坐标差值来计算极角。然后，将所有点按照极角大小进行排序。如果存在多个点具有相同的极角，那么将距离最远最低点的点排在前面。
3. 构建凸包：从排序后的点集中取出前两个点，将它们作为凸包的初始边界点。然后，依次处理后续的点。对于每个新的点，检查其与已经构成凸包的最后两个点的转向关系。
a.如果出现逆时针转向，那么该点是凸包的一部分，将其加入凸包点集，并考虑下一个点。
b.如果出现顺时针转向，说明该点在凸包的外部，不能作为凸包的一部分。此时，需要将凸包点集中最后一个点移除，继续检查新的最后两个点的转向关系，直到出现逆时针转向为止。
c.重复上述步骤，直到处理完所有的点。最终得到的凸包点集就是凸包的边界点。
4. 输出凸包边界：将凸包点集按照顺时针或逆时针的顺序连接起来，即可得到凸包的边界。
Graham扫描算法主要用到的数据结构为栈，该算法的复杂度为O(n log n)，其中n是给定点的数量。
- Jarvis步进法
Jarvis步进法，也称为包裹法，是一种基于逐点迭代的凸包算法，用于计算给定点集的凸包边界。其基本原理如下：
1. 找到最左下方的点：首先，在给定的点集中找到最左下方的点，作为凸包的起始点。
2. 构建凸包边界：从起始点开始，按照逆时针方向遍历点集，不断寻找下一个位于凸包边界上的点。
a.初始化当前点为起始点，并设置一个初始边界点（如起始点的上一个点）为起始边界。
b.遍历点集中的每个点，找到与当前点形成的向量具有最小的逆时针转角的点作为下一个边界点。可以使用向量的叉积来计算转角。
c.将下一个边界点设置为当前点，并更新当前点为下一个边界点。
d.重复上述步骤，直到回到起始点，形成闭合的凸包边界。
3. 输出凸包边界：将凸包边界上的点按照顺时针或逆时针的顺序连接起来，即可得到凸包的边界。
Jarvis步进法的时间复杂度为O(n h)，其中n是输入点的数量，h是凸包的边界点数量。
- 快速凸包法
快速凸包法（Quickhull）是一种高效的凸包算法，用于计算给定点集的凸包边界。其基本原理如下：
1. 寻找最左和最右点：首先，在给定的点集中找到最左和最右两个点，将它们作为凸包的起始边界点。
2. 递归构建凸包：通过递归地将点集划分为位于凸包边界内部和外部的两个子集，来构建凸包的边界。
a.将最左点和最右点连成一条直线，将点集分为位于直线左侧和右侧的两个子集。
b.对于每个子集，找到离直线距离最远的点，将其与直线连接，并将该点分为子集的一部分。
c.递归地将新形成的直线两侧的子集再次进行划分，重复上述步骤，直到无法找到离直线距离最远的点，即子集中只包含一个点或没有点。
d.递归回溯时，将所有连接的点添加到凸包点集中。
3. 输出凸包边界：将凸包点集按照顺时针或逆时针的顺序连接起来，即可得到凸包的边界。
与其他凸包算法相比，快速凸包算法具有较好的平均时间复杂度，可以在O(n log n)的时间复杂度内计算凸包，其中n是输入点的数量。
2.3.2 算法小结
由以上三个小结对不同的凸包扫描法的介绍可以看出卷包裹算法和快速凸包算法在数据点随机分布的情况下有比较好的效果。当数据点组合成的凸包是圆的时候，快速凸包算法效率并没有Graham算法高，本文主要对圆形路标进行提取，因而采用Graham算法进行凸包检测比较适合。
2.3.3 基于霍夫圆变换的圆检测
当使用完凸包扫描法提取凸包边界点之后，再使用霍夫圆变换进行非圆对象去除，以此来提高实验结果的准确率。原理如下：
1. 参数空间初始化：创建一个三维参数空间，用于记录圆的候选圆心位置和半径。参数空间的三个维度分别表示圆心的横坐标、纵坐标和半径。
2. 圆心和半径投票：对于每个边界点，遍历所有可能的圆心和半径组合，在参数空间中进行投票。对于每个边界点，以其为圆心，遍历一定范围内的半径值，将相应圆上的参数空间计数器进行增加。
3. 选取圆：在参数空间中找到计数器值高于预设阈值的位置，这些位置对应的圆心和半径候选位置可以被视为潜在的圆。
4. 圆形检验：对于每个圆心和半径候选位置，进一步检验其对应的圆是否是有效的圆。可以通过以下方式进行检验：
a.统计在对应圆周上的边界点数量。
b.根据预设的圆形特征条件，如圆的最小最大半径、圆周上边界点的分布等，对边界点数量进行筛选和判定。
5. 输出圆边界：将通过检验的圆心和半径输出为圆的边界。
以下为伪代码：
