翻译a.docVIP

机器视觉及其应用（2010）21:99–111原始文件交通标志识别系统withβ校escalera??彼佳radeva普约尔队二月收到：2007 /?2008?/?1可接受：发表于：2008六月6 ?施普林格出版社2008摘要交通标志的分类是一个经典的多目标识别处理在未控制恶劣环境中的应用。缺乏知名度，照明的变化，在本文中部分遮挡是仅有的几个问题，我们引入了一个新的基于纠错输出编码的交通标志的多类分类系统（ECOC）。纠错输出编码是基于二进制分类器，训练班的双分区的集合。我们分类一系列的交通标志使用强大的错误校正编码类型。此外，我们引入了新的β校解码策略，优于国家的最先进的装饰顶技术，巨大的成功。。纠错 输出编码交通标志的分类 强分类器光照变化，缺乏的知名度，或闭塞处理这个问题的方法已经被提出。通常，交通标志识别策略分为两大类：基于颜色和基于灰度。灰色的方法的重点对象的几何尺度[?1，2 ]，缕缕的颜色有防优势亭假阳性检测[ 3，4 ]。交通标志的识别研究了多种用途，如自主驾驶下一定的简化条件或辅助驱动[ 5 ]。我们专注于移动映射[ 6 ]的目标其中，使得这个问题的主要困难是大量的类高之间的相似在低分辨率图像的迹象。为了应对这些障碍，强大的多类分类器应考虑红多类分类是基于分配标签实例属于某个类的有限集合N?C（N?C＞2）。机器学习的多分类技术设计是一个困难的任务。这是常见的构思算法区分两类以某种方式形成一个强大的多类分类器。（一对一）一[ 7 ]或[ 8 ]和所有的文件技术方案是最经常使用的。误差校正码检测输出（ECOC）是作为替代使用二进制分类器【9】处理多类问题。它众所周知，ECOC，当应用于多类李尔宁的问题，可以提高综合性能[ 7 ] 这一改善的原因是它的属性 原来的问题分解成一组互补的两类问题编码在ECOC矩阵允许在原始类分类器的共享。最近，一直在设计一种新的兴趣的ECOC。见的预编码策略（一对一和一对所有）问题相关的设计[ 10，11 ]。问题设计开发的每一个特定领域的知识把重点放在相关的分类问题。最相关的分类器的选择允许获得一个强大的强分类器，需要较少的二分法分类。然而，在解码步骤相关的几个研究已提出[ 7 ]。在本文中，我们通过纠错技术手段分类处理的交通标志的问题我们利用移动测绘系统获得的信息【6】道路视频序列分析。我们使用AdaBoost类Haar特征估计在积分图像[ 12 ]以很高的概率包含交通检测区域标志。在使用空间标准化和模型拟合，在ECOC框架我们比较了最近提出的编码策略，显示当ecoc设计相关问题是结合适当的解码策略我们新的解码策略来增加纠错性能。该高变异型标志，优于传统的算法设计。本文的组织如下 2概述教派。纠错编码策略，提出了一种新的β校解码方法3节阐述了交通系统标志分类。4节给出了实验结果，最后，教派。5总结全文2纠错输出编码ECOC框架的基础是建立一个码字每一个N?C类。将码字作为行一个矩阵，在三元的情况下，我们定义的“编码矩阵mM，在”?1?}?{?0，1N×N?C n为码长从学习的角度，M是通过考虑N个二进制问题（二分法），每个对应一个矩阵的列。在加入集类，根据他们的会员等级设置每一类二值定义了一类编码的分区（1），?1 0如果不考虑类用二分法）。三元编码设计图1。矩阵编码采用二分法{?H七1，……，H7}一级 码字｛Y问题1，……，Y4}白色的区域由1编码，1黑暗的区域（由?视为负）和灰色区域对应于零的符号（不考虑类的目前的二分法）第一个分类器区分3类和12不考虑4类，第二个分类2班与1，3，4，等等。应用训练二分类，代码获得的每个数据点测试集。此代码是比较基础的码字在矩阵M的每个类定义与数据点图1的例子三元矩阵M（4）级的问题。一个新的测试是由一个X?codeword类分类时使用传统的汉明和欧氏解码策略 2.1编码设计统的编码策略是：一个对所有[ 8 ]，每个学习者训练来一类其余的类。给定N?C类，该技术具有一个码字长度N?C。一对一[ 7 ]认为所有对类。码字的长度，在这种情况下，是N?C（N C?1）密集的随机策略[ 7 ]生成一个随机的编码矩阵M，其中的值{ 1，1?}?有一定概率出现。稀疏的随机策略[ 7 ]类似于密集的情况下，但包括第三个符号0另一个出现的概率值。要求的随机策略管理是随机生成的矩阵的行和列应尽可能不同在海明距离。在这种方式中，更多的分类可以纠正错误[ 10 ]。7在[工作]，作者通过实验提出的每个技术的长度：10log（N C）为密集的情况下，和15log（N C）为稀疏的情况下。由于二进制分类器参与大量传统的编码策略的鲁棒性和低一对在一对一的所有策略的比较，新的编码方法已被提出[ 10，11 ]。新技术的基础上开发的问题域通过选择具有代表性的二元分类问题