精华内容
下载资源
问答
  • 交通标牌检测与识别

    千次阅读 多人点赞 2017-03-09 19:39:27
    关于交通标牌检测的博客和论文非常多,例如,本人最近在博客上就看到有一篇简单的交通标志检测与识别介绍文章《自动驾驶之眼——摄像头是如何认识交通标志的?》,该文很简洁明了地阐述了交通标志检测识别的主要流程...

    关于交通标牌检测的博客和论文非常多,例如,本人最近在博客上就看到有一篇简单的交通标志检测与识别介绍文章《自动驾驶之眼——摄像头是如何认识交通标志的?》,该文很简洁明了地阐述了交通标志检测识别的主要流程。本文将结合上学期的课程设计,来整理一下交通标识牌检测与识别的思路与实现方法。

     

    一、要求

    首先要明确一下本文到底是要干什么。本文要完成基于视觉的交通标识牌检测与识别,说白了,就两个事:1)在一张图中找到交通标识牌在哪里(检测);2)认清楚这个标识牌是啥,表达的什么意思(识别)。那么最后得到的结果预览如下:

     二、使用数据

    交通标识牌种类数不胜数,我国的交通标志一共有一百余种,按类别可分为黄底黑边的警告标志、白底红圈的禁令标志、蓝底白字的指示标志,形状上以三角形、圆形和矩形为主。本文主要是为了介绍一下交通标识牌的识别流程和一些主要方法的实现,为了简化工作,本文挑选了以下五类交通标识牌。
    可以看出来,博主用心良苦,选择的交通标识牌具有很清楚的特征:1)颜色上,这五类交通标识牌的外边框都是红色的;2)形状上,标识牌都是标准的圆形。这事实上也表明了,交通标识牌具有着鲜明的特征,故无论是人眼还是机器,都较易识别。(其他种类的交通标志牌也是一样,利用形状和颜色特征来处理)

    三、使用方法
     在我看来,目前处理交通标牌识别的主要有两种方法,1)传统的图像处理+机器学习办法;2)最近很火的深度学习。那么本文采用的是前者,后者后续再进行介绍。

    1>检测:颜色和形状。

    交通标志牌为了起到其警示作用,在颜色和形状上都有着易区分性,如本文所讨论的五类标志牌,颜色特征为外框均为鲜艳的红色;形状特征为均为圆形。于是,检测的思路如下,最终得到了圆形部分的交通标牌:
    接下来,主要分为颜色分割和形状检测两部分进行讨论:

    基于颜色分割的图像二值化处理:

    最直观、简单的是利用RGB颜色空间来描述图像的色彩情况,但是,RGB色彩空间极易受到光线情况的影响,鲁棒性并不是很好,所以在相关论文中,你会发现,很少有人直接使用RGB色彩空间进行色彩分割。而实际上,本人拿有限的样本和测试集进行测试,RGB色彩分割效果在图像成像质量较理想的时候效果极佳,但是的确容易受到干扰。本文此处选择了HSI色彩空间模型进行色彩分割。先来点理论知识:

        色调H(Hue):与光波的波长有关,它表示人的感官对不同颜色的感受,如红色、绿色、蓝色等,它也可表示一定范围的颜色,如暖色、冷色等。

        饱和度S(Saturation):表示颜色的纯度,纯光谱色是完全饱和的,加入白光会稀释饱和度。饱和度越大,颜色看起来就会越鲜艳,反之亦然。

        亮度I(Intensity):对应成像亮度和图像灰度,是颜色的明亮程度。 

    从理论上看,HSI色彩空间将饱和度和亮度信息独立了出来,这样一定程度上就降低了光线带来的影响。听上去很有道理,但是,实际上,这也仅仅是一定程度上降低了亮度和色彩的耦合关系,并不是完全地进行了解耦,所以,效果会有提升,但是很难带来质的改变(这是笔者自己的体验,也许是笔者能力不足,实现得不是很理想

    那么从RGB色彩空间转换到HSI空间的转换公式如下:
     

    函数RGB2HSI是将RGB色彩空间转换到HSI色彩空间,其转换的过程参照式(2.2),最后将饱和度S和强度I均放大100倍,便于操作。 最后得到的H、 S、 I的取值范围分别为[0,360]、 [0,100]、 [0,100]。