| For each A[a,b,r] = 0; // fill with zeroes initially, instantiate 3D matrix For each cell(x,y) For each theta t = 0 to 360 // the possible theta 0 to 360 b = y – r * sin(t * PI / 180); //polar coordinate for center (convert to radians) a = x – r * cos(t * PI / 180); //polar coordinate for center (convert to radians) A[a,b,r] +=1; //voting end end |
2.4 小结
本章详细介绍了基于形状特征的交通路标检测，先利用交通路标的凸包特征对所有的对象进行处理，提取每个对象的凸包边界，对凸包检测后的对象进行霍夫圆检测，最后留下满足形状特征为圆型的对象，从而结束整个交通路标检测过程。
3 基于HOG特征与SVM分类器的交通路标识别
3.1 引言
检测到的路标只是其轮廓，需要与数据库中已有的路标图案进行匹配才能最终确认交通路标的含义。本文中的交 通路标识别系统是基于HOG+SVM的分类来完成的。本文描述了一种基于HOG（Histogram of Oriented Gradients）和SVM（Support Vector Machine）的交通路标识别系统，该系统可以对检测到的交通路标进行分类和匹配，以确定其含义。
在系统的训练阶段，首先需要准备一个训练集，其中包含不同种类的交通路标图片，并对每个图片进行人工标注，即贴上相应的标签。然后，对这些路标图片进行HOG特征提取，将图像转化为特征向量的表示形式。接着，使用分类器库中的libsvmtrain函数对这些带有标签的特征向量进行训练，得到一个训练后的模型。
在匹配阶段，首先对待匹配的路标图片进行HOG特征提取，将其转换为特征向量表示。然后，使用训练好的模型和分类器库中的libsvmpredict函数，将特征向量输入模型进行分类预测。通过对比待匹配路标的特征向量与训练集中已知路标的特征向量，系统可以判断出待匹配路标的含义，并将其与数据库中的路标图案进行匹配。
HOG算法是一种用于提取图像边缘和纹理特征的方法，它将图像分成小的局部区域，并计算每个区域内梯度的方向直方图。SVM算法是一种模式识别和分类回归的方法，通过构建一个分类超平面来对数据进行分类。
本文中使用的libsvm是一个由台湾大学林智仁教授开发的SVM软件包，它提供了一组函数和工具，方便进行SVM模型的训练和分类操作。
3.2 HOG特征算子数据化样本图片
HOG（Histogram of Oriented Gradients）特征是一种用于图像特征提取的算子，最初用于行人检测。它的基本思想是利用图像中像素的梯度信息来描述物体的形状和纹理特征。将图像分成若干个小的局部区域，并计算每个区域内的梯度方向直方图。通过统计每个区域内不同梯度方向的频次或强度，可以得到一个用于描述该区域特征的直方图。以下是HOG特征提取的几个主要步骤：
- Gamma校正：对输入图像进行Gamma校正，以降低光照变化对特征提取的影响。
Gamma压缩公式为：
- 梯度值计算：计算图像中每个像素点的梯度幅值和方向。通常使用Sobel算子或其他梯度计算方法来获得水平和垂直方向上的梯度值。
X方向梯度为：
Y方向梯度为：
点(x,y)的梯度幅值以及梯度方向分别为：
3. 生成方向直方图：将图像划分为若干个小的区域（cell），通常是正方形或矩形的格子。对于每个cell，统计该区域内像素的梯度方向直方图。直方图的每个bin表示一定范围内的梯度方向的数量或强度。
4. 归一化/特征块收集：将相邻的几个cell组合成一个更大的区域（block），通过归一化来降低光照变化的影响。可以使用L2范数归一化或其他归一化方法。将所有特征块的特征向量组合在一起，形成最终的HOG特征描述子。
通过这些步骤，HOG特征可以捕捉图像的边缘和纹理信息，提供了一种有效的特征表示方法，用于图像分类、目标检测和识别等任务。它在计算机视觉领域得到广泛应用，并且在物体识别方面取得了很好的效果。
3.3 SVM支持向量机对样本进行分类
SVM（支持向量机）是一种监督学习算法，用于分类和回归分析。它可以将给定的训练样本集划分为两个类别，并建立一个分类模型。这个模型基于训练样本在一个特征空间中的映射，并通过一个最优化问题来确定一个决策边界，使得两个类别之间的间隔最大化。
具体而言，SVM的训练过程如下：首先，给定一组带有标签的训练样本，即将样本分为两类。然后，通过一个映射函数将训练样本映射到一个高维特征空间，使得在该空间中样本的类别可以被线性分隔。接下来，通过最优化算法找到一个决策边界，即一个超平面，使得该超平面能够将两个类别的样本点分开，并且使得离该边界最近的一些样本点称为支持向量。最后，根据训练得到的模型，可以将新样本映射到特征空间，并使用决策边界来确定其所属的类别。
