基于AdaBoost和SVM的交通标志识别研究与实现硕士研究生学位论文

摘 要 硕士学位论文 基于AdaBoost和SVM的交通标志识别研究与实现 Research and Implementation of Traffic Sign Recognition Based on Adaboost and SVM 硕士学位论文题目：基于AdaBoost和SVM的交通标志识别研究与实现 摘 要 交通标志的识别是智能交通标志的重要组成部分。它涉及传感器技术、信息技术、自动化技术和计算机等多种技术以及如何识别道路、识别碰撞、识别交通标志等多种欲识别的对象。经过国内外学者的多年研究，交通标志的识别理论和技术体系已经取得了突破性的进展。一般来说，交通标志的图像的采集是实现智能交通的第一步，它对后续的各项操控是否正确有效至关重要，但交通标志全都暴露在特殊的室外环境中，为使驾驶员看清楚各类交通标志，通常交通标志要放在道路旁和管弯处。在这些地方的交通标志常常容易受到强烈光照、灰尘和树木等多方面的影响，所以图像的清晰度较差，从而影响摄像机对交通标志的采集，车内的嵌入式计算机软硬件系统所接收的图像信息也就模糊不清。正因为如此，人们一直都在致力于如何提高交通标志图像识别率的研究。本论文就如何提高交通标志的识别率进行了一些相关的研究，其研究成果虽然距离实用还有相当大的距离，但其研究过程是使自己开阔了眼界，增长了知识，提高了业务水平。 本文的主要研究内容由以下三部分组成： 第一部分：交通标示识别数据集确定。介绍了两种图像预处理方法，结合试验进行比对分析；综述了三种交通标志检测方法：基于颜色、形状以及综合两种的检测算法；对各种交通标志特征提取方法进行实验对比分析，实验证明三角形标志和圆形标志被识别错误的概率最高； 第二部分，在研究了现有交通标志识别方法AdaBoost和SVM的特点后，采用了一种变 的AdaBoost技术、综合颜色和形状的交通标志检测方法、子模式组合的特征提取方法，在子模式的基础上，对比了相邻分块、交叠边缘分块和滑动分块方法和基于径向基核函数的支持向量机分类器相结合的识别方法来识别常见的交通标志。 第三部分，论文采用MATLAB软件工具对交通标志识别方法和识别过程进行了 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 实现，包括系统的运行环境、业务流程、系统识别图像过程、获取特征向量过程，并进行仿真的对比分析，结果表明，通过改变有关参数和融合AdaBoost和SVM的交通标志的识别方法识别效果更好，识别率更高。 关 键 词：交通标志识别，分块核函数，SVM，AdaBoost 论文类型：应用研究 Title： Research and Implementation of Traffic Sign Recognition Based on Adaboost and SVM Specialty：Computer Science and Technology Applicant：Xinjun Chen Supervisor：Prof.Xianglin Miao ABSTRACT Traffic sign recognition is an important part of intelligent traffic signs. It involves many kinds of the technology such as sensor technology, information technology, automation technology and computer technology, and how to identify road, identification of collision, identify the object recognition of traffic signs, etc. After years of research of scholars both at home and abroad, and traffic sign recognition theory and technology system has made breakthrough progress. therefore, the image collection is the first step to realize intelligent transportation, it is very important to the follow-up of the manipulation, but the traffic signs are all exposed to special outdoor environment, to make the drivers see all kinds of traffic signs, traffic signs usually should be placed beside the road and pipe bend. Where traffic signs are often vulnerable to affect by the strong light, dust and various trees, so the sharpness of image is bad, which affect the camera collection, the car's embedded computer software and hardware system of image information is ambiguous. Because of this, people have been trying to research how to improve the traffic sign image recognition. This paper has discussed some related research how to improve the recognition rate of traffic sign, although the research results have a considerable distance from the practical, but its research process broads the horizons, increases of knowledge, improves the level of the business. The research contents of this paper include: In the first part, ensures the data sets of traffic sign recognition, introduces two methods of image preprocessing, compares with the combination of experiment analysis; Three traffic sign detection methods are reviewed, based on color, shape, and integrated two detection algorithm; In the second part, this paper adopt a variable AdaBoost technology , comprehensive test method of colors and shapes of traffic signs , sub-pattern combination method of feature extraction after research the characteristics of SVM and AdaBoost, on the basis of subschema, compare the edge block and the adjacent block, overlapping sliding block method and based on the radial basis kernel function of support vector machine classifier combination of identification methods to identify common traffic signs. In the third part, the paper uses the MATLAB software tool for traffic sign recognition method and recognition process design and implementation, including the system running surroundings, the process of business, system identification, image process, obtain eigenvector, and contrastive analysis of the simulation, Results show that change the parameters of several identification methods and the comprehensive recognition effect is better, higher recognition rate. KEY WORDS：Traffic Sign Recognition, Block Kernel Function, SVM, AdaBoost TYPE OF THESIS：Applied Research 目 录 11 绪论 11.1研究的背景和意义 21.2国内外研究现状 31.3论文工作 41.4本文的框架和研究内容 52 交通标志识别的实验数据集和图像预处理 52.1实验数据集 72.2交通标志图像预处理 72.2.1随机噪声的消除 82.2.2运动模糊的消除 92.3实验结果 112.4本章小结 123 交通标志的检测 123.1基于颜色的交通标志检测 123.1.1 RGB颜色空间模型 133.1.2 HIS颜色空间模型 143.2基于形状的交通标志检测 153.3综合颜色与形状的算法 163.4本章小结 174 交通标志的特征提取 174.1基于BKFDA的特征提取 184.2基于spBKFDA的特征提取 184.2.1 spBKFDA原理 194.2.2算法改进 224.3实验结果和分析 224.3.1基于BKFDA特征提取的分类实验 234.3.2基于spBKFDA特征分类实验 254.4本章小结 265 融合AdaBoost和SVM的交通标志识别 265.1基于SVM的交通标志识别 265.1.1基于SVM的线性可分和线性不可分 275.1.2基于SVM的多类分类 295.1.3传统SVM存在的不足 295.1.4 SVM算法的改进 325.2基于径向基核函数的PTSVM的交通标志识别 345.3融合AdaBoost和SVM的交通标志识别 345.3.1 Boosting算法 355.3.2 AdaBoost算法 5.3.3变的AdaBoost算法 35 385.4本章小结 396 交通标志的识别与运行分析 396.1识别目标及识别内容 396.2 交通标志自动识别的仿真实现 396.2.1 识别系统的运行环境 406.2.2 识别系统的整体流程 406.2.3 识别过程的界面 436.2.4 识别图像的预处理过程 446.2.5 获取识别特征变量的过程 456.2.6 图像匹配的过程 456.3仿真识别的结果分析 456.3.1几种识别方法的性能对比 466.3.2 PTSVM性能分析 526.3.3 PTSVM识别 526.3.4三种交通标志识别实验 536.4本章小结 547 总结与展望 547.1论文总结 547.2工作展望 56参考文献 58致 谢 59攻读学位期间取得的研究成果 声明 CONTENTS 1 Introduction 1 1.1 Research Background and Significance 1 1.2 Research Actuality 2 1.3 Technological Difficulty on Traffic Sign Recognition 3 1.4 Thesis Organization and Main Works 4 2 Experiment Data Set and Image Preprocessing of Traffic Sign Recognition 5 2.1 Experiment Data Sets 5 2.2 Traffic Sign Image Preprocessing 7 2.2.1 Random Noise Attenuation of Traffic Sign Images 7 2.2.2 Motion-Blurred Attenuation of Traffic Sign Images 8 2.3 Experimental Results 9 2.4 Summary 11 3 Traffic Sign Detection 12 3.1 Traffic Sign Detection Based on Color 12 3.1.1 RGB Color Space Model 12 3.1.2 HIS Color Space Model 13 3.2 Traffic Sign Detection Based on Shape 14 3.3 Traffic Sign Detection Based on Color and Shape 15 3.4 Summary 16 4 Traffic Sign Image Texture Feature Extraction Methods 17 4.1 Feature Extraction Method Based on BKFDA 17 4.2 Feature Extraction Method Based on spBKFDA 18 4.2.1 spBKFDA 18 4.2.2 An Improvement of Chunking 19 4.3 Experimental Results and Analysis 22 4.3.1 Feature Extraction Classification Based on BKFDA 22 4.3.2 Feature Extraction Classification Based on spBKFDA 23 4.4 Summary 25 5 Traffic Sign Recognition by fusion of AdaBoost and SVM 26 5.1 Traffic Sign Recognition Based on SVM 26 5.1.1 Linear Separability and Inseparability Based on SVM 26 5.1.2 SVM Multi-Class Classification 27 5.1.3 Defects of Traditional SVM 29 5.1.4 Improvements of SVM 29 5.2 Traffic Sign Recognition Based on RBF-PTSVM 32 5.3 Traffic Sign Recognition by fusion of AdaBoost and SVM 34 5.3.1 Boosting Algorithm 34 5.3.2 AdaBoost Algorithm 35 5.3.3 AdaBoost Algorithm of Varying 35 5.4 Summary 38 6 Identify the process simulation and operation analysis 39 6.1 Identify the target and recognition 39 6.2 The simulation of the traffic sign automatic recognition system 39 6.2.1 The operation of the recognition system environment 39 6.2.2 The recognition system of the overall process 40 6.2.3 Interface of Identification process 40 6.2.4 Identify the image pretreatment process 43 6.2.5 Access to the process for identifying characteristic variables 44 6.2.6 Image matching process 45 6.3 Result analysis of simulation identify 45 6.3.1Access to the process for identifying characteristic variables 45 6.3.2 The performance analysis of PTSVM 46 6.3.3 Identify of PTSVM 52 6.4.4 Three test of the traffic sign recognition 52 6.4 Summary 53 7 Conclusions and Future Works 54 7.1 Conclusions 54 7.2 Future Works 54 References 56 Acknowledgements 58 Achievements 59 Declaration 1 绪论 1.1研究的背景和意义 改革开放至今已有30多年，在这几十年中随着人民生活水平的日益提高，我国的交通运输产业也开始高速发展。在城镇化的进程中，机动车的成倍增加导致了城市交通的日益拥堵，交通事故的频发严重影响到了老百姓的生命财产安全，这就要求我国的道路交通系统必须提升到更高的层次。近年来，“智能交通系统” 这一新名词开始在欧美等发达国家出现，并在全球日益兴起。