     

    void RGB2HSV(double red, double green, double blue, double& hue, double& saturation,
    double& intensity )
    {
    double r,g,b;
    double h,s,i;
    double sum;
    double minRGB,maxRGB;
    double theta;
    r = red/255.0;
    g = green/255.0;
    b = blue/255.0;
    minRGB = ((r<g)?(r):(g));
    minRGB = (minRGB<b)?(minRGB):(b);
    maxRGB = ((r>g)?(r):(g));
    maxRGB = (maxRGB>b)?(maxRGB):(b);
    sum = r+g+b;
    i = sum/3.0;
    if( i<0.001 || maxRGB-minRGB<0.001 )
    {
    h=0.0;
    s=0.0;
    }
    else
    {
    s = 1.0-3.0*minRGB/sum;
    theta = sqrt((r-g)*(r-g)+(r-b)*(g-b));
    theta = acos((r-g+r-b)*0.5/theta);
    if(b<=g)
    h = theta;
    else
    h = 2*PI - theta;
    if(s<=0.01)
    h=0;
    }
    hue = (int)(h*180/PI);
    saturation = (int)(s*100);
    intensity = (int)(i*100);
    }
    在得到HSI空间的基础上,分割出红色像素,事实上这个阈值最好时自己调出来,无论是基于哪个色彩空间,网上的代码或者论文中的数值都是个参考,自己调出来的才靠谱嘛,代码如下:
    //得到图像参数
    int width = src.cols; //图像宽度
    int height = src.rows; //图像高度
    //色彩分割
    double B=0.0,G=0.0,R=0.0,H=0.0,S=0.0,I=0.0;
    Mat Mat_rgb = Mat::zeros( src.size(), CV_8UC1 );
    int x,y,px,py; //循环
    for (y=0; y<height; y++)
    {
    for ( x=0; x<width; x++)
    {
    // 获取 BGR 值
    B = src.at<Vec3b>(y,x)[0];
    G = src.at<Vec3b>(y,x)[1];
    R = src.at<Vec3b>(y,x)[2];
    RGB2HSV(R,G,B,H,S,I);
    //红色:337-360
    if((H>=337 && H<=360||H>=0&&H<=10)&&
    S>=12&&S<=100&&V>20&&V<99)
    {
    Mat_rgb.at<uchar>(y,x) = 255; //分割出红色
    }
    }
    }
    分割效果可见如下组图,由近至远: 
    ⚠️⚠️⚠️注意:有一个很严肃的问题我这里没有提,那就是图像预处理!做图像处理的很重要的一个步骤就是图像预处理,预处理做好了,后面的问题复杂度也就降低了许多。实际上,用颜色分割来二值化图像也可以看作一种预处理。那么颜色分割之前有不有必要做图像预处理呢?是有的。举个例子,我那我的MATE8在学校里拍了一张照,然后使用手机相机自带的功能,调整其色彩饱和度,亮度等,得到以下两种图片:
           
                                      相机拍的原图                                                  手机调整饱和度、亮度后
    这两种图片,显然右边的将更有利于颜色分割!(不信可以试试哦)。本文主要以介绍交通标牌的主要流程为主,预处理的方法包括直方图均衡化、白平衡、亮度调节等等这些就不仔细纠结了,但是,不代表这部分不重要,图像预处理往往一定程度上决定了最后的效果。
     
    基于形状(圆形)检测的ROI提取
     在进行颜色分割之后,得到的只是一个粗略的交通标志牌ROI区域, 还会留下一些噪声以及一些和目标区域面积相当或者比目标面积略大的区域,这时候就还需要进行一些图像预处理,为准确检测交通标志牌打下坚实基础。由于交通标志最明显的特征是其颜色和形状,在用颜色分割之后,我们可以通过形状特征来去除其余的干扰。对于本文的研究对象而言,交通标志牌的形状为圆形,可以采用经典的Hough变换进行圆检测,该方法准确性高,但是计算量大,耗时且占用较大内存;也可以采用圆度的方法来提取圆形,该方法原理简单,计算量小,准确率高。综合考虑,本文使用基于圆度的圆检测算法。大概流程如下,后文还会详细介绍:
    图有点不太清楚,下文中对于关键的部分会再次给出效果图。
    中值滤波,这个没啥好说的,图上效果不是很明显,但是实际上可以一定程度上滤掉单个噪点,对得到准确的结果会有一定的帮助;
     
    形态学处理,最后我们的目的是要得到一个封闭的区域,所以,颜色分割后的结果很可能不会是比较理想封闭的圆形,那么选用的3×3腐蚀模板,7×7膨胀模板,这样检测到的圆形将基本不会产生缺口,保证是一个封闭的形状。