3.4 LIBSVM介绍
LIBSVM（Library for Support Vector Machines）是一个广泛使用的支持向量机（SVM）工具包，由台湾大学林智仁教授及其团队开发。它提供了一组功能强大的工具和库，用于支持向量机的训练、测试和应用。
以下是LIBSVM主要特点：
1. 灵活的支持向量机实现：LIBSVM支持二分类、多分类和回归分析任务。它提供了不同类型的SVM模型，包括C-SVC、ν-SVC、ε-SVR和ν-SVR，以满足不同问题的需求。
2. 多种核函数支持：LIBSVM支持多种核函数，包括线性核函数、多项式核函数和径向基函数（RBF）核函数等。这些核函数可以用于捕捉非线性关系，提高模型的拟合能力。
3. 参数调优工具：LIBSVM提供了用于自动选择SVM模型参数（如C和γ）的工具。通过交叉验证和网格搜索等技术，可以选择最优的参数配置，提高模型的性能。
4. 高效的训练和测试：LIBSVM使用了一些高效的算法和数据结构，以加速SVM模型的训练和测试过程。它能够处理大规模的数据集，并具有较低的存储和计算复杂性。
3.5 LIBSVM使用方法
在交通路标识别系统中，使用了LIBSVM软件包来训练和预测模型。训练数据集由具有标签的交通路标样本组成，其中每个样本通过HOG特征提取得到一个特征向量。训练过程中，使用libsvmtrain函数对训练样本的标签矩阵和特征矩阵进行训练，并得到训练好的模型。
训练过程中，需要提供三个参数：training_label_vector（训练样本的标签）、training_instance_matrix（训练样本的特征矩阵）和Libsvm_options（训练参数）。training_label_vector是一个m*1的矩阵，其中m表示样本数，每个元素表示对应样本的标签。training_instance_matrix是一个m*n的矩阵，其中n表示特征向量的维度，每一行代表一个样本的特征向量。Libsvm_options包含了一些参数设置，如SVM类型、核函数类型、损失函数等，可以根据需要进行配置。
训练完成后，得到一个训练好的模型，它是一个结构体，包含了各种成员变量。其中包括参数设置、支持向量的总数、决策函数中的常数项、类别标签等信息。
预测过程中使用libsvmpredict函数，它可以根据训练好的模型对待匹配的样本进行分类预测。预测结果包括predicted_label（预测的类标号）、accuracy（准确率）和decision_values/prob_estimates（决策值/概率估计）。在本文中，主要使用predicted_label来表示预测的类别。
3.6 实验与结果
在使用libsvm软件包进行分类模型计算时，可以通过libsvmtrain函数进行训练样本的特征向量和标签的输入。具体形式为libsvmtrain(label_matrix, Train_matrix, 'option')。其中，`label_matrix`是训练样本的标签矩阵，Train_matrix是训练样本的HOG特征向量矩阵。本文中使用的option参数为-c 1 -wi weight，其中i表示样本类别（标签），weight表示各类别对应的权重。选择这个参数的目的是为了平衡不同类别样本在训练模型中的作用。
在训练分类模型时，默认使用libsvm软件包中的RBF（径向基函数）作为核函数。训练完成后，可以使用该模型对新加入的样本进行分类。对于GTSRB数据库中的测试交通路标图片，可以使用libsvm提供的libsvmpredict(test_label, test_matrix, model)函数进行预测。其中，test_label是待测试样本的类标签，即与其所在类别相对应的正确标签，test_matrix是待测试样本的特征向量矩阵，`model`是训练得到的分类模型。
根据实验结果，在测试集中，指示路标的预测准确率为98.701%，禁止路标的预测准确率为80.5326%，平均预测准确率达到88.9725%。
3.7 小结
本章介绍了HOG特征提取和SVM支持向量机的相关知识，并将其应用于交通路标识别算法中。在数据化过程中，所有用于训练和测试的图像首先被调整为40x40的尺寸。每个40x40图像被划分为4x4个像素点构成的cell，每个cell再组成2x2个cell的block。block窗口的步长为4，梯度区间为9。因此，通过这样的处理，最终得到的HOG特征向量维度为2916。在归一化方面，采用了L2范数归一化操作。