为了在全国乃至全球范围内实现高效率、大范围的实时交通运输管理，人们建立了智能交通系统。智能交通系统（Intelligent Transport System,简称ITS）是将传感技术、信息技术、自动化技术、计算机技术及智能控制技术等先进的技术运用到交通运输管理体系，实现高效率、大范围的交通管理。ITS可以保障交通系统的安全运行，提高交通运输效率，其意义因而非常重大。它主要有三方面的应用：1）道路识别；2）碰撞识别；3）交通标志识别[1]。国内外研究学者自上世纪八十年代开始，就对智能交通系统展开了研究。在道路识别和碰撞识别这两方面已经取得了不错的成绩，甚至已经开始了实际的应用，而在交通标志识别方面的研究则略显落后，远远达不到实际应用的要求。因此，针对交通标志识别的研究显得日益紧迫，而目前国内学者对其的研究还不是很多，所以对其研究具有很高的学术意义。 在智能交通系统中，交通标志识别是一个重要的组成部分。随着各国对ITS的重视程度逐渐提高，对交通标志识别的研究也将会逐渐兴起[2]，并广泛的应用到实际生活之中。交通标志识别的研究涉及到概率统计、模式识别、图像处理等多个学科，因此针对它的研究也能更好的推动其它学科的发展。交通标志的组成包括文字和图像，能够给驾驶员提供道路信息，引导驾驶员进行安全文明驾驶[3]。但是很多情况下，驾驶员会忽视道路上的交通标志，比如开车时打电话，跟车上的人聊天或者限于视角的限制，如此一来就很容易违反交通规则，发生交通事故。倘若能开发一种交通标志自动识别软件，将其安装到车辆上作为辅助系统，随时将道路上的交通标志信息传递给驾驶员，这样就可以减少交通事故的发生，保障驾驶员的生命财产安全，也使得城市交通更加顺畅。该系统能够随时随地采集和识别道路两旁的交通标志，并及时反馈给驾驶员，向驾驶员做出警告或指示。因此开展交通标志识别的研究能够对提高道路行驶安全，缓解交通压力，以及改善交通拥堵状况起到重要的作用。 一般通过车辆上的摄像机在室外对交通标志图像进行采集，而不是在室内环境下，因此标志图像容易受到光照、天气等多方面的影响，使得图像的质量不高，从而影响交通标志的识别率。目前我们需要的是一种识别率高、鲁棒性强的交通标志识别算法，因此开展对交通标志识别的研究就显得意义非凡。 1.2国内外研究现状 随着信息化时代的到来，现阶段我国经济建设进入了高速发展期，人民生活水平也在不断提高，汽车已成为人们追求的家庭必需品。而汽车的大量购置与投入运行，日益导致了城市交通的拥堵，交通事故也频繁发生，已逐渐引起社会的关注。在这样的背景下，开展交通标志识别研究的重要性日益凸显。利用交通标志识别系统，车辆可以采集和识别附近的道路交通信息，并及时反馈给驾驶员，达到了安全文明驾驶的目的。 一般采集到的交通标志图像是户外场景下具有复杂背景的图像，这样的图像大多会受到光照、天气、变形等因素的影响，导致图像质量不高。对这些图像进行交通标志检测和识别比一般的室内目标要困难的多[4]。 率先开始进行交通标志检测与识别的国家是日本，他们对此项工作的研究始于1987年[5]，通过开发一套交通标志识别系统，实现了对限速交通标志的识别。他们采用了例如模板匹配这样经典的识别算法，平均识别时间为0.5秒左右。 1992年，针对法国的交通标志，著名的研究学者Saint-Blancard[6]设计一个红色交通标志识别系统。利用边缘检测的方法，对标志的边缘信息、颜色滤波以及检测闭合曲线进行检测，然后，对目标采用神经网络方法进行识别，使用该方法，识别率可达到95%。 1993年，美国开发了ADIS系统，采用颜色聚类方法，对“停车”标志进行了识别[7]。在对测试样本作识别实验时，获得了全部正确的识别结果。但是，由于ADIS系统并非实时处理的，因而识别时间表现出不确定性。 1994年，一套具有实时性的交通标志识别系统被戴姆勒-奔驰汽车公司与德国的科布伦茨-兰道大学的研究人员合作研制了出来，在SParclo机器上运行该套系统，其最快识别速度可达到3.2S/幅，在交通标志图像库上进行实验，它对40000多幅图像的识别准确率可达98%。 2001年，在Wisconsin大学，Liu和Ran对交通标志识别进行研究，开发了一个标志识别系统，该系统以“停止”标志为识别目标。采用基于HIS空间的颜色阈值方法对该系统进行交通标志检测，同时，采用神经网络的方法对该系统进行交通标志识别。通过对540幅交通标志图像进行检测实验，表明该系统的识别准确率达到95%。 2005年，位于瑞典的GarethLoy实验室与位于澳大利亚的Nick Barnes自动化研究所联合研发了一个交通标志识别系统。他们利用形状形状上的对称性寻找交通标志的中心位置，进而采用其它方法识别，该系统的识别准确率达95%。同年，Bahlmann等人开发了一个分类器，该分离器由交通标志检测、特征提取和识别等功能组成。将包含23个类别、4000幅交通标志图像的训练样本用于该分类器训练，共测试了1700个测试样本，每个类别的图像数目从30个到600个不等，该分类器对交通标志图像的识别准确率为94%。 2007年，Moutarde等人开发了一套用于识别欧洲和美国的限速标志交通标志识别系统。该系统包含交通标志检测和目标跟踪功能，采用神经网络的方法进行识别。使用该系统对美国和欧洲的281个限速标志上进行识别实验，系统识别准确率分别为89%和90%。 2008年，Keller等人研究出了一种以限速标志为目标的分类算法，用2880个样本对该算法进行训练，该算法在1233个测试样本上的识别准确率为92.4%。 2009年，Muhammad等人运用多个识别方法在包含6个类别1300幅交通标志图像上进行实验，这些识别方法中最好的识别准确率为97%。 2010年，西班牙的Maldonado[8]等人运用支持向量机（Support Vector Machine,SVM）的方法，在包含193类约36000幅的交通标志图像上进行识别，识别准确率为95.5%。该方法的实验数据集没有公开出来，它进行实验的训练样本和测试样本没有区分开。 上个世纪，我国经济发展较为落后，人们生活水平普遍较低，交通运输条件相对较差，居民车辆拥有率较低，对交通标志识别要求迫切性不强，因而交通标志的识别研究工作较为滞后。随着我国经济的高速发展，居民购买力也不断增强，社会车辆日益增多，导致城市交通日益拥挤，推动了对交通标志识别研究的迫切要求。越来越多的高校的研究人员和国内科研机构都在致力开展交通标志识别研究。目前，清华大学、国防科技大学、浙江大学、南京理工大学等高校在该类研究中已取得了较为显著的成果。 综合以上介绍可知，国内外进行识别研究的方法不具有可比性，因为他们的方法都是在自身特定的数据集上进行实验，而且很多数据集没有公布出来。本文为了方便比较，使用了德国神经计算研究所发布的一个交通标志数据集，该数据集具有可扩展性，本文利用这个数据集来开展相关识别研究。 1.3论文工作 普通人看来交通标志的识别工作并没有什么难度，因为交通标志的颜色、形状、大小以及图案都是按照一定的国际 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 进行设计，而且交通标志在道路上的安装位置和高度也有一定的规律。从这个方面来看，人们会觉得交通标志的识别方法有规律可寻，并没有那么复杂。但是事实并非如此，由于交通标志图像来源于户外的特殊场景，其受到多方面的影响和制约，会严重影响交通标志的识别效果和系统的运行效率，这样，与其它室内场景或者自然场景的目标识别研究相比，标志识别研究要困难得多。论文以课题研究为背景所做的主要工作如下： 1）论文以本单位的科研项目为背景，选择了识别交通标志为论文研究内容，虽然论文工作只是智能交通项目的一小部分，但所做工作对该项目有一定的实际意义。 2）通过查阅国内外相关研究成果，对于图像识别技术，以及识别交通标志的基本方法进行了系统了解，清晰了研究交通标志的思路和方法； 3）以公开的德国交通标志数据库作为实验数据，数据来源具有一定的可靠性。采用该数据库的数据重点研究了交通标志图像的检测和特征提取方法； 4）在分别研究AdaBoost和SVM两种图像识别方法的基础上，采用融合两种方法的技术路线对交通标志进行了识别作了试验和验证； 5）用Matlab工具对识别方法实施仿真，结果证明了融合AdaBoost和SVM的交通标志的识别方法具有较好的效果。 1.4本文的框架和研究内容 下面对本论文的框架和具体研究内容进行简要介绍： 第一章主要说明了本文的研究背景和研究意义，以及对国内外对交通标志识别的研究现状和标志识别技术中的难点进行介绍等。 第二章介绍交通标志图像预处理技术。首先说明了本文所采用的交通标志数据集，并且对目前常用的图像预处理方法做了概述，介绍了本文交通标志预处理使用的方法。 第三章首先讨论了交通标志检测的方法，并对目前常用的检测方法做了简单的介绍，然后采用了本文使用的检测方法，并通过相关实验验证了该方法的有效性。 第四章介绍了交通标志特征的提取，以及目前常用的特征提取方法，并对该方法进行了分析，最后采用了本文使用的一种新的交通标志图像特征提取方法。 第五章首先介绍了SVM的基本理论和几何模型，接着对SVM中存在的不足进行了论述，然后阐述了目前使用比较频繁的几种先进的SVM分类器。再接下来就是建立基于SVM的训练模型，引入了集成学习中的Boosting和AdaBoost的基本理论，并对基于径向基核函数的PTSVM（RBF-PTSVM）分类器的AdaBoost方法进行了一系列改进。 第六章对系统进行设计和实现，并通过运行对比了几种交通标志识别方法的性能，根据实验结果解释来了传统的识别方法识别率不高的原因，并在交通标志数据库上实验验证了本文所用的识别方法的有效性。 第七章对本文的研究进行了总结，同时对后续研究进行了展望。 2 交通标志识别的实验数据集和图像预处理 本章首先对交通标志识别的实验数据集进行介绍，了解所用数据集中交通标志的类型和特点。然后对数据集中的图像进行分析，对比各种图像预处理算法的结果后，对图像中的随机噪声和运动模糊分别采用中值滤波和维纳滤波进行消除，以便为后面的交通标志检测和识别提供良好的图像数据。 2.1实验数据集 本文采用的交通标志图像是关于计算机智能的IEEE世界代表大会倡导使用的一个比赛数据集[9]。它是由德国神经计算研究所收集并公布，这个比赛的目的为了开发出一种适用于德国交通标志检测和识别的智能化识别软件，为德国的交通安全服务。该数据集中有大小维数并不统一的43类德国交通标志图像，图像数据在自然场景下采集得到，受到一定程度的光照的影响，并包含有噪声。本文按照标志形状，将43类交通标志分为3类：第一类为圆形（包含有26类交通标志，同时把其中的一类八边形标志归类为圆形）。第二类为三角形（包含有16类交通标志）。第三类为菱形（只有1类交通标志），其中的部分交通标志如图2-1所示。 （a）限速标识 （b）解除限制标识 （c）指示标识 （d）禁令标识 （e）八边形“停止”标识 图2-1 德国交通标志数据库的图像示例 该数据集已经公开在网上，其中的数据来源于一段十个小时的视频（是在2010年3月的白天，到德国各种类型的道路上采集而来的）。使用的图像采集设备是一架Prosilica GC 1380CH照相机，其视频帧率为25帧/秒，并且是全自动曝光的，得到的图像分辨率为 。 在该数据集中，包含了很多轨迹序列（track）。每个轨迹序列都代表一个交通标志实例，每一个轨迹序列中含有30幅交通标志图像，每一类样本中有几个到几十个不等的轨迹序列。如图2-2所示。多个轨迹序列就组成了一个交通标志样本。其中的每个交通标志都是唯一的，不会发生重复。 图2-2 某个交通标志的一个轨迹序列 2.2交通标志图像预处理 由于在户外场景下采集交通标志图像，各种随机噪声难以避免，再加上采集时，车辆上的相机一直在运动，所以图像会产生一定的运动模糊。我们称被噪声污染的图像为退化图像，它可以用公式表示为： （2-1） 其中 表示为原图像， 代表随机噪声， 为退化函数， 为退化后的图像，退化流程如下图所示： 图2-3 图像的退化流程 为了不影响图像的检测和识别，我们需要对其作出包括除随即噪声和运动模糊的预处理。本章针对几种图像预处理算法进行了对比，最后确定对随机噪声的消除采用中值滤波，对运动模糊的消除采用维纳滤波。 2.2.1随机噪声的消除 在图像预处理中，比较常用的消除随机噪声的方法有中值滤波、均值滤波以及高斯滤波等多种。 1）均值滤波 均值滤波属于线性滤波[10]，即在给目标像素定一个窗口模板，然后，将窗口内的目标像素的所有像素灰度值去掉，将所得的平均值代替原始像素的灰度值。设计出合理的窗口模板，既卷积核，是均值滤波的关键。常用的卷积核如式（2-2）所示： （2-2） 2）中值滤波 在图像处理中，我们最常见的一种滤波方式就是中值滤波。它是一种非线性的排序滤波器，其原理是：将一个 窗口内所有的像素按灰度值进行排序，取窗口中排序后的中值去代替原始像素的灰度值，这样，就会得到更接近于真实值的像素，从而实现对噪声点的消除。 中值滤波器常用的窗口类型有方形、十字形、条形等。比如有一条形窗口，各个像素点的灰度值为[3,5,201,156,6,34,67,131,167]，则这个窗口的中值为67，原始像素点的灰度值用67取代。 3）高斯滤波 作为一种特殊的线性均值滤波器，高斯滤波被广泛的用于图像去噪过程，可以消除高斯噪声。高斯滤波就是使用高斯函数作为权函数，对整幅图像进行加权求平均值，任意一个像素点的灰度值都是其自身和领域内的像素点灰度值经过加权后所求的平均值。常用的一维高斯滤波函数为： 高斯滤波器的核呈现布局如图2-4所示。 图2-4 高斯滤波器的核呈现布局 高斯滤波的基本原理为：为目标像素点设定一个窗口模板，对模板内像素的灰度值进行加权求平均值，用此值去将原始像素的灰度值替代。 2.2.2运动模糊的消除 由于交通标志图像是通过运动的相机采集得到的，这样就不可避免的会产生运动模糊。为了消除交通标志图像的运动模糊，本文采用了两种方法，即维纳滤波和逆滤波两种方法进行实验，实验结果表明维纳滤波较逆滤波的效果更好，因此选择维纳滤波作为本文的消除运动模糊的方法。 1）维纳滤波 维纳滤波是由维纳（N.Wiener）在1942年提出来的[11]，属于一种基于最小二乘法的滤波算法。它的适用范围比较广，无论连续的还是离散的，标量还是向量都可以用它进行滤波。它的缺点是：对于要求得到半无限时间区间内的全部观察数据这一条件很难满足，对于非平稳的随即数据也不能用它进行滤波，因此它的实用性不强。 维纳滤波的基本原理为：对式（2-1）进行傅里叶变换，后利用维纳滤波进行图像滤波，可表示为式(2-3)： （2-3） 其中， 表示采集到的退化图像， 代表的是退化函数， 是 的复共扼表示， 表示真实的图像，即未退化的图像， 是常数，表示噪声功率谱密度比。维纳滤波就是对退化图像进行还原，去除噪声点的污染，求得真实图像的最接近值。 2）逆滤波 逆滤波也是一种图像复原滤波，其还原图像的流程如下图2-5所示。 图2-5 逆滤波的流程图 我们假设图像中不存在噪声点，则对（2-1）进行傅里叶变换，然后推到得出： （2-4） 在（2-6）中我们已知 和 ，这样就可以求出 ，求得 后可根据（2-7）求的原始图像 。 与维纳滤波不同的是，逆滤波容易受到噪声的干扰，若噪声为零，则逆滤波能够完全的还原图像，如果噪声存在，且 很小或者为零，则还原后的图像中噪声会被放大。这就意味着在噪声很小但是 也很小的情况下，逆滤波还原后的图像会更加失真。 2.3实验结果 图2-6是对一幅交通标志图像分别进行均值滤波、中值滤波和高斯滤波的结果。对比三种滤波结果和滤波算法的原理可知：均值滤波虽然执行速度很快，但是容易造成图像模糊，它并没有消除随进噪声点，反而使噪声点扩散到其他领域中。高斯滤波属于一种特殊的均值滤波，其滤波结果与均值滤波结果相近，而且窗口模板越大，滤波后的图像越模糊。中值滤波因为有一个排序的过程，所以其计算复杂度较高，但是它不容易造成图像模糊，而且去噪性能非常好，能够在消除随机噪声的同时不使图像边缘变模糊。为了保障滤波后的图像处理和交通标志识别的准确率，我们采用中值滤波的方法去除随机噪声。 图2-6 各种滤波的图像去噪结果 图2-7是分别使用维纳滤波和逆滤波消除运动模糊的结果。从图2-7中可以看出，经过维纳滤波和逆滤波进行图像还原后，交通标志图像运动模糊都有所消除，但是与逆滤波相比，维纳滤波的运动模糊消除效果要强，因此交通标志运动模糊的消除，本文采用维纳滤波进行。 图2-7 使用维纳滤波和逆滤波复原图像 2.4本章小结 本章我们首先介绍了实验所用的交通标志数据集及这个数据集中交通标志的类型和特点。然后采用一定的方法对交通标志图像中的随机噪声进行消除。采用的方法主要有均值滤波、中值滤波和高斯滤波等。实验结果证明中值滤波对交通标志图像的噪声消除效果比其他两种滤波要好的多。同时为了处理交通标志图像中的运动模糊我们分别采用了维纳滤波和逆滤波进行运动。实验揭示了对于交通标志图像的运动模糊消除效果，维纳滤波要强于逆滤波。所以，我们选择用中值滤波消除交通标志图像中的噪声，而对于图像采集过程中产生的运动模糊，则采用维纳滤波消除。 3 交通标志的检测 3.1基于颜色的交通标志检测 颜色空间，有时候又称为彩色空间，是指不同波长的电磁波与不同物质相互作用所构成的色谱空间。基于某些标准，我们在颜色空间里，用通常可接受的方式RGB、HIS、CMY、Lab等对彩色加以说明。这里我们主要介绍RGB和HIS颜色空间模型。 3.1.1 RGB颜色空间模型 首先，对RGB颜色空间[12] 作一简要介绍。日常生活中，彩电或其它彩色显示器等很多生活用品，都是利用RGB模式输出。RGB颜色空间具有作为基础色的三种基本颜色，通常采用R（Red）、G（Green）、B（Blue）三种颜色的英文首字母进行命名。经过科学家测算，对这三种基础色进行不同比例的混合，可以得到一千六百多万种不同的颜色。在所有的颜色空间模型中，最接近大自然色彩种类的就是RGB颜色空间模型，所以有时候又称它为自然色彩模式。图3-1就是RGB颜色空间模型的示意图。 图3-1 RGB颜色空间模型图 RGB颜色空间的优点主要表现为[13]：对于颜色分割系统的实时性要求可以满足，直观、易于被理解、计算相对简单。基于RGB颜色空间模型的标志图像检测算法原理主要为由A.deEscalera[12,13]等人提出的RGB阈值分割方法，见式（3-1）和式（3-2）。即：首先是设定分割像素点的RGB阈值，根据交通标志的颜色特点进行设定，然后将图像的像素点扫描并与设定的RGB阈值范围进行对比。