     
    图像填充,有了上述步骤得到的封闭圆形,我们接下来就可以填充封闭图形了(这里你可能会问,为啥要这样做。实际上直接进行Hough圆检测可以得到ROI结果,但是本文是换了一个思路,使用圆度来判断圆形,所以算法需要一个实心区域),代码如下:
    void fillHole(const Mat srcBw, Mat &dstBw)
    {
    Size m_Size = srcBw.size();
    Mat Temp=Mat::zeros(m_Size.height+2,m_Size.width+2,srcBw.type());//延展图像
    srcBw.copyTo(Temp(Range(1, m_Size.height + 1), Range(1, m_Size.width + 1)));
    cv::floodFill(Temp, Point(0, 0), Scalar(255));//填充区域
    Mat cutImg;//裁剪延展的图像
    Temp(Range(1, m_Size.height + 1), Range(1, m_Size.width + 1)).copyTo(cutImg);
    dstBw = srcBw | (~cutImg);
    }

     轮廓检测,初步筛选ROI,要想使用基于圆度的圆检测算法,则需要从图像中提取初步的ROI来进行筛选。这里使用轮廓检测法来检测图片中的ROI区域。可以看到,一些细小的噪声也被检测进来。
    所以,本文先通过对检测区域的宽高比、面积大小进行限制,筛选出有效的检测区域,经过实验,可以确定宽高比限制在0.5-2之间,面积最小值设定为400,可以进一步得到下图的检测效果,可以看到,此时小面积的噪声已经被排除。
    代码如下:
    //找轮廓
    vector<vector<Point> > contours;
    vector<Vec4i> hierarchy;
    findContours( Mat_rgb, contours, hierarchy, CV_RETR_EXTERNAL,
    CV_CHAIN_APPROX_SIMPLE, Point(0, 0) );
    /// 多边形逼近轮廓 + 获取矩形和圆形边界框
    vector<vector<Point> > contours_poly( contours.size() );
    vector<Rect> boundRect( contours.size() );
    vector<Point2f>center( contours.size() );
    vector<float>radius( contours.size() );
    //得到轮廓矩形框
    for( int i = 0; i < contours.size(); i++ )
    {
    approxPolyDP( Mat(contours[i]), contours_poly[i], 3, true );
    boundRect[i] = boundingRect( Mat(contours_poly[i]) );
    minEnclosingCircle( contours_poly[i], center[i], radius[i] );
    }
    /// 画多边形轮廓 + 包围的矩形框
    Mat drawing = Mat::zeros( Mat_rgb.size(), CV_8UC3 );
    for( int i = 0; i< contours.size(); i++ )
    {
    Rect rect = boundRect[i];
    //首先进行一定的限制,筛选出区域
    //高宽比限制
    float ratio = (float)rect.width / (float)rect.height;
    //轮廓面积
    float Area = (float)rect.width * (float)rect.height;
    float dConArea = (float)contourArea(contours[i]);
    float dConLen = (float)arcLength(contours[i],1);
    if(dConArea <400)//ROI 区域面积限制
    continue;
    if(ratio>2||ratio<0.5)//ROI 区域宽高比限制
    continue;
    //检测到了!
    Scalar color = Scalar( rng.uniform(0, 255), rng.uniform(0,255), rng.uniform(0,255) );
    //绘制轮廓和检测到的轮廓外接矩形
    drawContours( drawing, contours_poly, i, color, 1, 8, vector<Vec4i>(), 0, Point() );
    rectangle( drawing, boundRect[i].tl(), boundRect[i].br(), color, 2, 8, 0 );
    rectangle( src, boundRect[i].tl(), boundRect[i].br(), color, 2, 8, 0 );
    }
     
    圆度算法检测,实际上这是利用了非常简单的数学约束,来对检测到的区域进行圆形验证。圆度定义如下:
    其中,S为圆的面积,L为圆的周长,C为圆度。圆度值越接近1,则表示该图形与圆形的契合程度越高。经过大量的实验,可以得出圆度大于0.5时,即 4 . 0  C 时,可以筛选出巨大部分的圆形。
     