在应用SVM支持向量机时，本文使用了LIBSVM软件，该软件是由台湾大学林智仁教授开发的基于SVM的模式识别和回归预测的工具。LIBSVM提供了一种便捷的方式来训练和使用SVM分类器，具有良好的性能和灵活性。
综上所述，本文介绍了HOG特征提取和SVM支持向量机的基本原理，并将其应用于交通路标识别算法中。通过使用LIBSVM软件包进行模型训练和预测，能够有效地实现交通路标的分类和识别。
4 交通路标检测与识别的实验结果与分析
4.1 实验结果
图2 交通路标识别结果图
上图中从左到右分别为阈值化后的图、候选框提取结果和最终检测检测结果（类别名+置信度），最终各个类别标志的准确率和召回率（IOU的阈值设为0.5）如下：
表1 准确率与召回率
| 标志 | 直行 | 左转 | 右转 | 禁止鸣笛 | 人行横道 | 禁止通行 |
| 准确率 | 41.6% | 45.8% | 43.5% | 45.3% | 75.6% | 45.7% |
| 召回率 | 37.1% | 39.8% | 43.5% | 48.3% | 50.8% | 57.1% |
通过观察准确率和召回率的变化曲线，我们发现随着置信度阈值的增大，平均准确率不断提高，而召回率变化相对平缓，只在阈值大于0.7时略微下降。然而，我们进一步观察检测结果的图片后发现，候选区域的提取是检测模型性能的瓶颈，主要存在以下两个问题：
1. 漏检：许多含有标志的候选区域未被正确检测出来，这直接导致召回率较低。这种情况在Bad Cases分析中有详细描述。
2. 噪声干扰：某些包含标志的候选区域虽然被检测出来，但其中包含大量噪声。例如，当候选区域的背景颜色与标志颜色相似时，标志可能只占据候选区域的一小部分；或者当多个标志相邻时，它们可能被框在一起，从而影响分类结果并降低准确率。
当我们提高置信度阈值时，可以排除大量误检测，而漏检情况几乎不受影响（因为候选区域的提取不受置信度阈值的影响），从而显著提高准确率。
综上所述，基于观察结果，我们认识到候选区域的提取是检测模型性能的关键因素。要改善检测结果，需要解决漏检和噪声干扰问题，以提高召回率和准确率。
5 总结与展望
5.1 总结
本文采用了一种新的方法来识别交通路标，避免了传统的模板匹配算法。传统算法容易受到光照、拍摄角度和距离等因素的影响。相反，本文使用了HOG特征提取与SVM支持向量机相结合的分类算法来进行交通路标的分类识别。
为了实现这个目标，本文使用了两个数据库，分别是GTSDB和GTSRB。GTSDB数据库中包含了德国交通道路图片，其中存储了交通路标的数据。而GTSRB数据库则专门存储了交通路标的图片。
在交通路标的检测过程中，本文采用了路标的颜色和形状特征进行提取。而在分类识别过程中，使用了基于HOG特征向量的SVM分类算法。
实验结果显示，该方法在交通路标识别方面具有很高的准确度。具体而言，在指示路标的分类（识别）方面，准确率达到了98.701%。禁止类路标的分类准确率为80.5326%，而平均分类准确率达到了88.9725%。
综上所述，本文提出的方法在交通路标识别方面表现出了很好的性能。
5.2 展望
虽然本文的方法在交通路标识别方面取得了良好的效果，但仍有一些改进和拓展的方向可以进一步研究。以下是一些展望的方向：
1. 数据集扩充：可以考虑扩大数据集规模，包括更多不同地区、不同光照条件下的交通路标图像，以提高算法的泛化能力。
2. 深度学习方法：可以尝试应用深度学习技术，如卷积神经网络（CNN），来提取更丰富的特征表示并进行分类识别。深度学习在图像识别任务中具有良好的性能。
3. 多模态融合：除了图像特征，可以考虑结合其他传感器数据，如激光雷达或摄像头的深度信息，以提高交通路标的检测和分类准确性。
4. 实时性能优化：可以进一步优化算法，以实现实时交通路标识别。考虑到交通场景中的时间敏感性，实时性能是一个重要的指标。
5. 环境适应性：在不同国家或地区，交通路标的形状、颜色和设计可能有所不同。因此，可以研究如何使算法具有更好的环境适应性，适应各种交通路标的多样性。
通过对这些方向的研究和改进，可以进一步提升交通路标识别的准确度、鲁棒性和实用性，从而为交通安全和智能交通系统的发展做出更大的贡献。
6 参考文献
[1]朱大奇,颜明重. 移动机器人路径规划技术综述[J]. 控制与决策, 2010, 25(07): 961-967.
[2]余泽东. 基于特征融合的道路交通标志识别[D]. 武汉理工大学, 2019
扫一扫
11
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