如果图像中的该像素点属于预先设定的RGB阈值范围内，将保留该像素点，反之则设为零，该像素点为背景。 （3-1） 其它 （3-2） 式（3-1）和式（3-2）中， 为图像中的交通标志， 为图像的背景。 、 、 分别为图像中各像素点的R、G、B通道值。 但是，由于RGB模型对光照非常敏感，遇到如阴雨天气、雾天、傍晚等情况，检测成功率比较低，所以在应用研究中使用的频率不是很高。专家学者以克服光照为前提，提出了HIS、HSV、L*a*b*等一些比较好的颜色模型。 3.1.2 HIS颜色空间模型 HIS颜色空间模型是某种色彩通过H（Hue）、S（Saturation）、I（Intensity）三个参数来表示[14]，如图3-2所示。其中H为色调，表示颜色反射的波长，其的范围是 。S为饱和度，它的参量范围是[0% 100%]，主要是指色彩的强度或纯度，代表的是灰色与色调的比例。I是亮度，这个参量以0%（黑色）到100%（白色）的百分比来表示。HIS颜色空间是人类对颜色视觉感受最接近的系统，让我们从色觉直观性这方面去观察图像，所以H、I、S这三个参量对于我们理解图像的重要性不言而喻。一般而言，我们人眼对亮度的敏感程度要大于对颜色的敏感程度，所以HIS颜色空间模型在科学研究中使用的频率较高。另外，H、I、S这三个参量之间是互相独立的，所以在进行图像处理的时候可以很方便的从图像中提取出来。 HIS在进行交通标志检测的时候，也常被科学家使用。N.Kehtamava等人[15]利用HIS进行检测的方法是，在HIS彩色空间中，对H、I、S这三个参量设定合理的阈值范围，对交通标志进行检测，实验进行了多次，最后表明，取式（3-3）设定的阈值可以得到最佳检测效果。 （3-3） 图3-2 HIS颜色空间模型 由于我们采集得到的图像是RGB格式的，处理时需要把它转换成HIS格式。由于这是一种非线性的颜色空间转换，尤其是对于尺寸较大的图像需要作三角函数及除法运算，因此会对转换结构产生一定的影响，计算机的计算负担很大，因而降低了交通标志检测效率。 交通标志的检测方法有很多，除了RGB模型、HIS模型等常用的经典颜色空间方法，还有区域增长法、人工神经网络法等其它一些基于颜色的检测方法。 3.2基于形状的交通标志检测 交通标志通常具有三角形、圆形、矩形、八边形等固定形状，其中八边形可归类为圆形。这种利用形状检测交通标志的方法，是行之有效的，目前针对形状的交通标志检测方法，主要有以下几种： 1）基于边缘的方法 基于边缘的方法很多，其中Hough变换法是最经典的方法。Kuo W J等[16]人就是采用Hough变换法对三角形和圆形交通标志进行检测。该方法在噪声、形变和部分区域残缺时在稳定性和可靠性上表现了很好的结果。但也存在运算复杂、时间较长的缺点，不能满足实时性要求。为此，Barnes提出了光线对称性算法的Hough变换方法，该法运算量较小，运算速度快，但只能检测圆形交通标志，不能检测三角形和矩形。 2）拐角提取算法 矩形或三角形类交通标志都有角度，即存在拐角，这是它们的重要特征，因此利用拐角提取算法检测交通标志是一个很好的方法。目前主要有两种具体方法：一种是对目标边缘进行编码，可以利用边缘检测器实现。但是该法存在着编码复杂问题，因而检测器的良好性较差。另一种方法利用分类器来判断梯度强度与方向的变化，以此来确定当前像素点是否为拐角。利用该法可以提取到图像中的许多拐角，但同时也会提取出一些非目标的拐角，所以也存在较高的检测错误率 [17]。 （a）正三角形顶角 （b）矩形左下角 图3-3 检测交通标志拐角的掩膜 Rangarajan等提出了一种掩膜设计的最优拐角检测方法。检测前先对目标拐角特点进行观察，然后设计掩膜，将设计好的掩膜与图像作卷积运算，从而检测出图像中的拐角。以该法为基础，Escalera[18] 为检测正三角形和矩形构造出了7个掩膜，图3-3（a）和图3-3（b）图是正三角形顶角、矩形左下角 的掩膜掩膜的展示。测试结果表明，这些掩膜可以比较准确地检测交通标志的拐角，而且具有较好的鲁棒性，可以容忍一定的噪声和变形。 3.3综合颜色与形状的算法 通过以上介绍可以知道，基于颜色分割的方法和基于形状的交通标志检测方法各有优势。前者容易受到光照的影响，在对颜色失真、噪声点较多的图像进行检测时，效果较为一般。后者虽然对光照的鲁棒性较好，但对变形或受到遮挡的标志的检测，成功率比较低。鉴于此，研究者提出了综合颜色和形状的检测方法，并取得了显著的成果。 M.Zadeh等人利用彩色阈值分割对交通标志图像进行颜色分割[19]，得到所需区域，然后对区域的边缘进行提取，方法是利用形态学中的膨胀与腐蚀操作，最后，进行边缘的跟踪和几何分析，提取具有交通标志的目标区域。对噪声非常敏感是该方法的缺点。张[25]等人先对交通标志图像中的非彩色区域进行消除，运用的方法是非彩色分解技术，然后把图像转换到HIS空间中，对之进行颜色分割，最后，对边缘链码作跟踪及阈值化处理，采用非线性曲线拟合来检测交通标志。 本文采用的也是综合颜色和形状的交通标志检测方法。首先将图像中的白色区域从RGB空间中分割出来，然后确定该白色区域属于标志的内部还是外部，方法是计算白色区域占图像面积的比值。如果属于交通标志的内部，利用Canny算子分割出标志的边缘，同时将白色区域和边缘用加权线性组合法进行融合，最后由区域的周长与面积的比值的圆形度计算来判断别是否为交通标志。该方法能同时检测若干个目标，实验证明该方法对检测交通标志很有效，实验效果如图3-4所示。 这样，大量非交通标志区域通过对图片中的每个像素点进行计算并经过颜色分割后已被去除。同时，利用Canny边缘检测算子进行边缘检测[20]，可以进一步减小计算复杂度，并且，边缘点可由采用链码的存储方式存储起来。算法实现如下： 初始化：按照先行后列，从左到右，从上到下的方式，选择二值像中第一个未被标记的非零像素点 ，令 for For If 若 的 邻域内没有其他未标记过的灰度值为1的像素点存在， 返回Lp的初始点，并选择与前次跟踪方向不同的方向进行搜索， 若这样的像素点不存在，返回Lp，令p=p+1，返回（1） 否则返回（2） 若所有灰度为1的像素点均已标记，则算法结束 返回 。 图3-4 交通标志检测结果 3.4本章小结 本章介绍了包括基于颜色空间模型的检测、基于形状的检测和综合颜色和形状的检测等几种交通标志检测的方法。基于颜色空间模型的检测，我们介绍了RBG颜色空间模型和HIS颜色空间模型。对于RGB模型，其在应用研究中使用的频率不高，原因在于其对光照非常敏感。而HIS颜色空间模型采用非线性转换，因此在图像尺寸较大时，运算会给计算机带来很大的计算负担，使交通标志检测效率降低。对于基于形状的检测法，事实证明利用形状检测交通标志是行之有效的，但是这种方法虽然具有几号的光照鲁棒性，但在标志变形或当标志受到遮挡时，检测的成功率比较低。鉴于此，相关专家学者提出了一种综合颜色和形状的检测方法，并进行相关实验验证了方法的有效性。本文也采用此种方法检测交通标志，实验证明，这种方法是有效果的。 4 交通标志的特征提取 4.1基于BKFDA的特征提取 核Fisher鉴别分析（Kernel Fisher Discriminant Analysis,KFDA）是一种有着广泛应用的非线性鉴别分析方法，主要是根据特征空间中特定的核函数进行鉴别分析。KFDA的基本思想为[21]：首先将原始图像灰度矩阵转化成图像一维向量，然后利用一个非线性映射F，以该向量作为原始特征变换到某一高维特征空间 中，核Fisher鉴别分析（Kernel Fisher Discriminant Analysis,KFDA）KFDA就是在这个高维特征空间 中完成的[22]。但是特征空间 的维数太高，为此，入Mercer正定核函数，使特征空间中样本的内积就可以通过计算求得，从而避免了样本所造成的维数问题，即 QUOTE 。在提取特征的实验中，常用的核函数有高斯核函数，公式表示为，多项式核函数，公式表示为 。本文通过对比不同的核函数在各种参数条件下的识别效果，挑选出最为合适的核函数。 在KFDA中，经过投影矩阵W变换，任意一个原始样本X可以得到它的非线性最佳鉴别特征，这种变换可以用（4-1）式表示。 EMBED Equation.DSMT4 （4-1） 图4-1 BKFDA训练阶段分块特征提取框架图 其中， 为核样本向量。在矩阵W投影上后，训练样本集可得到其特征矩阵，同理可求得测试样本集的特征矩阵。 本文在KFDA的基础上采用了基于BKFDA（Bhattacharyya KFDA）的特征提取方法。基本流程为：首先把训练样本中的交通标志图像（假设有 幅）划分成若干个分块（假设为 个），对同一位置的分块图像数据组成块训练数据集，再对之提取KFDA特征[26]，具体流程图如图4-1。 4.2基于spBKFDA的特征提取 4.2.1 spBKFDA原理 在使用4.1中KFDA对样本进行特征提取时，可能会丢掉一些重要的局部信息，不利于标志的识别。因为算法中只是考虑到了样本的全局属性，而没有注意样本中的局部特征。由于交通标志大部分标示在图像中央，而其他部分则作为背景区域，运用KFDA方法时，背景区域也参与特征提取计算，因此会对后期的识别带来影响。 本文采用的是基于子模式组合的分块核函数特征（spBKFDA），该方法先采用一定的方法将交通标志图像分成若干块，然后运用KFDA思想，对于所有的子块，使用一个适当的核函数进行核矩阵构造，然后提取特征。最后将该图像各个块的特征组合成一个全局特征，即该幅图像的最终特征，这种方法可以很好消除光照和形变对块与块之间的影响。 spBKFDA方法的原理：先将一个 的图像矩阵分成 大小的图像矩阵，作为一个单独的训练样本，将每个子块 的原始数据转换成向量，为了得到最佳鉴别向量集所构成的投影矩阵W，采用KFDA将所有子块 联合进行特征提取；然后将 投影到矩阵W上得到训练样本 的特征矩阵，同理，可得到测试样本 的特征矩阵；最后，将特征组合成最终的向量，即用该样本最终的特征来分类识别，spBKFDA训练阶段如图4-2所示。 图4-2 spBKFDA训练阶段分块核函数特征提取框架图 4.2.2算法改进 一般来说，spBKFDA图像的分块策略上按行或列进行均等划分[27]，这是目前常用的分块方法，结合本文实际需要，改进了对算法中的滑动分块，并定义了四种不同的划分尺度，它们分别是： （4-27） 基于上述四种尺度，我们分别采用原始的相邻分块策略和经过改进的滑动分块策略对交通标志图像进行划分： 1）相邻分块，将图像按行和列分别均等的划分成4*6*6*9块，如图4-3，此时块与块之间不能出现交叉重复信息现象。这种划分优点是简单，而缺点也很明显，特征的真正表达产生偏差。因此该种法对于图像的旋转、平移以及标识在图像中的位置比较敏感。 2）滑动分块，本文采用一种改进的分块策略，以使分块后的图像能够包含更多的局部信息，如图4-4中所示。为了能够更好地将一些局部重要信息包含在内，按一定的重叠比率对交通标志图像进行四种不同尺度的划分，然后对得到的每个分块进行分块核函数特征提取。此法对发生了旋转和平移的标识有比较好的鲁棒性。 （a）2×2 （b）2×3 （c）3×2 （d）3×3 图4-3 图像相邻分块划分成4*6*6*9块 （a）2×2 （b）2×3 （c）3×2 （d）3×3 图4-4 图像滑动重叠划分成4*6*6*9块 3）交叠边缘分块，将策略改为采用一种包含块一定交叠边缘的分块方式可以克服以上划分方法中存在的不足。如图4-5所示，先引入块与块之间一定像素的交叠边缘，然后提取分块核函数特征，在引入块中，一定边缘后的局部对象能较好地被spBKFDA特征包含在内。可以零代替位于图像边界区域的块没有块之间的边缘的边缘值，而对于其相邻四个块的边缘像素非边界区的块，将被非边界区的块包含。在构造块数据集时首先对图像第一块的起始坐标位置 进行定位，然后判断块的四条边是否位于边界区域。如果边界区域包含某条边，将增加若干个边缘点，其边缘像素值设置为零，否则在当前块的原始灰度像素数据中加入其相邻块的若干个边缘像素数据。 （a）2×2 （b）2×3 （c）3×2 （d）3×3 图4-5 图像交叠边缘按行列划分成4*6*6*9块 4.3实验结果和分析 本章节主要讨论的是交通标志特征的提取，首先讨论了基于KFDA的特征提取方法，KFDA特征表示的是图像的整体核函数特征，然后在此基础上采用了基于spBKFDA特征提取。将提取得到的KFDA特征和spBKFDA特征在SVM分类器上进行实验，比较最后的分类识别效果。 4.3.1基于BKFDA特征提取的分类实验 实验结果如表4-1和表4-2所示，分别使用多项式核函数和高斯核函数完成对43类交通标志灰度图像进行KFDA特征提取。实验中在三个训练集上，均采用SVM分类器在本文测试集中分类识别，测试在不同核函数参数下提取图像KFDA特征后的识别准确率。 表4-1 采用多项式核函数提取KFDA特征的分类实验结果 核参数（ ） 训练集（每类样本个数） 识别准确率（%） 0.5 训练集1（10） 69.74 训练集2（30） 81.32 训练集3（50） 84.91 1 训练集1（10） 73.52 训练集2（30） 85.48 训练集3（50） 88.35 2 训练集1（10） 75.35 训练集2（30） 87.86 训练集3（50） 89.32 表4-2 采用高斯核函数提取KFDA特征的分类实验结果 核参数（ ） 训练集（每类样本个数） 识别准确率（%） 1 训练集1（10） 75.71 训练集2（30） 85.44 训练集3（50） 87.95 3 训练集1（10） 76.51 训练集2（30） 87.85 训练集3（50） 88.73 5 训练集1（10） 77.23 训练集2（30） 89.11 训练集3（50） 90.67 10 训练集1（10） 75.24 训练集2（30） 87.52 训练集3（50)） 88.17 使用不同的核函数及参数会对交通标志的识别率有一定的影响，这个我们可以从表4-1和表4-2中的实验结果看出。当核函数相同时，我们增加训练样本数，对应的KFDA特征的识别率也在提高。实验结果显示，对类内和总体散布矩阵的估计随着训练样本数的增加而变得越来越准确，识别的准确率也随之提升。然而，在训练样本数相同下，核函数采用高斯核函数对图像提取KFDA特征比采用多项式核函数进行分类的识别准确率更高。 4.3.2基于spBKFDA特征分类实验 本节的实验以交通标志训练集3作为训练集，在本文所采用的数据集中的测试集上进行测试，对交通标志图像按照四种尺度划分： 、 、 、 。使用的和函数为高斯核函数（ =5）。在3种不同的划分策略下，分别提取四种划分尺度的子模式组合特征，然后在SVM分类器中进行分类识别。发现用第二种策略对交通标志图像划分时块与块之间包含 大小的边缘，表4-3是第三种策略划分时使用的参数。 表4-3 第三种策略划分的参数 分块尺度（p×q） 块大小 左右块重叠大小 上下块重叠大小 2×2 30×30 30×10 10×30 2×3 30×20 30×5 10×20 3×2 20×30 20×10 5×30 3×3 20×20 20×5 5×20 通过对图4-6的实验结果分析可知：采用重叠划分交通标志图像的识别准确率比其它两种划分策略更高。在同一划分策略中，识别准确率也随采用不同的划分尺度提取子模式组合特征而有差别。实验结果可以看出，在采用 的滑动重叠策略划分时，在本文的测试集上进行实验能取得最佳的交通标志识别率，如表4-4所示。 表4-4 3×2的重叠分块策略提取子模式组合特征的实验结果 交通标志种类 总数 正确识别数 识别准确率(%) 全部 12629 12073 95.6 圆形(含八边形) 6100 5806 95.18 三角形 5695 5461 95.89 菱形 834 806 96.64 为了验证本文特征提取的有效性，我们还用其它的特征提取方法进行了实验。表4-5就是在相同的训练样本情况下（训练集3），子模式组合特征提取方法和其它几种 特征提取方法在测试集上进行基于SVM的识别实验所得到的实验结果： 图4-6 三种划分策略下四种划分尺度的子模式组合特征识别 表4-5 不同特征的实验结果比较 特征提取方法 KFDA wBKFDA 子模式组合(spBKFDA) 识别准确率(%) 90.67 94.73 95.6 通过对识别结果分析可以得出：在使用 的重叠分块策略提取得到的子模式组合特征进行识别时，发生识别错误，将样本识别成同一类型的其他样本，如图4-7和图4-8所示，限速标志50被识别为限速标志60。在所有的标志类型中，三角形标志和圆形标志被识别错误的概率最高。 图4-7 识别错误的圆形样本 图4-8 识别错误的三角形样本 4.4本章小结 本章主要研究了交通标志两种特征提取方法：基于KFDA的特征提取和基于spBKFDA特征提取。为了提高识别的准确率，对分块策略做出了一些改进，包括交叠边缘分块方法和块与块之间重叠一定区域滑动的分块方法。 5 融合AdaBoost和SVM的交通标志识别 在以基于径向基核函数的PTSVM（RBF-PTSVM）为基分类器的交通标志识别中，引入一种对AdaBoost算法进行改进的变 的AdaBoost算法应用，可以提高交通标志识别性能。 5.1基于SVM的交通标志识别 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。在科学研究中，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[28]，因此在这几方面的研究中，基于SVM的分类器研究一直是一个重点。 5.1.1基于SVM的线性可分和线性不可分 1）线性可分 SVM是在1995年提出来的，它在小样本、非线性及高维样本分类中具有很强的优势。在线性可分的两类分类问题中，我们希望找到一个最佳平面，使得两个类的数据点间隔最大，我们称这个平面为最大间隔超平面。SVM就是通过寻找这样一个最大间隔超平面来构造决策函数，如图5-1所示。 图5-1 最优分类超平面H 如图5-1，如果存在两类样本a和b，黑色三角形记为a类，白色圆形记为b类。可以找到一条直线 将a类和b类完全分开，在距离 最近的a类样本中我们可以找到一条直线 ，同理也可以找到b类中的一条直线 ，三条直线 、 和 互相平行。把 和 之间的最短距离记为Margin，称作边界距离。SVM分类器构造的主要思想就是在进行两类样本分类时，能够找到一条将两类样本完全分开并且实现Margin最大化的直线[29]。 