    ROI区域无效像素面积约束,这是进一步确定筛选后的ROI区域是目标圆形区域。该约束条件是基于ROI区域中圆形的缺失面积而得到的。前文中得到的ROI区域是包含圆形交通标志牌的矩形区域,如下图所示,可以将整个ROI区域分成1、2、3、4四块,其中红色部分为交通标志牌,灰色部分为ROI区域中的无效像素。可以直观地看到,1、2、3、4四块的无效像素满足一定的数学关系,
    有如下约束:
    圆度代码即为一个约束条件,对面个轮廓检测得到的ROI进行验证,无效像素面积约束则代码如下:
    bool isCircle(const Mat srcBw,Mat& mytemp)//(待改进)
    {//输入的是一个灰度图像
    Mat temp = Mat::zeros( srcBw.size(), CV_8UC1 );;
    bool iscircle = false;
    //获得 srcBw 信息
    int w = srcBw.cols;
    int h = srcBw.rows;
    int count1=0;//各部分的缺失像素计数器
    int count2=0;
    int count3=0;
    int count4=0;
    //将 srcBw 平均分成四份,进行访问缺失的像素个数、所占比重
    //先访问左上
    for(int i = 0;i < h/2;i ++)
    {
    for(int j = 0;j < w/2;j ++)
    {
    if(srcBw.at<uchar>(i,j) == 0)
    {
    temp.at<uchar>(i,j) = 255;
    mytemp.at<uchar>(i,j) = 255;
    count1 ++;
    }
    }
    }
    //右上
    for(int i = 0;i < h/2;i ++)
    {
    for(int j = w/2-1;j < w;j ++)
    {
    if(srcBw.at<uchar>(i,j) == 0)
    {
    temp.at<uchar>(i,j) = 255;
    mytemp.at<uchar>(i,j) = 255;
    count2 ++;
    }
    }
    }
    //左下
    for(int i = h/2-1;i < h;i ++)
    {
    for(int j = 0;j < w/2;j ++)
    {
    if(srcBw.at<uchar>(i,j) == 0)
    {
    temp.at<uchar>(i,j) = 255;
    mytemp.at<uchar>(i,j) = 255;
    count3 ++;
    }
    }
    }
    //右下
    for(int i = h/2-1;i < h;i ++)
    {
    for(int j = w/2-1;j < w;j ++)
    {
    if(srcBw.at<uchar>(i,j) == 0)
    {
    temp.at<uchar>(i,j) = 255;
    mytemp.at<uchar>(i,j) = 255;
    count4 ++;
    }
    }
    }
    float c1 = (float)count1/(float)(w*h);//左上
    float c2 = (float)count2/(float)(w*h);//右上
    float c3 = (float)count3/(float)(w*h);//左下
    float c4 = (float)count4/(float)(w*h);//右下
    cout << "result: " << c1 << "," << c2
    << "," << c3 << "," << c4 << endl;
    //限定每个比率的差值范围
    if((c1>0.037&&c1<0.12)&&(c2>0.037&&c2<0.12)&&(c2>0.037&&c2<0.12)&&(c2>0.037
    &&c2<0.12))
    {
    //限制差值,差值比较容错,相邻块之间差值相近,如左上=右上&&左下=右下或左上=左下&&右上=右下
    if((abs(c1-c2)<0.04&&abs(c3-c4)<0.04)||(abs(c1-c3)<0.04&&abs(c2-c4)<0.04))
    {
    iscircle = true;
    }
    }
    return iscircle;
    }
    利用轮廓检测、圆度约束和无效面积约束,可以测试得到如下效果图,

     最后,目标区域提取的效果如下:

     2>识别:SVM分类。
    有了上文提取ROI的基础,分类过程实际上和我之前写过的箭头分类如出一辙。
    图像预处理,首先将无效像素全部去除,只留下圆形ROI有效区域,
    然后进行二值化处理,二值化后的图像特征更为清晰
    可以选择所有像素作为特征,当然更科学的是Hu不变矩、Zernike不变矩、二者混合矩等特征。关于Hu、Zernike特征的代码网上比比皆是,这里仅推荐一个作为参考。本文为了简单实现框架,拿全部像素特征进行训练。准备好样本和测试集,并给这五类交通标牌设置标签“stop”,“20t”,“car forbidden”,“5”,“stop2”
    SVM代码框架如下。
    SVM训练
    //*********************SVM 训练部分***********************
    //准备开始训练
    CvSVM classifier;
    CvSVMParams SVM_params;
    SVM_params.kernel_type = CvSVM::LINEAR; //使用 RBF 分类非线性问题
    SVM_params.svm_type = CvSVM::C_SVC;
    SVM_params.degree = 0;
    SVM_params.gamma = 0.01;
    SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
    SVM_params.C = 100;
    SVM_params.coef0 = 0;
    SVM_params.nu = 0;
    SVM_params.p = 0.005;
    classifier.train(train,labels ,Mat(),Mat(),SVM_params); //SVM 训练,线性核上述参数 C 起作用
    SVM保存
    classifier.save("model180.txt");
    SVM读取
    //这里载入分类器,方便直接训练
    CvSVM classifier;
    classifier.load("model180.txt");
    SVM预测
    for (int i = 0;i < testdata.size() ; ++i)
    {
    int result = (int)classifier.predict(testdata[i]);
    std::cout<<"测试样本"<<i+1<<"的测试结果为:"
    <<result<< " " << labelname[result-1] << "\n";
    }
     最后得到了文中开始展示的效果。
     本文完整代码和数据,已托管在Github上https://github.com/lps683/TrafficsSignDetection。这些东西也许在高手看来不值一提,但是,若能给一部分人带来一些哪怕一点点收获,那么花这么多功夫写这篇文章也不算白费。 
    展开全文
  • 海南交通设施标识标牌-三马公路-点击查看发生后,交通部门会留当事人的所有信息,到交通部门查询即可。《道路处理程序规定》第二十六条交通应当检查当事人的身机动车机动车保险标志等;对可以依法传唤。第二十七条...

