臺灣博碩士論文加值系統

在影像處理中，被偵測出的形狀是相當重要的資訊，而影像中最常被用來偵測的形狀是直線或圓形。在影像經過邊緣偵測後，會有斷裂或不連續的邊緣狀況產生，而霍夫轉換(Hough transform)則是能將斷裂或不連續線段所連結在一起的演算法。本研究希望能將霍夫轉換應用至類神經網路(Artificial Neural Networks, ANN)上，透過霍夫神經網路來提升霍夫轉換的準確性。在交通影像上，會因為環境因素或其他雜訊，如光線的影響，天氣的變化…等，會影響霍夫轉換後直線偵測的效果，因此本論文即透過霍夫神經網路，增加直線偵測的準確性，準確的獲取交通影像中車道線的線條，而不被其他雜訊所影響。

In image processing, detected shapes are very important, which are often in the forms of lines or circulars. Detected edges usually exhibit broken or discontinuous features. Hough transform is the algorithm that can links the edges together when it is of broken or discontinuous states. This study applies Hough transform using neural network to improve the accuracy of edge detections. For traffic images, results of line detection are effected by environmental factors or other noise such as impact of light and weather changes. By using Hough neural network, we increase the accuracy of line detection to get lane lines on traffic images.

目錄I
圖目錄II
表目錄III
摘要IV
ABSTRACT V
第1章 文獻回顧與研究動機1
第2章 影像處理3
2.1 影像處理流程3
2.3 Sobel邊緣偵測(Sobel edge detection)4
2.4 影像二值化6
第3章 霍夫轉換(Hough Transform)7
3.1 直線偵測7
3.2 圓形偵測10
第4章 類神經網路12
4.1 簡介12
4.2 倒傳遞演算法(Back-propagation algorithm)14
第5章 霍夫神經網路 17
5.1 霍夫神經網路之介紹17
5.2 霍夫神經網路之改良19
第6章 實驗結果23
第7章 結論28
參考文獻29
圖目錄
圖 2.1、影像處理流程圖3
圖 2.2、灰階影像測試圖4
圖 2.3、Sobel邊緣偵測遮罩5
圖 2.4、Sobel邊緣偵測結果影像5
圖 2.5、二値化結果影像6
圖 3.1、霍夫轉換示意圖7
圖 3.2、霍夫轉換參數說明圖8
圖 3.3、直線霍夫轉換示意圖9
圖 3.4、直線霍夫轉換投票示意圖9
圖 3.5、圓形霍夫轉換示意圖10
圖 3.6、繪製測試圖11
圖 3.7、實際場景測試圖11
圖 4.1、神經網路示意圖12
圖 4.2、類神經網路架構圖13
圖 5.1、霍夫神經網路架構圖17
圖 5.2、類神經網路架構圖19
圖 5.3、輸出設定示意圖20
圖 5.4、輸入區塊座標位置示意圖22
圖 5.5、輸入設定示意圖22
圖 6.1、隱藏層為400之實驗結果圖26
圖 6.2、隱藏層為300之實驗結果圖26
圖 6.3、隱藏層為200之實驗結果圖26
圖 6.4、隱藏層為100之實驗結果圖27
表目錄
表 1、神經網路訓練參數23
表 2、隱藏層為600之實驗結果23
表 3、隱藏層為500之實驗結果23
表 4、隱藏層為400之實驗結果24
表 5、隱藏層為300之實驗結果24
表 6、隱藏層為200之實驗結果24
表 7、隱藏層為100之實驗結果24
表 8、預測筆數正確率25
表 9、各隱藏層的預測正確率25

中文部份
[1]邱智國，「車牌辨識系統的研製」，國立台灣科技大學電機工程系碩士論文，2007。
[2]范耿豪，「以霍夫轉換為基礎之智慧型快速車道線偵測」，國立台灣師範大學應用電子科技系碩士論文，2009。
[3]范銘文，「自動模糊法則建構於駕駛安全性分析之研究」，長庚大學電機工程系碩士論文，2008。
[4]徐士中，「任意背景下的人臉偵測」，國立台灣科技大學電機工程系碩士論文，2006。
[5]張厥煒，「運動視訊場景中動態物件搜尋與追蹤方法」，臺北科技大學學報，第四十之一期，第59~74頁，2006。
[6]陳愛斌，「複雜背景下基於hough變換的人臉定位」，中國圖像圖形期刊，2004。
英文部份
[1]Ballard. D. H. and D. Sabbah, "Viewer independentshape recognition," IEEE transaction on Pattern Analysis and Machine Intelligence, Vol. 5, pp. 653-660, 1983.
[2]D. E. Rumelhart, G. E. Hinton, and R. J. Williams, “Learning internal representations by error propagation,” Parallel Distributed Processing, pp. 318-362, 1986.
[3]Illingworth. J. and J. Kittler, "A survey of the hough transform", Computer Vision, Graphics, and Image Processing, Vol. 44, pp. 87-116,1988.
[4]K. Hornik, M. Stinchcombe, and H. White, “Mutilayer feedforward networks are universal approximators,” Neural Networks, Vol. 2, No. 5, pp. 359-366,1989.
[5]Leavers. V. F., "Shape Detection in Computer Vision Using the Hough Transform," Springer-Verlag London Limited, 1992.
[6]M.Köppen, A. Soria-Frisch, and R. Vicente-García, “NeuroHough: A neural network for computing the hough transform, “ Fraunhofer IPK, Dept. Pattern Recognition, Pascalstr. 8-9, 10587 Berlin, Germany, 2001.