假设有两类待分的样本，用 表示，其中 表示样本的个数， 为观测数据， 为样本类别标号。我们要在空间中找到一个最优超平面，使得这两类已知的样本能够完全分开来。最终的分类函数可以表示为： （5-1） 式中， 为偏置常数项，通过式 利用任意一个支持向量即可求得。 2）线性不可分 前面介绍了基于SVM的线性可分，在本节中我们将介绍基于SVM的线性不可分情况。当测试样本数据线性不可分时，将样本数据集通过核函数 映射到高维空间，使之变为线性可分的样本集，这样，在映射后的高维空间中SVM就可以寻找最优超平面，使样本数据集实现线性可分。 在使用核函数之后，分类判别函数就可以转换为如下形式： （5-2） 鉴于核函数的类别多种多样，在实验中采用不同的核函数也有可能会得到不同的分类结果。因此，我们在运用SVM进行分类之前，首先要确定到底选取哪一种核函数。对于核函数的选择，目前并没有统一的判定准则，我们只能先对不同的核函数实验并观察最后的分类结果，选取分类效果最好的核函数作为实验用的核函数。 在实验中经常用到的核函数有如下几种： （1）线性核函数 （2）多项式核函数 （3）高斯径向基核函数 （4）Sigmoid核函数 （5） 5.1.2基于SVM的多类分类 支持向量机（SVM）算法主要是为了解决两类的分类问题，所以最传统的SVM分类器只适合在两类分类中使用。然后我们经常遇到的是多类的分类问题，这个时候传统的SVM不能够用来进行分类。常见的文本识别、字符识别包括本文的交通标志识别都是多类分类问题。如今对SVM研究的热点是如何让其用于多类别的分类中。目前，在多类别的分类中使SVM的方法主要有两种[30]： 1）一对一 一对一分类方法的基本思路为：用多类中的任意两类样本构建一个两类分类器，然后采用SVM分类器将两类样本的数据分开。假设有 类，则需要构建 个SVM分类器。在最后的判别过程中我们采用投票的方法，对于某个待分类的样本，在 个分类器中哪个类别识别的最多，则为该样本的所属类别。当对第 类和第 类样本进行分类时需要用到决策函数，其基本形式为： ， 并且有 对于一对一方法，由于是单个分类模型，故具有易于扩展、训练简单的特点。但是SVM分类器的数量会随类别多而变多，这样就会影响识别速率，并且可能会存在无法识别的区域，如图5-2（a）所示，其中的区域“1”就是无法识别的区域。 2）一对多 一对多分类方法的基本思路为：假设有一个 类的分类问题，我们用任意一类与其他 类构建一个两类分类器，来寻找最优超平面。这种方法需要构建的两类分类器的总数为 个，对某待分类样本 进行分类时，使用的决策函数为以下形式： （5-3） 因为一对多的SVM分类器数量少，所以，对于类别数相对较多的分类问题，一对多的方法比较适用。但是，一对多的方法可扩展性较差，分类器训练复杂，并且所有的分类器在当类别种类改变时需要重新进行训练。另外，用一对多的方法对图像进行分类的时候也存在无法识别的区域，不能判断出所检测的对象到底属于哪一类，如图5-2（b）所示。对比图5-2（a）和图5-2（b）发现，用一对多的方法分类时出现无法识别的区域的几率比用一对一的方法更多。一对一方法仅出现区域“1”无法识别，而一对多方法有“1”，“2”，“3”，“4”四个盲区。 （a）一对一的SVM分类器无法识别区域 （b）一对多的SVM分类器无法识别区域 图5-2 多类分类中SVM方法无法识别的区域 5.1.3传统SVM存在的不足 就目前的机器学习方法而言，传统的SVM较其他方法还是表现出了不错的优势，却也存在一定的缺陷：首先，在大样本的数据分类问题中，分类器训练将会消耗很多的时间。通过实验可以证明，假设训练样本的数量为N时，实验中的分类器训练时间复杂度将为O（N^3）。由此可看出，传统的SVM分类器在对大规模的样本集数据进行训练时，将会受到了很大的限制，影响目标识别速率。其次，在样本数据集较为复杂的情况下，传统的SVM分类器不能满足实验的要求，比如复杂的XOR问题，如图5-3所示。 图5-3 比较复杂的XOR问题（其中蓝色代表第一类，红色代表第二类） 5.1.4 SVM算法的改进 针对传统SVM的缺陷，很多的专家学者提出了改进的SVM算法，并且经过实验证明，这些方法与传统的SVM对比有一定的改善。 1）最小二乘支持向量机[31] 1999年，Suykens和Vandewalle提出了最小二乘支持向量机（Least Square Support Vector Machine，简称LSSVM）算法。 LSSVM对传统SVM的改进体现在以下两个方面：一是传统SVM中的不等式约束改用等式约束代替；二是将求解线性方程组替代求解二次规划问题。LSSVM不仅降低了SVM分类器训练过程中的时间复杂度，还避免了算法中出现不敏感的损失函数。分类器的求解过程中得到的最终决策函数为： （5-4） 2）并行支持向量机 2001年，并行支持向量机（Parallel Support Vector Machine，简称PSVM）由Glenn Fung和Olvi L. Mangasarian提出来了。 PSVM是一种快速简单的支持向量机方法，其基本思想是找出满足这样两个条件的超平面：一是让将尽可能多的样本点分布在这两个超平面的周围；二是使得这两个超平面之间的间距要尽量大。PSVM相对于传统的SVM从存储空间和执行速度两方面进行了改进，分别采用了基于列的矩阵分解的方法以及并行内点求解方法。 假设某待测样本为 ，可得： 那么 那么 那么 或者是 3）广义特征值近似支持向量机 传统SVM的时间复杂度和空间复杂度被降低，这是PSVM的优点是 [32]。但是，PSVM也存在不足。PSVM在处理一些较难问题时，比如XOR，不能很好的解决交叉的数据所带来的困难。鉴于此，Olvi L. Mangasarian 和 Edward W. Wild于2006年提出了广义特征值近似支持向量机（Proximal Support Vector Machine via Generalized Eigenvalues，简称GEPSVM）用来克服XOR问题。 GEPSVM的基本思想：找到两个超平面，然后使得本类中的样本数据尽可能的与之接近，同时，尽量远离另一类中的数据。而通过对广义特征方程进行求解，可以得到GEPSVM中的两个最优超平面，对于一般的XOR问题GEPSVM能很好的解决。 GEPSVM中的两个超平面设为： （5-5） 通过广义特征值求解上述两个最优问题。 （5-6） 我们所需要的两个最优超平面即为上述两个矩阵的最小特征值对应的特征向量。 4）双联支持向量机 2007年，Jayadeva等人提出了双联支持向量机（Twin Support Vector Machines，简称TSVM）的概念[33]。TSVM是在GEPSVM的基础上提出来的，属于两类分类方法。 为每类样本构造一个超平面，这是TSVM的基本思想，这样，使得每一个超平面的周围尽可能的围绕着本类的样本，而远离另一类样本的超平面。对于超平面所属类别的判断，在分类的过程中，距离测试样本近的超平面所对应的类别，就是该测试样本的所属类别。TSVM所得到的两个超平面不需要一定平行，这与构造两个平行的超平面的方法不同。 TSVM中的两个超平面可设为： （5-7） 引入拉格朗日函数到上述两个最优化问题，根据KKT最优条件，化简求得： 最后判断输入的测试样本属于哪个类别时，我们可以根据决策函数 做出分类。 5）多权重向量投影支持向量机 2012年，Qiaolin Ye 和 Chunxia Zhao 等人提出了多权重向量投影支持向量机（Multi-weight Vector Projection Support Vector Machine ，简称MVSVM）的概念[34]。 图5-4 数据样本分布的特殊情况 MVSVM的基本思想，是寻找两个最佳的权重向量投影，基本方法是，通过一个简单MATLAB命令，来求最大特征值对应的特征向量，以此来获取每一个权重向量投影。相对于传统的SVM来说，GEPSVM具有一定的优势，它有效地解决了XOR问题，降低了时间复杂度并且提高了识别率。但MVSVM也存在着一些不足，例如对于XOR问题，要求某一类的样本的数量要多于另一类样本的数量，或者当某一类型的数据样本集与另一类的数据样本集靠的很近，而与本类样本数据集靠的较远时，如图5-4所示，MVSVM的识别率就不太高。 （MVSVM1） （5-8） （MVSVM2） （5-9） 通过矩阵 和 的最大特征值对应的特征向量可得最优的 和 。 6）类内方差最小化的递归投影双联支持向量机 2011年，一种类内方差最小化的递归投影双联支持向量机（ProgressiveTransductive support vector machine，简称PTSVM）由Xiaobo Chen和Jian Yang等人提出来了[35]。 PTSVM的目的不是寻找超平面，而是寻找投影向量的坐标轴，这一点与TSM和GEPSVM有所不同。PTSVM不是通过求解特征值问题来寻找投影向量坐标轴，而是通过求解一对SVM类型的问题来寻找。另外，PTSVM不是对每一类只寻找一个投影向量坐标轴，而是通过提出的递归算法来寻找多个投影向量坐标轴，这两点与MVSVM不同。 PTSVM对应的两个二次规划问题为： （PTSVM1） （5-10） （PTSVM2） （5-11） 其中， 和 为非负松弛变量， 和 为两个惩罚因子。 通过计算，可得函数的对偶问题为： （5-12） 最优解可以通过求解上述的二次规划问题获得。PTSVM2的最优解也是如此。 5.2基于径向基核函数的PTSVM的交通标志识别 在交通标志识别过程中，PTSVM分类器的识别性能不仅受标志图像特征的提取的影响，还受建立的PTSVM训练模型的直接影响。交通标志识别的基本结构图如图5-5所示。 图5-5 交通标志识别的基本结构 PTSVM训练模型主要由核函数的选取、训练样本集的建立、分类方法的选取三部分构成。训练模型是交通标志识别中的最为关键的部分，因为分类器性能直接由训练模型的建立决定。PTSVM分类器训练完后，输入的样本 通过决策函数进行判决运算，而获得的支持向量、拉格朗日乘子 等参数则会直接参与运算，另外分类器的性能也受判决过程中判决方法选取的影响。 SVM分类器中会引入核函数，它的作用就是我们之前提到过的，将线性不可分的低维数据样本变为线性可分的高维样。在模型的建立中，核函数的作用极为重要，然而核函数的种类很多，目前的科学研究中，对于核函数 评价 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 ，还没有一个统一的标准，我们只能通过实验对比，选取识别效率最好的核函数建立训练模型，本文选择的是径向基核函数建立训练模型。 我们都知道SVM相比其他机器学习方法有很多优势，这点在前面已经介绍过。在各个优势中，SVM最大的优势在于训练样本集较少的情况下有很强的泛化能力，使得所建立的模型精度更高。 决策导向非循环图（DDAG）是一种经常使用的多类分类方法，DDAG决策分类示意图如图5-6所示。它将多个两类分类器组合成了一个多类分类器，采用一对一的方法对样本进行训练，假设样本集里有N个类别，则最终将会产生 个两类分类器。当分类器较多时，使用一对一进行决策，会耗费大量的时间。为了避免这个缺陷，我们引入了DDAG，首先把 个两类分类器组合成一个导向非循环图，在该图中有N个叶子节点（代表N种标志类别），用 个内部节点去代表每个两类分类器。决策在当输入某一测试样本进行分类时从根节点的分类器开始，对测试样本进行分类，是使用节点左侧还是右侧的分类器，由根节点的决策结果决定。按照这样策略继续下去，决策在到达叶子节点时结束，该叶子节点的类别就是该样本所属类别。 识别速度快是DDAG方法的优点，对N种类别的决策问题仅需要对测试样本判断N次就可以得出识别结果。最终的分类结果会直接受到根节点分类器的选择的影响，这是DDAG方法的最大缺点。因此，我们可以将两类分类器中识别率最高的那组作为根节点的分类器，从而克服这一缺点。 图5-6 DDAG决策分类示意图 5.3融合AdaBoost和SVM的交通标志识别 目前对集成算法的研究越来越受到专家学者的关注，而AdaBoost就是其中比较受关注的算法。集成学习的主要思想是将多个弱分类器进行组合，使其成为一个强分类器，然后进行目标识别。集成学习适合在单个分类器的性能较低时使用。近几年，在对机器学习的研究中经常能看到集成学习的身影，集成学习已在多个研究领域得到了广泛的应用[36]。 5.3.1 Boosting算法 Boosting算法是由概率近似正确PAC（Probably Approximately Correct）模型衍生出来的。它的基本思想是通过某种组合方法，将一系列比随机预测稍微高点的弱分类器构成一个高精度的强分类器，然后用这个组合分类器进行实验。 通过对Boosting算法的证明，Kearns和Valiant提出了强学习和弱学习的概念。弱学习是指一个分类器对测试对象的分类正确率仅比随机分类略好，而强学习是指一个分类器能够将大部分所要进行测试的对象进行正确的分类。Kearns和Valiant指出，在有足够数据的条件下，弱学习能通过集成的方式转化为强学习。 上世纪90年，Schapir提出了第一个Boosting算法，其算法示意图如图5-7所示。它的基本思想是首先从训练样本集中选出一个子样本集，这样一系列的弱分类器就能通过对这些子样本集进行训练产生。这些子样本集的构成规则是：假设样本被弱分类器分类错误，在下一个即将进行训练的样本子集中这些样本将会以较大的概率被存放，前一个分类器分类错误的样本将会受到下一个弱分类器的重点关注。虽然，分类器的整体性能通过Boosting算法将弱分类器组合成强分类器得到了提升，但是分类器需要在进行训练之前确定弱学习机的分类正确率的下限，而且过分注重分类错误样本可能导致分类器不稳定，这是分类器存在的缺陷。 图5-7 Boosting算法示意图 5.3.2 AdaBoost算法 1995年，Schapire和Freund提出了AdaBoost（全称Adaptive Boosting）算法，该算法在Boosting算法的基础上有所改进，并能有效的克服Boosting中的缺点。每一个参与训练的样本在训练时都被赋予了一个权值，该样本的权值随着某个样本被错误分类而逐渐增大，这是AdaBoost与Boosting的不同之处。样本被选入下一个训练子样本集的概率由权值的大小决定，入选的可能性随权值的增大而增大，随权值的减小而减小。样本的权值随着训练次数变化，样本被错误分类则增大权值，样本被正确分类则减小权值。 AdaBoost算法的基本思想是：先假设有一个这样的训练样本集 ，其中 。首先将初始权重1/m赋给参与训练的样本。然后，由对当前的样本集训练的结果得到一个基分类器，此时，在分类器上会有样本分类结果，据此对样本的权值进行更新。进一步，对样本的权值按照从大到小的顺序作出排序，从中选择合适数量的样本，以便构建下一个训练样本子集，反复迭代进行N次之后，会得到一个具有不同权值的估计序列 。 5.3.3变 的AdaBoost算法 分类系统的性能会受到惩罚因子C和RBF核函数参数 影响。如果将相同的C和 应用到每一个分类器，则分类器的泛化推广能力会被降低。从文献[52]中知道，受 的影响最大的是基于RBF核函数的SVM分类器。于是，得出这样一个结论：如果给定一个合适的惩罚因子C，那么核函数参数 将决定分类器的性能。 在传统AdaBoost的分类器中使用PTSVM时，若 取值过小，则训练样本会出现过拟合现象，因为分类器非常健壮；若 的取值过大，则基分类器的性能会非常弱，从而导致分类的准确率降低，甚至低于随机选取时的精度。虽然目前分类器中选取的合适参数的方法很多，例如梯度下降搜索法、交叉验证法、遗传算法、双线性法等。但是，这些方法在应用时并不实用，因为这些算法存在着收敛速度慢或者耗时或者容易陷入极小值等缺点。 为了克服前面提到的参数选取方法中的缺点，本文在传统AdaBoost算法的基础上采用了变 的AdaBoost算法，参数 根据基分类器的识别结果将进行自适应的调整，分类器的性能得到了明显改善。 变 的AdaBoost算法的主要思想是：在训练基分类器之前先给定一个较大的 初始值，若分类器的识别精度低于随机猜测时的精度， 的值将被减少。反之，不改变 的值，在下一个基分类器继续使用。一旦 达到了事先 规定 关于下班后关闭电源的规定党章中关于入党时间的规定公务员考核规定下载规定办法文件下载宁波关于闷顶的规定 的最小值，将不再减少 的值。这样就可以得到一组有合适的分类精度的基分类器。最后，用AdaBoost算法将这些弱分类器组合成一个具有高精度的总体分类器。 该算法的实现步骤为： Step.1：给定训练集： 。其中 ，表示 （ ）的正确的类别标签。 的初始值、最小值和步长分别表示为 、 和 。 Step.2：训练集上样本的初始权重分布： ， 。 Step.3：如果 ， （a）训练RBF-PTSVM基分类器 （b）计算分类器 的训练误差： （c）如果 ， ，返回Step.1 （d）计算基分类器 的权重： Step.4：更新训练样本的权重： ，其中 为归一化常数，并且 Step.5：最后的强分类器为： 。 为了验证变 的AdaBoost算法对分类器性能的改善效果，在此文章选用德国交通标志数据库进行小样本实验，基本步骤是： 首先对通过摄像机对部分交通标志进行采样预处理，分别为图像去噪与图像灰度化化处理，处理完后，样本图像变为灰度图像； 然后对预处理后图像提取特征，对特征向量采用4.3节中的提取算法完成转换； 最后，把特征向量作为分类器输入，用本节采用的变 的AdaBoost算法训练分类器，输出训练分类器模型。以上工作完成后，将部分样本作为测试样本用分类器模型对测试样本分类，然后将不能识别的样本作为训练样本重新输入分类器模型，重新训练，直到所有样本均进行了测试。 图5-8 变 的AdaBoost算法的流程图 通过验证识别算法的识别效率，运行SVM于变 的AdaBoost两种识别算法，总识别率如表所示， 表5-1 总识别率 标志识别率 非标志识别率 变 的AdaBoost算法 90% 91% SVM算法 85% 86% 其中SVM参考相关研究中的最优参数r=0.0012,c=84。 对不同数量的训练样本，识别效率用g-means衡量，横坐标为训练样本数，用变 的AdaBoost算法进行训练和识别的效果如图所示： 图5-9变 的AdaBoost算法 通过结果表明，变 的AdaBoost算法对于样本质量依赖性较小，性能较为稳定。而SVM对于样本质量要求较高，不适用于交通标志识别的实时环境。 