    海南交通设施标识标牌-三马公路-点击查看

    发生后,交通部门会留当事人的所有信息,到交通部门查询即可。《道路处理程序规定》第二十六条交通应当检查当事人的身机动车机动车保险标志等;对可以依法传唤。第二十七条交通警,珍惜生2113命安全出行在我们的生活中,时时刻5261刻离不开交通。4102随着科技的飞速发展,大大小小165形形的汽车出现在了街道上。与此同时,交通安全也成为了一个被众人所关注的热点话题。发生在我们身边的并不少,也许就在那一刹那,它就可以夺去一个人,甚至上万人的生命。每年就有成千上万的家庭因为失去了至爱的亲人而感到悲痛,从此便生活在一片阴影里。一个深夜,在一条宽广的马路上,一辆汽车以中等的速度行驶着,车里的司机刚刚喝了酒,脸上泛出了红晕。

    经道路主管部门和机关交通管理部门验收合格。符合通行要求后,方可恢复通行。对未中断交通的施工作业道路,机关交通管理部门应当加强交通安全监督检查,维护道路交通秩序。第三十三条新建、改建、扩建的公共建筑、商业街区、居住区、大(中)型建筑等,应当配建、增建停车场;停车泊位不足的,应当及时改建或者扩建;投入使用的停车场不得擅自停止使用或者改作他用。在城市道路范围内。在不影响行人、车辆通行的情况下,有关部门可以施划停车泊位。第三十四条学校、幼儿园、医院、养老院门前的道路没有行人过街设施的,应当施划人行横道线,设置提示标志。城市主要道路的人行道,应当按照规划设置盲道。盲道的设置应当符合国家标准。第四章道路通行规定第一节一般规定第三十五条机动车、非机动车实行右侧通行。

    f0867f20cc8a9a7d4066c875b5861532.png

    bfe27b3392e02401feb81d38d5801b56.png

    第二十二条机动车驾驶人应当遵守道路交通安全法律、法规的规定,按照操作规范安全驾驶、文明驾驶。饮酒、服用国家管制的精神或者,或者患有妨碍安全驾驶机动车的,或者过度疲劳影响安全驾驶的,不得驾驶机动车。任何人不得、指使、纵容驾驶人违反道路交通安全法律、法规和机动车安全驾驶要求驾驶机动车。第二十三条机关交通管理部门依照法律、法规的规定。定期对机动车驾驶证实施审验。第二十四条机关交通管理部门对机动车驾驶人违反道路交通安全法律、法规的行为,除依法给予外,实行累积记分制度。机关交通管理部门对累积记分达到规定分值的机动车驾驶人,扣留机动车驾驶证,对其进行道路交通安全法律、法规教育,重新考试;考试合格的,发还其机动车驾驶证。

    e7755781cc785e31ebcda5b5975ac7d9.png

    反馈西津路T210#路交通设施优化调整。每日甘肃网6月10日讯据兰州晚报报道针对群众反映西津路T210#路通车后,交通设施不健全、车辆逆行,造成新堵点的问题,6月9日,七里河大队主动协调相关部门,在西津西路肉联厂段加装200米中心隔离护栏,公交公司也将三十四中站向西迁移80米,并由施工单位在T210#路路口划了停车标线,同时对信号灯进行了优化。有效解决了该路口秩序混乱,交通拥堵问题。兰州日报社全媒体记者苏晓,【:每日甘肃网】,归原所有,向原创致敬,反馈道路交通标志牌是兰州标志牌生产厂家的常规产品之道路交通标志牌是道路交通基础设施,其也是诸多标志牌中规范化和标准化程度高的一种标志牌。主要是用来管理交通、提示和指示车辆及行人按照要求行驶。

    首先,我们需要做的是加强日常工作,每天对道路上的交通设施进行巡逻。一旦发现交通路标损坏,应及时进行维修,必要时应更换。特别是在一些连续弯道、交通路标、工厂、隧道等交通易发路段。

