Распознавание дорожных знаков с помощью метода опорных векторов и гистограмм ориентированных градиентов
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений: Восстановление изображений, выявление признаков, распознавание образов
Статья в выпуске: 2 т.36, 2012 года.
Бесплатный доступ
В работе рассмотрена задача распознавания изображения дорожных знаков с помощью метода опорных векторов и признакового описания на основе гистограмм ориентированных градиентов. Для построения системы распознавания используются две ранее представленные в литературе формулировки задачи обучения классификатора на основе опорных векторов: формулировка Вестона-Уоткинса, сведённая с помощью преобразования Кеслера к более изученной задаче оптимизации, и формулировка Краммера-Зингера, допускающая применение модифицированного метода покоординатного спуска. Для построения спрямляющих пространств используются ядерные функции Йенсена-Шеннона и пересечения гистограмм. В качестве вычислительно эффективной линейной аппроксимации признакового пространства решающей функции предлагается использование отображений в пространство со скалярным произведением, соответствующим однородной аддитивной ядерной функции. Представлен сравнительный анализ рассматриваемых методов на экспериментальных данных.
Похожие статьи в разделе Прикладные информационные (компьютерные) технологии. Методы основанные на применении компьютеров
Короткий адрес: https://sciup.org/14059088
IDS: 14059088
Road sign recognition using support vector machines and histogram of oriented gradients
In this paper, we consider the recognition of traffic signs using support vector machines (SVMs) and features based on histograms of oriented gradients (HOG). We approach the training of classifier with two well developed multiclass support vector machine formulations proposed earlier by Weston & Watkins and Crammer & Singer. Feature space straightening is approached with Jensen-Shannon and histogram intersection kernels. Due to computational efficiency reasons we propose the use of the homogeneous kernel mapping presented recently. The comparative study based on the German Road Traffic Sign Recognition Benchmark dataset shows the effectiveness of our approach.