5.4本章小结 本章首先介绍了传统支持向量机，从线性可分和不可分、惩罚因子、多类别的分类方法和核函数的选取、松弛变量等多方面对SVM进行了介绍；接着对目前比较先进的支持向量机方法及其模型进行了介绍，并讨论了传统支持向量机的缺点，通过一系列的对比实验确立了本文使用的支持向量机方法——PTSVM；然后根据SVM的理论知识创建了交通标志的训练模型，并对其中的细节问题如核函数的选取、多类别分类方法的选取和样本集的建立等进行了分析；最后采用了一种自适应 的AdaBoost和RBF-PTSVM相结合的算法，以提高分类器的识别性能。 6 交通标志识别的实现与运行分析 6.1识别目标及识别内容 综前所述，本文的目的是采用一种有效的方法对交通标志进行识别。影响交通标志识别因素有很多，如对采集到的标志图像的预处理，交通标志的检测方法，交通标志的特征提取准确度等等。对于这几个因素，前文已经有相关算法解决。为了更好的识别交通标志，第五章在理论上阐述了一种变 的AdaBoost算法，该算法对AdaBoost算法进行了改进，且将其应用到以基于径向基核函数的PTSVM为基分类器的交通标志识别中，可以提高交通标志识别性能。 为了保证识别性能，一个好的PTSVM分类器训练模型的建立至关重要。第五章阐明训练模型影响交通标志识别性能核函数的选取、训练样本集的建立、分类方法的选取等最为关键的三个部分，它的建立直接决定着分类器性能。本章首先对系统继续设计和实现，然后通过实验对采用的各个算法性能进行测试，以便对所采用的算法的性能能够更直观的分析和说明。测试内容主要包括对上一章采用的各种两类分类器性能的测试、对PTSVM两类分类器训练模型性能的测试、PTSVM分类器对测试样本识别性能的测试，最后，设计了基于传统SVM方法和基于传统的Adaboost和RBF-PTSVM相结合的方法，以及本文采用的基于变 的Adaboost和RBF-PTSVM结合的算法，对每类交通标志中的400幅测试样本进行了识别的实验。 6.2 交通标志自动识别的仿真实现 本文采用MATLAB的图形界面（GUI）对交通标志自动识别系统进行仿真实现。GUI是一种包含多种对象的图形窗口，并为GUI开发提供一个方便高效的集成开发环境。GUIDE是一个集成MATLAB所有GUI支持控件的界面设计工具集。运行时，GUIDE将设计好的GUI保存在一个FIG文件中，同时生成M文件框架。其中.fig文件包括GUI图形窗口及其所有FIG文件包含序列化的图形窗口对象；.m文件包括GUI设计、控制函数以及定义为子函数的用户控件回调函数。 使GUI进行系统的实现时，GUIDE可以根据GUI设计过程直接自动生成M文件框架，优点是M文件已经包含一些必要的代码；管理图形对象句柄并执行回调函数子程序；提供管理全局数据的途径；支持自动插入回调函数原型等。 6.2.1 识别系统的运行环境 该软件的具体运行环境如下： 软件环境：32位Windows XP操作系统；在MATLAB7.0环境中进行设计； 硬件环境：处理器Intel(R) Pentium(R) CPU P6000 @ 1.87GHz RAM 2.00GHz； 数据采集：1920*1080的佳能eos 40d相机、索尼阿尔法900标准镜头相机、佳能HF R48摄像机、尼康D7000相机。 6.2.2 识别系统的整体流程 本文在图像信息噪声消除部分，采用中值滤波消除交通标志图像中的噪声，用维纳滤波消除图像采集过程中产生的运动模糊；在标志识别部分，采用颜色和形状相结合的交通标志检测方法；在特征提取方面，采用基于子模式组合的分块核函数特征（spBKFDA）的提取方法，并对图像分块进行改进；算法部分，采用对AdaBoost算法进行改进的变 的AdaBoost算法。根据各部分采取内容，本系统流程如下6-1所示。 图6-1识别系统的整体流程图 6.2.3 识别过程的界面 根据本系统设计要求，实现交通标志自动识别，运用MATLAB对文件进行编辑，MATLAB作为图形化仿真工具在模拟运行方面有着成熟和完善的流程和体系，用MATLAB进行仿真，支持多种函数运用，同时可以实现编程，这种编程容易调整和操作，实时性强，而且MATLAB集成了较多领域的工具箱，可以直接调用，更有针对性。 首先在MATLAB中启动GUIDE的方法是在MATLAB命令行中输入命令： >>guide 或者通过开始菜单选择MATLAB下的“GUIDE”命令，这时GUIDE Quick Start窗体将会被MATLAB直接启动，图形用户界面的类型可以在窗体中进行初步选择，如图所示。 图6-2 打开GUIDE 通过GUIDE的模板可以速度创建界面，这里有几个类型界面：空白界面（Black GUI）、具有图形控件的界面（GUI With Uicontrols）、具有菜单和坐标轴的界面（GUI With Axes and Menu）、模式对话框（Modal Question Dialog），本测试中直接选择空白界面，如图所示，左侧围各类空白模板控件，右侧为空白区域， 图6-3 GUIDE模板图 系统整体界面，通过编辑interface.m予以实现，在MATLAB中运行文件结果如图6-4所示。 图6-4 系统运行界面 interface.m中部分代码如下： gui_Singleton = 1; gui_State = struct('gui_Name',       mfilename, ...                    'gui_Singleton',  gui_Singleton, ...                    'gui_OpeningFcn', @interface_OpeningFcn, ...                    'gui_OutputFcn',  @interface_OutputFcn, ...                    'gui_LayoutFcn',  [] , ...                    'gui_Callback',   []); if nargin & isstr(varargin{1})     gui_State.gui_Callback = str2func(varargin{1}); end if nargout     [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); Else     gui_mainfcn(gui_State, varargin{:}); end [filename,path]=uigetfile('*.jpg','打开文件'); allfilename=strcat(path,filename); ima=imread(allfilename); axes(handles.axes1); imshow(ima);title('输入的图像') [imshowage,flag]=Require(ima); 对系统其他文件进行编写，整体系统文档结构如下，部分文件列表： 图6-5 系统文档结构图 6.2.4 识别图像的预处理过程 按照系统设计整体流程，首先对图像进行随机噪声消除和运动模糊的消除。编写文档noise.m，具体实现： I=imread('r1.bmp'); figure imshow(I); I=imread('r1.bmp'); imshow(I); J=imnoise(I,'salt&pepper',0.02); J=imnoise(I,'salt & pepper',0.02); figure imshow(J); imwrite(J,'r11.bmp','bmp')； 预处理和提取相关的图像信息，编辑文档Require.m，具体实现： %生成函数 imshowage=Require();将图片中的路标提取出来，并保存为result.png,保存在当前目录； %将原图象初始化为待提取的图象； function [imshowage,flag]=Require(ima) %clear %clear %[FileName,PathName] = uigetfile({'*.*';'*.bmp'},'File Selector'); %I=imread(FileName); %I=imresize(I,[592 748]); I=ima; %figure,imshow(I);title('原图'); %I=imresize(I,[592 748]); Hsv=rgb2hsv(I); %将图像由RGB颜色空间转化为HSV颜色空间 %figure,imshow(Hsv);title('Hsv'); I1=Hsv(:,:,1); %记录颜色亮度为1的数据,以便之后再利用颜色阀值找出红色 %figure,imshow(I1);title('Hsv(:,:,1)'); BW=roicolor(I1,0.0277,0.032); %利用颜色阀值将红色对象都都显示为白色,其余都为黑色,至此完成图象的二值化 %figure,imshow(BW);title('只显示红色'); se=strel('disk',10); %创建一个指定半径10的平面圆盘形的结构元素 BW1=imclose(BW,se);%将图象置白色； SE=ones(10); PZ=imdilate(BW1,SE);%将二值图象膨胀； %figure,imshow(PZ);title('膨胀后的图象'); TC=bwfill(PZ,'holes'); %figure,imshow(TC);title('填充后的图象'); L=bwlabeln(TC); %对连通对象的各个分离部分进行标注,L中包含了连通对象的标注。默认值为8连通。 S=regionprops(L,'Area','Centroid','BoundingBox'); %获取标记图像L中所有区域的一系列特征付给S cent=cat(1,S.Centroid);%把S.Centroid沿第一维排列 boud=cat(1,S.BoundingBox); %把沿第一维排列 Len=length(S); t2=0;t4=0;t7=0;t8=0; 6.2.5 获取识别特征变量的过程 获取特征变量，通过编写sift.m实现，部分实现过程的代码如下： if isrgb(image) image = rgb2gray(image); end [rows, cols] = size(image); % Convert into PGM imagefile, readable by "keypoints" executable f = fopen('tmp.pgm', 'w'); if f == -1 error('Could not create file tmp.pgm.'); end fprintf(f, 'P5\n%d\n%d\n255\n', cols, rows); fwrite(f, image', 'uint8'); fclose(f); 6.2.6 图像匹配的过程 图像匹配识别过程的文件为tt1.m： im2=imread('mid2.bmp'); %figure,imshow(im2); num=Mth(im2,im1); if (num>7) msgbox('禁止鸣笛！','基本信息'); end im3=imread('youguai.bmp'); %figure,imshow(im3); num=Mth(im3,im1); if(num>7) msgbox('禁止右拐！','基本信息'); end im5=imread('zuoguai1.bmp'); %figure,imshow(im5); num=Mth(im1,im5); if(num>7) msgbox('禁止左拐！','基本信息'); end im4=imread('50.bmp'); %figure,imshow(im4); num=Mth(im4,im1); if(num>7) msgbox('减速！限速50km/s','基本信息'); end im6=imread('限速.bmp'); %figure,imshow(im6); num=Mth(im6,im1); if(num>7) msgbox('减速！限速5km/s','基本信息'); 6.3仿真识别的结果分析 6.3.1几种识别方法的性能对比 对传统SVM算法、PSVM算法和PTSVM算法的性能分别进行运行仿真运行，结果如表6-1所示.实验中对每个类别使用50幅训练样本和400幅测试样本。 表6-1 各种SVM方法的运行结果对比 传统的SVM PSVM PTSVM 训练（%） 训练（%） 训练（%） 测试（%） 测试（%） 测试（%） 时间（ms） 时间（ms） 时间（ms） 89.6 89.7 95.3 88.7 89.4 94.0 12.1 18.5 22.4 由上表的对比结果可知，PTSVM法在本文中的实验效果最好，因而在交通标志训练和识别阶段中常被采用。 6.3.2 PTSVM性能分析 训练模型主要由核函数的选取、训练样本集的建立、多类分类方法的选取三部分构成，它的建立直接决定着分类器性能，是影响交通标志识别性能最为关键的部分。故此分别设计了对核函数性能的测试、对训练样本集性能的测试和多类分类方法的性能测试。 1）核函数性能分析 分别用多项式核函数、高斯核函数、线性核函数和Sigmoid核函数进行了识别性能比较运行。实每类随机选取50个训练样本和200个测试样本。 核函数代号说明： 图中的“1”代表线性核函数，“2”、“3”、“4”分别代表阶数 、 、 时的多项式核函数，“5”代表径向基（RBF）核函数，“6”代表Sigmoid核函数。 惩罚因子及各类核函数参数的说明： ● 径向基核函数，选取 为0.005； ● Sigmoid核函数，选取 。 ● 惩罚因子C=100； ● 线性核函数，无参数； ● 多项式核函数，阶数分别取 ， ， ； （a）训练时间比较 （b）支持向量个数比较 （c）各个核函数的平均识别时间 （d）各个核函数的识别准确率 图6-6 各个核函数的识别性能比较 在训练时间方面，从图6-6（a）可以看出速度最快的是线性核函数和RBF核函数，而且两者相差不大。然而，时间复杂度随着阶数的增加而变大，这会导致训练时间也随之增加。 支持向量（SV）个数方面如图（b）所示，RBF核函数得到的SV的个数最少，但是SV个数的多少在不同类型的核函数之间不足以说明什么，因为不同类型的核函数算法复杂度也不相同。一般认为在核函数的类型相同情况下，SV个数越少识别速度就会更快 图（c）显示了各个核函数的平均识别时间，识别速度较快的是RBF核函数和线性核函数。 识别准确率如图（d），四种核函数中除Sigmoid外，其它三种核函数的识别率不相上下。这说明最终的识别结果不会因为选用了不同的核函数类型进行训练而产生太大的影响，识别率有差异的原因是参数的选择不同引起的。 实验表明，RBF核函数较其他类型的核函数在识别性能的各个方面有一定的优势，RBF核函数所需的训练时间比较短，支持向量的个数比较少，用的平均识别时间相对较少，识别准确率也比较高。因此，综合RBF核函数的性能，本文将采用径向基核函数对分类器进行训练和对样本进行分类。 2）训练样本集的性能分析 为了验证最终识别性能受到不同数量样本的训练样本集的影响，设计了不同训练样本集对交通标志识别的影响的实验。在实验中首先对每类样本选取5组不同的样本集（样本数量分别为：10，20，50，100，200），根据实验结果建立适合交通标志识别的样本集。 训练完成后，随机抽取每类测试样本集中300幅测试样本进行实验，在图6-2中展示了实验对比结果。 （a）平均训练时间 （b）平均SV个数 （c）平均识别时间对比 （d）平均识别准确率对比 图6-7 不同训练样本集对交通标志识别的影响 当训练样本个数为20个时，从图（d）可以看出，不同标志的88%以上平均识别率充分体现了PTSVM的泛化能力。虽然前面关于机器学习的理论说明了分类器对交通标志的识别率会随着训练样本个数的增加而提高，但是识别率不会无限的接近一个上限。当训练样本的个数多于50个时，从实验结果可以看出交通标志的平均识别率虽然也有提高，但是提高的幅度并不是很大。从图（c）可以看出，因为SV的个数增加，识别时间会也会随着训练样本数的增加而增加。由决策函数可知，SV中的系数 会参与其中的运算，相同的核函数和特征维数的SV的数量对分类器的分类速度有着很大的影响，识别速度会随着SV数量的增多而降低。 实验结果表明，训练样本越多它的识别率就会越高，但是无限制的增加训练样本会导致识别速度降低，所以我们不能一味的提高训练样本数量。然而，选取少量的样本会提高识别速度，但是会降低识别准确率，集进行实验的样本数量的选取要合适。本文在构建训练样本集时对每类交通标志选取定为50个样本，这样不仅保证了识别准确率，也不会降低识别速度。 3）多类分类方法的性能分析 多类分类方法的选取也对训练模型的性能产生一定的影响，因此，我们设计了一组实验来从识别速度上选取一种识别速度快的多类分类方法。实验中我们分别选择了决策导向非循环图（DDAG）方法与传统的“一对一”和“一对多”方法进行了比较，结果如图所示。 （a）平均识别时间 （b）平均识别率 图6-8 不同分类方法的识别时间比较 其中，“1”、“2”和“3”分别代表一对一，一对多和DDAG方法，实验结果是在相同的训练数据和测试样本情况下得出来的。 上图的实验结果表明，在识别性能上DDAG决策方法具有明显的优势。 6.3.3 PTSVM识别 表6-2是采用PTSVM分类方法对每种类别中的400幅测试样本进行识别实验的结果，我们设定RBF核函数的 值为0.005，取参数惩罚因子C为100。 从表6-2我们可以看出，利用PTSVM分类器得到的标志识别准确率并不是很理想。所有的PTSVM两类分类器用的是同样大小的惩罚因子C和RBF核函数的参数 是导致分类效果不理想的主要原因。因为误分类样本的重视程度是由惩罚因子C控制的，而高维空间中样本特征向量分布的复杂程度是由参数 控制的，所以对不同的两类分类器应该采用与其相适应的C和 。如果这两个参数的引用值在所有的分类器中都一样，则会导致分类效果较差。本文接下来将对PTSVM分类器进行改进，并采用了基于改进的AdaBoost算法和PTSVM分类器相结合的交通标志识别方法，该方法能够有效的克服这一缺点。 