    二是要加强重点路段交通标志的维护管理。应特别注意容易积水的桥梁、隧道和高边坡。加强交通标志维护,防止雨雪侵袭。确保驾驶员可以看到警告标志。

    三是要求做好应急处置方法。为确保交通标志在发生突发灾害或恶劣天气时能正常使用,交通道路标志可正常用于行人识别。 经过检查发现,只有当车上的前大灯经过时,才能基本看清路面。除了路面上的反光装置外,很多护栏柱上都没有反光环,这给一些人夜间行车带来困难。为了避免在高速公路上出现这种情况,目前的路标标杆都是采用高科技技术研发生产的,能在短时间内防止老化现象。这样可以降低成本,减少多次更换,提高道路交通安全性,有效地体现了路标在高速公路中的作用。公路标志杆的支撑方式有柱式、附着式、龙门式和悬臂式。

    冬季下雪时,路牌多少钱,路面结冰,汽车在路上打滑,合肥的路牌容易发生交通。这也是一个令人担忧的情况。而豪麟交通作为多年的交通设施制造商,不仅提供道路标志和标线,还提供道路清扫机械、轻型车辆铲雪机、前悬挂吹雪机、融雪剂撒布机和多功能扫雪机。此外,在炎热干燥的夏季,还有多功能洒水清扫车和路面综合养护车。

    需要注意的是:道路交通标线主要设置在路面上,受日晒雨淋、风雪冰冻、车辆撞击磨损等因素影响,对其性能有严格要求。首先要求干燥时间短,操作简单,减少交通干扰;其次,要求反光能力强,色彩鲜艳,反光性强,白天和夜间都有良好的能见度;应具有防滑、耐磨性,保证行车安全和使用寿命。在选择建筑服务时,必须考虑其产品的特性。一些施工队的产品没有按照严格的要求进行,这会影响夜间道路标线的清晰度,进而存在一定的安全隐患。

    展开全文
  • 数字标牌的功能远超户外看板或海报。数字标牌可以融合所有资源和内容,连接到各种不同的显示屏上,提供高度互动的沟通体验。它可以告知并影响目标受众,从而推广...类似的研究表明,零售、企业和交通将成为数字标牌
  • 数字标牌方案

    2013-05-13 17:39:07
    车站需要向旅客通知交通情况;学校需要向学生发布通知等等。户外广告、公告牌、告示栏,甚至黑板报等,都是常见的公共信息传递手段。但是,随着信息传递数量的不断增大,形式日益多样,这些传统的信息公告手段已经...
  • 包括拥有超低功耗的高清播放终端、智能交互电子白板、新一代乘客信息导乘系统、多媒体互动墙以及电信运营商互动触摸系统终端,涉 及商超、教育、交通、电子商务、营业厅等应用领域。同时展出的还有多项基于英特尔...
  • 数字标牌应用的机会可以简单概括为三类:· PoS(Point-of-sale):零售、电影售票厅、餐厅等销售点· PoW(Point-of-wait):医院/诊所、企业办公室、政府设施等服务点· PoT(Point-of-Transit):公共交通工具和...
  • 现阶段可以说大城市的连续不断发展,户内外的导向指示牌和标识标牌的应用是十分的普遍了,比如说尤其是经济发展达标的大城市中交通路线多,为了能够给予正确无误的路线规划提示都在在道路旁建设和安装导向指示牌,...
    92e786a7f03ff66efacc21871efd3cd1.png

    现阶段可以说大城市的连续不断发展,户内外的导向指示牌和标识标牌的应用是十分的普遍了,比如说尤其是经济发展达标的大城市中交通路线多,为了能够给予正确无误的路线规划提示都在在道路旁建设和安装导向指示牌,同时还有在社区里面比较大、路线规划也比较多,那么一般情况下会在路口建设安装导向指示牌给予行人指明方向,再一个连我们上洗手间都在建设标识标牌给予指明方向,小编相信大家对这个都很了解的,这个也是代表城市文明发展的主要表现,那么导向指示牌和标识标牌有什么区别,一般是用什么建设的呢?

