针对现有主流检测算法在低光照或光照条件强烈变化情况下对交通标志检测精度不足、漏检现象严重的问题,提出一种改进后的基于图像关键点统计变换(MCT)特征的Adaboost集成算法,以降低样本图像对光照变化的敏感性,通过对图像关键点进行提取并建立弱分类器,增强噪声和部分遮挡情况下算法的抗干扰能力,同时采用多尺度特征融合算法实现交通标志的分类识别。选用德国交通标志数据集(GTSDB、GTSRB)和自建数据集对所提算法性能进行验证,结果表明,在三类数据集中本文算法均具有最佳检测率与识别率,对于低光照条件下的交通标志图像,本文算法的检测精确率为94.96%,在复杂光照环境下具有较好的稳健性。

道路交通标志检测与识别-.rar

交通标志的颜色特征和形状特征是其最主要的两个特征，为提高检测的准确性和鲁棒性，提出颜色分割和形状特征相结合的方法。利用交通标志的颜色特征，采用基于HSV空间的颜色分割方法，获得图像中可能包含交通标志的区域，并提取该区域。根据交通标志的形状特点，利用canny算子获取提取区域的轮廓。然后，采用基于标记的形状检测算法判定所分割区域的形状，利用方向梯度直方图特征结合支持向量机（SVM）方法完成交通标志识别。经实验测试，该方法对图片视点变换、尺度变换以及亮度变换等情况具有很强的鲁棒性。

darknet的YoloV3-tiny检测交通标志--34种（.cfg配置文件，.data、.name文件、权重文件），针对清晰图像有较好的识别效果。使用该资源请提前部署好darknet环境即可直接识别。 （ps：我原本没调整需要积分，后来发现都下载不了来找我，才发现是动态积分自己调整的，我设置了不允许动态调分，大家下载了自己研究一下吧，darknet教程网上有很多，不懂的花点心思搜一搜还是能搜到的，加油，祝大家学业顺利）

道路交通标志检测与识别

车道线和交通标志检测源代码，基于QT开发，C++

机器人感知 该存储库展示了马里兰大学ENPM673课程中完成的项目。 本课程专门设计用于提供对机器人感知的见解，包括从最基本的主题（例如各种图像转换）到最新的算法（例如单眼视觉测距法）。 在本节中，将简要介绍本课程中完成的每个项目。 下面列出了本课程中完成的项目，请单击链接进入特定部分： 请注意，所有代码均已在MATLAB 2016b和MATLAB 2017a上进行了测试和运行。 还要注意，对于视觉里程表项目，您将需要Mathworks Inc.提供的MATLAB的Computer Vision工具箱。可以在找到。 增强现实 这是使用非常基本的概念（例如图像变换和单应性）来生成非常强大的结果（

基于多尺度特征融合网络的交通标志检测_刘胜.pdf