表6-2 不同分类器的识别结果 惩罚因子 ，核函数参数 分类器类型 PTSVM 平均训练识别率（%） 91.1 平均测试识别率（%） 90.3 平均识别时间（ms） 23.7 6.3.4三种交通标志识别实验 最后，分别对基于传统SVM方法、基于传统的Adaboost和RBF-PTSVM相结合的方法和本文采用的基于变 的Adaboost和RBF-PTSVM结合的方法对每类交通标志中的400幅测试样本进行了识别对比，结果如下表6-3所示： 表6-3 不同方法下的交通标志识别率 PTSVM 传统Adaboost+PTSVM 变 的Adaboost +RBF-PTSVM方法 训练（%） 训练（%） 训练（%） 测试（%） 测试（%） 测试（%） 识别时间（ms） 识别时间（ms） 识别时间（ms） 92.6 94.1 96.7 90.3 93.8 95.6 23.7 23.5 22.4 通过实验结果可以证明，本文采用的改进方法使得交通标志识别系统的性能有很大的提升。 6.4本章小结 本章主要通过MATLAB的GUIDE进行设计和实现了交通标志自动识别系统，然后对各个算法进行实现对比，从而保证我们所选取的算法的性能是最优的。最后分别对基于传统SVM方法、基于传统的Adaboost和RBF-PTSVM相结合的方法和本文采用的基于变 的Adaboost和RBF-PTSVM结合的方法对每类交通标志中的测试样本进行了仿真识别对比实验，证明本文采用的改进方法使得交通标志识别系统的性能有很大的提升。 7 总结与展望 7.1论文总结 交通标志识别技术是智能交通系统的研究重要问题之一，本文研究和探讨了交通标志的检测、特征提取和识别，为了提高交通标志的识别率，本文采用了一种自适应 的AdaBoost和基于径向基核函数的支持向量机（RBF-PTSVM）相结合的算法。 1）在交通标志检测阶段，首先讨论了交通标志检测的方法，包括基于颜色空间模型的检测、基于形状的检测和综合颜色和形状的检测。根据交通标志的特点采用了一种将颜色和形状相结合的检测方法，同时，利用相关实验，对方法的有效性进行了验证。 2）在交通标志特征的提取，介绍了KFDA方法和基于BKFDA的交通标志特征提取，最后采用了基于子模式组合的分块核函数特征提取方法。在分类器上的实验表明，基于子模式组合的特征提取方法比其他的特征提取方法识别率更高。为了进一步的提高识别率，本文对分块策略进行了改进，在子模式的基础上，对比了相邻分块、交叠边缘分块和滑动分块，验证了本文分块改进方法的有效性。 3）本文采用了一种融合AdaBoost和PTSVM的交通标志识别方法。首先介绍了SVM的基本理论和几何模型，接着对SVM中存在的不足进行了论述。然后介绍了目前使用比较频繁的几种先进的SVM分类器，通过实验对比采用识别效果最好的一种作为本文的SVM分类器。 根据实验结果解释了识别率不高的原因，引入了集成学习中的Boosting和AdaBoost的基本理论，并对RBF-PTSVM分类器的AdaBoost方法进行了一系列改进，以解决识别率不高的问题，在交通标志数据库上实验验证了本方法的有效性。另外，实验中我们发现，RBF-PTSVM的识别性能会受到核函数参数 的影响。为了解决这个问题，本文在传统的AdaBoost方法上，采用了一种变 的AdaBoost和RBF-PTSVM分类器相结合的交通标志识别方法。在德国交通标志数据库上的实验表明，将基于子模式的提取方法得到的特征应用到融合AdaBoost和RBF-PTSVM的分类器中，能够提高交通标志的识别准确率。 7.2工作展望 随着图像处理技术、模式识别技术和机器学习的不断发展与进步，交通标志的研究工作也将越来越顺利。本文对交通标志识别的研究虽然取得了一定的成果，但是仍然存在着不足之处，需要在今后的研究中加以改进，到现在为止，主要包括以下几点： 1）减小噪声对交通标志检测的影响，在噪声比较严重时，如何对交通标志图像进行预处理。 2）为了适应复杂环境，需要采用更加完善的交通标志检测技术，进一步的提高交通标志的识别准确率。 3）为了解决同类形状标志识别错误的问题，需要进一步研究交通标志识别方法，提高识别准确率。 参考文献 [1] 陶霖密,彭振云,徐光枯.人体的肤色特征[J],软件学报,2001,5 [2] 林磊，王小龙，刘家峰. 基于Boosting的多分类器融合算法[D].哈尔滨工业大学,2005. [3] 何德伟. 支持向量机在交通标志识别中的应用[D]. 上海:上海海事大学,2007. [4] .BledsoeWW.Themodelmethodinfaeialreeognition[A],PanoramieResearehInc.,TeehniealRePortPRI:15,PaloAlto,CA,1964 [5] YangGZ,HuangT5.HumanfaeedeteetioninaeomPlexbackground[J],PatternReeognition,1994,27(l):53一6 [6] L.Priese,J.Klieber,R.Lakmann,V.Rehrmann, R.Schian.New results on traffic sign recognition. IEEE Proc.Intelligent Vehicle’94 Symposium. 1994, 249-253 [7] 罗艳, 复杂背景下的交通标志检测算法研究[D]. 中南大学,2011 [8] Muhammad, A. S., Lavesson, N., Davidsson, P., & Nilsson, M. (2009). Analysis of speed sign classification algorithms using shape based segmentation of binary images.In Proceedings of the international conference on computer analysis of images and patterns: Vol. 5702 (pp. 1220–1227). Springer-Verlag. [9] Maldonado Bascón, S., Acevedo Rodríguez, J., Lafuente Arroyo, S., Caballero, A.,& López-Ferreras, F. (2010). An optimization on pictogram identification for the road-sign recognition task using SVMs. Computer Vision and Image Understanding, 114(3), 373–383. [10] Janfluser,Tomassuk.patternreeognitionbyAffineMomentInvariantpattern.Reeognition.patternRecognition,1993,26(1):167一17 [11] 田娟,郑郁正.模板匹配技术在图像识别中的应用.传感器与微系统[J],2008,27(1):112一11 [12] 王卫, 蔡德钧, 万发贯. 神经网络在图像编码中的应用[J].电子学报, 1995, 23(7): 69-76. [13] Krumbiegel, D.L., Zwahlen, H.T. Detection of highway warning signs in natural video images using color image processing and neural networks[C]. In: IEEE World Congress on Computational Intelligence, 1994, pp. 4226-4231. [14] Arnoul, P.,et al. Traffic signs localisation for highways inventory from a video camera on board a moving collection van[C]. In: Proceedings of the Intelligent Vehicles Symposium, 1996, pp. 141-146. [15] Kuo W J, Lin C C. Two-Stage road sign detection and recognition[C]. In: International Conference on Multimedia and Expo, 2007, pp. 1427-1430. [16] N. Barne, A. Zelinsky. Real-time radial symmetry for speed sign detection[C]. In: Intelligent Vehicles Symposium, 2004, pp. 566-571. [17] Freund, Y. and Schapire, R.E. A decision theoretic generalization of on-line learning and an application to boosting, Journal of Computer and System Science, 55(1):119-139,1997. [18] 张静, 何明一, 戴玉超. 多特征融合的圆形交通标志检测[J]. 模式识别与人工智能, 2011, 24(2): 226-232. [19] Sebastian Mika,Gunnar Rätsch,Jason Weston,et al. Fisher discriminant analysis with kernels[A]. Proceedings of IEEE International Workshop on Neural Networks for Singal Processing[C]. Madison,Wisconsin, August 1999.41-48. [20] G Baudat,F Anouar.Generalized discriminant analysis using a kernel approach [J].Neural Computation,2000, 12(10):2385-2404. [21] 朱明旱,邵湘怡.基于向量组的Fisher线性鉴别分析方法[J].计算机工程与应用,2011,47(6):205-207. [22] 向以华.矩阵的特征值与特征向量的研究[J].重庆三峡学院学报,2009,25(3):135-138. [23] 边肇棋,张长水,张学工.模式识别[M].北京：清华大学出版社.2000. [24] 刘晓亮,王福龙,黄诚等.一种加权的核Fisher鉴别分析在人脸识别中的应用[J].广东工业大学学报,2009,26(4):65-69. [25] 王彩霞,赵祖轩.基于轮廓波变换和核Fisher判别分析的人脸识别[J].计算机应用与软件,2011,28(2):235-238. [26] 成新民,蒋云良,胡文军等.基于核的Fisher非线性最佳鉴别分析在人脸识别中的应用[J].中国图象图形学报,2007,12(8):1395-1400. [27] Deng Cai,Xiaofei He,Jiawei Han.Speed up kernel discriminant analysis(J).The VLDB Journal,2011, 20:21–33. [28] 卢威，陈后金.基于分块双向二维主成分分析的步态识别[J].计算机应用与软件,2011,(09). [29] Meng Li, Miao Wang, Chunguang Wang. Research on SVM Classification Performance in Rolling Bearing Diagnosis. Intelligent Computation Technology and Automation (ICICTA), 2010 [30] Michael Kearns and Leslie G. Valiant. Learning Boolean formulae or finite automata is as hard as factoring. Technical Report TR-14-88, Harvard University Aiken Computation Laboratory, August 1988. [31] O.L. Mangasarian, E.W. Wild. Multisurface proximal support vector machine classification via generalized eigenvalues. IEEE Trans. Pattern Anal. Mach. Intell. 2006, 28: 69~74 [32] Jayadeva, R. Khemchandani, S. Chandra. Twin support vector machines for pattern classification. IEEE Trans. Pattern Anal. Mach. Intell. 2007, 29:905~910 [33] Q. Ye, C. Zhao, N. Ye, Y. Chen. Multi-weight vector projection support vector machines. Pattern Recognition Letters. 2010, 31(13):2006~2011 [34] 骆剑承,周成虎,梁 怡等.支撑向量机及其遥感影像空间特征提取和分类的应用研究.遥感学报,2002,6(1):50~56 [35] 祁亨年.支持向量机及其应用研究综述.计算机工程,2004,30(10):6~9 [36] Xiaobo Jin, Xinwen Hou, Chenglin Liu. Multi-class AdaBoost with Hypothesis Margin. Pattern Recognition, 2010, 20:65~68 致 谢 攻读学位期间取得的研究成果 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作 者 签 名：　　 　 　　日　 期：　　 　 　　 ​​​​​​​​​​​​ 指导教师签名：　　 　 　　 日　　期：　　 　 　　 使用授权说明 本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：　　 　 　　 日　 期：　　 　 　　 ​​​​​​​​​​​​ 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权　　 　 　大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 独 创 声 明 本人郑重声明：所呈交的毕业设计(论文)，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我所知，除文中已经注明引用的内容外，本设计（论文）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。 本声明的法律后果由本人承担。   作者签名: 二〇一〇年九月二十日   毕业设计（论文）使用授权声明 本人完全了解**学院关于收集、保存、使用毕业设计（论文）的规定。 本人愿意按照学校要求提交学位论文的印刷本和电子版，同意学校保存学位论文的印刷本和电子版，或采用影印、数字化或其它复制手段保存设计（论文）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布设计（论文）的部分或全部内容，允许他人依法合理使用。 （保密论文在解密后遵守此规定）   作者签名: 二〇一〇年九月二十日 基本要求：写毕业论文主要目的是培养学生综合运用所学知识和技能，理论联系实际，独立分析，解决实际问题的能力，使学生得到从事本专业工作和进行相关的基本训练。毕业论文应反映出作者能够准确地掌握所学的专业基础知识，基本学会综合运用所学知识进行科学研究的方法，对所研究的题目有一定的心得体会，论文题目的范围不宜过宽，一般选择本学科某一重要问题的一个侧面。 毕业论文的基本教学要求是： 1、培养学生综合运用、巩固与扩展所学的基础理论和专业知识，培养学生独立分析、解决实际问题能力、培养学生处理数据和信息的能力。2、培养学生正确的理论联系实际的工作作风，严肃认真的科学态度。3、培养学生进行社会调查研究；文献资料收集、阅读和整理、使用；提出论点、综合论证、总结写作等基本技能。 毕业论文是毕业生总结性的独立作业，是学生运用在校学习的基本知识和基础理论，去分析、解决一两个实际问题的实践锻炼过程，也是学生在校学习期间学习成果的综合性总结，是整个教学活动中不可缺少的重要环节。撰写毕业论文对于培养学生初步的科学研究能力，提高其综合运用所学知识分析问题、解决问题能力有着重要意义。 毕业论文在进行编写的过程中，需要经过开题报告、论文编写、论文上交评定、论文答辩以及论文评分五个过程，其中开题报告是论文进行的最重要的一个过程，也是论文能否进行的一个重要指标。 撰写意义：1.撰写毕业论文是检验学生在校学习成果的重要措施，也是提高教学质量的重要环节。大学生在毕业前都必须完成毕业论文的撰写任务。申请学位必须提交相应的学位论文，经答辩通过后，方可取得学位。可以这么说，毕业论文是结束大学学习生活走向社会的一个中介和桥梁。毕业论文是大学生才华的第一次显露，是向祖国和人民所交的一份有份量的答卷，是投身社会主义现代化建设事业的报到书。一篇毕业论文虽然不能全面地反映出一个人的才华，也不一定能对社会直接带来巨大的效益，对专业产生开拓性的影响。但是，实践证明，撰写毕业论文是提高教学质量的重要环节，是保证出好人才的重要措施。 2.通过撰写毕业论文，提高写作水平是干部队伍“四化”建设的需要。党中央要求，为了适应现代化建设的需要，领导班子成员应当逐步实现“革命化、年轻化、知识化、专业化”。这个“四化”的要求，也包含了对干部写作能力和写作水平的要求。 3.提高大学生的写作水平是社会主义物质文明和精神文明建设的需要。在新的历史时期，无论是提高全族的科学文化水平，掌握现代科技知识和科学管理方法，还是培养社会主义新人，都要求我们的干部具有较高的写作能力。