1.算法运行效果图预览
(完整程序运行后无水印)
GRNN与GA-GRNN对比：
测试1（两个算法均识别正确）：
测试2（GA-GRNN识别正确，GRNN识别错误）：
测试3（两个算法均识别正确）：
2.算法运行软件版本
matlab2022a
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
`function y = func_feature2(image);
%HOG函数参数
FX_Number = 9; %9个方向
Angle = 180;%角度
CellSize = 8; %分割大小8X8
FilterSize = 0; %高斯低通滤波器大小
FilterDelta = 0; %标准偏差
move_pixel = 8; %移动像素
[R,C] = size(image);
I = zeros(floor(R/4),floor(C/4));
y = [];
l = 0.5;
r = 0.02;
c = -0.05;
for i = 1:4
for j = 1:4
I = image(R/4*(i-1)+1:R/4i,C/4(j-1)+1:C/4*j);
tmps = [func_HOG_Feature(image,move_pixel,FX_Number,Angle,CellSize,FilterSize,FilterDelta,32)]';
tmps2= tmps;
y = [y,tmps2];
end
end`
4.算法理论概述
4.1 HOG
Hog（Histogram of Oriented Gradients）特征提取算法的核心思想是将图像局部区域内的梯度方向直方图作为特征描述子。它通过计算图像中每个像素点的梯度方向和幅值，将图像划分为若干个小的单元格（cell），然后在每个单元格内统计梯度方向的直方图，最后将这些直方图进行组合，形成整幅图像的 Hog 特征。
HOG通过捕捉图像局部区域的梯度方向分布来描述目标形状特征，具有旋转不变性和光照鲁棒性。其数学流程如下：
4.2 GRNN（General Regression Neural Network）模型原理
GRNN（Generalized Regression Neural Network）即广义回归神经网络，是一种基于径向基函数的神经网络。它由输入层、模式层、求和层和输出层组成。输入层负责接收输入数据，模式层用于计算输入数据与训练样本之间的距离，求和层对模式层的输出进行加权求和，输出层则给出最终的预测结果。GRNN 的学习过程简单，只需要确定训练样本和光滑因子即可。
GRNN是一种基于Parzen窗密度估计的前馈神经网络，其结构包含四层：
4.3 遗传算法（GA）优化GRNN平滑因子
遗传算法是一种模拟自然选择和遗传机制的随机搜索算法，通过选择、交叉和变异等操作，对种群中的个体进行进化，以寻找最优解。在基于遗传优化 GRNN 和 Hog 特征提取的交通标志识别算法中，遗传算法主要用于优化 GRNN 的参数，如光滑因子、连接权值等，以提高 GRNN 的性能。
GRNN性能对平滑因子 σ 敏感，采用遗传算法全局优化：
基于遗传优化GRNN和HOG特征提取的交通标志识别算法，通过HOG捕捉形状特征，GRNN实现非线性回归，并结合遗传算法全局优化关键参数。该方法在精度、效率和鲁棒性间取得平衡，特别适合实时性要求高的车载系统。未来可探索HOG与CNN特征融合，进一步提升复杂场景下的识别率。