    给大家分享下:

    aadfe04236d9c5821c7e1aa24c089965.png

    第一:标识标牌:

    (1)标志标识的主要展现形式是各种各样的:有以文字、图形、声音、图象、光电技术等方式,借助木料、金属材料、塑料、橡胶、纺织品、纸品、液晶显示器等载体实现表达目的。

    (2)标志标识一般以门头牌匾、球体、柱体等形体主要表现,表现特征也有固态、气态、液态和光电技术投射等多种多样,当代标志标识早已发展到由多种多样主要表现方式借助多种多样载体搭配来实现表达目的,而这在其中犹以门头牌匾的方式较为普遍。

    8cafd643cb3a88d71c131c16a099903c.png

    第二:导向指示牌:

    (1)导向指示牌以材料分:有木制牌(分实木、仿木)、金属材料牌(铜、铁、铝、锡、钛金板、不锈钢板及合金钢)、有机质牌、混合牌、发光牌(如霓虹灯、led光源牌、吸塑牌、导光牌)、纺织品和纸品牌及其各种类型新型环保材料等。

    (2)导向指示牌以位置分:有室外导向指示牌牌(如社区导向牌、交通标志标牌、公益性看牌)、室内标识标牌

    展开全文
  • 基于MATLAB的人脸识别算法的研究

    万次阅读 多人点赞 2017-12-04 20:24:32
    现如今机器视觉越来越盛行,从智能交通系统的车辆识别,车牌识别到交通标牌的识别;从智能手机的人脸识别的性别识别;如今无人驾驶汽车更是应用了大量的机器识别的是算法在里边。 今天我们将从MATLAB的图像识别说起...

    基于MATLAB的人脸识别算法的研究

    作者:lee神

    现如今机器视觉越来越盛行,从智能交通系统的车辆识别,车牌识别到交通标牌的识别;从智能手机的人脸识别的性别识别;如今无人驾驶汽车更是应用了大量的机器识别的是算法在里边。

    今天我们将从MATLAB的图像识别说起,后边将陆续讲解车牌识别,交通标牌识别等,并努力将它移植到FPGA里边做到高速实时处理。

    MATLAB人脸识别的处理过程:

    1.     % 读入图像

    2.     %低通滤波,去除噪声

    3.     %颜色空间的转换

    4.     %像素值概率的计算

    5.     %图像的腐蚀

    6.     %图像的膨胀

    7.     %根据填充率,去除手脚等非人脸部分

    8.     %根据面积比去除一些较小的非人脸部分

    9.     %根据肤色区域的长宽比出去一些非人脸部分

    10.%圈出人脸

    部分源码:

    clear all

    close all

    clc

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%读入图像

    x= imread('boy1.bmp');

    xx=x;

    figure,

    imshow(x);

     

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%低通滤波,去除噪声

    fR=xx(:,:,1);

    fG=xx(:,:,2);

    fB=xx(:,:,3);

    f=1/9*ones(3);%µÍͨÂ˲¨Æ÷£¬Â˳ý¸ßƵÔëÉù

    filtered_fR=imfilter(fR,f);

    filtered_fG=imfilter(fG,f);

    filtered_fB=imfilter(fB,f);

    x_filtered=cat(3,filtered_fR,filtered_fG,filtered_fB);

    figure,

    imshow(x_filtered);

     

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%颜色空间的转换

    I=rgb2ycbcr(x);        %ÑÕÉ«¿Õ¼äת»»

    gray=rgb2gray(x);

    figure,

    imshow(gray);

    实验结果:

     

    原图

     

    低通滤波

     

    颜色空间转换rgbtoycbcr

     

    转化为灰度图像

     

    概率计算转换为二值图像

     

    腐蚀膨胀

     

    经过7,8,9,10步骤人脸识别成功

    此代码经过大量实验基本可以实现人脸识别。

    还需进一步完善。

    FPGA自习学院将不断更新和总结FPGA相关学习资料,书籍,实例工程和视频。

    欢迎大家加入FPGA自习学院,一起学习一起成长。

    最后欢迎大家关注我的扣扣群,微信公众号。

     

     

     

     

    展开全文
  • 交通标志标线

    2012-11-04 18:34:24
    车库标牌,一般非常有用,可以大家下载,用CORELDRAW打开即可
  • 惠州交通标志牌哪个比较好,鼎远交通,诚信是这个社会最基本最重要的品德之一,做人如是,做企业也如是。惠州交通标志牌哪个比较好, 当行驶在道路上时,那...一直以来,市区指路标牌安装的是传统的被动反光膜标牌,...
  • ADAS 算法 文章