在经济建设中，作为领导人员和机关的办事人员，要写指示、通知、总结、 调查报告 行政管理关于调查报告关于XX公司的财务调查报告关于学校食堂的调查报告关于大米市场调查报告关于水资源调查报告 等应用文；要写说明书、广告、解说词等说明文；还要写科学论文、经济评论等议论文。在当今信息社会中，信息对于加快经济发展速度，取得良好的经济效益发挥着愈来愈大的作用。写作是以语言文字为信号，是传达信息的方式。信息的来源、信息的收集、信息的储存、整理、传播等等都离不开写作。 论文种类：毕业论文是学术论文的一种形式，为了进一步探讨和掌握毕业论文的写作规律和特点，需要对毕业论文进行分类。由于毕业论文本身的内容和性质不同，研究领域、对象、方法、表现方式不同，因此，毕业论文就有不同的分类方法。 按内容性质和研究方法的不同可以把毕业论文分为理论性论文、实验性论文、描述性论文和设计性论文。后三种论文主要是理工科大学生可以选择的论文形式，这里不作介绍。文科大学生一般写的是理论性论文。理论性论文具体又可分成两种：一种是以纯粹的抽象理论为研究对象，研究方法是严密的理论推导和数学运算，有的也涉及实验与观测，用以验证论点的正确性。另一种是以对客观事物和现象的调查、考察所得观测资料以及有关文献资料数据为研究对象，研究方法是对有关资料进行分析、综合、概括、抽象，通过归纳、演绎、类比，提出某种新的理论和新的见解。 按议论的性质不同可以把毕业论文分为立论文和驳论文。立论性的毕业论文是指从正面阐述论证自己的观点和主张。一篇论文侧重于以立论为主，就属于立论性论文。立论文要求论点鲜明，论据充分，论证严密，以理和事实服人。驳论性毕业论文是指通过反驳别人的论点来树立自己的论点和主张。如果毕业论文侧重于以驳论为主，批驳某些错误的观点、见解、理论，就属于驳论性毕业论文。驳论文除按立论文对论点、论据、论证的要求以外，还要求针锋相对，据理力争。 按研究问题的大小不同可以把毕业论文分为宏观论文和微观论文。凡届国家全局性、带有普遍性并对局部工作有一定指导意义的论文，称为宏观论文。它研究的面比较宽广，具有较大范围的影响。反之，研究局部性、具体问题的论文，是微观论文。它对具体工作有指导意义，影响的面窄一些。 另外还有一种综合型的分类方法，即把毕业论文分为专题型、论辩型、综述型和综合型四大类： 1．专题型论文。这是分析前人研究成果的基础上，以直接论述的形式发表见解，从正面提出某学科中某一学术问题的一种论文。如本书第十二章例文中的《浅析领导者突出工作重点的方法与艺术》一文，从正面论述了突出重点的工作方法的意义、方法和原则，它表明了作者对突出工作重点方法的肯定和理解。2．论辩型论文。这是针对他人在某学科中某一学术问题的见解，凭借充分的论据，着重揭露其不足或错误之处，通过论辩形式来发表见解的一种论文。3．综述型论文。这是在归纳、总结前人或今人对某学科中某一学术问题已有研究成果的基础上，加以介绍或评论，从而发表自己见解的一种论文。4．综合型论文。这是一种将综述型和论辩型两种形式有机结合起来写成的一种论文。如《关于中国民族关系史上的几个问题》一文既介绍了研究民族关系史的现状，又提出了几个值得研究的问题。因此，它是一篇综合型的论文。 写作步骤：毕业论文是高等教育自学考试本科专业应考者完成本科阶段学业的最后一个环节，它是应考者的 总结 性独立作业，目的在于总结学习专业的成果，培养综合运用所学知识解决实际 问题 的能力。从文体而言，它也是对某一专业领域的现实问题或 理论 问题进行 科学 研究 探索的具有一定意义的论说文。完成毕业论文的撰写可以分两个步骤，即选择课题和研究课题。 首先是选择课题。选题是论文撰写成败的关键。因为，选题是毕业论文撰写的第一步，它实际上就是确定“写什么”的问题，亦即确定科学研究的方向。如果“写什么”不明确，“怎么写”就无从谈起。 教育部自学考试办公室有关对毕业论文选题的途径和要求是“为鼓励理论与工作实践结合，应考者可结合本单位或本人从事的工作提出论文题目，报主考学校审查同意后确立。也可由主考学校公布论文题目，由应考者选择。毕业论文的总体要求应与普通全日制高等学校相一致，做到通过论文写作和答辩考核，检验应考者综合运用专业知识的能力”。但不管考生是自己任意选择课题，还是在主考院校公布的指定课题中选择课题，都要坚持选择有科学价值和现实意义的、切实可行的课题。选好课题是毕业论文成功的一半。 第一、要坚持选择有科学价值和现实意义的课题。科学研究的目的是为了更好地认识世界、改造世界，以推动社会的不断进步和发展 。因此，毕业论文的选题，必须紧密结合社会主义物质文明和精神文明建设的需要，以促进科学事业发展和解决现实存在问题作为出发点和落脚点。选题要符合科学研究的正确方向，要具有新颖性，有创新、有理论价值和现实的指导意义或推动作用，一项毫无意义的研究，即使花很大的精力，表达再完善，也将没有丝毫价值。具体地说，考生可从以下三个方面来选题。首先，要从现实的弊端中选题，学习了专业知识，不能仅停留在书本上和理论上，还要下一番功夫，理论联系实际，用已掌握的专业知识，去寻找和解决工作实践中急待解决的问题。其次，要从寻找科学研究的空白处和边缘领域中选题，科学研究。还有许多没有被开垦的处女地，还有许多缺陷和空白，这些都需要填补。应考者应有独特的眼光和超前的意识去思索，去发现，去研究。最后，要从寻找前人研究的不足处和错误处选题，在前人已提出来的研究课题中，许多虽已有初步的研究成果，但随着社会的不断发展，还有待于丰富、完整和发展，这种补充性或纠正性的研究课题，也是有科学价值和现实指导意义的。 第二、要根据自己的能力选择切实可行的课题。毕业论文的写作是一种创造性劳动，不但要有考生个人的见解和主张，同时还需要具备一定的客观条件。由于考生个人的主观、客观条件都是各不相同的，因此在选题时，还应结合自己的特长、兴趣及所具备的客观条件来选题。具体地说，考生可从以下三个方面来综合考虑。首先，要有充足的资料来源。“巧妇难为无米之炊”，在缺少资料的情况下，是很难写出高质量的论文的。选择一个具有丰富资料来源的课题，对课题深入研究与开展很有帮助。其次，要有浓厚的研究兴趣，选择自己感兴趣的课题，可以激发自己研究的热情，调动自己的主动性和积极性，能够以专心、细心、恒心和耐心的积极心态去完成。最后，要能结合发挥自己的业务专长，每个考生无论能力水平高低，工作岗位如何，都有自己的业务专长，选择那些能结合自己工作、发挥自己业务专长的课题，对顺利完成课题的研究大有益处。 致 谢 这次论文的完成，不止是我自己的努力，同时也有老师的指导，同学的帮助，以及那些无私奉献的前辈，正所谓你知道的越多的时候你才发现你知道的越少，通过这次论文，我想我成长了很多，不只是磨练了我的知识厚度，也使我更加确定了我今后的目标：为今后的计算机事业奋斗。在此我要感谢我的指导老师——***老师，感谢您的指导，才让我有了今天这篇论文，您不仅是我的论文导师，也是我人生的导师，谢谢您！我还要感谢我的同学，四年的相处，虽然我未必记得住每分每秒，但是我记得每一个有你们的精彩瞬间，我相信通过大学的历练，我们都已经长大，变成一个有担当，有能力的新时代青年，感谢你们的陪伴，感谢有你们，这篇论文也有你们的功劳，我想毕业不是我们的相处的结束，它是我们更好相处的开头，祝福你们！我也要感谢父母，这是他们给我的，所有的一切；感谢母校，尽管您不以我为荣，但我一直会以我是一名农大人为荣。 通过这次毕业设计，我学习了很多新知识，也对很多以前的东西有了更深的记忆与理解。漫漫求学路，过程很快乐。我要感谢信息与管理科学学院的老师，我从他们那里学到了许多珍贵的知识和做人处事的道理，以及科学严谨的学术态度，令我受益良多。同时还要感谢学院给了我一个可以认真学习，天天向上的学习环境和机会。 即将结束*大学习生活，我感谢****大学提供了一次在**大接受教育的机会，感谢院校老师的无私教导。感谢各位老师审阅我的论文。 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作 者 签 名：　　 　 　　日　 期：　　 　 　　 ​​​​​​​​​​​​ 指导教师签名：　　 　 　　 日　　期：　　 　 　　 使用授权说明 本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：　　 　 　　 日　 期：　　 　 　　 ​​​​​​​​​​​​ 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权　　 　 　大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 独 创 声 明 本人郑重声明：所呈交的毕业设计(论文)，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我所知，除文中已经注明引用的内容外，本设计（论文）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。 本声明的法律后果由本人承担。   作者签名: 年 月 日   毕业设计（论文）使用授权声明 本人完全了解**学院关于收集、保存、使用毕业设计（论文）的规定。 本人愿意按照学校要求提交学位论文的印刷本和电子版，同意学校保存学位论文的印刷本和电子版，或采用影印、数字化或其它复制手段保存设计（论文）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布设计（论文）的部分或全部内容，允许他人依法合理使用。 （保密论文在解密后遵守此规定）   作者签名: 年 月 日 基本要求：写毕业论文主要目的是培养学生综合运用所学知识和技能，理论联系实际，独立分析，解决实际问题的能力，使学生得到从事本专业工作和进行相关的基本训练。毕业论文应反映出作者能够准确地掌握所学的专业基础知识，基本学会综合运用所学知识进行科学研究的方法，对所研究的题目有一定的心得体会，论文题目的范围不宜过宽，一般选择本学科某一重要问题的一个侧面。 毕业论文的基本教学要求是： 1、培养学生综合运用、巩固与扩展所学的基础理论和专业知识，培养学生独立分析、解决实际问题能力、培养学生处理数据和信息的能力。2、培养学生正确的理论联系实际的工作作风，严肃认真的科学态度。3、培养学生进行社会调查研究；文献资料收集、阅读和整理、使用；提出论点、综合论证、总结写作等基本技能。 毕业论文是毕业生总结性的独立作业，是学生运用在校学习的基本知识和基础理论，去分析、解决一两个实际问题的实践锻炼过程，也是学生在校学习期间学习成果的综合性总结，是整个教学活动中不可缺少的重要环节。撰写毕业论文对于培养学生初步的科学研究能力，提高其综合运用所学知识分析问题、解决问题能力有着重要意义。 毕业论文在进行编写的过程中，需要经过开题报告、论文编写、论文上交评定、论文答辩以及论文评分五个过程，其中开题报告是论文进行的最重要的一个过程，也是论文能否进行的一个重要指标。 撰写意义：1.撰写毕业论文是检验学生在校学习成果的重要措施，也是提高教学质量的重要环节。大学生在毕业前都必须完成毕业论文的撰写任务。申请学位必须提交相应的学位论文，经答辩通过后，方可取得学位。可以这么说，毕业论文是结束大学学习生活走向社会的一个中介和桥梁。毕业论文是大学生才华的第一次显露，是向祖国和人民所交的一份有份量的答卷，是投身社会主义现代化建设事业的报到书。一篇毕业论文虽然不能全面地反映出一个人的才华，也不一定能对社会直接带来巨大的效益，对专业产生开拓性的影响。但是，实践证明，撰写毕业论文是提高教学质量的重要环节，是保证出好人才的重要措施。 2.通过撰写毕业论文，提高写作水平是干部队伍“四化”建设的需要。党中央要求，为了适应现代化建设的需要，领导班子成员应当逐步实现“革命化、年轻化、知识化、专业化”。这个“四化”的要求，也包含了对干部写作能力和写作水平的要求。 3.提高大学生的写作水平是社会主义物质文明和精神文明建设的需要。在新的历史时期，无论是提高全族的科学文化水平，掌握现代科技知识和科学管理方法，还是培养社会主义新人，都要求我们的干部具有较高的写作能力。在经济建设中，作为领导人员和机关的办事人员，要写指示、通知、总结、调查报告等应用文；要写说明书、广告、解说词等说明文；还要写科学论文、经济评论等议论文。在当今信息社会中，信息对于加快经济发展速度，取得良好的经济效益发挥着愈来愈大的作用。写作是以语言文字为信号，是传达信息的方式。信息的来源、信息的收集、信息的储存、整理、传播等等都离不开写作。 论文种类：毕业论文是学术论文的一种形式，为了进一步探讨和掌握毕业论文的写作规律和特点，需要对毕业论文进行分类。由于毕业论文本身的内容和性质不同，研究领域、对象、方法、表现方式不同，因此，毕业论文就有不同的分类方法。 按内容性质和研究方法的不同可以把毕业论文分为理论性论文、实验性论文、描述性论文和设计性论文。后三种论文主要是理工科大学生可以选择的论文形式，这里不作介绍。文科大学生一般写的是理论性论文。理论性论文具体又可分成两种：一种是以纯粹的抽象理论为研究对象，研究方法是严密的理论推导和数学运算，有的也涉及实验与观测，用以验证论点的正确性。另一种是以对客观事物和现象的调查、考察所得观测资料以及有关文献资料数据为研究对象，研究方法是对有关资料进行分析、综合、概括、抽象，通过归纳、演绎、类比，提出某种新的理论和新的见解。 按议论的性质不同可以把毕业论文分为立论文和驳论文。立论性的毕业论文是指从正面阐述论证自己的观点和主张。一篇论文侧重于以立论为主，就属于立论性论文。立论文要求论点鲜明，论据充分，论证严密，以理和事实服人。驳论性毕业论文是指通过反驳别人的论点来树立自己的论点和主张。如果毕业论文侧重于以驳论为主，批驳某些错误的观点、见解、理论，就属于驳论性毕业论文。驳论文除按立论文对论点、论据、论证的要求以外，还要求针锋相对，据理力争。 按研究问题的大小不同可以把毕业论文分为宏观论文和微观论文。凡届国家全局性、带有普遍性并对局部工作有一定指导意义的论文，称为宏观论文。它研究的面比较宽广，具有较大范围的影响。反之，研究局部性、具体问题的论文，是微观论文。它对具体工作有指导意义，影响的面窄一些。 另外还有一种综合型的分类方法，即把毕业论文分为专题型、论辩型、综述型和综合型四大类： 1．专题型论文。这是分析前人研究成果的基础上，以直接论述的形式发表见解，从正面提出某学科中某一学术问题的一种论文。如本书第十二章例文中的《浅析领导者突出工作重点的方法与艺术》一文，从正面论述了突出重点的工作方法的意义、方法和原则，它表明了作者对突出工作重点方法的肯定和理解。2．论辩型论文。这是针对他人在某学科中某一学术问题的见解，凭借充分的论据，着重揭露其不足或错误之处，通过论辩形式来发表见解的一种论文。3．综述型论文。这是在归纳、总结前人或今人对某学科中某一学术问题已有研究成果的基础上，加以介绍或评论，从而发表自己见解的一种论文。4．综合型论文。这是一种将综述型和论辩型两种形式有机结合起来写成的一种论文。如《关于中国民族关系史上的几个问题》一文既介绍了研究民族关系史的现状，又提出了几个值得研究的问题。因此，它是一篇综合型的论文。 写作步骤：毕业论文是高等教育自学考试本科专业应考者完成本科阶段学业的最后一个环节，它是应考者的 总结 性独立作业，目的在于总结学习专业的成果，培养综合运用所学知识解决实际 问题 的能力。从文体而言，它也是对某一专业领域的现实问题或 理论 问题进行 科学 研究 探索的具有一定意义的论说文。完成毕业论文的撰写可以分两个步骤，即选择课题和研究课题。 首先是选择课题。选题是论文撰写成败的关键。因为，选题是毕业论文撰写的第一步，它实际上就是确定“写什么”的问题，亦即确定科学研究的方向。如果“写什么”不明确，“怎么写”就无从谈起。 教育部自学考试办公室有关对毕业论文选题的途径和要求是“为鼓励理论与工作实践结合，应考者可结合本单位或本人从事的工作提出论文题目，报主考学校审查同意后确立。也可由主考学校公布论文题目，由应考者选择。毕业论文的总体要求应与普通全日制高等学校相一致，做到通过论文写作和答辩考核，检验应考者综合运用专业知识的能力”。但不管考生是自己任意选择课题，还是在主考院校公布的指定课题中选择课题，都要坚持选择有科学价值和现实意义的、切实可行的课题。选好课题是毕业论文成功的一半。 第一、要坚持选择有科学价值和现实意义的课题。科学研究的目的是为了更好地认识世界、改造世界，以推动社会的不断进步和发展 。因此，毕业论文的选题，必须紧密结合社会主义物质文明和精神文明建设的需要，以促进科学事业发展和解决现实存在问题作为出发点和落脚点。选题要符合科学研究的正确方向，要具有新颖性，有创新、有理论价值和现实的指导意义或推动作用，一项毫无意义的研究，即使花很大的精力，表达再完善，也将没有丝毫价值。具体地说，考生可从以下三个方面来选题。首先，要从现实的弊端中选题，学习了专业知识，不能仅停留在书本上和理论上，还要下一番功夫，理论联系实际，用已掌握的专业知识，去寻找和解决工作实践中急待解决的问题。其次，要从寻找科学研究的空白处和边缘领域中选题，科学研究。还有许多没有被开垦的处女地，还有许多缺陷和空白，这些都需要填补。应考者应有独特的眼光和超前的意识去思索，去发现，去研究。最后，要从寻找前人研究的不足处和错误处选题，在前人已提出来的研究课题中，许多虽已有初步的研究成果，但随着社会的不断发展，还有待于丰富、完整和发展，这种补充性或纠正性的研究课题，也是有科学价值和现实指导意义的。 第二、要根据自己的能力选择切实可行的课题。毕业论文的写作是一种创造性劳动，不但要有考生个人的见解和主张，同时还需要具备一定的客观条件。由于考生个人的主观、客观条件都是各不相同的，因此在选题时，还应结合自己的特长、兴趣及所具备的客观条件来选题。具体地说，考生可从以下三个方面来综合考虑。首先，要有充足的资料来源。“巧妇难为无米之炊”，在缺少资料的情况下，是很难写出高质量的论文的。选择一个具有丰富资料来源的课题，对课题深入研究与开展很有帮助。其次，要有浓厚的研究兴趣，选择自己感兴趣的课题，可以激发自己研究的热情，调动自己的主动性和积极性，能够以专心、细心、恒心和耐心的积极心态去完成。最后，要能结合发挥自己的业务专长，每个考生无论能力水平高低，工作岗位如何，都有自己的业务专长，选择那些能结合自己工作、发挥自己业务专长的课题，对顺利完成课题的研究大有益处。 致 谢 这次论文的完成，不止是我自己的努力，同时也有老师的指导，同学的帮助，以及那些无私奉献的前辈，正所谓你知道的越多的时候你才发现你知道的越少，通过这次论文，我想我成长了很多，不只是磨练了我的知识厚度，也使我更加确定了我今后的目标：为今后的计算机事业奋斗。在此我要感谢我的指导老师——***老师，感谢您的指导，才让我有了今天这篇论文，您不仅是我的论文导师，也是我人生的导师，谢谢您！我还要感谢我的同学，四年的相处，虽然我未必记得住每分每秒，但是我记得每一个有你们的精彩瞬间，我相信通过大学的历练，我们都已经长大，变成一个有担当，有能力的新时代青年，感谢你们的陪伴，感谢有你们，这篇论文也有你们的功劳，我想毕业不是我们的相处的结束，它是我们更好相处的开头，祝福你们！我也要感谢父母，这是他们给我的，所有的一切；感谢母校，尽管您不以我为荣，但我一直会以我是一名农大人为荣。 通过这次毕业设计，我学习了很多新知识，也对很多以前的东西有了更深的记忆与理解。漫漫求学路，过程很快乐。我要感谢信息与管理科学学院的老师，我从他们那里学到了许多珍贵的知识和做人处事的道理，以及科学严谨的学术态度，令我受益良多。同时还要感谢学院给了我一个可以认真学习，天天向上的学习环境和机会。 即将结束*大学习生活，我感谢****大学提供了一次在**大接受教育的机会，感谢院校老师的无私教导。感谢各位老师审阅我的论文。 68 69 _1234567930.unknown _1234568112.unknown _1234568202.unknown _1234568238.unknown _1234568254.unknown _1442385458.unknown _1442385845.unknown _1442389071.xls Chart3 26 31 29 33 27 25 平均训练时间 核函数类型代码 平均识别时间(ms) （c）各个核函数的平均识别时间 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 核函数类型代号 平均训练时间 1 26 2 31 3 29 4 33 5 27 6 25 Sheet2 0 0 0 0 0 0 平均训练时间 核函数类型代码 平均识别时间(ms) （c）各个核函数的平均识别时间 Sheet3 _1442389642.xls Chart5 3 5 15 30 52 平均训练时间 训练样本的组号 平均训练时间(min) （a）平均训练时间 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 训练样本的组号 平均训练时间 1 3 2 5 3 15 4 30 5 52 Sheet2 0 0 0 0 0 平均训练时间 训练样本的组号 平均训练时间(min) （a）平均训练时间 Sheet3 _1446639725.vsd � � 输入预处理后的标志图像 特征提取� 训练 存储参数� 决策计算� 识别 判决� 结果 _1446639948.vsd � � � � 开始 输入图像� 随机噪声和运动模糊的消除� 颜色和形状识别 定位标识� 结束� _1442389933.xls Chart8 74 84 92 93 92.5 平均训练时间 训练样本的组号 平均识别准确率（%） （d）平均识别准确率对比 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 训练样本的组号 平均训练时间 1 74 2 84 3 92 4 93 5 92.5 Sheet2 0 0 0 0 0 平均训练时间 训练样本的组号 平均识别准确率（%） （d）平均识别准确率对比 Sheet3 _1442389934.xls Chart10 86 91 93 多类分类方法 平均识别率（%） （b）平均识别率 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 训练样本的组号 平均训练时间 1 86 2 91 3 93 Sheet2 0 0 0 多类分类方法 平均识别率（%） （b）平均识别率 Sheet3 _1442389900.xls Chart9 83 35 28 多类分类方法 平均识别时间（ms） （a）平均识别时间 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 训练样本的组号 平均训练时间 1 83 2 35 3 28 Sheet2 0 0 0 多类分类方法 平均识别时间（ms） （a）平均识别时间 Sheet3 _1442389490.xls Chart6 9 13 18 40 68 平均训练时间 训练样本的组号 平均支持向量个数（个） （b）平均SV个数 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 训练样本的组号 平均训练时间 1 9 2 13 3 18 4 40 5 68 Sheet2 0 0 0 0 0 平均训练时间 训练样本的组号 平均支持向量个数（个） （b）平均SV个数 Sheet3 _1442389566.xls Chart7 5 18 27 36 42 平均训练时间 训练样本的组号 平均识别时间（ms） （c）平均识别时间对比 Sheet1 附件10 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 训练样本的组号 平均训练时间 1 5 2 18 3 27 4 36 5 42 Sheet2 平均训练时间 训练样本的组号 平均识别时间（ms） （c）平均识别时间对比 Sheet3 _1442389251.xls Chart4 88.3 88.1 89 89.9 90.2 88.8 平均训练时间 核函数类型代码 平均测试识别率(%) （d）各个核函数的识别准确率 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 核函数类型代号 平均训练时间 1 88.3 2 88.1 3 89 4 89.9 5 90.2 6 88.8 Sheet2 0 0 0 0 0 0 平均训练时间 核函数类型代码 平均测试识别率(%) （d）各个核函数的识别准确率 Sheet3 _1442388922.xls Chart2 16 19 21 18 17 23 平均训练时间 核函数类型代码 平均支持向量个数(个) （b）支持向量个数比较 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 核函数类型代号 平均训练时间 1 16 2 19 3 21 4 18 5 17 6 23 Sheet2 0 0 0 0 0 0 平均训练时间 核函数类型代码 平均支持向量个数(个) （b）支持向量个数比较 Sheet3 _1442388935.xls Chart1 12 19 20 23 15 14 平均训练时间 核函数类型代码 平均训练时间(min) (a)训练时间比较 Sheet1 附件10 2013年度勘察设计类注册电气工程师执业资格考试报名花名册 主管部门（盖章）： 单位（盖章）： 经办人（签字）： 联系电话： 报名人数： 资格初审合格人数： 市住建委资格审核合格人数： 序号 工 作 单 位 姓 名 身 份 证 号 报考 级别 报考 专业 报考 科数 使用 学历（学位） 毕业（获 得）时间 从业 年限 联系电话 备注 1 山东华通路桥工程有限公司 杨自娟 371312198305274823 基础 供配电 2 本科 07.7 6 18253939196 填表说明：标题空白处根据报考种类填写，如“一级注册结构工程师"等。根据《资格考试报名表》如实填写“报考级别”、“报考专业”和“报考科数”。使用学历（学位）为本次报名所用学历（学位），如大专、本科、硕士等。毕业（获得）时间为所用学历（学位）的毕业（获得）时间，表示方法如“96.7”。报考科数、从业年限只填数字，不写科、年。免试依据为免试人员提供的凭据，如“本科，90年”等。 &C&9 22 Sheet2 核函数类型代号 1 2 3 4 5 6 平均训练时间 12 19 20 23 15 14 核函数类型代号 平均训练时间 1 12 2 19 3 20 4 23 5 15 6 14 Sheet2 0 0 0 0 0 0 平均训练时间 核函数类型代码 平均训练时间(min) (a)训练时间比较 Sheet3 _1442387419.vsd 100� 100� 90� 80� 70� 60� 50� 40� 30� 40� 50� 60� 70� � 100%� 100%� 90%� 80%� 70%� 60%� 50%� 40%� 30%� 40%� 50%� 60%� 70%� � 文本� 文本� 文本� 文本� � 标题� _1442385548.unknown _1442385595.unknown _1442385698.unknown _1442385580.unknown _1442385468.unknown _1442385505.unknown _1234568262.unknown _1234568270.unknown _1234568278.unknown _1234568282.unknown _1234568284.unknown _1234568286.unknown _1442385354.unknown _1234568285.unknown _1234568283.unknown _1234568280.unknown _1234568281.unknown _1234568279.unknown _1234568274.unknown _1234568276.unknown _1234568277.unknown _1234568275.unknown _1234568272.unknown _1234568273.unknown _1234568271.unknown _1234568266.unknown _1234568268.unknown _1234568269.unknown _1234568267.unknown _1234568264.unknown _1234568265.unknown _1234568263.unknown _1234568258.unknown _1234568260.unknown _1234568261.unknown _1234568259.unknown _1234568256.unknown _1234568257.unknown _1234568255.unknown _1234568246.unknown _1234568250.unknown _1234568252.unknown _1234568253.unknown _1234568251.unknown _1234568248.unknown _1234568249.unknown _1234568247.unknown _1234568242.unknown _1234568244.unknown _1234568245.unknown _1234568243.unknown _1234568240.unknown _1234568241.unknown _1234568239.unknown _1234568222.unknown _1234568230.unknown _1234568234.unknown _1234568236.unknown _1234568237.unknown _1234568235.unknown _1234568232.unknown _1234568233.unknown _1234568231.unknown _1234568226.unknown _1234568228.unknown _1234568229.unknown _1234568227.unknown _1234568224.unknown _1234568225.unknown _1234568223.unknown _1234568210.unknown _1234568218.unknown _1234568220.unknown _1234568221.unknown _1234568219.unknown _1234568212.unknown _1234568217.unknown _1234568211.unknown _1234568206.unknown _1234568208.unknown _1234568209.unknown _1234568207.unknown _1234568204.unknown _1234568205.unknown _1234568203.unknown _1234568160.unknown _1234568168.unknown _1234568190.unknown _1234568194.unknown _1234568201.unknown _1234568193.unknown _1234568188.unknown _1234568189.unknown _1234568187.unknown _1234568164.unknown _1234568166.unknown _1234568167.unknown _1234568165.unknown _1234568162.unknown _1234568163.unknown _1234568161.unknown _1234568120.unknown _1234568131.unknown _1234568147.unknown _1234568159.unknown _1234568132.unknown _1234568122.unknown _1234568123.unknown _1234568121.unknown _1234568116.unknown _1234568118.unknown _1234568119.unknown _1234568117.unknown _1234568114.unknown _1234568115.unknown _1234568113.unknown _1234568049.unknown _1234568065.unknown _1234568104.unknown _1234568108.unknown _1234568110.unknown _1234568111.unknown _1234568109.unknown _1234568106.unknown _1234568107.unknown _1234568105.unknown _1234568069.unknown _1234568071.unknown _1234568072.unknown _1234568070.unknown _1234568067.unknown _1234568068.unknown _1234568066.unknown _1234568057.unknown _1234568061.unknown _1234568063.unknown _1234568064.unknown _1234568062.unknown _1234568060.unknown _1234568058.unknown _1234568059.unknown _1234568053.unknown _1234568055.unknown _1234568056.unknown _1234568054.unknown _1234568051.unknown _1234568052.unknown _1234568050.unknown _1234567942.unknown _1234568026.unknown _1234568041.unknown _1234568047.unknown _1234568048.unknown _1234568043.unknown _1234568039.unknown _1234568040.unknown _1234568038.unknown _1234568022.unknown _1234568024.unknown _1234568025.unknown _1234568023.unknown _1234568019.unknown _1234568020.unknown _1234567943.unknown _1234567934.unknown _1234567938.unknown _1234567940.unknown _1234567941.unknown _1234567939.unknown _1234567936.unknown _1234567937.unknown _1234567935.unknown _1234567932.unknown _1234567933.unknown _1234567931.unknown _1234567912.unknown _1234567922.unknown _1234567926.unknown _1234567928.unknown _1234567929.unknown _1234567927.unknown _1234567924.unknown _1234567925.unknown _1234567923.unknown _1234567916.unknown _1234567920.unknown _1234567921.unknown _1234567917.unknown _1234567914.unknown _1234567915.unknown _1234567913.unknown _1234567903.unknown _1234567907.unknown _1234567909.unknown _1234567911.unknown _1234567908.unknown _1234567905.unknown _1234567906.unknown _1234567904.unknown _1234567899.unknown _1234567901.unknown _1234567902.unknown _1234567900.unknown _1234567897.unknown _1234567898.unknown _1234567891.unknown