    千次阅读 2018-07-06 14:24:35
    http://news.cartech8.com/article-10849-1.htmlADAS视觉方案入门盘点(上篇)http://lps-683.iteye.com/blog/2360806交通标牌检测与识别https://blog.csdn.net/u010607947/article/details/70847028一篇文章看懂...
  • 124号令对普通驾驶员的意义,在机动车业务上来说,不如102号令...针对校车这个特殊群体,124号令中完整描述了校车的许可申请、机动车查验、核发标牌、安全检验、标牌注销等等完整的业务流程。 124号令的便民措施...
  • 以前G243与G318交叉路口压根没有指示标牌,每次开车开到这里都要小心再小心,生怕走错了方向。现在好了,新立的指路牌简洁明了,看一眼就知道该走哪个方向了。8月14日驾驶员李俊迪再次行经G243与G318交叉路口对这...
  • 我们的往常的驾车过程中离不开监控杆,它们的存在使旅程变得更加畅通,有用的缓解了交通拥堵的情况,扬州神通交通集团给您做以下详细的介绍: (1) 可以按材料分为:塑料板,徽章,搪瓷标牌,反光标牌,不锈钢铭牌...
  • 制作交通标识标牌中标后,我们应积极与生产厂家取得联系,获得报价,按照设计图纸要求,精细划分每一项道路交通标志牌的价格。沧州博华交通公司以工程设计安全设施图纸为准,做好每一根交通标识标牌和标志杆件。美兰...
  • 3、杆件整合前应对道路上的杆牌进行梳理,取消不必要的杆牌,原则上道路上只保留路灯杆与交通设施杆(“两杆”),其他标识标牌一律合并到“两杆”上,不再单独设置。 4、 交通设施杆件间应先充分整合,在兼顾行业...
  • 3、杆件整合前应对道路上的杆牌进行梳理,取消不必要的杆牌,原则上道路上只保留路灯杆与交通设施杆(“两杆”),其他标识标牌一律合并到“两杆”上,不再单独设置。 4、 交通设施杆件间应先充分整合,在兼顾行业...
  • Avago公司的HLMP-xx61系列的椭圆形LED灯是专门为全彩室外体育馆记分板,电子广告牌,各种显示标牌灯和交通信号灯而特别设计的。其它应用包括在大城市的用于提供信息或促销产品信息的室外视频显示屏。 新HLMP-xx61...
  • 2、 新改扩建道路杆件应结合景观环境组织专业规划设计,原则上只保留路灯杆与交通设施杆 (“两杆”),其他标识标牌一律合并到 “两杆”上,不再单独设置,且严格控制非功能性反光、眩光材质使用。 3、现有道路杆件整合前...
  • Traffic Cars v1.0.zip

    2020-04-08 23:29:13
    全套现代汽车:17辆漂亮的汽车;...准备用于任何交通系统或作为简单的静态预制件。 网格非常详细,因此暂时不适合移动。 每辆车都有自己的预制件和材料,玻璃和标牌除外,其中所有车子共享相同的材料。
  • 根据《中华人民共和国消防法》《中华人民共和国道路交通安全法》和国家标准《道路交通标志和标线》(GB 5768)的有关规定,产权单位或者管理使用单位在消防车通道出入路口和路面及两侧划设醒目标志标线,设置警示标识...
  • 两个主要的偏差是公共交通的可达性和扶手杆的存在。 对设计产生重大影响的因素包括符合多个国际和本地标准,私家车的可用性以及轮椅的可用性。 DHA卫生中心的标牌遵循的中心计划与WHO的建议不同。
  • A40i常用小知识.docx

    2020-09-08 15:27:31
    具有稳定可靠的工业级产品性能和高性价比低功耗等优势,目前,搭载Linux和android操作系统,可广泛应用于媒体播放、数字标牌、通讯控制、医疗仪器、工业控制、交通控制、信息系统、金融设备、汽车、数字控制、军工和...
  • 华北工控嵌入式电脑BIS-6595用户手册pdf,华北工控嵌入式电脑BIS-6595用户手册: BIS-6595是一款新一代冰翅结构的低功耗嵌入式...广泛应用于智能交通、信息控制、电子警察、多媒体播放、数字标牌、工业自动化等领域。
  • 自动驾驶汽车是全球机动性的未来,有望触及各个年龄段的每个人的生活。 但这带来了有关安全性,可靠性,成本,法律框架,法规等方面的某些... 该研究旨在研究该领域的当前研究以及用于检测各种路面标记和标牌的技术。
  • 上海德睿电子科技有限公司成立于2008年,是网络新媒体领域核心技术及解决方案供应商之一,在数字标牌、智能会议室、智慧医疗等多个领域拥有多项专利与知识产权。产品运用于政府、金融、交通、教育及医疗等行业。客户...
  • 可应用于户外和商业LED照明,其中包括道路照明、交通照明、数字标牌、维修入口照明、停车场所照明、泛光照明、隧道照明和街道照明。  LSP05和LSP10浪涌保护装置(SPD)模块配有Littelfuse热保护压敏电阻,可提供...

空空如也

空空如也

1 2 3
收藏数 50
精华内容 20
关键字:

交通标牌